CN111209782B - 一种机房设备异常灯的识别方法以及识别系统 - Google Patents
一种机房设备异常灯的识别方法以及识别系统 Download PDFInfo
- Publication number
- CN111209782B CN111209782B CN201811398266.0A CN201811398266A CN111209782B CN 111209782 B CN111209782 B CN 111209782B CN 201811398266 A CN201811398266 A CN 201811398266A CN 111209782 B CN111209782 B CN 111209782B
- Authority
- CN
- China
- Prior art keywords
- object distance
- camera
- picture
- lamp
- machine room
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 description 8
- 239000003086 colorant Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明涉及机房设备异常灯的识别方法及其系统。该方法包括:物距改变步骤,使得摄像头的以初始物距为基础开始改变并且使得摄像机以该改变后的物距进行拍摄;判断步骤,对于拍摄得到的图片识别信号灯的光斑大小及图片直方图中的黑色占比,判断光斑是否符合预设第一预设规定范围以及图片直方图中的黑色占比是否符合第二预设规定范围,若判断所述光斑不符合第一预设规定范围以及图片直方图中的黑色占比不符合第二预设规定范围的情况下,重复进行物距改变步骤直到符合第一预设规定范围以及第二预设规定范围;以及识别步骤,对该图片进行分析并识别异常灯。根据本发明,能够优化拍照效果,使得异常灯和正常灯在图片中更加突出。
Description
技术领域
本发明涉及图像分析技术,特别涉及用于机房设备异常灯的识别方法以及识别系统。
背景技术
随着机房设备规模的不断增加,通过人工巡检来发现设备异常的方式存在较大的工作量。业界开始使用轮式机器人在机房中自动行走,通过摄像头对设备进行拍照,从而识别异常灯。
现有的巡检机器人一般通过摄像头的自动对焦方式完成对环境的拍照,随后再对图像进行深度分析和异常灯识别。典型的步骤如下:
通过摄像头对机房设备进行对焦拍照;
对拍摄的照片进行特征分析,一般采用机器学习算法或者深度学习算法,提高特征分析的效果。
由于机房环境光线、设备面板、机柜透光等原因,使得图片较暗、杂色较多以及信号灯不够明显。在该种情况下,现有技术方案中的核心在于设计较好的机器学习或者深度学习算法,提高信号灯和异常灯特征的提取效果,从而达到的较高的识别率。
然而,在这样的现有技术中,光线较弱会带来较多的杂色影响信号灯和异常灯特征的提取和识别,光线较强又会使得信号灯和异常灯的光线不够突出,影响灯的识别,显然光线的强弱对于灯光的识别影响较大,对机器学习或者深度学习算法的要求较高,难度较大。
公开于本发明背景部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
鉴于上述问题,本发明旨在提供一种能够优拍照效果并减少杂质对拍照影响的机房设备异常灯的识别方法以及识别系统。
本发明的一方面的机房设备异常灯的识别方法,其特征在于,包括:
物距获得步骤,通过摄像头对机房设备中的机柜门进行对焦,获得相应的物距u;
物距改变步骤,使得摄像头的以初始物距为基础开始改变并且使得摄像机以该改变后的物距进行拍摄;
判断步骤,对于拍摄得到的图片识别信号灯的光斑大小以及图片直方图中的黑色占比,判断光斑是否符合预设第一预设规定范围以及图片直方图中的黑色占比是否符合第二预设规定范围,若判断所述光斑不符合所述第一预设规定范围以及所述片直方图中的黑色占比不符合第二预设规定范围的情况下,重复进行所述物距改变步骤直到符合所述第一预设规定范围以及所述第二预设规定范围;以及
识别步骤,对该图片进行分析并识别异常灯。
可选地,在物距改变步骤中,使得摄像头以u为初始物距并将物距减小δ,使得所述摄像头以该减小后的物距拍摄机柜门,其中,δ远小于u。
可选地,在物距改变步骤中,使得摄像头以0为初始物距并将物距增大δ,并且使得摄像机以该增大后的物距进行拍摄,其中,δ远小于u。
可选地,在所述判断步骤中,所述第一预设规定范围是指机柜门小孔大小。
可选地,在所述识别步骤中,对图片进行亮度检测而识别出信号灯,并且进行色度分析而识别信号灯颜色,由此确定异常灯。
可选地,所述δ等于0.01u,所述第二预设规定范围为90%以上。
本发明的一方面的机房设备异常灯的识别系统,其特征在于,包括:
摄像头,用于拍摄机柜门;
物距获得模块,通过摄像头对机房设备中的机柜门进行对焦,获得相应的物距u;
物距改变模块,使得摄像头的以初始物距为基础开始改变并且使得摄像机以该改变后的物距进行拍摄;
判断模块,对于拍摄得到的图片识别信号灯的光斑大小以及图片直方图中的黑色占比,判断光斑是否符合预设第一预设规定范围以及图片直方图中的黑色占比是否符合第二预设规定范围,若判断所述光斑不符合所述第一预设规定范围以及所述片直方图中的黑色占比不符合第二预设规定范围的情况下,重复进行所述物距改变模块的动作直到符合所述第一预设规定范围以及所述第二预设规定范围;以及识别模块,对所述摄像头拍摄到的图片进行分析并识别异常灯。
可选地,在物距改变模块中,使得摄像头以u为初始物距并将物距减小δ,使得所述摄像头以该减小后的物距拍摄机柜门,其中,δ远小于u。
可选地,在物距改变模块中,使得摄像头以0为初始物距并将物距增大δ,并且使得摄像机以该增大后的物距进行拍摄,其中,δ远小于u。
可选地,所述第一预设规定范围是指机柜门小孔大小。
可选地,所述识别模块对图片进行亮度检测而识别出信号灯并且进行色度分析而识别信号灯颜色,由此确定异常灯。
可选地,所述δ等于0.01u,所述第二预设规定范围为90%以上。
本发明的计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述的机房设备异常灯的识别方法。
本发明的计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述的机房设备异常灯的识别方法。
如上所述,根据通过本发明,能够优化拍照效果,使得异常灯和正常灯在图片中更加突出,较大程度减少了杂色或者杂质对拍照识别的影响,从而能够更加简单、高效、精准的被识别出来,不需要如现有技术一般进行复杂的机器学习。
通过纳入本文的附图以及随后与附图一起用于说明本发明的某些原理的具体实施方式,本发明的方法和装置所具有的其它特征和优点将更为具体地变得清楚或得以阐明。
附图说明
图1是表示本发明一实施方式的机房设备异常灯的识别方法的流程图。
图2是表示本发明一实施方式的机房设备异常灯的识别系统的构造示意图。
具体实施方式
下面介绍的是本发明的多个实施例中的一些,旨在提供对本发明的基本了解。并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。
在机房设备异常灯的识别中,一般情况下,是在机柜开门时候,通过机房巡检机器人直接对着设备进行拍照,由于设备面板上有各种颜色,存在大量和灯的颜色比较接近的区域,使得识别难度大大提高。机柜关门时候,通过机房巡检机器人对着关门的设备进行拍照,由于对焦在机柜门上,机柜门反光使得亮度较高,无法有效区分不同颜色的灯。因此,本发明人经过上述研究发现,在对设备进行拍照时候,需要结合光照以及机柜门上小孔对光的衍射进行对焦点进行调整,以降低机柜门反光等的影响。
在机柜开门时候或者关门时候,对机房设备进行拍照,由于光线较弱,使得拍照出来的图片杂色较多,同时灯光不够明显。假设摄像头拍摄时候的物距为u。机器人固定不动,缩小物距继续拍照,由于物距缩小将使得设备处于对焦点之外,灯光将被虚化,更加容易被识别。设备其他部分由于虚化,将变得更加模糊,整体将变灰变暗。接着,不断缩小物距,使得照片直方图中的黑色部分占据绝大部分以及在关闭机柜门时候,虚化的灯光大小基本和机柜门上的小孔大小一致。最终形成的图片中虚化的灯光形成光斑之间不会产生影响,同时图片其他大部分基本是黑色或者灰色,能够使用该图片进行信号灯和异常灯的识别,由此,能够通过对图片进行简单的亮度和色度分析,可以简单高效的完成信号灯和异常灯的识别。由此能够避免杂色影响信号灯和异常灯特征的提取和识别,也不需要进行复杂的学习。
接着对于本发明一实施方式的机房设备异常灯的识别方法进行说明。
图1是表示本发明一实施方式的机房设备异常灯的识别方法的流程图。
如图1所示,本发明一实施方式的机房设备异常灯的识别方法包括下述步骤:
步骤S1:在机柜关门或者开门时候,机房巡检机器人通过摄像头对机柜门进行对焦,获得相应的物距u;
步骤S2:以该物距u为初始物距,将物距缩小δ(其中,δ远小于u,例如作为一个示例,可假设为0.01u),也就是减小物距为u-δ,并进行拍摄,另外,作为一个变形例,也可以是以该物距u为初始物距,而将物距减小(u-δ),使得所述摄像头以该减小后的物距拍摄机柜门,其中,δ远小于u;
步骤S3:对拍摄的图片进行分析,分析识别信号灯的光斑大小以及图片直方图中的黑色占比;
步骤S4:如果光斑较小无法有效识别以及图片直方图中的黑色占比较小的情况下,则将进入步骤S5,在步骤S5中物距缩小δ并进行拍摄后,并返回步骤S3,另一方面,当光斑大小和机柜门小孔大小基本一致以及黑色占比较高时候(例如黑色占比达到90%以上),表明可使用该物距下的图片进行信号灯和异常灯的识别;
步骤S6:对图片进行亮度检测识别出信号灯,以及进行色度分析识别信号灯颜色,从而确定异常灯。
接着对于上述实施方式的一个变形例进行说明。
该变形例的机房设备异常灯的识别方法包括下述步骤:
(1)在机柜关门或者开门时候,机房巡检机器人通过摄像头对机柜门进行对焦,获得相应的物距为u;
(2)以0为摄像头初始物距,将物距从0开始增大,例如增大δ(其中,δ远小于u,例如可假设为0.01u),并进行拍照;
(3)对图片进行分析,分析识别信号灯的光斑大小以及图片直方图中的黑色占比,此时光斑较大并且明显大于机柜门小孔,并且黑色占比较大,继续增大物距并使得物距小于u;
(4)当光斑大小和机柜门小孔大小基本一致以及黑色占比较高(例如85%以上,或者90%以上等)情况下,使用该物距下的图片进行信号灯和异常灯的识别;
(5)对图片进行亮度检测识别出信号灯,以及进行色度分析识别信号灯颜色,从而确定异常灯。
以上对于本发明的机房设备异常灯的识别方法进行了说明,接着对于本发明的机房设备异常灯的识别系统进行说明。
图2是表示本发明一实施方式的机房设备异常灯的识别系统的构造示意图。
如图2所示,本发明的一实施方式的机房设备异常灯的识别系统具备:
摄像头100,用于拍摄机柜门;
物距获得模块200,用于获取摄像头对机房设备中的机柜门进行对焦的物距u;
物距减小模块300,使得摄像头的以初始物距为基础开始改变并且使得摄像机以该改变后的物距进行拍摄;
判断模块400,对于拍摄得到的图片识别信号灯的光斑大小以及图片直方图中的黑色占比,判断光斑是否符合预设第一预设规定范围以及图片直方图中的黑色占比是否符合第二预设规定范围,若判断所述光斑不符合所述第一预设规定范围以及所述片直方图中的黑色占比不符合第二预设规定范围的情况下,重复进行所述物距改变模块300的动作直到符合所述第一预设规定范围以及所述第二预设规定范围;以及
识别模块500,对图片进行亮度检测而识别出信号灯并且进行色度分析而识别信号灯颜色,由此确定异常灯。
其中,物距改变模块300使得摄像头以u为初始物距并将物距减小δ,以使得所述摄像头以该减小后的物距拍摄机柜门,其中,δ远小于u,其中,例如δ=0.01u。
也可以是,物距改变模块300使得摄像头以u为初始物距并将物距减小到δ,以使得摄像头以该减小后的物距拍摄机柜门,其中,δ远小于u,例如,δ=0.01u。这种情况下,当判断模块500判断判断光斑不符合预设第一预设规定范围以及图片直方图中的黑色占不符合第二预设规定范围的情况下,物距改变模块300将物距继续减小并使得摄像头以该减小后的物距拍摄机柜门。
或者还有一种情况可以是,物距改变模块300使得摄像头以0为初始物距并将物距增大δ,并且使得摄像机以该增大后的物距进行拍摄,其中,δ远小于u。
这里,所述第一预设规定范围例如可以设定为与机柜门小孔大小基本一致。所述第二预设规定范围可以设定为例如85%以上、90%以上等的数值。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述的机房设备异常灯的识别方法。
本发明还提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述的机房设备异常灯的识别方法。
通过机房巡检机器人直接对着设备进行拍照,由于设备面板上有各种颜色,存在大量和灯的颜色比较接近的区域,使得识别难度大大提高。机柜关门时候,通过机房巡检机器人对着关门的设备进行拍照,由于对焦在机柜门上,机柜门反光使得亮度较高,无法有效区分不同颜色的灯。因此,本发明人经过上述研究发现,在对设备进行拍照时候,需要结合光照以及机柜门上小孔对光的衍射进行对焦点进行调整,以降低机柜门反光等的影响。
本发明的机房设备异常灯的识别方法以及机房设备异常灯的识别系统,在机柜开门时候或者关门时候,对机房设备进行拍照的情况下,由于物距缩小将使得设备处于对焦点之外,灯光将被虚化,更加容易被识别,设备其他部分由于虚化,将变得更加模糊,整体将变灰变暗。接着,不断缩小物距,使得照片直方图中的黑色部分占据绝大部分以及在关闭机柜门时候,虚化的灯光大小基本和机柜门上的小孔大小一致,由此,图片中虚化的灯光形成的光斑之间不会产生影响,同时图片其他大部分基本是黑色或者灰色,由此能够通过对图片进行简单的亮度和色度分析,可以简单高效的完成信号灯和异常灯的识别。
如上所述,根据通过本发明,能够优化拍照效果,使得异常灯和正常灯在图片中更加突出,较大程度减少了杂色或者杂质对拍照识别的影响,从而能够更加简单、高效、精准的被识别出来,不需要如现有技术一般进行复杂的机器学习。
以上例子主要说明了本发明的机房设备异常灯的识别方法以及机房设备异常灯的识别系统。尽管只对其中一些本发明的具体实施方式进行了描述,但是本领域普通技术人员应当了解,本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此,所展示的例子与实施方式被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (10)
1.一种机房设备异常灯的识别方法,其特征在于,包括:
物距获得步骤,通过摄像头对机房设备中的机柜门进行对焦,获得相应的物距u;
物距改变步骤,使得摄像头以初始物距为基础开始改变并且使得摄像机以该改变后的物距进行拍摄;
判断步骤,对于拍摄得到的图片识别信号灯的光斑大小以及图片直方图中的黑色占比,判断光斑是否符合预设第一预设规定范围以及图片直方图中的黑色占比是否符合第二预设规定范围,若判断所述光斑不符合所述第一预设规定范围以及所述片直方图中的黑色占比不符合第二预设规定范围的情况下,重复进行所述物距改变步骤直到符合所述第一预设规定范围以及所述第二预设规定范围,其中,所述第二预设规定范围为90%以上;以及
识别步骤,对该图片进行分析并识别异常灯,
其中,在所述判断步骤中,所述第一预设规定范围是指机柜门小孔大小,
在所述物距改变步骤中,通过物距缩小使得设备处于对焦点之外进行拍摄,
在所述识别步骤中,对图片进行亮度检测而识别出信号灯,并且进行色度分析而识别信号灯颜色,由此确定异常灯。
2.如权利要求1所述的机房设备异常灯的识别方法,其特征在于,
在物距改变步骤中,使得摄像头以u为初始物距并将物距减小δ,使得所述摄像头以该减小后的物距拍摄机柜门,其中,δ远小于u。
3.如权利要求1所述的机房设备异常灯的识别方法,其特征在于,
在物距改变步骤中,使得摄像头以0为初始物距并将物距增大δ,并且使得摄像机以该增大后的物距进行拍摄,其中,δ远小于u。
4.如权利要求2或3所述的机房设备异常灯的识别方法,其特征在于,
所述δ等于0.01u。
5.一种机房设备异常灯的识别系统,其特征在于,包括:
摄像头,用于拍摄机柜门;
物距获得模块,通过摄像头对机房设备中的机柜门进行对焦,获得相应的物距u;
物距改变模块,使得摄像头以初始物距为基础开始改变并且使得摄像机以该改变后的物距进行拍摄;
判断模块,对于拍摄得到的图片识别信号灯的光斑大小以及图片直方图中的黑色占比,判断光斑是否符合预设第一预设规定范围以及图片直方图中的黑色占比是否符合第二预设规定范围,若判断所述光斑不符合所述第一预设规定范围以及所述片直方图中的黑色占比不符合第二预设规定范围的情况下,重复进行所述物距改变模块的动作直到符合所述第一预设规定范围以及所述第二预设规定范围,其中,所述第二预设规定范围为90%以上;以及
识别模块,对所述摄像头拍摄到的图片进行分析并识别异常灯,
其中,在所述判断模块中,所述第一预设规定范围是指机柜门小孔大小,
在所述物距改变模块中,通过物距缩小使得设备处于对焦点之外进行拍摄,
其中,所述识别模块对图片进行亮度检测而识别出信号灯并且进行色度分析而识别信号灯颜色,由此确定异常灯。
6.如权利要求5所述的机房设备异常灯的识别系统,其特征在于,
在物距改变模块中,使得摄像头以u为初始物距并将物距减小δ,使得所述摄像头以该减小后的物距拍摄机柜门,其中,δ远小于u。
7.如权利要求5所述的机房设备异常灯的识别系统,其特征在于,
在物距改变模块中,使得摄像头以0为初始物距并将物距增大δ,并且使得摄像机以该增大后的物距进行拍摄,其中,δ远小于u。
8.如权利要求6或7所述的机房设备异常灯的识别系统,其特征在于,
所述δ等于0.01u。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~4任意一项所述的机房设备异常灯的识别方法。
10.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述权利要求1~4任意一项所述的机房设备异常灯的识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811398266.0A CN111209782B (zh) | 2018-11-22 | 2018-11-22 | 一种机房设备异常灯的识别方法以及识别系统 |
PCT/CN2019/094510 WO2020103464A1 (zh) | 2018-11-22 | 2019-07-03 | 一种机房设备异常灯的识别方法以及识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811398266.0A CN111209782B (zh) | 2018-11-22 | 2018-11-22 | 一种机房设备异常灯的识别方法以及识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209782A CN111209782A (zh) | 2020-05-29 |
CN111209782B true CN111209782B (zh) | 2024-04-16 |
Family
ID=70774424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811398266.0A Active CN111209782B (zh) | 2018-11-22 | 2018-11-22 | 一种机房设备异常灯的识别方法以及识别系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111209782B (zh) |
WO (1) | WO2020103464A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215106A (zh) * | 2020-09-29 | 2021-01-12 | 国网上海市电力公司 | 一种用于变电站无人巡检系统的仪表颜色状态识别方法 |
CN112364740B (zh) * | 2020-10-30 | 2024-04-19 | 交控科技股份有限公司 | 一种基于计算机视觉的无人机房监控方法及系统 |
CN115311283B (zh) * | 2022-10-12 | 2023-01-24 | 山东鲁玻玻璃科技有限公司 | 一种玻璃拉管缺陷检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674839A (zh) * | 2013-11-12 | 2014-03-26 | 清华大学 | 一种基于光斑检测的可视化样品定位操作系统及方法 |
WO2016165488A1 (zh) * | 2015-09-18 | 2016-10-20 | 中兴通讯股份有限公司 | 照片处理方法及装置 |
WO2017008353A1 (zh) * | 2015-07-10 | 2017-01-19 | 宇龙计算机通信科技(深圳)有限公司 | 一种拍摄方法及用户终端 |
WO2017020836A1 (zh) * | 2015-08-03 | 2017-02-09 | 努比亚技术有限公司 | 一种虚化处理深度图像的装置和方法 |
WO2017020382A1 (zh) * | 2015-07-31 | 2017-02-09 | 宇龙计算机通信科技(深圳)有限公司 | 拍照控制方法、拍照控制装置及终端 |
CN107026979A (zh) * | 2017-04-19 | 2017-08-08 | 宇龙计算机通信科技(深圳)有限公司 | 双摄像头拍照方法及装置 |
WO2018018771A1 (zh) * | 2016-07-29 | 2018-02-01 | 宇龙计算机通信科技(深圳)有限公司 | 基于双摄像头的拍照方法及系统 |
CN108241366A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信有限公司研究院 | 一种移动巡检机器人和移动巡检系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004241052A (ja) * | 2003-02-06 | 2004-08-26 | Canon Inc | 光磁気再生方法 |
CN105100732B (zh) * | 2015-08-26 | 2016-10-26 | 深圳市银之杰科技股份有限公司 | 一种机房服务器远程监控方法及系统 |
-
2018
- 2018-11-22 CN CN201811398266.0A patent/CN111209782B/zh active Active
-
2019
- 2019-07-03 WO PCT/CN2019/094510 patent/WO2020103464A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674839A (zh) * | 2013-11-12 | 2014-03-26 | 清华大学 | 一种基于光斑检测的可视化样品定位操作系统及方法 |
WO2017008353A1 (zh) * | 2015-07-10 | 2017-01-19 | 宇龙计算机通信科技(深圳)有限公司 | 一种拍摄方法及用户终端 |
WO2017020382A1 (zh) * | 2015-07-31 | 2017-02-09 | 宇龙计算机通信科技(深圳)有限公司 | 拍照控制方法、拍照控制装置及终端 |
WO2017020836A1 (zh) * | 2015-08-03 | 2017-02-09 | 努比亚技术有限公司 | 一种虚化处理深度图像的装置和方法 |
WO2016165488A1 (zh) * | 2015-09-18 | 2016-10-20 | 中兴通讯股份有限公司 | 照片处理方法及装置 |
WO2018018771A1 (zh) * | 2016-07-29 | 2018-02-01 | 宇龙计算机通信科技(深圳)有限公司 | 基于双摄像头的拍照方法及系统 |
CN108241366A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信有限公司研究院 | 一种移动巡检机器人和移动巡检系统 |
CN107026979A (zh) * | 2017-04-19 | 2017-08-08 | 宇龙计算机通信科技(深圳)有限公司 | 双摄像头拍照方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020103464A1 (zh) | 2020-05-28 |
CN111209782A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209782B (zh) | 一种机房设备异常灯的识别方法以及识别系统 | |
JP4629364B2 (ja) | シーンの背景を表現する背景画像を適応的に更新する方法 | |
US8036458B2 (en) | Detecting redeye defects in digital images | |
US20050206776A1 (en) | Apparatus for digital video processing and method thereof | |
US20130162867A1 (en) | Method and system for robust scene modelling in an image sequence | |
CN105338338A (zh) | 用于成像条件检测的方法和装置 | |
CN105208293B (zh) | 数字摄像机的自动曝光控制方法及装置 | |
AU2010257409B2 (en) | Temporal-correlation-based mode connection | |
CN108319940A (zh) | 人脸识别处理方法、装置、设备及存储介质 | |
CN1329872C (zh) | 改善图像的图像处理装置及方法以及包括这种图像处理装置的图像显示装置 | |
US8482630B2 (en) | Apparatus and method for adjusting automatic white balance by detecting effective area | |
CN114143940A (zh) | 隧道照明控制方法、装置、设备及存储介质 | |
CN104228667B (zh) | 判断雾存在与否的方法及其装置 | |
JP2002304677A (ja) | 侵入者検出方法および装置 | |
CN113408380A (zh) | 视频图像调整方法、设备及存储介质 | |
CN110766745B (zh) | 投影仪镜头前干扰物的检测方法、投影仪和存储介质 | |
JP2002269545A (ja) | 顔画像処理方法及び顔画像処理装置 | |
CN113808117B (zh) | 灯具检测方法、装置、设备及存储介质 | |
CN113128254A (zh) | 人脸捕获方法、装置、芯片及计算机可读存储介质 | |
CN116668843A (zh) | 一种拍摄状态的切换方法、装置、电子设备以及存储介质 | |
CN112770021B (zh) | 摄影机与滤片切换方法 | |
CN113572968B (zh) | 图像融合方法、装置、摄像设备及存储介质 | |
CN105141857B (zh) | 图像处理方法和装置 | |
TW201824864A (zh) | 動態影像特徵加強方法與系統 | |
WO2008023886A1 (en) | Method for optimizing image for vehicle's identification plate |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |