CN111709404A - 一种机房遗留物识别方法、系统以及设备 - Google Patents
一种机房遗留物识别方法、系统以及设备 Download PDFInfo
- Publication number
- CN111709404A CN111709404A CN202010777316.7A CN202010777316A CN111709404A CN 111709404 A CN111709404 A CN 111709404A CN 202010777316 A CN202010777316 A CN 202010777316A CN 111709404 A CN111709404 A CN 111709404A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- trained
- machine room
- recognition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000012216 screening Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机房遗留物识别方法、系统及设备。本发明通过应用服务器获取机房内摄像机拍摄的视频，将视频的每一帧以图像传送至算法服务器，算法服务器对图像进行预处理后输入到预先训练好的目标识别模型，得到识别目标；应用服务器将识别目标输入到预先训练好的遗留物筛选模型中与非遗留目标进行匹配，若识别目标为遗留物，则发出报警信号。本发明通过在应用服务器中设置预先训练好的遗留物筛选模型以及在算法服务器设置预先训练好的目标识别模型，从而能够根据拍摄到的视频对机房中遗留物进行识别，在机房中存在遗留物时发出报警信号，避免将不属于机房的物体遗留在机房内而无法及时发现的情况，消除机房中的安全隐患。
Description
技术领域
本发明涉及图像识别领域，尤其涉及一种机房遗留物识别方法、系统以及设备。
背景技术
为保证电网机房的安全、可靠、经济运行，国家电网公司和南方电网公司都一直保持对电网机房运维安全监督工作保持高度重视，严格按照各项国家标准和行业标准来指导和执行电网机房安全监督工作。
机房环境通常具有严格的要求，要求设备摆放整齐，电气设备不能随便摆放，不属于机房的物体不能随便遗留在机房等要求。在安全管理上，要求机房管理人员进入机房不带入多余无用的工具，离开时不遗忘带走不属于机房的物体。然而，由于机房管理人员的粗心，有时依旧会将不属于机房的物体遗留在机房内而无法及时发现，使得机房存在安全隐患。
综上所述，现有技术中无法及时发现机房管理人员遗留在不属于机房内的物体，导致机房存在安全隐患的技术问题。
发明内容
本发明提供了一种机房遗留物识别方法、系统以及设备，用于解决现有技术中无法及时发现机房管理人员遗留在不属于机房内的物体，导致机房存在安全隐患的技术问题。
本发明提供的一种机房遗留物识别方法，所述方法适用于预先训练好的目标识别模型以及预先训练好的遗留物筛选模型，包括以下步骤：
应用服务器获取机房内摄像机拍摄的视频，将视频的每一帧以图像的形式进行保存，并将保存的图像传送至算法服务器中；
算法服务器对图像进行预处理，将经过预处理的图像输入到预先训练好的目标识别模型中，预先训练好的目标识别模型输出识别目标，将识别目标发送至应用服务器中；
应用服务器将识别目标输入到预先训练好的遗留物筛选模型中，预先训练好的遗留物筛选模型将识别目标与非遗留目标进行匹配，若匹配成功，则识别目标为非遗留物；若匹配失败，则识别目标为遗留物，并发出报警信号。
优选的，算法服务器对图像进行预处理的过程包括：
对图像进行滤波处理，得到滤波后的图像；
将滤波后的图像缩放为统一尺寸，得到统一尺寸的图像；
对统一尺寸的图像进行归一化，得到经过预处理的图像。
优选的，对图像进行滤波处理，得到滤波后的图像的具体过程为：
采用高斯滤波对图像进行滤波处理，得到滤波后的图像。
优选的，目标识别模型中包括ResNet-50网络、FPN网络、类别分类网络以及边框回归网络。
优选的，预先训练好的目标识别模型输出识别目标的具体过程为：
预先训练好的目标识别模型将经过预处理的图像输入到ResNet-50网络中；
ResNet-50网络对经过预处理的图像进行目标特征提取，得到不同层次的目标特征，将不同层次的目标特征输入到FPN网络中进行融合，将融合后的目标特征输入到类别分类网络以及边框回归网络中，类别分类网络以及边框回归网络分别输出目标的类别以及目标的所在位置，得到识别目标。
优选的，ResNet-50网络对经过预处理的图像进行目标特征提取，得到不同层次的目标特征，将不同层次的目标特征输入到FPN网络中进行融合的具体过程为：
ResNet-50网络对经过预处理的图像进行目标特征提取，得到包含有不同层次目标特征的特征层，根据目标特征的层次由低到高将特征层划分为第一目标特征层、第二目标特征层以及第三目标特征层；
FPN网络复制第三目标特征层作为第六目标特征层，对第六目标特征层进行上采样，同时对第二目标特征层使用1*1conv得到第五目标特征层；将经过上采样后的第六目标层和第五目标层进行相加，得到第四目标特征层，完成目标特征的融合。
优选的，预先训练好的遗留物筛选模型将识别目标与非遗留目标进行匹配的具体过程为：
预先训练好的遗留物筛选模型将识别目标的类别与非遗留目标的类别进行匹配。
一种机房遗留物识别系统，包括摄像机、应用服务器以及算法服务器，应用服务器中设置有预先训练好的遗留物筛选模型，算法服务器中设置有预先训练好的目标识别模型；
摄像机用于拍摄机房内的视频，将拍摄到的视频传输到应用服务器中；
应用服务器用于获取机房内摄像机拍摄的视频，将视频的每一帧以图像的形式进行保存，并将保存的图像传送至算法服务器中；接收算法服务器返回的识别目标，将识别目标输入到预先训练好的遗留物筛选模型中，预先训练好的遗留物筛选模型将识别目标与非遗留目标进行匹配，若匹配成功，则识别目标为非遗留物；若匹配失败，则识别目标为遗留物，并发出报警信号；
算法服务器用于对图像进行预处理，将经过预处理的图像输入到预先训练好的目标识别模型中，预先训练好的目标识别模型输出识别目标，将识别目标发送至应用服务器中。
优选的，算法服务器对图像进行预处理的过程包括：
对图像进行滤波处理，得到滤波后的图像；
将滤波后的图像缩放为统一尺寸，得到统一尺寸的图像；
对统一尺寸的图像进行归一化，得到经过预处理的图像。
一种机房遗留物识别设备，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的一种机房遗留物识别方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例通过应用服务器获取机房内摄像机拍摄的视频，将视频的每一帧以图像传送至算法服务器，算法服务器对图像进行预处理后输入到预先训练好的目标识别模型，得到识别目标；应用服务器将识别目标输入到预先训练好的遗留物筛选模型中与非遗留目标进行匹配，若识别目标为遗留物，则发出报警信号。本发明实施例通过在应用服务器中设置预先训练好的遗留物筛选模型以及在算法服务器设置预先训练好的目标识别模型，从而能够根据拍摄到的视频对机房中遗留物进行识别，在机房中存在遗留物时发出报警信号，及时提醒机房管理人员注意，从而避免将不属于机房的物体遗留在机房内而无法及时发现的情况，消除机房中的安全隐患。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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它的附图。
图1为本发明实施例提供的一种机房遗留物识别方法、系统以及设备的方法流程图。
图2为本发明实施例提供的一种机房遗留物识别方法、系统以及设备的ResNet-50网络的结构示意图。
图3为本发明实施例提供的一种机房遗留物识别方法、系统以及设备的FPN网络的工作原理图。
图4为本发明实施例提供的一种机房遗留物识别方法、系统以及设备的类别分类网络以及边框回归网络的结构示意图。
图5为本发明实施例提供的一种机房遗留物识别方法、系统以及设备的系统框架图。
图6为本发明实施例提供的一种机房遗留物识别方法、系统以及设备的设备框架图。
具体实施方式
本发明实施例提供了一种机房遗留物识别方法、系统以及设备，用于解决现有技术中无法及时发现机房管理人员遗留在不属于机房内的物体，导致机房存在安全隐患的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种机房遗留物识别方法、系统以及设备的方法流程图。
本发明实施例提供的一种机房遗留物识别方法，所述方法适用于预先训练好的目标识别模型以及预先训练好的遗留物筛选模型，包括以下步骤：
在机房中安装摄像机，应用服务器通过有线或者无线连接摄像机，设置摄像机的拍照间隔和拍摄的视频的存放路径，使摄像机定时拍摄视频发送到应用服务器，其中，机房不同位置的摄像机拥有不同的拍摄方案。摄像机拍摄到机房的视频后，将机房的视频发送至应用服务器中，应用服务器将视频的每一帧以图像的形式进行保存，并将保存的图像传送至算法服务器中；
算法服务器对图像进行预处理，去除图像中的噪音，降低图像噪音的干扰，将经过预处理的图像输入到预先训练好的目标识别模型中，预先训练好的目标识别模型输出识别目标，将识别目标发送至应用服务器中；
需要进一步说明的是，对目标识别模型进行训练的具体过程为：
获取大量机房照片，在机房照片上标注出每一个物件的特征，将标注后的机房照片输入到目标识别模型进行训练，不断更新目标识别模型的参数，直至目标识别模型能够准确识别出图像中的目标，从而得到训练好的目标识别模型。
应用服务器将识别目标输入到预先训练好的遗留物筛选模型中，预先训练好的遗留物筛选模型将识别目标与非遗留目标进行匹配，若匹配成功，则识别目标为非遗留物；若匹配失败，则识别目标为遗留物，应用服务器发出报警信号，提醒机房管理人员，避免机房内存在安全隐患。
需要进一步说明的是，对遗留物筛选模型进行训练的具体过程为：
获取大量非遗留物的特征类别，将非遗留物的特征类别输入到遗留物筛选模型中进行训练，不断更新遗留物筛选模型的参数，直至遗留物筛选模型能够对准确对输入目标与非遗留物进行匹配，从而得到训练好的目标识别模型。
实施例2
如图1所示，本发明实施例提供的一种机房遗留物识别方法，所述方法适用于预先训练好的目标识别模型以及预先训练好的遗留物筛选模型，包括以下步骤：
在机房中安装摄像机，应用服务器通过有线或者无线连接摄像机，设置摄像机的拍照间隔和拍摄的视频的存放路径，使摄像机定时拍摄视频发送到应用服务器，其中，机房不同位置的摄像机拥有不同的拍摄方案。摄像机拍摄到机房的视频后，将机房的视频发送至应用服务器中，应用服务器将视频的每一帧以图像的形式进行保存，并将保存的图像传送至算法服务器中；
算法服务器对图像进行预处理，去除图像中的噪音，降低图像噪音的干扰，将经过预处理的图像输入到预先训练好的目标识别模型中，预先训练好的目标识别模型输出识别目标，将识别目标发送至应用服务器中；
需要进一步说明的是，算法服务器对图像进行预处理的过程包括：
对图像进行高斯滤波处理，得到滤波后的图像，高斯滤波的核心核函数是高斯函数，高斯函数h(i,j)如下：
其中(i,j)为图像像素点的坐标，在图像预处理中是整数；σ是标准差。图像高斯滤波需要得到一个高斯滤波器的模板，因此，对高斯函数进行离散化，得到的高斯函数值作为模板的系数，高斯模板Hi,j中各个元素值的计算公式如下：
其中(i,j)为图像像素点的坐标，在图像处理中是整数；σ是高斯函数的标准差，k是模板大小。
将滤波后的图像缩放为256x256，得到统一尺寸的图像；
对统一尺寸的图像进行归一化，得到经过预处理的图像；其中，归一化处理的公式如下：
其中，xi表示图像的像素值，min(x)和max(x)分别表示图像的像素最大值和像素最小值。
需要进一步说明的是，目标识别模型中包括ResNet-50网络、FPN网络、类别分类网络以及边框回归网络。预先训练好的目标识别模型输出识别目标的具体过程为：
预先训练好的目标识别模型将经过预处理的图像输入到ResNet-50网络中；
ResNet-50网络的结构如图2所示，ResNet-50网络对经过预处理的图像进行目标特征提取，得到包含有不同层次目标特征的特征层，根据目标特征的层次由低到高将特征层划分为第一目标特征层、第二目标特征层以及第三目标特征层；ResNet-50网络具有较强的恒等映射的能力，在图2中，
F(x)＝H(x)-x
x为ResNet-50网络浅层的输出，H(x)为ResNet-50网络深层的输出，F(x)为夹在二者中间的两层代表的变换，当浅层的x代表的特征已经足够成熟，如果任何对于特征x的改变都会让loss变大的话，F(x)会自动趋向于学习成为0，x则从恒等映射的路径继续传递。在前向过程中，当浅层的输出已经足够成熟(optimal)，让ResNet-50网络后面的层能够实现恒等映射的作用。
特征融合是使用concat的方式进行特征融合，如图3所示，FPN网络复制第三目标特征层3作为第六目标特征层6，对第六目标特征层6进行上采样，保证其尺寸和第二目标特征层2相同。同时对第二目标特征层2使用1*1conv得到第五目标特征层5，保证其通道数和经过上采样后的第六目标层6相同，将经过上采样后的第六目标层6和第五目标层5进行相加，得到第四目标特征层4，消除上采样的混叠效应，图3中的横向连接将高层次特征融合到低层次特征中，从而完成目标特征的融合。
将融合后的目标特征输入到类别分类网络以及边框回归网络中，如图4所示，图4中上部分是类别分类网络，下部分是边框回归网络，其中W是特征图的宽，H为特征图的高，K为卷积核的个数，K等于训练数据的种类数目，A为anchor的个数，一般为A＝9。类别分类网络以及边框回归网络分别输出目标的类别以及目标的所在位置，得到识别目标。
应用服务器将识别目标输入到预先训练好的遗留物筛选模型中，预先训练好的遗留物筛选模型将识别目标的类别与非遗留目标的类别进行匹配，若匹配成功，则识别目标为非遗留物；若匹配失败，则识别目标为遗留物，应用服务器发出报警信号，提醒机房管理人员，避免机房内存在安全隐患。
实施例3
如图5所示，一种机房遗留物识别系统，包括摄像机201、应用服务器202以及算法服务器203，应用服务器202中设置有预先训练好的遗留物筛选模型，算法服务器203中设置有预先训练好的目标识别模型；
摄像机201用于拍摄机房内的视频，将拍摄到的视频传输到应用服务器202中；
应用服务器202用于获取机房内摄像机201拍摄的视频，将视频的每一帧以图像的形式进行保存，并将保存的图像传送至算法服务器203中；接收算法服务器203返回的识别目标，将识别目标输入到预先训练好的遗留物筛选模型中，预先训练好的遗留物筛选模型将识别目标与非遗留目标进行匹配，若匹配成功，则识别目标为非遗留物；若匹配失败，则识别目标为遗留物，应用服务器202发出报警信号；
算法服务器203用于对图像进行预处理，将经过预处理的图像输入到预先训练好的目标识别模型中，预先训练好的目标识别模型输出识别目标，将识别目标发送至应用服务器202中。
作为一个优选的实施例，算法服务器203对图像进行预处理的过程包括：
对图像进行滤波处理，得到滤波后的图像；
将滤波后的图像缩放为统一尺寸，得到统一尺寸的图像；
对统一尺寸的图像进行归一化，得到经过预处理的图像。
如图6所示，一种机房遗留物识别设备30，所述设备包括处理器300以及存储器301；
所述存储器301用于存储程序代码302，并将所述程序代码302传输给所述处理器；
所述处理器300用于根据所述程序代码302中的指令执行上述的一种机房遗留物识别方法中的步骤。
示例性的，所述计算机程序302可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器301中，并由所述处理器300执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图6仅仅是终端设备30的示例，并不构成对终端设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammaBle Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元，例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备，例如所述终端设备30上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种机房遗留物识别方法，其特征在于，所述方法适用于预先训练好的目标识别模型以及预先训练好的遗留物筛选模型，包括以下步骤：
应用服务器获取机房内摄像机拍摄的视频，将视频的每一帧以图像的形式进行保存，并将保存的图像传送至算法服务器中；
算法服务器对图像进行预处理，将经过预处理的图像输入到预先训练好的目标识别模型中，预先训练好的目标识别模型输出识别目标，将识别目标发送至应用服务器中；
应用服务器将识别目标输入到预先训练好的遗留物筛选模型中，预先训练好的遗留物筛选模型将识别目标与非遗留目标进行匹配，若匹配成功，则识别目标为非遗留物；若匹配失败，则识别目标为遗留物，并发出报警信号。
2.根据权利要求1所述的一种机房遗留物识别方法，其特征在于，算法服务器对图像进行预处理的过程包括：
对图像进行滤波处理，得到滤波后的图像；
将滤波后的图像缩放为统一尺寸，得到统一尺寸的图像；
对统一尺寸的图像进行归一化，得到经过预处理的图像。
3.根据权利要求2所述的一种机房遗留物识别方法，其特征在于，对图像进行滤波处理，得到滤波后的图像的具体过程为：
采用高斯滤波对图像进行滤波处理，得到滤波后的图像。
4.根据权利要求1所述的一种机房遗留物识别方法，其特征在于，目标识别模型中包括ResNet-50网络、FPN网络、类别分类网络以及边框回归网络。
5.根据权利要求4所述的一种机房遗留物识别方法，其特征在于，预先训练好的目标识别模型输出识别目标的具体过程为：
预先训练好的目标识别模型将经过预处理的图像输入到ResNet-50网络中；
ResNet-50网络对经过预处理的图像进行目标特征提取，得到不同层次的目标特征，将不同层次的目标特征输入到FPN网络中进行融合，将融合后的目标特征输入到类别分类网络以及边框回归网络中，类别分类网络以及边框回归网络分别输出目标的类别以及目标的所在位置，得到识别目标。
6.根据权利要求5所述的一种机房遗留物识别方法，其特征在于，ResNet-50网络对经过预处理的图像进行目标特征提取，得到不同层次的目标特征，将不同层次的目标特征输入到FPN网络中进行融合的具体过程为：
ResNet-50网络对经过预处理的图像进行目标特征提取，得到包含有不同层次目标特征的特征层，根据目标特征的层次由低到高将特征层划分为第一目标特征层、第二目标特征层以及第三目标特征层；
FPN网络复制第三目标特征层作为第六目标特征层，对第六目标特征层进行上采样，同时对第二目标特征层使用1*1conv得到第五目标特征层；将经过上采样后的第六目标层和第五目标层进行相加，得到第四目标特征层，完成目标特征的融合。
7.根据权利要求5所述的一种机房遗留物识别方法，其特征在于，预先训练好的遗留物筛选模型将识别目标与非遗留目标进行匹配的具体过程为：
预先训练好的遗留物筛选模型将识别目标的类别与非遗留目标的类别进行匹配。
8.一种机房遗留物识别系统，其特征在于，包括摄像机、应用服务器以及算法服务器，应用服务器中设置有预先训练好的遗留物筛选模型，算法服务器中设置有预先训练好的目标识别模型；
摄像机用于拍摄机房内的视频，将拍摄到的视频传输到应用服务器中；
应用服务器用于获取机房内摄像机拍摄的视频，将视频的每一帧以图像的形式进行保存，并将保存的图像传送至算法服务器中；接收算法服务器返回的识别目标，将识别目标输入到预先训练好的遗留物筛选模型中，预先训练好的遗留物筛选模型将识别目标与非遗留目标进行匹配，若匹配成功，则识别目标为非遗留物；若匹配失败，则识别目标为遗留物，并发出报警信号；
算法服务器用于对图像进行预处理，将经过预处理的图像输入到预先训练好的目标识别模型中，预先训练好的目标识别模型输出识别目标，将识别目标发送至应用服务器中。
9.根据权利要求8所述的一种机房遗留物识别系统，其特征在于，算法服务器对图像进行预处理的过程包括：
对图像进行滤波处理，得到滤波后的图像；
将滤波后的图像缩放为统一尺寸，得到统一尺寸的图像；
对统一尺寸的图像进行归一化，得到经过预处理的图像。
10.一种机房遗留物识别设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1～7任一项所述的一种机房遗留物识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010777316.7A CN111709404B (zh) | 2020-08-05 | 2020-08-05 | 一种机房遗留物识别方法、系统以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010777316.7A CN111709404B (zh) | 2020-08-05 | 2020-08-05 | 一种机房遗留物识别方法、系统以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709404A true CN111709404A (zh) | 2020-09-25 |
| CN111709404B CN111709404B (zh) | 2024-01-12 |
Family
ID=72546887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010777316.7A Active CN111709404B (zh) | 2020-08-05 | 2020-08-05 | 一种机房遗留物识别方法、系统以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709404B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361637A (zh) * | 2021-06-30 | 2021-09-07 | 杭州东方通信软件技术有限公司 | 基站机房的安全隐患识别方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881643A (zh) * | 2015-05-22 | 2015-09-02 | 深圳市赛为智能股份有限公司 | 一种快速的遗留物检测方法及系统 |
| CN108205870A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园人身安全智能监控管理系统 |
| CN108694401A (zh) * | 2018-05-09 | 2018-10-23 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
| US20190188524A1 (en) * | 2017-12-14 | 2019-06-20 | Avigilon Corporation | Method and system for classifying an object-of-interest using an artificial neural network |
| CN110717432A (zh) * | 2019-09-29 | 2020-01-21 | 上海依图网络科技有限公司 | 一种物品检测方法、装置和计算机存储介质 |
| CN111008566A (zh) * | 2019-11-06 | 2020-04-14 | 湖北工业大学 | 一种基于深度学习的针对校车学生下车遗漏检测装置及方法 |
-
2020
- 2020-08-05 CN CN202010777316.7A patent/CN111709404B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881643A (zh) * | 2015-05-22 | 2015-09-02 | 深圳市赛为智能股份有限公司 | 一种快速的遗留物检测方法及系统 |
| CN108205870A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园人身安全智能监控管理系统 |
| US20190188524A1 (en) * | 2017-12-14 | 2019-06-20 | Avigilon Corporation | Method and system for classifying an object-of-interest using an artificial neural network |
| CN108694401A (zh) * | 2018-05-09 | 2018-10-23 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
| CN110717432A (zh) * | 2019-09-29 | 2020-01-21 | 上海依图网络科技有限公司 | 一种物品检测方法、装置和计算机存储介质 |
| CN111008566A (zh) * | 2019-11-06 | 2020-04-14 | 湖北工业大学 | 一种基于深度学习的针对校车学生下车遗漏检测装置及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361637A (zh) * | 2021-06-30 | 2021-09-07 | 杭州东方通信软件技术有限公司 | 基站机房的安全隐患识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709404B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020620B (zh) | 一种大姿态下的人脸识别方法、装置及设备 | |
| CN108229297B (zh) | 人脸识别方法和装置、电子设备、计算机存储介质 | |
| CN109815788B (zh) | 一种图片聚类方法、装置、存储介质及终端设备 | |
| CN110197146B (zh) | 基于深度学习的人脸图像分析方法、电子装置及存储介质 | |
| Manap et al. | Non-distortion-specific no-reference image quality assessment: A survey | |
| US11455831B2 (en) | Method and apparatus for face classification | |
| US20150262068A1 (en) | Event detection apparatus and event detection method | |
| WO2021012370A1 (zh) | 瞳孔半径的检测方法、装置、计算机设备和存储介质 | |
| US11461997B2 (en) | Matching method and apparatus, electronic device, computer-readable storage medium, and computer program | |
| CN111199562A (zh) | 用于在机器人拣选时快速物体检测的系统和方法 | |
| CN113111844B (zh) | 一种作业姿态评估方法、装置、本地终端及可读存储介质 | |
| CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
| CN112883918B (zh) | 人脸检测方法、装置、终端设备及计算机可读存储介质 | |
| US20210209385A1 (en) | Method and apparatus for recognizing wearing state of safety belt | |
| CN112069887A (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
| Barla et al. | Image kernels | |
| CN111507320A (zh) | 后厨违规行为检测方法、装置、设备和存储介质 | |
| CN113449704A (zh) | 人脸识别模型训练方法、装置、电子设备及存储介质 | |
| CN114724246B (zh) | 危险行为识别方法及装置 | |
| CN112560683A (zh) | 一种翻拍图像识别方法、装置、计算机设备及存储介质 | |
| CN110321778B (zh) | 一种人脸图像处理方法、装置和存储介质 | |
| CN111709404B (zh) | 一种机房遗留物识别方法、系统以及设备 | |
| CN114387651B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
| CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 | |
| CN114429661A (zh) | 基于局域监督的人脸三维卡通化方法、装置、设备及介质 |
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 |