CN111292327B - 机房巡检方法、装置、设备及存储介质 - Google Patents

机房巡检方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111292327B
CN111292327B CN202010383224.0A CN202010383224A CN111292327B CN 111292327 B CN111292327 B CN 111292327B CN 202010383224 A CN202010383224 A CN 202010383224A CN 111292327 B CN111292327 B CN 111292327B
Authority
CN
China
Prior art keywords
cabinet
identifier
image
detected
determining
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
Application number
CN202010383224.0A
Other languages
English (en)
Other versions
CN111292327A (zh
Inventor
黄希
聂贻俊
刘翼
张登星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Pvirtech Co ltd
Original Assignee
Chengdu Pvirtech Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Pvirtech Co ltd filed Critical Chengdu Pvirtech Co ltd
Priority to CN202010383224.0A priority Critical patent/CN111292327B/zh
Publication of CN111292327A publication Critical patent/CN111292327A/zh
Application granted granted Critical
Publication of CN111292327B publication Critical patent/CN111292327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/001Industrial image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/3089Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/32Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324Display of status information
    • G06F11/327Alarm or error message display
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30232Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例涉及一种机房巡检方法、装置、设备及存储介质,旨在提高机房巡检的效率。所述机房巡检方法,应用于监控平台,所述方法包括:接收终端设备发送的待检测机柜的实拍图像;根据所述实拍图像,确定所述待检测机柜的机柜标识;根据所述机柜标识,从多张标准机柜图像中确定所述机柜标识对应的标准机柜图像;将所述实拍图像与所述标准机柜图像比较,以确定所述待检测机柜中的设备是否异常。本申请在实施期间极大程度地简化了巡检人员在巡检时的操作,不仅有利于降低巡检人员的技术门槛,还有利于提高巡检人员的巡检效率。

Description

机房巡检方法、装置、设备及存储介质
技术领域
本申请实施例涉及通信技术领域,具体而言,涉及一种机房巡检方法、装置、设备及存储介质。
背景技术
当前,我们正处于一个信息高速交换和传播的时代,信息网络已经和我们的日常办公、生活学习紧密结合在一起。机房作为信息处理与交换的重要场所,用于安放多种重要设备,例如网络交换机、服务器集群、存储器、数据输入/输出配线、网络监控终端等等。通常,不同规模的信息服务所需配备的设备数量不同,相应地,用于安放这些设备的机房的面积也不相同。小型机房的占地面积通常为几十到几百平方米,而大型机房的占地面积可达上万平方米。
为了确保机房中各个机柜内的设备稳定运行,需要为机房配备巡检人员,巡检人员定期地对机房内的各个机柜中的设备做例行检查。此外,巡检人员还需要不定期地在机房内巡视,以检查各个机柜是否存在异常并记录异常。相关技术中,巡检人员在对机房进行巡检期间,需要查看机柜中各个设备的报警指示灯,并根据报警指示灯判断设备是否存在异常。然而此种巡检方式对巡检人员的技术门槛要求较高,需要巡检人员牢记各个机柜中的各个报警指示灯的含义,以及牢记每个报警指示灯在正常情况下的状态。此外,此种巡检方式需要巡检人员对各个报警指示灯一一进行观察和判断,导致现有的巡检方法的巡检效率偏低。
发明内容
本申请实施例提供一种机房巡检方法、装置、设备及存储介质,旨在提高机房巡检的效率。
本申请实施例第一方面提供一种机房巡检方法,应用于监控平台,所述方法包括:
接收终端设备发送的待检测机柜的实拍图像;
根据所述实拍图像,确定所述待检测机柜的机柜标识;
根据所述机柜标识,从多张标准机柜图像中确定所述机柜标识对应的标准机柜图像;
将所述实拍图像与所述标准机柜图像比较,以确定所述待检测机柜中的设备是否异常。
本申请实施例第二方面提供一种机房巡检装置,设置于监控平台,所述装置包括:
图像接收模块,用于接收终端设备发送的待检测机柜的实拍图像;
机柜标识确定模块,用于根据所述实拍图像,确定所述待检测机柜的机柜标识;
标准机柜图像确定模块,用于根据所述机柜标识,从多张标准机柜图像中确定所述机柜标识对应的标准机柜图像;
图像比较模块,用于将所述实拍图像与所述标准机柜图像比较,以确定所述待检测机柜中的设备是否异常。
本申请实施例第三方面提供一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请第一方面所述的方法的步骤。
采用本申请提供的机房巡检方法,巡检人员在对机房进行巡检期间,如果想对某一机柜中的设备进行详细检查,可以利用终端设备拍摄该待检测设备的图像,并将该图像发送给监控平台。监控平台接收到设备发送的实拍图像后,根据该实拍图像自动确定待检测机柜的机柜标识。监控平台中存储有多张标准机柜图像,每张标准机柜图像对应一个机柜,也对应一个机柜标识。监控平台根据确定出的机柜标识,查询该机柜标识对应的标准机柜图像,也即该待检测机柜对应的标准机柜图像。最后监控平台通过比较待检测机柜的实拍图像和标准机柜图像,以自动确定待检测机柜中的设备是否存在异常。可见,本申请在实施期间极大程度地简化了巡检人员在巡检时的操作,不仅有利于降低巡检人员的技术门槛,还有利于提高巡检人员的巡检效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的机房巡检方法的流程图;
图2是本申请一实施例提出的机柜和标签的示意图;
图3是本申请一实施例提出的识别机柜的示意图;
图4是本申请一实施例提出的确定机柜标识的示意图;
图5是本申请一实施例提出的识别标签的示意图;
图6是本申请一实施例提出的机房电子地图的示意图;
图7是本申请一实施例提出的机房巡检装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
相关技术中,巡检人员在定期或不定期地对机房进行巡检时,通常需要查看机柜中各个设备的报警指示灯,并根据报警指示灯判断设备是否存在异常。然而此种巡检方式对巡检人员的技术门槛要求较高,需要巡检人员牢记各个机柜中的各个报警指示灯的含义,以及牢记每个报警指示灯在正常情况下的状态。此外,此种巡检方式需要巡检人员对各个报警指示灯一一进行观察和判断,导致现有的巡检方法的巡检效率偏低。
为此,本申请通过以下多个实施例提出机房巡检方法、装置、设备及存储介质,旨在提高机房巡检的效率。参考图1,图1是本申请一实施例提出的机房巡检方法的流程图,该机房巡检方法应用于监控平台。如图1所示,该机房巡检方法包括以下步骤:
步骤S11:接收终端设备发送的待检测机柜的实拍图像。
其中,终端设备可以是巡检人员的手机或用于巡检的特有设备,需要说明的是,本申请对所述终端设备的具体类型不做限定,但是所述终端设备应至少具备以下功能:拍照功能、与监控平台进行通信的功能、数据显示功能。
其中,实拍图像中除了包括待检测机柜以外,还可能包括其他机柜。
步骤S12:根据所述实拍图像,确定所述待检测机柜的机柜标识。
其中,机柜标识是用于对机柜进行区分的文字、编号、字符或图形等,机房中各个机柜的机柜标识互不相同。
具体实现时,机房中的每个机柜上均贴设有标签,每个机柜上所贴设的标签中包含该机柜的机柜标识。参考图2,图2是本申请一实施例提出的机柜和标签的示意图。如图2所示,各个机柜中均贴设有标签,每个标签中书写、打印或印刷有机柜标识。
考虑到机房中各个机柜的距离较近,巡检人员在对待检测机柜进行拍摄时,所得到的实拍照片中通常除了待检测机柜以外,还包括其他机柜及其标签的影像。为了更准确地从实拍图像中确定出监控人员期望实施检测的待检测机柜及其机柜标识,监控平台在执行上述步骤S12时,可以具体执行以下子步骤:
子步骤S12-1:识别所述实拍图像中所包括的至少一个机柜。
具体实现时,参考图3,图3是本申请一实施例提出的识别机柜的示意图。如图3所示,监控平台可以将实拍图像输入预先训练的机柜检测模型,机柜检测模型输出实拍图像中各个机柜的位置。其中,机柜检测模型的结构可选用Faster R-CNN或MaskR-CNN等目标检测模型的结构,这些目标检测模型可以在给定一张图像后, 找出图中具有哪些对象,以及这些对象的位置。需要补充说明的是,监控平台可以预先利用样本图像,对Faster R-CNN模型或MaskR-CNN 模型进行训练,并将训练完成的Faster R-CNN模型或MaskR-CNN 模型作为机柜检测模型。其中,样本图像中包括机柜图像。此外,每张样本图像还携带标记,该标记用于表征机柜在样本图像中的位置。
子步骤S12-2:从所述至少一个机柜中确定待检测机柜。
具体实现时,如果从所述实拍图像中仅识别出一个机柜,则将该机柜确定为所述待检测机柜。
如果从所述实拍图像中识别出多个机柜,则确定所述多个机柜各自在所述实拍图像中所占的图像面积,并将所占图像面积最大的机柜确定为所述待检测机柜。具体实现时,可以根据上述子步骤S12-1中机柜检测模型针对各个机柜输出的位置信息,计算各个机柜在所述实拍图像中所占的图像面积。其中,机柜的位置信息包括:机柜所在矩形区域的左上角坐标和右上角坐标。如此,可以根据左上角坐标和右上角坐标,计算机柜所在矩形区域的面积,最后将该面积作为该机柜在实拍图像中所占的图像面积。简言之,如图3所示,图3中各个机柜在实拍图像中所占的图像面积即是:框示各个机柜的矩形框的面积。
为便于理解,如图3所示,图3中机柜检测模型输出的结果中包括矩形框a、矩形框b以及矩形框c。其中,机柜A在实拍图像中所占的图像面积即是矩形框a的面积,机柜B在实拍图像中所占的图像面积即是矩形框b的面积,机柜C在实拍图像中所占的图像面积即是矩形框c的面积。
本申请中,考虑到巡检人员在利用终端设备对待检测机柜进行拍照时,通常会对准待检测机柜,使待检测机柜的影像尽量铺满整张实拍图像,因此监控平台从实拍图像包括的多个机柜中,将所占图像面积最大的机柜确定为待检测机柜。
子步骤S12-3:从所述实拍图像中剪裁出所述待检测机柜所在的第一图像区域。
其中,第一图像区域可以是上述子步骤S12-1中机柜检测模型所输出的待检测机柜的位置。为便于理解,如图3所示,假设通过上述子步骤S12-2,将矩形框b所框示的机柜B确定为待检测机柜。则待检测机柜所在的第一图像区域即是矩形框b。监控平台在执行上述子步骤S12-3时,具体是将矩形框b从实拍图像中剪裁出。
子步骤S12-4:识别所述第一图像区域中的标签,并对所述标签所在的第二图像区域进行文字识别,以确定所述标签中包含的机柜标识。
通过执行上述子步骤S12-1至子步骤S12-4,监控平台首先从实拍图像所包括的至少一个机柜中确定出待检测机柜,然后将待检测机柜所在的第一图像区域从实拍图像中剪裁出来,从而可以将其他机柜和贴设在其他机柜上的标签等干扰因素剔除,最后对第一图像区域中的标签进行识别,并识别标签所在的第二图像区域的文字,从而可以识别出待检测机柜的机柜标识,避免将其他机柜的机柜标识错误地识别为待检测机柜的机柜标识。
在执行上述子步骤S12-4时,具体地,可参考图4,图4是本申请一实施例提出的确定机柜标识的示意图。如图4所示,可以首先对第一图像区域进行目标检测,以检测所述第一图像区域中包括的标签和该标签的第一置信度,所述第一置信度表征检测出的标签属于真实标签的概率。
具体实现时,参考图5,图5是本申请一实施例提出的识别标签的示意图。如图5所示,监控平台可以首先对第一图像区域进行预处理,例如将第一图像区域的尺寸调整为预设尺寸。然后将预处理后的第一图像区域输入预先训练的标签检测模型进行目标检测,标签检测模型输出第一图像区域中标签的位置以及标签的第一置信度(如图5中的0.96)。
其中,标签检测模型的结构可选用Faster R-CNN或MaskR-CNN等目标检测模型的结构,这些目标检测模型可以在给定一张图像后, 找出图中具有哪些对象,以及这些对象的位置和置信概率。需要补充说明的是,监控平台可以预先利用样本图像,对Faster R-CNN模型或MaskR-CNN 模型进行训练,并将训练完成的Faster R-CNN模型或MaskR-CNN 模型作为标签检测模型。其中,样本图像中包括标签图像。此外,每张样本图像还携带标记,该标记用于表征标签在样本图像中的位置。
考虑到巡检人员在对待检测机柜进行拍照时,可能会因为拍照技巧的限制或拍摄位置过于狭窄,导致实拍图像中待检测机柜的标签没有被完整拍入,换言之,实拍图像中仅包括待检测机柜的标签的一部分,因此标签检测模型输出的第一置信度可能偏低。为此,监控平台需要将第一置信度与第一预设阈值比较,从而判断后续采用哪种方式继续确定待检测机柜的机柜标识。
如图4所示,在所述第一置信度大于或等于第一预设阈值的情况下,对检测出的标签所在的第二图像区域进行文字识别,以识别所述标签中包含的机柜标识和该机柜标识的第二置信度,所述第二置信度表征识别出的机柜标识属于真实机柜标识的概率。
考虑到如果第一置信度大于或等于第一预设阈值,则说明标签的检测准确率可以被保证,因此可以基于标签所在的第二图像区域,继续确定待检测机柜的机柜标识。
具体实现时,标签所在的第二图像区域即是:标签检测模型所输出的标签的位置。如图5所示,标签所在的第二图像区域也即是:图5中用于框示标签的矩形框。在确定标签所在的第二图像区域后,将第二图像区域从第一图像区域中剪裁出。然后针对剪裁出的第二图像区域执行文字识别算法,以识别第二图像区域中的文字,也即待检测机柜的机柜标识,同时获得文字识别算法输出的第二置信度。
考虑到巡检人员在对待检测机柜进行拍照时,可能会因为标签没有被完整地拍摄到而导致机柜标识被截断,或者因为标签反光导致标签上的机柜标识不清晰,因此文字识别算法输出的第二置信度可能偏低。为此,监控平台需要将第二置信度与第二预设阈值比较,从而判断后续采用哪种方式继续确定待检测机柜的机柜标识。
如图4所示,在所述第二置信度大于或等于第二预设阈值的情况下,将识别出的机柜标识确定为所述待检测机柜的机柜标识。
考虑到如果第二置信度大于或等于第二预设阈值,则说明机柜标识的识别准确率可以被保证,因此可以将识别出的机柜标识确定为待检测机柜的机柜标识。
此外,如图4所示,如果第一置信度小于第一预设阈值,则说明标签的检测准确率不能被保证,因此不适合基于标签所在的第二图像区域,继续确定待检测机柜的机柜标识。同理地,如果第二置信度小于第二预设阈值,则说明机柜标识的识别准确率不能被保证,因此不适合直接将识别出的机柜标识确定为待检测机柜的机柜标识。
为此,如图4所示,在所述第一置信度小于所述第一预设阈值或所述第二置信度小于所述第二预设阈值的情况下,根据所述终端设备对应的历史机柜标识,确定所述终端设备对应的历史巡检路径。
其中,机柜中对应的历史机柜标识是指:终端设备所发送的历史实拍图像中的待检测机柜的机柜标识。为便于理解,假设巡检人员在一次巡检任务中,已经按照时间先后顺序,依次向监控平台发送了机柜G5、机柜G6、机柜G9、机柜G10、机柜G11等的实拍图像。监控平台分别识别出各个历史的待检测机柜的历史机柜标识,即G5、G6、G9、G10以及G11。
监控平台内存储有机房的电子地图信息,该电子地图信息中包括各个机柜的位置和相应位置上的机柜标识。参考图6,图6是本申请一实施例提出的机房电子地图的示意图。如图6所示,监控平台将各个历史机柜标识串连,得到终端设备对应的历史巡检路径。
如图4所示,在确定出终端设备对应的历史巡检路径之后,监控平台根据所述历史巡检路径、所述终端设备对应的历史巡检总时间、接收到上一张实拍图像的时间、以及接收到当前实拍图像的时间,为所述待检测机柜预测至少一个候选机柜标识。
具体实现时,监控平台可以根据所述历史巡检路径,预测所述终端设备对应的后续巡检路径,所述后续巡检路径中包括多个彼此串连的机柜标识,多个机柜标识分别对应不同的机柜;然后根据所述历史巡检总时间和所述历史巡检路径上的机柜总数,确定每个机柜的平均检查时间;再根据接收到上一张实拍图像的时间和接收到当前实拍图像的时间,确定两者之间的时间差;最后根据所述时间差和每个机柜的平均检查时间,从所述后续巡检路径的多个机柜标识中确定中心候选机柜标识,并将所述中心候选机柜标识两侧的预设数量个机柜标识确定为附加候选机柜标识。
为便于理解,首先,监控平台根据历史巡检路径的趋势,预测终端设备对应的后续巡检路径。如图6所示,历史巡检路径的箭头表示历史巡检路径的趋势,则延续该趋势,预测出终端设备对应的后续巡检路径。如图6所示,后续巡检路径中包括G12、G13、G14、G15、G16、G17、G18等机柜标识,这些机柜标识彼此串连。
然后,假设监控平台在接收到机柜G5的实拍图像时的时间为10点25分,又假设监控平台在接收到机柜G11的实拍图像时的时间为10点42分,则计算出历史巡检总时间为17分钟。如图6所示,由于历史巡检路径中除了包括G5、G6、G9、G10以及G11等通过监控平台进行检测的机柜,还包括G7和G8等通过人工进行检测的机柜,因此历史巡检路径上的机柜总数为7。如此,每个机柜的平均检查时间为17分钟/7,也即2.4分钟。
接着,假设监控平台在接收到当前的实拍图像(即步骤S11中所提的实拍图像)时的时间为10点49分,则将该时间减去上述10点42分(也即接收到上一张实拍图像的时间),得到时间差7分钟。
最后,监控平台将时间差除以每个机柜的平均检查时间,也即7分钟/2.4分钟,得到的数值为2.9,约等于3。则说明巡检人员在这9分钟时间内,很可能已经检查了3个机柜,当前巡检人员很可能正在机柜G11往后的第4个机柜附近。为此监控平台从后续巡检路径中确定第4个机柜标识(即G15)为中心候选机柜标识。又假设预设数量为2,则监控平台将G15的前两个机柜标识(即G14、G13)和后两个机柜标识(即G16、G17)确定为附加候选机柜标识。如此,最终为待检测机柜预测出5个候选机柜标识,分别为G13、G14、G15、G16以及G17。
如图4所示,在为待检测机柜预测出至少一个候选机柜标识之后,监控平台从所述至少一个候选机柜标识中,确定所述待检测机柜的机柜标识。
具体实现时,为了从至少一个候选机柜标识中,确定待检测机柜的机柜标识,一种可选的实施方式为:监控平台将所述至少一个候选机柜标识发送给所述终端设备,以通过所述终端设备的屏幕展示所述至少一个候选机柜标识;监控平台接收所述终端设备返回的机柜标识,并将该机柜标识确定为待检测机柜的机柜标识,其中,所述终端设备返回的机柜标识是:用户从所述至少一个候选机柜标识中选择的一个候选机柜标识。
该实施方式中,通过将各个候选机柜标识发送给巡检人员的终端设备,以通过巡检人员从中选择一个候选机柜标识,作为最终为待检测机柜确定的最终机柜标识,可以确保机柜标识的准确性。并且也不需要巡检人员手动输入机柜标识,仅需巡检人员从终端设备展示的多个候选机柜标识中点击选择一个候选机柜标识,因此不会明显增加巡检员的操作难度。
具体实现时,为了从至少一个候选机柜标识中,确定待检测机柜的机柜标识,另一种可选的实施方式为:如果预先识别了标签中的机柜标识,则可以将预先识别出的机柜标识与候选机柜标识比对,如果预先识别出的机柜标识与某一个候选机柜标识相同,则将该预先识别出的机柜标识确定为待检测机柜的机柜标识。如果预先未识别标签中的机柜标识,则监控平台再将所述至少一个候选机柜标识发送给所述终端设备,以通过所述终端设备的屏幕展示所述至少一个候选机柜标识;监控平台接收所述终端设备返回的机柜标识,并将该机柜标识确定为待检测机柜的机柜标识,其中,所述终端设备返回的机柜标识是:用户从所述至少一个候选机柜标识中选择的一个候选机柜标识。
步骤S13:根据所述机柜标识,从多张标准机柜图像中确定所述机柜标识对应的标准机柜图像。
具体实现时,监控平台中预先存储有多张标准机柜图像,每张标准机柜图像对应一个机柜,也对应一个机柜标识。其中,标准机柜图像可以是:在机柜中的所有设备均处于正常状态时,为该机柜拍摄的图像。该标准机柜图像也可以是:通过计算机合成的图像,该图像中包括机柜中的各个设备以及各个设备处于正常状态时的报警指示灯。
监控平台根据上述步骤S12中为待检测机柜确定的机柜标识,从多张标准机柜图像中选择出待检测机柜对应的标准机柜图像。
步骤S14:将所述实拍图像与所述标准机柜图像比较,以确定所述待检测机柜中的设备是否异常。
具体实现时,监控平台可以首先从实拍图像中剪裁出待检测机柜所在的区域,也即上述部分实施例中所述的第一图像区域。然后对第一图像区域进行调整,一方面,需要将待检测机柜在图像中的角度进行调整,使得待检测机柜的正面呈现在图像中。另一方面,对第一图像区域的尺寸进行调整,使得调整后的第一图像区域的尺寸与标准机柜图像的尺寸一致。再一方面,调整第一图像区域中的亮部和暗部,使亮部(也即报警指示灯)被突出显示。最后监控平台将调整后的第一图像区域与标准机柜图像进行对比,从而确定两者之间的区别,也即报警指示灯的区别,最终确定出待检测机柜中的设备是否存在异常。
通过执行上述包括步骤S11至步骤S14的机房巡检方法,巡检人员在对机房进行巡检期间,如果想对某一机柜中的设备进行详细检查,可以利用终端设备拍摄该待检测设备的图像,并将该图像发送给监控平台。监控平台接收到设备发送的实拍图像后,根据该实拍图像自动确定待检测机柜的机柜标识。监控平台中存储有多张标准机柜图像,每张标准机柜图像对应一个机柜,也对应一个机柜标识。监控平台根据确定出的机柜标识,查询该机柜标识对应的标准机柜图像,也即该待检测机柜对应的标准机柜图像。最后监控平台通过比较待检测机柜的实拍图像和标准机柜图像,以自动确定待检测机柜中的设备是否存在异常。可见,本申请在实施期间极大程度地简化了巡检人员在巡检时的操作,不仅有利于降低巡检人员的技术门槛,还有利于提高巡检人员的巡检效率。
基于同一发明构思,本申请一实施例提供一种机房巡检装置。参考图7,图7是本申请一实施例提出的机房巡检装置的示意图,该装置设置于监控平台。如图7所示,该装置包括:
图像接收模块71,用于接收终端设备发送的待检测机柜的实拍图像;
机柜标识确定模块72,用于根据所述实拍图像,确定所述待检测机柜的机柜标识;
标准机柜图像确定模块73,用于根据所述机柜标识,从多张标准机柜图像中确定所述机柜标识对应的标准机柜图像;
图像比较模块74,用于将所述实拍图像与所述标准机柜图像比较,以确定所述待检测机柜中的设备是否异常。
可选地,所述机房中的每个机柜上均贴设有标签,每个机柜上所贴设的标签中包含该机柜的机柜标识;所述机柜标识确定模块包括:
机柜识别子模块,用于识别所述实拍图像中所包括的至少一个机柜;
待检测机柜确定子模块,用于从所述至少一个机柜中确定待检测机柜;
图像剪裁子模块,用于从所述实拍图像中剪裁出所述待检测机柜所在的第一图像区域;
机柜标识识别子模块,用于识别所述第一图像区域中的标签,并对所述标签所在的第二图像区域进行文字识别,以确定所述标签中包含的机柜标识。
可选地,所述待检测机柜确定子模块,具体用于在从所述实拍图像中识别出一个机柜的情况下,将该机柜确定为所述待检测机柜;在从所述实拍图像中识别出多个机柜的情况下,确定所述多个机柜各自在所述实拍图像中所占的图像面积,并将所占图像面积最大的机柜确定为所述待检测机柜。
可选地,所述机柜标识识别子模块包括:
标签检测单元,用于对所述第一图像区域进行目标检测,以检测所述第一图像区域中包括的标签和该标签的第一置信度,所述第一置信度表征检测出的标签属于真实标签的概率;
文字识别单元,用于在所述第一置信度大于或等于第一预设阈值的情况下,对检测出的标签所在的第二图像区域进行文字识别,以识别所述标签中包含的机柜标识和该机柜标识的第二置信度,所述第二置信度表征识别出的机柜标识属于真实机柜标识的概率;
机柜标识第一确定单元,用于在所述第二置信度大于或等于第二预设阈值的情况下,将识别出的机柜标识确定为所述待检测机柜的机柜标识。
可选地,所述机柜标识识别子模块还包括:
路径确定单元,用于在所述第一置信度小于所述第一预设阈值或所述第二置信度小于所述第二预设阈值的情况下,根据所述终端设备对应的历史机柜标识,确定所述终端设备对应的历史巡检路径;
候选机柜标识预测单元,用于根据所述历史巡检路径、所述终端设备对应的历史巡检总时间、接收到上一张实拍图像的时间、以及接收到当前实拍图像的时间,为所述待检测机柜预测至少一个候选机柜标识;
机柜标识第二确定单元,用于从所述至少一个候选机柜标识中,确定所述待检测机柜的机柜标识。
可选地,所述候选机柜标识预测单元,具体用于根据所述历史巡检路径,预测所述终端设备对应的后续巡检路径,所述后续巡检路径中包括多个彼此串连的机柜标识,多个机柜标识分别对应不同的机柜;根据所述历史巡检总时间和所述历史巡检路径上的机柜总数,确定每个机柜的平均检查时间;根据接收到上一张实拍图像的时间和接收到当前实拍图像的时间,确定两者之间的时间差;根据所述时间差和每个机柜的平均检查时间,从所述后续巡检路径的多个机柜标识中确定中心候选机柜标识,并将所述中心候选机柜标识两侧的预设数量个机柜标识确定为附加候选机柜标识。
可选地,所述机柜标识第二确定单元,具体用于将所述至少一个候选机柜标识发送给所述终端设备,以通过所述终端设备的屏幕展示所述至少一个候选机柜标识;接收所述终端设备返回的机柜标识,并将该机柜标识确定为待检测机柜的机柜标识,其中,所述终端设备返回的机柜标识是:用户从所述至少一个候选机柜标识中选择的一个候选机柜标识。
基于同一发明构思,本申请另一实施例提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的机房巡检方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的机房巡检方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种机房巡检方法、装置、设备及存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。

Claims (7)

1.一种机房巡检方法,其特征在于,应用于监控平台;所述机房中的每个机柜上均贴设有标签,每个机柜上所贴设的标签中包含该机柜的机柜标识,所述方法包括:
接收终端设备发送的待检测机柜的实拍图像;
根据所述实拍图像,确定所述待检测机柜的机柜标识;
根据所述机柜标识,从多张标准机柜图像中确定所述机柜标识对应的标准机柜图像;
将所述实拍图像与所述标准机柜图像比较,以确定所述待检测机柜中的设备是否异常;
其中,所述根据所述实拍图像,确定所述待检测机柜的机柜标识的步骤,包括以下子步骤:识别所述实拍图像中所包括的至少一个机柜;从所述至少一个机柜中确定待检测机柜;从所述实拍图像中剪裁出所述待检测机柜所在的第一图像区域;识别所述第一图像区域中的标签,并对所述标签所在的第二图像区域进行文字识别,以确定所述标签中包含的机柜标识;
其中,所述识别所述第一图像区域中的标签,并对所述标签所在的第二图像区域进行文字识别,以确定所述标签中包含的机柜标识的子步骤,包括:对所述第一图像区域进行目标检测,以检测所述第一图像区域中包括的标签和该标签的第一置信度,所述第一置信度表征检测出的标签属于真实标签的概率;在所述第一置信度大于或等于第一预设阈值的情况下,对检测出的标签所在的第二图像区域进行文字识别,以识别所述标签中包含的机柜标识和该机柜标识的第二置信度,所述第二置信度表征识别出的机柜标识属于真实机柜标识的概率;在所述第二置信度大于或等于第二预设阈值的情况下,将识别出的机柜标识确定为所述待检测机柜的机柜标识;
所述方法还包括:
在所述第一置信度小于所述第一预设阈值或所述第二置信度小于所述第二预设阈值的情况下,根据所述终端设备对应的历史机柜标识,确定所述终端设备对应的历史巡检路径;根据所述历史巡检路径、所述终端设备对应的历史巡检总时间、接收到上一张实拍图像的时间、以及接收到当前实拍图像的时间,为所述待检测机柜预测至少一个候选机柜标识;从所述至少一个候选机柜标识中,确定所述待检测机柜的机柜标识。
2.根据权利要求1所述的方法,其特征在于,所述从所述至少一个机柜中确定待检测机柜的步骤,包括:
在从所述实拍图像中识别出一个机柜的情况下,将该机柜确定为所述待检测机柜;
在从所述实拍图像中识别出多个机柜的情况下,确定所述多个机柜各自在所述实拍图像中所占的图像面积,并将所占图像面积最大的机柜确定为所述待检测机柜。
3.根据权利要求1所述的方法,其特征在于,所述根据所述历史巡检路径、所述终端设备对应的历史巡检总时间、接收到上一张实拍图像的时间、以及接收到当前实拍图像的时间,为所述待检测机柜预测至少一个候选机柜标识,包括:
根据所述历史巡检路径,预测所述终端设备对应的后续巡检路径,所述后续巡检路径中包括多个彼此串连的机柜标识,多个机柜标识分别对应不同的机柜;
根据所述历史巡检总时间和所述历史巡检路径上的机柜总数,确定每个机柜的平均检查时间;
根据接收到上一张实拍图像的时间和接收到当前实拍图像的时间,确定两者之间的时间差;
根据所述时间差和每个机柜的平均检查时间,从所述后续巡检路径的多个机柜标识中确定中心候选机柜标识,并将所述中心候选机柜标识两侧的预设数量个机柜标识确定为附加候选机柜标识。
4.根据权利要求1所述的方法,其特征在于,所述从所述至少一个候选机柜标识中,确定所述待检测机柜的机柜标识,包括:
将所述至少一个候选机柜标识发送给所述终端设备,以通过所述终端设备的屏幕展示所述至少一个候选机柜标识;
接收所述终端设备返回的机柜标识,并将该机柜标识确定为待检测机柜的机柜标识,其中,所述终端设备返回的机柜标识是:用户从所述至少一个候选机柜标识中选择的一个候选机柜标识。
5.一种机房巡检装置,其特征在于,设置于监控平台;所述机房中的每个机柜上均贴设有标签,每个机柜上所贴设的标签中包含该机柜的机柜标识,所述装置包括:
图像接收模块,用于接收终端设备发送的待检测机柜的实拍图像;
机柜标识确定模块,用于根据所述实拍图像,确定所述待检测机柜的机柜标识;
标准机柜图像确定模块,用于根据所述机柜标识,从多张标准机柜图像中确定所述机柜标识对应的标准机柜图像;
图像比较模块,用于将所述实拍图像与所述标准机柜图像比较,以确定所述待检测机柜中的设备是否异常
其中,所述机柜标识确定模块包括:
机柜识别子模块,用于识别所述实拍图像中所包括的至少一个机柜;
待检测机柜确定子模块,用于从所述至少一个机柜中确定待检测机柜;
图像剪裁子模块,用于从所述实拍图像中剪裁出所述待检测机柜所在的第一图像区域;
机柜标识识别子模块,用于识别所述第一图像区域中的标签,并对所述标签所在的第二图像区域进行文字识别,以确定所述标签中包含的机柜标识;
其中,所述机柜标识识别子模块包括:
标签检测单元,用于对所述第一图像区域进行目标检测,以检测所述第一图像区域中包括的标签和该标签的第一置信度,所述第一置信度表征检测出的标签属于真实标签的概率;
文字识别单元,用于在所述第一置信度大于或等于第一预设阈值的情况下,对检测出的标签所在的第二图像区域进行文字识别,以识别所述标签中包含的机柜标识和该机柜标识的第二置信度,所述第二置信度表征识别出的机柜标识属于真实机柜标识的概率;
机柜标识第一确定单元,用于在所述第二置信度大于或等于第二预设阈值的情况下,将识别出的机柜标识确定为所述待检测机柜的机柜标识;
路径确定单元,用于在所述第一置信度小于所述第一预设阈值或所述第二置信度小于所述第二预设阈值的情况下,根据所述终端设备对应的历史机柜标识,确定所述终端设备对应的历史巡检路径;
候选机柜标识预测单元,用于根据所述历史巡检路径、所述终端设备对应的历史巡检总时间、接收到上一张实拍图像的时间、以及接收到当前实拍图像的时间,为所述待检测机柜预测至少一个候选机柜标识;
机柜标识第二确定单元,用于从所述至少一个候选机柜标识中,确定所述待检测机柜的机柜标识。
6.一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,该计算机程序被处理器执行时,实现如权利要求1至4任一所述的方法中的步骤。
7.一种电子设备,包括存储器、处理器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计算机程序时,实现如权利要求1至4任一所述的方法的步骤。
CN202010383224.0A 2020-05-08 2020-05-08 机房巡检方法、装置、设备及存储介质 Active CN111292327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010383224.0A CN111292327B (zh) 2020-05-08 2020-05-08 机房巡检方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010383224.0A CN111292327B (zh) 2020-05-08 2020-05-08 机房巡检方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111292327A CN111292327A (zh) 2020-06-16
CN111292327B true CN111292327B (zh) 2020-08-21

Family

ID=71026219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010383224.0A Active CN111292327B (zh) 2020-05-08 2020-05-08 机房巡检方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111292327B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270375B (zh) * 2020-11-10 2024-02-02 中煤航测遥感集团有限公司 伴行轨迹的确定方法、装置、设备及存储介质
CN112100039B (zh) * 2020-11-17 2021-07-13 北京蒙帕信创科技有限公司 一种设备故障报警方法及系统
CN113269418B (zh) * 2021-05-12 2024-06-18 北京京东乾石科技有限公司 设备检测方法、装置、设备及存储介质
CN113554650B (zh) * 2021-09-22 2022-09-09 阿里云计算有限公司 一种机柜u位检测方法、设备及存储介质
CN116563841B (zh) * 2023-07-07 2023-11-10 广东电网有限责任公司云浮供电局 配电网设备标识牌的检测方法、检测装置和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108320120A (zh) * 2018-02-05 2018-07-24 成都科木信息技术有限公司 结合NB-loT技术的智慧园区物流巡检系统
CN108490889A (zh) * 2018-02-08 2018-09-04 浙江大学 基于te模型的智能工厂安全大数据数据源发生方法及装置
CN111037552A (zh) * 2019-12-06 2020-04-21 合肥科大智能机器人技术有限公司 一种配电房轮式巡检机器人的巡检配置及实施方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3045001B1 (en) * 2013-09-13 2017-10-18 Telefonaktiebolaget LM Ericsson (publ) Methods, wireless device and network node for managing positioning method based on prediction
US10766140B2 (en) * 2017-04-13 2020-09-08 Battelle Memorial Institute Teach mode collision avoidance system and method for industrial robotic manipulators
CN109492143A (zh) * 2018-09-21 2019-03-19 平安科技(深圳)有限公司 图像数据处理方法、装置、计算机设备及存储介质
CN110969054B (zh) * 2018-09-29 2023-09-26 杭州海康威视数字技术股份有限公司 一种集装箱箱号识别方法及装置
CN109558259A (zh) * 2018-10-15 2019-04-02 平安科技(深圳)有限公司 服务器故障检测方法、装置、设备及计算机可读存储介质
CN110336691B (zh) * 2019-05-24 2021-06-22 华为技术有限公司 数据中心中设备的管理方法、装置、设备和通信系统
CN110490854A (zh) * 2019-08-15 2019-11-22 中国工商银行股份有限公司 对象状态检测方法、对象状态检测装置和电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108320120A (zh) * 2018-02-05 2018-07-24 成都科木信息技术有限公司 结合NB-loT技术的智慧园区物流巡检系统
CN108490889A (zh) * 2018-02-08 2018-09-04 浙江大学 基于te模型的智能工厂安全大数据数据源发生方法及装置
CN111037552A (zh) * 2019-12-06 2020-04-21 合肥科大智能机器人技术有限公司 一种配电房轮式巡检机器人的巡检配置及实施方法

Also Published As

Publication number Publication date
CN111292327A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111292327B (zh) 机房巡检方法、装置、设备及存储介质
CN107509107B (zh) 视频播放故障的检测方法、装置及设备、可读介质
CN111078446B (zh) 一种故障信息获取方法、装置、电子设备及存储介质
CN112613569B (zh) 图像识别方法、图像分类模型的训练方法及装置
CN113409284B (zh) 电路板故障检测方法、装置、设备以及存储介质
CN113096158A (zh) 运动对象的识别方法、装置、电子设备及可读存储介质
CN113947571A (zh) 车辆损伤检测模型的训练方法及车辆损伤识别方法
CN110619308A (zh) 一种过道杂物检测方法、装置、系统和设备
CN115169602A (zh) 电力设备的维护方法、装置、存储介质及计算机设备
CN115205291A (zh) 一种电路板检测方法、装置、设备和介质
CN114584836B (zh) 电子产品使用行为检测方法、装置、系统及介质
CN113138934A (zh) 自动测试的方法、介质、装置和计算设备
CN117037059A (zh) 基于巡检监控的设备管理方法、装置及电子设备
CN115904883A (zh) 一种rpa流程执行可视化异常监控方法、装置及介质
CN114140751B (zh) 一种考场监控方法及系统
CN114116688B (zh) 数据处理与数据质检方法、装置及可读存储介质
CN113705370B (zh) 直播间违规行为的检测方法及装置、电子设备和存储介质
CN114816670A (zh) 一种虚拟机的检测方法、装置、电子设备和存储介质
CN114912582A (zh) 模型生产方法、装置、电子设备以及存储介质
CN112770080B (zh) 一种抄表方法、抄表装置及电子设备
CN111427874B (zh) 医疗数据生产的质控方法、装置以及电子设备
CN113807209A (zh) 车位检测方法、装置、电子设备及存储介质
CN113781068A (zh) 线上问题解决方法、装置、电子设备和存储介质
CN108447107B (zh) 用于生成视频的方法和装置
CN110717508A (zh) 治具确定方法、确定设备、终端设备及存储介质

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Inspection method, device, equipment and storage medium of computer room

Effective date of registration: 20201230

Granted publication date: 20200821

Pledgee: China Minsheng Banking Corp Chengdu branch

Pledgor: CHENGDU PVIRTECH Co.,Ltd.

Registration number: Y2020980010152

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20220628

Granted publication date: 20200821

Pledgee: China Minsheng Banking Corp Chengdu branch

Pledgor: CHENGDU PVIRTECH Co.,Ltd.

Registration number: Y2020980010152

PC01 Cancellation of the registration of the contract for pledge of patent right