CN112613380A - 一种机房巡检方法、装置及电子设备、存储介质 - Google Patents
一种机房巡检方法、装置及电子设备、存储介质 Download PDFInfo
- Publication number
- CN112613380A CN112613380A CN202011497036.7A CN202011497036A CN112613380A CN 112613380 A CN112613380 A CN 112613380A CN 202011497036 A CN202011497036 A CN 202011497036A CN 112613380 A CN112613380 A CN 112613380A
- Authority
- CN
- China
- Prior art keywords
- image
- inspection
- cabinet
- machine room
- fragment
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 224
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000012634 fragment Substances 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000013467 fragmentation Methods 0.000 claims description 17
- 238000006062 fragmentation reaction Methods 0.000 claims description 17
- 238000012015 optical character recognition Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000013500 data storage Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种机房巡检方法、装置及电子设备、存储介质,其中,所述方法包括:获取机房的机柜巡检图像;对所述机柜巡检图像进行分片处理,得到多个分片图像;对各分片图像分别进行图像识别,得到各分片图像对应的设备信息;将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中。本申请的机房巡检方法通过将图像格式的巡检数据转译成文本格式进行存储,能够将单条巡检数据所需的存储空间由MB级降低至KB级,无需担心数据中心规模的扩大所带来的数据存储压力,在能够保证得到准确的巡检结果的基础上,大大降低了计算资源开销和对存储空间的需求,优化了数据分析性能,进而提高了机房巡检效率。
Description
技术领域
本申请涉及机房巡检技术领域,尤其涉及一种机房巡检方法、装置及电子设备、存储介质。
背景技术
随着5G(5th generation mobile networks,第五代移动通信技术,简称5G或5G技术)、移动支付、大数据等信息技术的发展,数据中心变成了科技创新和科技应用的实体,以及数字化转型的关键基础设施,同时与数据中心配套的机房巡检机器人技术也得到快速发展。
然而发明人发现,现有的机房巡检方法对于巡检机器人采集到的巡检数据,存在着计算资源开销大,对存储空间的要求高,且数据分析性能不足等问题。
发明内容
本申请实施例提供了一种机房巡检方法和装置及电子设备、存储介质,以降低巡检数据所需的计算资源开销和存储空间,提高数据分析性能。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种机房巡检方法,其中,所述方法包括:
获取机房的机柜巡检图像;
对所述机柜巡检图像进行分片处理,得到多个分片图像;
对各分片图像分别进行图像识别,得到各分片图像对应的设备信息;
将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中。
可选地,在获取机房的机柜巡检图像之后,所述方法还包括:
对所述机柜巡检图像进行文本识别,确定所述机柜巡检图像对应的机柜编号;
根据所述机柜编号,在所述巡检记录中创建与所述机柜巡检图像对应的巡检对象及与所述巡检对象相对应的巡检文本;
所述将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中包括:
将各分片图像对应的设备信息记录到所述巡检文本中,并将所述巡检文本存储到所述机房的巡检记录中。
可选地,所述方法还包括:
对所述机柜巡检图像进行机柜轮廓识别,得到机柜轮廓图像;
根据所述机柜编号确定与所述机柜轮廓图像对应的分片数量;
所述对所述机柜巡检图像进行分片处理,得到多个分片图像包括:
将所述机柜轮廓图像等分成所述分片数量的分片图像。
可选地,在将所述机柜轮廓图像等分成所述分片数量的分片图像之后,所述方法还包括:
对各分片图像依次进行编号,得到各分片图像对应的分片编号;
根据所述分片编号在所述巡检对象中创建各分片图像对应的文本行;
所述将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中包括:
将各分片图像对应的设备信息存储到各分片图像对应的文本行中。
可选地,所述设备信息包括设备资产条码和设备表盘信息,所述对各分片图像分别进行图像识别,得到各分片图像对应的设备信息包括:
利用光学字符识别算法识别各分片图像中的设备资产条码和设备表盘信息。
可选地,所述设备信息包括设备指示灯状态信息,所述设备指示灯状态信息包括设备指示灯的亮灯位置和颜色属性,所述对各分片图像分别进行图像识别,得到各分片图像对应的设备信息包括:
通过高亮检测算法对各分片图像中的设备指示灯高亮点进行检测,得到所述设备指示灯高亮点在各分片图像中的像素坐标,作为所述设备指示灯的亮灯位置;
通过颜色识别算法对检测出的所述设备指示灯高亮点进行颜色识别,并将识别出的所述设备指示灯高亮点的颜色转译为数值格式,得到所述颜色属性。
可选地,所述方法还包括:
将所述机房的巡检记录上传至巡检机器人和/或远端服务器,以使所述巡检机器人和/或所述远端服务器对所述机房巡检数据处理结果进行分析。
第二方面,本申请实施例还提供一种机房巡检装置,其中,所述装置包括:
图像获取单元,用于获取机房的机柜巡检图像;
分片单元,用于对所述机柜巡检图像进行分片处理,得到多个分片图像;
图像识别单元,用于对各分片图像分别进行图像识别,得到各分片图像对应的设备信息;
存储单元,用于将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中。
第三方面,本申请实施例还提供一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行前述之任一所述机房巡检方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行前述之任一所述机房巡检方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例的机房巡检方法先获取了机房的机柜巡检图像,然后对机柜巡检图像进行了分片处理,得到多个分片图像;之后对各分片图像分别进行图像识别,得到各分片图像对应的设备信息;最后将各分片图像对应的设备信息以文本形式存储到机房的巡检记录中,以供后续进行统计分析等。本申请的机房巡检方法通过将图像格式的巡检数据转译成文本格式进行存储,能够将单条巡检数据所需的存储空间由MB级降低至KB级,无需担心数据中心规模的扩大所带来的数据存储压力,在能够保证得到准确的巡检结果的基础上,大大降低了计算资源开销和对存储空间的需求,优化了数据分析性能,进而提高了机房巡检效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种机房巡检方法的流程框图;
图2为本申请实施例中一种图像转译流程示意图;
图3为本申请实施例中一种机房巡检装置的结构示意图;
图4为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅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做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。
以下结合附图,详细说明本申请各实施例提供的技术方案。
当前,数据中心的巡检开始逐步使用巡检机器人进行巡检,巡检机器人通过各类传感器收集机房环境信息和机柜内设备运行状态,其中最主要的信息收集传感器是图像传感器。巡检机器人通过不同种类的图像传感器采集机柜内设备的实时状态并以图像格式进行存储,最后以图像比对的方式来判断数据中心整体运行状态。然而随着数据中心规模的不断扩大,图像的采集和存储所面临的问题随之出现,具体表现为以下几点:
1)计算资源开销大:巡检机器人通过将图像传感器采集到的图像与标准图像进行饱和度、色调、亮度等多维度的比对分析进而判断设备状态,但由于计算资源有限会导致巡检机器人在图像分析过程中需要耗费大量的计算资源和时间,例如表现为巡检机器人在巡检完成之后需要耗费数小时出具巡检结果,无法达到快速获取机房设备运行状态的设计初衷。
2)存储空间要求高:高精度图像信息存储消耗巡检机器人大量的存储空间。当前采集的图像信息分为图片和视频两种,为提升巡检的准确性和精细化,图像信息的精度要求也需要进一步提高,随着机房规模的扩大和巡检频率的提升,巡检图像信息的归档需要占用的存储空间也随之增加。
3)数据分析性能不足:图像信息因其特殊性不同于文本信息,因为原始图像信息归档存储后集中分析需要消耗大量的计算资源,分析难度大,进而导致数据分析性能不足,数据利用率低。
基于此,本申请实施例提供了一种机房巡检方法,如图1所示,所述方法包括如下的步骤S110至步骤S140:
步骤S110,获取机房的机柜巡检图像。
在机房巡检过程中,可以先获取各个机房的机柜巡检图像,机柜巡检图像可以通过巡检机器人上的图像传感器采集得到,具体可以是采集各个机柜的正投影图像,即每个机柜对应一个机柜巡检图像。机柜巡检图像的格式不受限制,可以是任何类型的图像格式。机柜巡检图像的获取频率可根据实际情况灵活设置,例如可以是实时获取,也可以是每隔一段时间获取一次,具体如何获取机房的机柜巡检图像,在此不作具体限定。
步骤S120,对所述机柜巡检图像进行分片处理,得到多个分片图像。
在得到机柜巡检图像后,可以对机柜巡检图像进行分片处理,即将一个机柜巡检图像分割成多个分片图像,每个分片图像对应着机柜中每台设备,以便于后续根据分片图像确定各台设备的状况。
步骤S130,对各分片图像分别进行图像识别,得到各分片图像对应的设备信息。
在得到多个分片图像后,可以对各分片图像分别进行图像识别,可以得到各分片图像中每台设备的具体设备信息,以便于后续根据设备信息确定各台设备的状况。
步骤S140,将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中。
在识别出各分片图像中每台设备的具体设备信息后,可以将各分片图像对应的设备信息以文本形式存储到机房的巡检记录中。这里的巡检记录可以理解为是机房中各个机柜的巡检数据的记录,除了可以存储巡检机器人中的图像传感器采集到的图像数据,还可以存储有巡检机器人中的温湿度传感器采集到的温湿度数据,烟雾传感器采集的烟雾浓度数据,风速传感器采集到的风速数据以及声音传感器采集到的声音数据等。
相比于直接存储图像格式的巡检数据的方式来说,本申请实施例的机房巡检方法通过将图像格式的巡检数据转译成文本格式进行存储,能够将单条巡检数据所需的存储空间由MB级降低至KB级,无需担心数据中心规模的扩大所带来的数据存储压力,在能够保证得到准确的巡检结果的基础上,大大降低了计算资源开销和对存储空间的需求,优化了数据分析性能,进而提高了机房巡检效率。
需要说明的是,本申请实施例的机房巡检方法可以由巡检机器人来执行,也可以由远端服务器来执行,当然也可以由巡检机器人和远端服务器构成的机房巡检系统来执行,例如步骤S110由巡检机器人来执行,步骤S120至步骤S140由远端服务器来执行。当然具体如何设置执行主体,本领域技术人员可根据实际需求灵活选择,在此不做具体限定。
在本申请的一个实施例中,在获取机房的机柜巡检图像之后,所述方法还包括:对所述机柜巡检图像进行文本识别,确定所述机柜巡检图像对应的机柜编号;根据所述机柜编号,在所述巡检记录中创建与所述机柜巡检图像对应的巡检对象及与所述巡检对象相对应的巡检文本;所述将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中包括:将各分片图像对应的设备信息记录到所述巡检文本中,并将所述巡检文本存储到所述机房的巡检记录中。
本申请实施例的机房巡检方法可以是针对机房中的各个机柜维度进行的,每个机柜上会标记有一个唯一标识,即机柜编码,利用光学字符识别算法(Optical CharacterRecognition,简称OCR)可以对各机柜巡检图像中的机柜编号进行识别。光学字符识别是指利用电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别算法将形状翻译成计算机文字的过程。具体地,这里可以利用Tesseract OCR引擎(谷歌维护的一个开源OCR引擎)来实现,通过连通区域分析,可以检测出字符区域(轮廓外形)以及子轮廓,在此阶段轮廓线集成为块区域,根据字符轮廓和块区域可以确定出文本行,以及通过空格可以识别出字符串。
在得到各机柜的机柜编号后,为了便于后续对各机柜巡检图像中的设备信息进行识别和管理,这里可以根据机柜编号在巡检记录中创建一个与机柜巡检图像对应的巡检对象,每一个机柜巡检图像对应一个巡检对象,并为每个巡检对象创建一个巡检文本,以根据该巡检文本记录各机柜中每台设备的具体设备信息。
在本申请的一个实施例中,所述对所述机柜巡检图像进行分片处理,得到多个分片图像包括:对所述机柜巡检图像进行机柜轮廓识别,得到机柜轮廓图像;根据所述机柜编号确定与所述机柜轮廓图像对应的分片数量;将所述机柜轮廓图像等分成所述分片数量的分片图像。
为了能够精确分割出每台设备对应的分片图像,以便于后续确定每台设备的具体状况,本申请实施例在对机柜巡检图像进行分片处理之前,可以先对机柜巡检图像中的机柜轮廓进行识别,得到机柜轮廓图像。
不同机房或者不同的使用环境,所采用的机柜型号可能不同,例如现有机房中的标准机柜一般为42U,此外还有48U的机柜,这里的U是国际通用的机柜内表示服务器或网络等设备安装所占高度的特殊计量单位,是unit的缩略语,1U=44.45mm,U位则表示设备在标准机柜(如42U)内的纵向安装位置。
现有的机柜编号的编号规则通常会将机柜型号编录在内,例如A1机柜的型号为42U,A2机柜的型号是48U,则可以事先在A1机柜的机柜编号中记录其机柜型号为42U,如机柜编号可以为CHN01-A1-01-42U,在A2机柜的机柜编号中记录其机柜型号为48U,CHN01-A2-01-48U。
因此本申请实施例在根据机柜编号确定与机柜轮廓图像对应的分片数量时,可以先利用光学字符识别算法对机柜编号中的预设机柜型号进行识别,以作为确定分片数量的依据。
在得到预设机柜型号后,可以根据预设机柜型号确定机柜轮廓图像的分片数量,并将机柜轮廓图像等分成相应分片数量的分片图像。例如若识别到的预设机柜型号是42U的机柜,则将机柜轮廓图像的等分为42个分片图像,若识别到的预设机柜型号是48U的机柜,则将机柜轮廓图像等分为48个分片图像。
在本申请的一个实施例中,在将所述机柜轮廓图像等分成所述分片数量的分片图像之后,所述方法还包括:对各分片图像依次进行编号,得到各分片图像对应的分片编号;根据所述分片编号在所述巡检对象中创建各分片图像对应的文本行;所述将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中包括:将各分片图像对应的设备信息存储到各分片图像对应的文本行中。
由于机柜中每台设备的U位具有物理位置唯一性和物理空间一致性的特点,这里为了便于后续数据的管理和分析,在得到各机柜巡检图像的多个分片图像后,可以先对各分片图像按照顺序依次进行编号,例如对于42U的标准机柜,可以得到42个分片图像,按照从低到高的顺序,从1U开始以逐片加1的方式编号,即可以得到1U、2U、3U、……42U的分片编号,然后根据每个分片图像的分片编号在巡检对象中创建相应的文本行号,以便于将识别到的各分片图像的设备信息存储到各分片图像对应的文本行中,为后续的统计分析提供基础。
在本申请的一个实施例中,所述设备信息包括设备资产条码和设备表盘信息,所述对各分片图像分别进行图像识别,得到各分片图像对应的设备信息包括:利用光学字符识别算法识别各分片图像中的设备资产条码和设备表盘信息。
本申请实施例的设备信息具体可以包括设备资产条码和设备表盘信息,设备资产条码是每台设备上的唯一标识信息,是对设备资产进行盘点的主要依据,设备表盘信息主要包含了设备的运行参数等信息。
上述提及的设备资产条码和设备表盘信息等设备信息,可以利用光学字符识别算法对各分片图像进行文字识别得到,这样就可以将各分片图像所包含的设备资产条码和设备表盘信息等设备信息转换为文本格式进行存储,以便于后续的统计分析等处理,降低计算资源开销和对存储空间的需求。
在本申请的一个实施例中,所述设备信息包括设备指示灯状态信息,所述设备指示灯状态信息包括设备指示灯的亮灯位置和颜色属性,所述对各分片图像分别进行图像识别,得到各分片图像对应的设备信息包括:通过高亮检测算法对各分片图像中的设备指示灯高亮点进行检测,得到所述设备指示灯高亮点在各分片图像中的像素坐标,作为所述设备指示灯的亮灯位置;通过颜色识别算法对检测出的所述设备指示灯高亮点进行颜色识别,并将识别出的所述设备指示灯高亮点的颜色转译为数值格式,得到所述颜色属性。
本申请实施例的设备信息还可以包括设备指示灯状态信息,设备指示灯状态信息表征了设备的运行状态等,可以根据设备指示灯状态信息确定设备是否正常工作。
本申请实施例中的设备指示灯状态信息包括设备指示灯的亮灯位置和颜色属性两个维度,设备指示灯的亮灯位置是指设备指示灯在各分片图像中的像素坐标,这里可以利用基于OpenCV(一种跨平台计算机视觉和机器学习软件库)的高亮检测算法对各分片图像中的设备指示灯的高亮点进行检测,进而得到设备指示灯高亮点在各分片图像中的像素坐标。本申请实施例通过仅对分片图像中的关键部位进行高精度分析,大大降低了计算资源的耗费,同时提高了整体的机房巡检效率。
颜色属性是指设备指示灯亮起的颜色,这里可以采用HSV或者RGB等颜色模型来确定颜色属性。HSV模型一种圆柱坐标表示的颜色模型,是由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone Model)。其属性由三种参数组成,包括色调(Hue)、饱和度(Saturation)和亮度(Value),其中色调用角度度量,取值范围为0°~360°,不同的取值代表不同的颜色,度量方法为从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°,它们的补色是:黄色为60°,青色为180°,品红为300°。饱和度取值范围为0.0~1.0,取值越大,颜色越饱和。亮度取值范围为0(黑色)~255(白色),取值越大,亮度越高。
RGB模型也是常用的一种彩色信息表达方式,它使用红(Red)、绿(Green)、蓝(Blue)三原色的亮度来定量表示颜色,该模型也称为加色混色模型,是以RGB三色光互相叠加来实现混色的方法。
如下提供了高亮检测算法和颜色识别算法的演示代码:
本申请实施例利用HSV或者RGB等颜色模型可以对检测出的设备指示灯高亮点进行颜色识别,然后将识别出的设备指示灯高亮点的颜色转译为数值格式,得到颜色属性,例如可以设置绿色=10、蓝色=30、黄色=50、红色=80,之后再将转译后的数值记录到各分片图像转译的对应文本行中。相比于直接存储和处理图像格式的数据,大大降低了对计算资源和存储空间的需求。
此外,上述对于各分片图像的检测和识别可以采用多线程开发模式,即对多个分片图像同时进行高亮检测和颜色识别,能够大大提高机房巡检效率和巡检精度。
需要说明的是,上述HSV模型和RGB模型可以实现相互转换,且除了这两种颜色模型,本领域技术人员也可以根据实际需求选择其他颜色识别算法确定设备指示灯高亮点的颜色,在此不作具体限定。
在本申请的一个实施例中,所述方法还包括:将所述机房的巡检记录上传至巡检机器人和/或远端服务器,以使所述巡检机器人和/或所述远端服务器对所述机房巡检数据处理结果进行分析。
如前所述,本申请实施例的机房巡检方法可以由巡检机器人来执行,也可以由远端服务器来执行。如果是由巡检机器人来执行,则巡检机器人在将各分片图像对应的设备信息以文本形式存储到机房的巡检记录中后,可以将机房的巡检记录上传到远端服务器,以使远端服务器可以针对机房的巡检记录进行后续的统计分析等处理,例如判断机房设备的运行状态,计算设备的故障率(如可见部位零件的故障率等),盘点设备资产或者生成巡检报告等等。
当然,如果是由远端服务器来执行,则远端服务器在将各分片图像对应的设备信息以文本形式存储到机房的巡检记录中后,可以将机房的巡检记录返回至巡检机器人,以使巡检机器人进行本地存储。
如图2所示,提供了本申请实施例一种图像转译流程示意图。首先获取机柜巡检图像,然后利用光学字符识别算法识别机柜编号,并根据机柜编号在巡检记录中创建该机柜巡检图像对应的巡检对象,如文本格式的巡检对象。然后按照预设机柜型号,以1U位为单位对机柜巡检图像进行横向分片处理,将机柜巡检图像等分为多个分片图像,并按照U位对各分片图像进行编号,根据分片编号在上述巡检对象中创建各分片图像对应的文本行。
之后利用光学字符识别算法对各分片图像中的设备资产条码和设备表盘信息等设备信息进行识别,并以文本格式记录到对应的文本行中,同时利用高亮检测算法和颜色识别算法对各分片图像进行设备指示灯进行高亮点检测和颜色识别,并将检测到的高亮点位置和颜色属性以文本格式记录到对应的文本行中,进而完成了将机柜巡检图像转译成文本格式的巡检数据的过程。本申请实施例的图像转译流程通过将各机柜巡检图像转换为文本格式的巡检数据,能够将单条巡检数据所需的存储空间由MB级降低至KB级,无需担心数据中心规模的扩大所带来的数据存储压力,在能够保证得到准确的巡检结果的基础上,大大降低了计算资源开销和对存储空间的需求,优化了数据分析性能,进而提高了机房巡检效率。
本申请实施例还提供了一种机房巡检装置300,如图3所示,所述装置300包括:图像获取单元310、分片单元320、图像识别单元330和存储单元340,其中:
图像获取单元310,用于获取机房的机柜巡检图像;
分片单元320,用于对所述机柜巡检图像进行分片处理,得到多个分片图像;
图像识别单元330,用于对各分片图像分别进行图像识别,得到各分片图像对应的设备信息;
存储单元340,用于将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中。
本申请实施例的机房巡检装置可以通过灵活的API接口(ApplicationProgramming Interface,应用程序接口),轻松部署至基于不同平台开发的巡检机器人之上或者远端服务器中,可拓展性极强。
在本申请的一个实施例中,所述装置还包括:文本识别单元,用于对所述机柜巡检图像进行文本识别,确定所述机柜巡检图像对应的机柜编号;第一创建单元,用于根据所述机柜编号,在所述巡检记录中创建与所述机柜巡检图像对应的巡检对象及与所述巡检对象相对应的巡检文本;所述存储单元340具体用于:将各分片图像对应的设备信息记录到所述巡检文本中,并将所述巡检文本存储到所述机房的巡检记录中。
在本申请的一个实施例中,所述分片单元具体用于:对所述机柜巡检图像进行机柜轮廓识别,得到机柜轮廓图像;根据所述机柜编号确定与所述机柜轮廓图像对应的分片数量;将所述机柜轮廓图像等分成所述分片数量的分片图像。
在本申请的一个实施例中,所述装置还包括:编号单元,用于对各分片图像依次进行编号,得到各分片图像对应的分片编号;第二创建单元,用于根据所述分片编号在所述巡检对象中创建各分片图像对应的文本行;所述存储单元具体用于:将各分片图像对应的设备信息存储到各分片图像对应的文本行中。
在本申请的一个实施例中,所述图像识别单元具体用于:利用光学字符识别算法识别各分片图像中的设备资产条码和设备表盘信息。
在本申请的一个实施例中,所述设备指示灯状态信息包括设备指示灯的亮灯位置和颜色属性,所述图像识别单元具体用于:通过高亮检测算法对各分片图像中的设备指示灯高亮点进行检测,得到所述设备指示灯高亮点在各分片图像中的像素坐标,作为所述设备指示灯的亮灯位置;通过颜色识别算法对检测出的所述设备指示灯高亮点进行颜色识别,并将识别出的所述设备指示灯高亮点的颜色转译为数值格式,得到所述颜色属性。
在本申请的一个实施例中,所述装置还包括:上传单元,用于将所述机房的巡检记录上传至巡检机器人和/或远端服务器,以使所述巡检机器人和/或所述远端服务器对所述机房巡检数据处理结果进行分析。
能够理解,上述机房巡检装置,能够实现前述实施例中提供的机房巡检方法的各个步骤,关于机房巡检方法的相关阐释均适用于机房巡检装置,此处不再赘述。
图4是本申请的一个实施例电子设备的结构示意图。请参考图4,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成机房巡检装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取机房的机柜巡检图像;
对所述机柜巡检图像进行分片处理,得到多个分片图像;
对各分片图像分别进行图像识别,得到各分片图像对应的设备信息;
将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中。
上述如本申请图3所示实施例揭示的机房巡检装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图3中机房巡检装置执行的方法,并实现机房巡检装置在图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图3所示实施例中机房巡检装置执行的方法,并具体用于执行:
获取机房的机柜巡检图像;
对所述机柜巡检图像进行分片处理,得到多个分片图像;
对各分片图像分别进行图像识别,得到各分片图像对应的设备信息;
将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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设备上,使得在计算机或其他可编程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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种机房巡检方法,其中,所述方法包括:
获取机房的机柜巡检图像;
对所述机柜巡检图像进行分片处理,得到多个分片图像;
对各分片图像分别进行图像识别,得到各分片图像对应的设备信息;
将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中。
2.如权利要求1所述方法,其中,在获取机房的机柜巡检图像之后,所述方法还包括:
对所述机柜巡检图像进行文本识别,确定所述机柜巡检图像对应的机柜编号;
根据所述机柜编号,在所述巡检记录中创建与所述机柜巡检图像对应的巡检对象及与所述巡检对象相对应的巡检文本;
所述将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中包括:
将各分片图像对应的设备信息记录到所述巡检文本中,并将所述巡检文本存储到所述机房的巡检记录中。
3.如权利要求2所述方法,其中,所述对所述机柜巡检图像进行分片处理,得到多个分片图像包括:
对所述机柜巡检图像进行机柜轮廓识别,得到机柜轮廓图像;
根据所述机柜编号确定与所述机柜轮廓图像对应的分片数量;
将所述机柜轮廓图像等分成所述分片数量的分片图像。
4.如权利要求3所述方法,其中,在将所述机柜轮廓图像等分成所述分片数量的分片图像之后,所述方法还包括:
对各分片图像依次进行编号,得到各分片图像对应的分片编号;
根据所述分片编号在所述巡检对象中创建各分片图像对应的文本行;
所述将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中包括:
将各分片图像对应的设备信息存储到各分片图像对应的文本行中。
5.如权利要求1所述方法,其中,所述设备信息包括设备资产条码和设备表盘信息,所述对各分片图像分别进行图像识别,得到各分片图像对应的设备信息包括:
利用光学字符识别算法识别各分片图像中的设备资产条码和设备表盘信息。
6.如权利要求1所述方法,其中,所述设备信息包括设备指示灯状态信息,所述设备指示灯状态信息包括设备指示灯的亮灯位置和颜色属性,所述对各分片图像分别进行图像识别,得到各分片图像对应的设备信息包括:
通过高亮检测算法对各分片图像中的设备指示灯高亮点进行检测,得到所述设备指示灯高亮点在各分片图像中的像素坐标,作为所述设备指示灯的亮灯位置;
通过颜色识别算法对检测出的所述设备指示灯高亮点进行颜色识别,并将识别出的所述设备指示灯高亮点的颜色转译为数值格式,得到所述颜色属性。
7.如权利要求1所述方法,其中,所述方法还包括:
将所述机房的巡检记录上传至巡检机器人和/或远端服务器,以使所述巡检机器人和/或所述远端服务器对所述机房巡检数据处理结果进行分析。
8.一种机房巡检装置,其中,所述装置包括:
图像获取单元,用于获取机房的机柜巡检图像;
分片单元,用于对所述机柜巡检图像进行分片处理,得到多个分片图像;
图像识别单元,用于对各分片图像分别进行图像识别,得到各分片图像对应的设备信息;
存储单元,用于将各分片图像对应的设备信息以文本形式存储到所述机房的巡检记录中。
9.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~7之任一所述机房巡检方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~7之任一所述机房巡检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497036.7A CN112613380B (zh) | 2020-12-17 | 2020-12-17 | 一种机房巡检方法、装置及电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497036.7A CN112613380B (zh) | 2020-12-17 | 2020-12-17 | 一种机房巡检方法、装置及电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613380A true CN112613380A (zh) | 2021-04-06 |
CN112613380B CN112613380B (zh) | 2024-03-15 |
Family
ID=75241015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011497036.7A Active CN112613380B (zh) | 2020-12-17 | 2020-12-17 | 一种机房巡检方法、装置及电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613380B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408639A (zh) * | 2021-06-30 | 2021-09-17 | 山东新一代信息产业技术研究院有限公司 | 一种用于机房巡检机器人的设备识别模型组合方法及系统 |
CN113554650A (zh) * | 2021-09-22 | 2021-10-26 | 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 |
CN114022970A (zh) * | 2021-08-09 | 2022-02-08 | 中建二局第三建筑工程有限公司 | 一种智能电箱巡检系统及方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150379343A1 (en) * | 2014-06-30 | 2015-12-31 | First American Financial Corporation | System and Method for Data Extraction and Searching |
EP3229175A1 (en) * | 2016-04-08 | 2017-10-11 | Abb Ag | Computer system and method to generate input data for building automation configuration from cabinet images |
CN108345889A (zh) * | 2018-02-27 | 2018-07-31 | 国网上海市电力公司 | 一种利用树莓派对通信机柜进行示数识别的应用方法 |
US20190141295A1 (en) * | 2017-11-07 | 2019-05-09 | Readiness Systems, LLC | Remote electronic monitoring infrastructure |
CN110154051A (zh) * | 2019-05-30 | 2019-08-23 | 北京海益同展信息科技有限公司 | 机房巡检控制方法、装置、设备及存储介质 |
US20200074611A1 (en) * | 2018-08-31 | 2020-03-05 | Hitachi High-Technologies Corporation | Pattern inspection system |
CN111126417A (zh) * | 2020-01-17 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种数据中心机房管理方法及装置 |
CN111259892A (zh) * | 2020-01-19 | 2020-06-09 | 福建升腾资讯有限公司 | 一种指示灯状态的巡检方法、装置、设备和介质 |
CN111429511A (zh) * | 2020-04-02 | 2020-07-17 | 北京海益同展信息科技有限公司 | 机柜中设备位置确定方法、故障检测方法、装置及系统 |
WO2020155763A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | Ocr识别方法及其电子设备 |
CN111768512A (zh) * | 2020-05-26 | 2020-10-13 | 同济大学 | 一种产线巡检机器人及巡检方法 |
CN111931620A (zh) * | 2020-07-31 | 2020-11-13 | 北京奈伦机器人科技有限公司 | 仪表盘定位识别方法、装置、电子设备及存储介质 |
WO2020238309A1 (zh) * | 2019-05-24 | 2020-12-03 | 北京海益同展信息科技有限公司 | 机房巡检控制方法、装置、设备及存储介质 |
-
2020
- 2020-12-17 CN CN202011497036.7A patent/CN112613380B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150379343A1 (en) * | 2014-06-30 | 2015-12-31 | First American Financial Corporation | System and Method for Data Extraction and Searching |
EP3229175A1 (en) * | 2016-04-08 | 2017-10-11 | Abb Ag | Computer system and method to generate input data for building automation configuration from cabinet images |
US20190141295A1 (en) * | 2017-11-07 | 2019-05-09 | Readiness Systems, LLC | Remote electronic monitoring infrastructure |
CN108345889A (zh) * | 2018-02-27 | 2018-07-31 | 国网上海市电力公司 | 一种利用树莓派对通信机柜进行示数识别的应用方法 |
US20200074611A1 (en) * | 2018-08-31 | 2020-03-05 | Hitachi High-Technologies Corporation | Pattern inspection system |
WO2020155763A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | Ocr识别方法及其电子设备 |
WO2020238309A1 (zh) * | 2019-05-24 | 2020-12-03 | 北京海益同展信息科技有限公司 | 机房巡检控制方法、装置、设备及存储介质 |
CN110154051A (zh) * | 2019-05-30 | 2019-08-23 | 北京海益同展信息科技有限公司 | 机房巡检控制方法、装置、设备及存储介质 |
CN111126417A (zh) * | 2020-01-17 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种数据中心机房管理方法及装置 |
CN111259892A (zh) * | 2020-01-19 | 2020-06-09 | 福建升腾资讯有限公司 | 一种指示灯状态的巡检方法、装置、设备和介质 |
CN111429511A (zh) * | 2020-04-02 | 2020-07-17 | 北京海益同展信息科技有限公司 | 机柜中设备位置确定方法、故障检测方法、装置及系统 |
CN111768512A (zh) * | 2020-05-26 | 2020-10-13 | 同济大学 | 一种产线巡检机器人及巡检方法 |
CN111931620A (zh) * | 2020-07-31 | 2020-11-13 | 北京奈伦机器人科技有限公司 | 仪表盘定位识别方法、装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408639A (zh) * | 2021-06-30 | 2021-09-17 | 山东新一代信息产业技术研究院有限公司 | 一种用于机房巡检机器人的设备识别模型组合方法及系统 |
CN114022970A (zh) * | 2021-08-09 | 2022-02-08 | 中建二局第三建筑工程有限公司 | 一种智能电箱巡检系统及方法 |
CN113554650A (zh) * | 2021-09-22 | 2021-10-26 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN112613380B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613380A (zh) | 一种机房巡检方法、装置及电子设备、存储介质 | |
CN109726620B (zh) | 一种视频火焰检测方法及装置 | |
WO2020124701A1 (zh) | 一种温度检测方法及装置 | |
CN112884055B (zh) | 一种目标标注方法和一种目标标注装置 | |
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 | |
CN115330887B (zh) | 一种智能变电站保护装置的自动测试系统及测试方法 | |
CN113127593B (zh) | 标准海图生成方法及装置 | |
CN115909059A (zh) | 一种自然资源样本库建立方法和装置 | |
CN112560845A (zh) | 字符识别方法、装置、智能取餐柜、电子设备及存储介质 | |
CN111507332A (zh) | 车辆vin码检测方法与设备 | |
CN111325164A (zh) | 指针表示数识别方法、装置和电子设备 | |
CN110796095A (zh) | 仪表模板建立方法、终端设备以及计算机存储介质 | |
US20210065350A1 (en) | Computing device and non-transitory storage medium implementing target object identification method | |
CN111488829A (zh) | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 | |
CN111272388A (zh) | 一种相机闪光灯的检测方法及设备 | |
CN108600690A (zh) | 基于图像识别的仪表盘抄表方法及系统、存储介质及服务器 | |
CN112861867A (zh) | 指针式仪表盘识别方法、系统及存储介质 | |
CN112785595A (zh) | 目标属性检测、神经网络训练及智能行驶方法、装置 | |
CN115294505A (zh) | 风险物体检测及其模型的训练方法、装置及电子设备 | |
CN115272682A (zh) | 目标对象检测方法、目标检测模型的训练方法及电子设备 | |
CN115620039A (zh) | 一种图像标注方法、装置、设备、介质和程序产品 | |
CN111598121B (zh) | 一种机柜设备检测方法 | |
CN114494122A (zh) | 目标对象的检测方法、装置、存储介质及电子设备 | |
CN113392455A (zh) | 基于深度学习的户型图比例尺检测方法、装置及电子设备 | |
JP6175904B2 (ja) | 照合対象抽出システム、照合対象抽出方法、照合対象抽出プログラム |
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 |