CN111598121B - 一种机柜设备检测方法 - Google Patents
一种机柜设备检测方法 Download PDFInfo
- Publication number
- CN111598121B CN111598121B CN202010245913.5A CN202010245913A CN111598121B CN 111598121 B CN111598121 B CN 111598121B CN 202010245913 A CN202010245913 A CN 202010245913A CN 111598121 B CN111598121 B CN 111598121B
- Authority
- CN
- China
- Prior art keywords
- cabinet
- equipment
- information
- model
- detection
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开一种机柜设备检测方法,包括模型训练阶段和检测阶段;在模型训练阶段,通过实现机柜信息构建模块、设备信息构建模块以及机柜设备检测模型训练模块,输出结构化机柜信息和结构化设备信息,建立基于深度学习的机柜设备检测模型训练器;在检测阶段,通过实现机柜信息模块、设备信息模块以及机柜设备检测模型推理模块,建立基于深度学习的机柜设备检测推理器;通过机柜设备检测推理器输出机柜设备检测结果,机柜设备检测结果包括机柜设备位置与设备识别。相较于现有技术,本方法的检测准确率高、识别速度快、适用性强且模型可动态迭代更新。
Description
技术领域
本发明涉及通信领域,尤其涉及一种机柜设备检测方法。
背景技术
随着通信领域技术和市场需求的发展,对机房建设的需求也日益增长。目前,机房多以机柜作为设备的放置介质,机柜按照行业约定的配置设计完成,且设备也遵循行业约定配置后,便可将设备置于机柜插槽。当前主流机房的规模一般包含上百列机柜和上千台设备,设备存在因维修、添加等导致机柜设备变化的可能,传统的机柜设备的信息管理主要依赖通过对机房现场查勘实现,但是传统的。而深度学习在物体类型识别和位置检测上已有多年发展,如能利用深度学习的技术完成对机柜设备类型的自动化检测和定位,这对于机房设备自动化信息管理流程至关重要。
现有技术中的物体目标检测和定位方法都存在一定的局限性。首先,这些目标检测和定位方法并非针对机柜设备这一应用场景而设计,很多方法主要针对学术界流行的标准物体检测数据集进行模型的训练,并不能直接适用于机柜设备定位和检测的场景;其次,针对机柜设备这一特殊的应用场景,缺乏充足的数据供深度学习技术的模型训练使用。具体的,现有通用的物体检测技术无法准确对操作人员拍摄机柜图像中的设备进行类型识别和位置定位,同时由于大型机房设备量巨大,人工对机柜图像进行阅读后标注位置及设备类型的工作量非常巨大,其可靠性与准确性较差,且耗时耗力,无法达到快速检测和记录的目的。
发明内容
本发明提供了一种机柜设备检测方法,以解决现有的目标检测和定位方法应用于机柜设备检测时存在局限性这一问题。
发明目的:现有通用的物体检测技术无法准确对操作人员拍摄机柜图像中的设备进行类型识别和位置定位,同时由于大型机房设备量巨大,人工对机柜图像进行阅读后标注位置及设备类型的工作量非常巨大,其可靠性与准确性较差,且耗时耗力,无法达到快速检测和记录的目的。本发明针对现有技术的不足,提出一种结合深度学习与标准数据后处理的机柜设备检测方法,该方法具有识别准确率高,定位精确,检测速度快等优势。
一种机柜设备检测方法,包括模型训练阶段和检测阶段;
在所述模型训练阶段,通过实现机柜信息构建模块、设备信息构建模块以及机柜设备检测模型训练模块,输出结构化机柜信息和结构化设备信息,建立基于深度学习的机柜设备检测模型训练器;
在所述检测阶段,通过实现机柜信息模块、设备信息模块以及机柜设备检测模型推理模块,建立基于深度学习的机柜设备检测推理器;
通过所述机柜设备检测推理器输出机柜设备检测结果,所述机柜设备检测结果包括机柜设备位置与设备识别。
进一步地,在一种实现方式中,所述机柜信息构建模块的实现包括:设计机柜信息存储的格式;制定统一的机柜信息记录接口,用于为不同的机柜提供机柜信息记录的接入方案;所述机柜信息构建模块根据预定义好的机柜信息元数据模型创建机柜信息数据格式;
所述设备信息构建模块的实现包括:构建设备数据库,用于存储现有设备的数据,所述现有设备包括计算型设备、网络设备、安全设备、存储设备以及其他设备;制定统一的设备数据记录接口,用于为不同的设备提供数据记录的接入方案;制定数据标注接口,用于对机柜图像中的设备进行标注,供所述机柜设备检测模型训练模块使用;所述设备信息构建模块,用于输出结构化设备信息;
所述机柜设备检测模型训练模块的实现包括:建立基于深度学习的机柜设备检测模型训练器;所述机柜设备检测模型训练器的输入样本为获取的机柜图像、来自机柜信息构建模块的结构化机柜信息数据以及来自设备信息构建模块的结构化设备信息数据,所述机柜设备检测模型训练器的输出为机柜设备检测模型的模型参数。
进一步地,在一种实现方式中,所述机柜信息模块的实现包括:使用所述机柜信息构建模块记录的结构化机柜信息;
所述设备信息模块的实现包括:使用所述设备信息构建模块构建完毕的结构化设备数据信息;
所述机柜设备检测模型推理模块的实现包括:根据训练阶段中所述机柜设备检测模型训练模块得到的模型参数,建立基于深度学习的机柜设备检测推理器;所述机柜设备检测推理器根据获取的机柜图像与机柜信息模块、设备信息模块的结构化数据信息定位和识别机柜图像中的设备。
进一步地,在一种实现方式中,所述模型将机柜图像与结构化机柜信息和结构化设备信息通过特殊的神经网络模型结构进行连接;所述模型的主结构通过多层卷积层进行特征提取,通过下采样层进行特征的再抽象;
通过表示特征抽取的模块,将结构化机柜信息与结构化设备信息分别生成其表示特征,再通过表示特征投影层,将表示特征进行不同程度的维度映射,并拼接入对应的卷积层中;
不同维度大小的卷积层代表对所述机柜图像提取不同粒度的特征,从局部到全局;
模型将结构化机柜信息和结构化设备信息输入进模型,在模型将局部特征逐步抽象为相对全局的特征的过程中对设备位置定位和设备类型识别起到了对应的作用,最终完成机柜设备位置检测与设备识别。
进一步地,在一种实现方式中,所述表示特征抽取通过不限于核函数、全连接神经网络、卷积神经网络以及自编码器表示学习模型进行构建;
所述表示特征投影层通过不限于核函数、全连接神经网络、卷积神经网络以及自编码器表示学习模型进行构建;
所述机柜设备检测模型通过反向传播算法对模型参数进行迭代更新,使输出预测的设备位置检测和设备类别结果与真实的设备位置检测和设备类别之间的误差水平满足设定的期望,从而完成设备检测模型的参数训练;
所述训练阶段的机柜设备检测模型训练模块实现中,在设备检测模型输出设备的类型和位置后,通过与设备数据库中的标准表示数据进行比对,将初步的检测结果校准为精确的结果。
进一步地,在一种实现方式中,所述设备数据库中的标准表示数据需通过机柜设备检测模型的中间结果进行构建,针对每张输入的机柜图像,通过提取机柜设备检测模型最后一层包含位置的输出,作为所述机柜图像的表示特征,再根据标注的提示将不同设备对应位置的表示特征筛选出,从而构建设备数据的标准表示数据;
所述机柜设备检测模型推理模块实现中,根据训练阶段中机柜设备检测模型训练模块得到的模型参数,删除模型训练过程中所需的部件,将所述机柜设备检测模型和学习后的模型参数共同建立基于深度学习的机柜设备检测推理器。
进一步地,在一种实现方式中,所述机柜信息构建模块的实现,包括:
基于目前市面上已有的机柜型号进行数据处理,包括在采集机柜信息时,针对市面上的所有机柜类型进行统计,在机柜数据库中录入机柜的高度;同时,设计统一的机柜数据记录接口;
所述统一的机柜数据记录接口包括:机柜厂家品牌、机柜型号和机柜高度。
进一步地,在一种实现方式中,所述训练阶段的设备信息构建模块的实现,包括:
针对市面上现有的来自不同厂商的设备的参数信息进行整合归纳,制定统一的设备数据记录接口;同时,提供数据标注接口;
所述统一的设备数据记录接口包括:设备厂家品牌,设备类型和设备高度。
进一步地,在一种实现方式中,所述数据标注接口通过机柜图像中的设备进行标注,供检测模型训练使用;所述数据标注接口的输入包括机柜图像和标注信息;所述标注信息包括机柜图像中设备的类型以及位置;所述数据标注接口的输出包括机柜图像和结构化的标记数据;
模型训练所用的标签通过所述数据标注接口进行标注,所述标注的名称为设备的名称,所述设备的名称与设备数据信息中的设备名称保持一致;所述标注将机柜图像中的机柜设备用矩形框标出,并记录所述矩形框在机柜图像中的坐标点位,用于所述模型在进行物体检测时对机柜设备进行定位。
有益效果:与现有技术相比,本发明提供一种机柜设备检测方法,能够进行快速准确的机柜设备类型检测和定位。本发明相较传统通过人工统计的机柜设备检测方法有着准确率高、识别速度快、适用性强、模型可动态迭代更新等优点。同时具备很好的可移植性,本发明可架构在当前多种开源深度学习框架(TensorFlow、Caffe、PyTorch、MXNet)之上,可通过CPU、GPU或TPU等计算设备进行计算。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例部分提供的一种机柜设备检测方法的工作流程示意图;
图2是本发明实施例部分提供的一种机柜设备检测方法中的模型结构示意图;
图3a是本发明实施例部分提供的一种机柜设备检测方法中机柜设备检测结果示意图;
图3b是本发明实施例部分提供的另一种机柜设备检测方法中机柜设备检测结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本实施例所述的一种机柜设备检测方法,包括模型训练阶段和检测阶段;
在所述模型训练阶段,通过实现机柜信息构建模块、设备信息构建模块以及机柜设备检测模型训练模块,输出结构化机柜信息和结构化设备信息,建立基于深度学习的机柜设备检测模型训练器;
在所述检测阶段,通过实现机柜信息模块、设备信息模块以及机柜设备检测模型推理模块,建立基于深度学习的机柜设备检测推理器;
通过所述机柜设备检测推理器输出机柜设备检测结果,所述机柜设备检测结果包括机柜设备位置与设备识别。
本实施例所述的一种机柜设备检测方法中,所述机柜信息构建模块的实现包括:设计机柜信息存储的格式;具体的,本实施例中,以JSON元数据模型的形式制定机柜信息的类型定义模型和元数据实体模型,刻画机柜信息各方面内容。制定统一的机柜信息记录接口,用于为不同的机柜提供机柜信息记录的接入方案;所述机柜信息构建模块根据预定义好的机柜信息元数据模型创建机柜信息数据格式;具体的,本实施例中,所述机柜信息数据格式是一种JSON格式的数据存储格式,以利用JSON结构化数据存储的特性保存并输出结构化机柜信息。
本实施例中,针对机柜信息模块的构建能够基于目前市面上已有的机柜型号进行数据处理,具体的,随不同类型的机柜高度不同,可供插入设备的数量不同。根据业界标准,目前所有机柜设备都统一以44.45mm高度(记为1U)作为计量单位进行设计和研发。因此,在采集机柜信息时,针对市面上的所有机柜类型进行统计,在机柜数据库中录入机柜的高度,其中机柜高度以U为单位记录。同时,设计统一的机柜数据记录接口。所述统一的机柜数据记录接口包含但不限于机柜厂家品牌、机柜型号和机柜高度;
所述设备信息构建模块的实现包括:构建设备数据库,用于存储现有设备的数据,所述现有设备包括计算型设备、网络设备、安全设备、存储设备以及其他设备;制定统一的设备数据记录接口,用于为不同的设备提供数据记录的接入方案;制定数据标注接口,用于对机柜图像中的设备进行标注,供所述机柜设备检测模型训练模块使用;所述设备信息构建模块,用于输出结构化设备信息;
所述机柜设备检测模型训练模块的实现包括:建立基于深度学习的机柜设备检测模型训练器;所述机柜设备检测模型训练器的输入样本为获取的机柜图像、来自机柜信息构建模块的结构化机柜信息数据以及来自设备信息构建模块的结构化设备信息数据,所述机柜设备检测模型训练器的输出为机柜设备检测模型的模型参数。本实施例中,通过训练好一个能用来进行机柜设备位置和设备类型识别的模型,该模型的关键即模型参数。具体的,本实施例中所述获取的机柜图像通过操作人员拍摄。
具体的,本实施例中,训练阶段的机柜设备检测模型训练模块实现中,采用FacebookPyTorch深度学习框架,构建深层卷积神经网络模型,该模型首先使用获取的机柜图像作为模型“输入”,机柜图像上被标出的设备类型作为机柜图像对应的“标签”进行模型的训练;具体实现不限于PyTorch深度学习框架和某种深层卷积神经网络模型。
机柜设备检测模型的输入为获取的机柜图像,以及机柜信息数据和设备信息数据;所述机柜图像需将机柜完整拍摄在图像中,图像清晰无遮挡,保持光照正常。模型训练所用的标签需通过人工标注的形式进行标注,标注名称为设备的名称,该名称应与设备数据信息中的设备名称保持一致;标注还需将机柜设备用矩形框标出,并记录矩形框在图像中的坐标点位,以便模型在进行物体检测时进行定位。
本实施例所述的一种机柜设备检测方法中,所述机柜信息模块的实现包括:使用所述机柜信息构建模块记录的结构化机柜信息;
所述设备信息模块的实现包括:使用所述设备信息构建模块构建完毕的结构化设备数据信息;
所述机柜设备检测模型推理模块的实现包括:根据训练阶段中所述机柜设备检测模型训练模块得到的模型参数,建立基于深度学习的机柜设备检测推理器;所述机柜设备检测推理器根据获取的机柜图像与机柜信息模块、设备信息模块的结构化数据信息定位和识别机柜图像中的设备。
本实施例所述的一种机柜设备检测方法中,所述模型将机柜图像与结构化机柜信息和结构化设备信息通过特殊的神经网络模型结构进行连接;所述模型的主结构可通过多层卷积层进行特征提取,通过下采样层进行特征的再抽象;具体的,本实施例中,如图2所示,实例神经网络模型包含三大块结构,每块结构由三层卷积层构成,每层卷积层包含卷积函数和激活函数,具体的,可选Sigmoid、ReLU等函数,大块结构之间通过下采样的方式建立连接,具体的,一般采用max-pooling的方式建立连接。
通过表示特征抽取的模块,将结构化机柜信息与结构化设备信息分别生成其表示特征,再通过表示特征投影层,将表示特征进行不同程度的维度映射,并拼接入对应的卷积层中;
不同维度大小的卷积层代表对所述机柜图像提取不同粒度的特征,从局部到全局;
模型将结构化机柜信息和结构化设备信息输入进模型,在模型将局部特征逐步抽象为相对全局的特征的过程中对设备位置定位和设备类型识别起到了对应的作用,最终完成机柜设备位置检测与设备识别。具体的,本实施例中,如图2所示,其中,结构化机柜信息和结构化设备数据会先通过表示学习的方法对其进行表示层数据提取,得到表示数据。随后,将结构化机柜信息和结构化设备信息的表示数据和神经网络模型进行连接,共同对机柜位置和设备类型进行检测和识别。
本实施例所述的一种机柜设备检测方法中,所述表示特征抽取通过不限于核函数、全连接神经网络、卷积神经网络以及自编码器表示学习模型进行构建;
所述表示特征投影层通过不限于核函数、全连接神经网络、卷积神经网络以及自编码器表示学习模型进行构建;
所述机柜设备检测模型通过反向传播算法对模型参数进行迭代更新,使输出预测的设备位置检测和设备类别结果与真实的设备位置检测和设备类别之间的误差水平满足设定的期望,从而完成设备检测模型的参数训练。其中,设备类别分类误差通过交叉熵(crossentropy)来衡量,位置检测误差通过均方根误差(RMSE)来衡量。
所述训练阶段的机柜设备检测模型训练模块实现中,在设备检测模型输出设备的类型和位置后,通过与设备数据库中的标准表示数据进行比对,将初步的检测结果校准为精确的结果。
本实施例所述的一种机柜设备检测方法中,所述设备数据库中的标准表示数据需通过机柜设备检测模型的中间结果进行构建,针对每张输入的机柜图像,通过提取机柜设备检测模型最后一层包含位置的输出,作为所述机柜图像的表示特征,再根据标注的提示将不同设备对应位置的表示特征筛选出,从而构建设备数据的标准表示数据;本实施例中,通过将结构化数据转换为表示数据/向量,方便输入神经网络,给神经网络辅以相对准确且有区分度的机柜信息和设备类型信息。
所述机柜设备检测模型推理模块实现中,根据训练阶段中机柜设备检测模型训练模块得到的模型参数,删除模型训练过程中所需的部件,将所述机柜设备检测模型和学习后的模型参数共同建立基于深度学习的机柜设备检测推理器。
本实施例所述的一种机柜设备检测方法中,所述机柜信息构建模块的实现,包括:
基于目前市面上已有的机柜型号进行数据处理,包括在采集机柜信息时,针对市面上的所有机柜类型进行统计,在机柜数据库中录入机柜的高度;同时,设计统一的机柜数据记录接口;本实施例中,所述机柜类型具体包括机柜厂商品牌以及机柜型号。
所述统一的机柜数据记录接口包括:机柜厂家品牌、机柜型号和机柜高度。
本实施例所述的一种机柜设备检测方法中,所述训练阶段的设备信息构建模块的实现,包括:
针对市面上现有的来自不同厂商的设备的参数信息进行整合归纳,制定统一的设备数据记录接口;同时,提供数据标注的接口;
所述统一的设备数据记录接口包括:设备厂家品牌,设备类型和设备高度。
本实施例所述的一种机柜设备检测方法中,所述数据标注接口通过机柜图像中的设备进行标注,供检测模型训练使用;所述数据标注接口的输入包括机柜图像和标注信息;所述标注信息包括机柜图像中设备的类型以及位置;输出为所述机柜图像和结构化的标记数据;
模型训练所用的标签通过所述数据标注接口进行标注,所述标注的名称为设备的名称,所述设备的名称与设备数据信息中的设备名称保持一致;所述标注将机柜图像中的设备用矩形框标出,并记录所述矩形框在机柜图像中的坐标点位,用于所述模型在进行物体检测时对机柜设备进行定位。具体的,本实施例中,可采用彩色矩形框进行标记。
本实施例中,模型将所述机柜图像与结构化机柜信息和结构化设备信息通过特殊的神经网络模型结构进行连接。如图2所示,模型的主结构可通过多层卷积层(Convolutionlayer)进行特征提取,通过下采样层(MaxPooling layer)进行特征的再抽象。同时,通过表示特征抽取的模块,将结构化机柜信息与结构化设备信息分别生成其表示特征(representations),再通过表示特征投影层,将表示特征进行不同程度的维度映射,并拼接入对应的卷积层中。不同维度大小的卷积层代表对图像提取不同粒度的特征,从局部到全局。至此,模型通过这种特别的设计方式将结构化机柜信息和结构化设备信息输入进模型,在模型将局部特征逐步抽象为相对全局的特征的过程中对设备位置定位和设备类型识别起到了对应的作用,最终完成设备位置检测和设备识别的目标。表示特征抽取可通过不限于全连接神经网络、自编码器等表示学习模型进行构建。表示特征投影层可通过不限于全连接神经网络、自编码器等表示学习模型进行构建。
同时,设备检测模型通过反向传播算法对模型参数进行迭代更新,使输出预测的设备位置检测和设备类别结果与真实的设备位置检测和设备类别之间的误差水平满足设定的期望,从而完成设备检测模型的参数训练。
检测阶段,一共包含机柜信息模块、设备信息模块以及机柜设备检测模型训练模块,其中:
(1)机柜信息模块的实现:此模块与训练阶段中的机柜信息构建模块一致,在检测阶段,只需能够使用机柜信息构建模块记录完毕的机柜数据信息即可;
(2)设备信息模块的实现:此模块与训练阶段中的设备信息构建模块基本一致,在检测阶段,只需能够使用设备信息构建模块构建完毕的设备数据信息即可;
(3)机柜设备检测模型推理模块的实现:根据训练阶段中机柜设备检测模型训练模块得到的模型参数,建立基于深度学习的机柜设备检测推理器;推理器可以根据获取的机柜图像与机柜信息模块、设备信息模块的数据信息定位和识别机柜图像中的设备。
机柜设备检测模型推理模块实现中,根据训练阶段中机柜设备检测模型训练模块得到的模型参数,删除模型训练过程中所需的部件,将模型和学习后的参数共同建立基于深度学习的机柜设备检测推理器。
为达到准确的设备检测效果,在设备检测模型输出设备的类型和位置后,通过与设备数据库中的标准表示数据进行比对,将初步的实验结果校准为精确的结果。
本实施例所述的一种机柜设备检测方法中,具体的检测效果如图3a和图3b所示,图3a中,红色矩形框中检测结果为:华为,E1000-E防火墙,蓝色矩形框中检测结果为:新华三,M9008防火墙;图3b中,红色矩形框中检测结果为:中兴,刀片服务器;蓝色矩形框中检测结果为:中兴,3952交换机;黄色矩形框中检测结果为:LuninerSSG,520M;粉色矩形框中检测结果为:EMC磁盘阵列;绿色矩形框中检测结果为:KVM;紫色矩形框中检测结果为:中兴,3952交换机。
与现有技术相比,本发明提供一种机柜设备检测方法,能够进行快速准确的机柜设备类型检测和定位。本发明相较传统通过人工统计的机柜设备检测方法有着准确率高、识别速度快、适用性强、模型可动态迭代更新等优点。同时具备很好的可移植性,本发明可架构在当前多种开源深度学习框架(TensorFlow、Caffe、PyTorch、MXNet)之上,可通过CPU、GPU或TPU等计算设备进行计算。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的一种机柜设备检测方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (7)
1.一种机柜设备检测方法,其特征在于,包括模型训练阶段和检测阶段;
在所述模型训练阶段,通过实现机柜信息构建模块、设备信息构建模块以及机柜设备检测模型训练模块,输出结构化机柜信息和结构化设备信息,建立基于深度学习的机柜设备检测模型训练器;
在所述检测阶段,通过实现机柜信息模块、设备信息模块以及机柜设备检测模型推理模块,建立基于深度学习的机柜设备检测推理器;
通过所述机柜设备检测推理器输出机柜设备检测结果,所述机柜设备检测结果包括机柜设备位置与设备识别;
所述机柜信息构建模块的实现包括:设计机柜信息存储的格式;制定统一的机柜信息记录接口,用于为不同的机柜提供机柜信息记录的接入方案;所述机柜信息构建模块根据预定义好的机柜信息元数据模型创建机柜信息数据格式;
所述设备信息构建模块的实现包括:构建设备数据库,用于存储现有设备的数据,所述现有设备包括计算型设备、网络设备、安全设备、存储设备以及其他设备;制定统一的设备数据记录接口,用于为不同的设备提供数据记录的接入方案;制定数据标注接口,用于对机柜图像中的设备进行标注,供所述机柜设备检测模型训练模块使用;所述设备信息构建模块,用于输出结构化设备信息;
所述机柜设备检测模型训练模块的实现包括:建立基于深度学习的机柜设备检测模型训练器;所述机柜设备检测模型训练器的输入样本为获取的机柜图像、来自机柜信息构建模块的结构化机柜信息数据以及来自设备信息构建模块的结构化设备信息数据,所述机柜设备检测模型训练器的输出为机柜设备检测模型的模型参数;
所述机柜信息模块的实现包括:使用所述机柜信息构建模块记录的结构化机柜信息;
所述设备信息模块的实现包括:使用所述设备信息构建模块构建完毕的结构化设备数据信息;
所述机柜设备检测模型推理模块的实现包括:根据训练阶段中所述机柜设备检测模型训练模块得到的模型参数,建立基于深度学习的机柜设备检测推理器;所述机柜设备检测推理器根据获取的机柜图像与机柜信息模块、设备信息模块的结构化数据信息定位和识别机柜图像中的设备。
2.根据权利要求1所述的一种机柜设备检测方法,其特征在于,所述模型将机柜图像与结构化机柜信息和结构化设备信息通过特殊的神经网络模型结构进行连接;所述模型的主结构通过多层卷积层进行特征提取,通过下采样层进行特征的再抽象;
通过表示特征抽取的模块,将结构化机柜信息与结构化设备信息分别生成其表示特征,再通过表示特征投影层,将表示特征进行不同程度的维度映射,并拼接入对应的卷积层中;
不同维度大小的卷积层代表对所述机柜图像提取不同粒度的特征,从局部到全局;
模型将结构化机柜信息和结构化设备信息输入进模型,在模型将局部特征逐步抽象为相对全局的特征的过程中对设备位置定位和设备类型识别起到了对应的作用,最终完成机柜设备位置检测与设备识别。
3.根据权利要求2所述的一种机柜设备检测方法,其特征在于,所述表示特征抽取通过不限于核函数、全连接神经网络、卷积神经网络以及自编码器表示学习模型进行构建;
所述表示特征投影层通过不限于核函数、全连接神经网络、卷积神经网络以及自编码器表示学习模型进行构建;
所述机柜设备检测模型通过反向传播算法对模型参数进行迭代更新,使输出预测的设备位置检测和设备类别结果与真实的设备位置检测和设备类别之间的误差水平满足设定的期望,从而完成设备检测模型的参数训练;
所述训练阶段的机柜设备检测模型训练模块实现中,在设备检测模型输出设备的类型和位置后,通过与设备数据库中的标准表示数据进行比对,将初步的检测结果校准为精确的结果。
4.根据权利要求3所述的一种机柜设备检测方法,其特征在于,所述设备数据库中的标准表示数据需通过机柜设备检测模型的中间结果进行构建,针对每张输入的机柜图像,通过提取机柜设备检测模型最后一层包含位置的输出,作为所述机柜图像的表示特征,再根据标注的提示将不同设备对应位置的表示特征筛选出,从而构建设备数据的标准表示数据;
所述机柜设备检测模型推理模块实现中,根据训练阶段中机柜设备检测模型训练模块得到的模型参数,删除模型训练过程中所需的部件,将所述机柜设备检测模型和学习后的模型参数共同建立基于深度学习的机柜设备检测推理器。
5.根据权利要求1所述的一种机柜设备检测方法,其特征在于,所述机柜信息构建模块的实现,包括:
基于目前市面上已有的机柜型号进行数据处理,包括在采集机柜信息时,针对市面上的所有机柜类型进行统计,在机柜数据库中录入机柜的高度;同时,设计统一的机柜数据记录接口;
所述统一的机柜数据记录接口包括:机柜厂家品牌、机柜型号和机柜高度。
6.根据权利要求1所述的一种机柜设备检测方法,其特征在于,所述训练阶段的设备信息构建模块的实现,包括:
针对市面上现有的来自不同厂商的设备的参数信息进行整合归纳,制定统一的设备数据记录接口;同时,提供数据标注接口;
所述统一的设备数据记录接口包括:设备厂家品牌,设备类型和设备高度。
7.根据权利要求1所述的一种机柜设备检测方法,其特征在于,所述数据标注接口通过机柜图像中的设备进行标注,供检测模型训练使用;所述数据标注接口的输入包括机柜图像和标注信息;所述标注信息包括机柜图像中设备的类型以及位置;所述数据标注接口的输出包括机柜图像和结构化的标记数据;
模型训练所用的标签通过所述数据标注接口进行标注,所述标注的名称为设备的名称,所述设备的名称与设备数据信息中的设备名称保持一致;所述标注将机柜图像中的设备用矩形框标出,并记录所述矩形框在机柜图像中的坐标点位,用于所述模型在进行物体检测时对机柜设备进行定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245913.5A CN111598121B (zh) | 2020-03-31 | 2020-03-31 | 一种机柜设备检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245913.5A CN111598121B (zh) | 2020-03-31 | 2020-03-31 | 一种机柜设备检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598121A CN111598121A (zh) | 2020-08-28 |
CN111598121B true CN111598121B (zh) | 2023-05-30 |
Family
ID=72188633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010245913.5A Active CN111598121B (zh) | 2020-03-31 | 2020-03-31 | 一种机柜设备检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598121B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959664A (zh) * | 2018-09-26 | 2018-12-07 | 江苏曲速教育科技有限公司 | 基于图片处理器的分布式文件系统 |
CN109389061A (zh) * | 2018-09-26 | 2019-02-26 | 苏州友教习亦教育科技有限公司 | 试卷识别方法和系统 |
CN110336691A (zh) * | 2019-05-24 | 2019-10-15 | 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 |
-
2020
- 2020-03-31 CN CN202010245913.5A patent/CN111598121B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959664A (zh) * | 2018-09-26 | 2018-12-07 | 江苏曲速教育科技有限公司 | 基于图片处理器的分布式文件系统 |
CN109389061A (zh) * | 2018-09-26 | 2019-02-26 | 苏州友教习亦教育科技有限公司 | 试卷识别方法和系统 |
CN110336691A (zh) * | 2019-05-24 | 2019-10-15 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN111598121A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563548B (zh) | 异常检测方法及装置 | |
US7333962B2 (en) | Techniques to organize test results | |
CN107392218A (zh) | 一种基于图像的车辆定损方法、装置及电子设备 | |
CN108897724B (zh) | 功能完成进度确定方法及装置 | |
CN109582588A (zh) | 测试用例生成方法、装置及电子设备 | |
CN109977826B (zh) | 物体的类别识别方法和装置 | |
CN111144493A (zh) | 一种自动识别算法指标测试的方法、存储介质及电子终端 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
WO2022062968A1 (zh) | 一种自训练方法、系统、装置、电子设备及存储介质 | |
CN106294128B (zh) | 一种导出报表数据的自动化测试方法及装置 | |
CN111598121B (zh) | 一种机柜设备检测方法 | |
CN112613380A (zh) | 一种机房巡检方法、装置及电子设备、存储介质 | |
CN116152609B (zh) | 分布式模型训练方法、系统、装置以及计算机可读介质 | |
CN112861867A (zh) | 指针式仪表盘识别方法、系统及存储介质 | |
CN108399545A (zh) | 电子商务平台质量检测方法和装置 | |
CN110188073A (zh) | 活体检测日志解析的方法、装置、存储介质及计算机设备 | |
CN115905016A (zh) | 一种BIOS Setup搜索功能测试方法、装置、电子设备及存储介质 | |
CN114612889A (zh) | 一种仪表信息获取方法、系统、电子设备及存储介质 | |
WO2021197231A1 (zh) | 图像标注方法、装置及系统 | |
CN114882242A (zh) | 基于计算机视觉的违规图像识别方法及系统 | |
CN116414587A (zh) | 故障数据获取方法、故障处理方法、电子设备及存储介质 | |
CN103399817B (zh) | 基于模块建模与模型检测一体化系统检测装置 | |
CN113920424A (zh) | 一种变电巡检机器人视物提取方法及装置 | |
CN113011125A (zh) | 印制电路板核查方法、装置、设备及计算机存储介质 | |
CN115525556B (zh) | 一种ai决策系统的测试方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230815 Address after: A1-1302-5, Building A, Kexing Science Park, No. 15 Keyuan Road, Science Park Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 518100 Patentee after: Zhongtongfu Smart City Engineering Construction Co.,Ltd. Address before: No. 58, Nanxi River East Street, Nanjing, Jiangsu Province Patentee before: CHINA INFORMATION CONSULTING & DESIGNING INSTITUTE Co.,Ltd. |