CN113705606A - 基于目标检验的智慧机房设备交维质量检验方法及装置 - Google Patents

基于目标检验的智慧机房设备交维质量检验方法及装置 Download PDF

Info

Publication number
CN113705606A
CN113705606A CN202110823835.7A CN202110823835A CN113705606A CN 113705606 A CN113705606 A CN 113705606A CN 202110823835 A CN202110823835 A CN 202110823835A CN 113705606 A CN113705606 A CN 113705606A
Authority
CN
China
Prior art keywords
equipment
information
target
inspection
unit
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.)
Pending
Application number
CN202110823835.7A
Other languages
English (en)
Inventor
赵培树
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.)
Unihub China Information Technology Co Ltd
Zhongying Youchuang Information Technology Co Ltd
Original Assignee
Unihub China Information Technology 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 Unihub China Information Technology Co Ltd filed Critical Unihub China Information Technology Co Ltd
Priority to CN202110823835.7A priority Critical patent/CN113705606A/zh
Publication of CN113705606A publication Critical patent/CN113705606A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开基于目标检验的智慧机房设备交维质量检验方法及装置，其中，该方法包括：通过信息录入单元获取交维检验请求的基本信息，并根据基本信息生成任务列表；通过图片获取单元获取交维现场待检验区域的图片；通过目标提取单元接收待检测的图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，对图片进行目标信息的提取；通过检测判断单元接收从图片中提取的目标信息，根据交维验收要求制定相应的判断规则，得到相应的检测判断结果；通过结果反馈单元接收目标规范的判断结果，将判断结果进行汇总，反馈给交维人员。该方法及装置主要使用目标检测算法，实现了智慧机房设备交维质量的自动化检验。

Description

基于目标检验的智慧机房设备交维质量检验方法及装置
技术领域
本发明涉及智慧机房设备交维质量检验领域，尤其是基于目标检验的智慧机房设备交维质量检验方法及装置。
背景技术
智慧机房的交付或维护随时随地都在进行着，为保障设备的正常运行和方便故障排查，需要对交维后的设备进行一系列的质量检验，检验内容包括：设备是否按照顺序摆放在机架上、设备上是否贴有信息标签和设备指示灯是否正常亮起等。
为实现对实施现场的设备进行交维质量检验，需要配备大量的工作人员完成此项工作。人工检验无法达到实时性的要求，当现场的质检图片回传给检验人员时，检验人员需要花费一定的时间进行判别。如果检验人员同时收到多个检验需求的话，检验人员要根据顺序依次进行判别，因检验积压导致排队等待检验的情况更加加剧了检验流程的时长；同时，人工检验需要专门配备人员，不仅加大了人力成本的支出，而且人为检验的过程中难免会出现一些失误，增加了检验结果的不稳定性。
发明内容
为解决人工检验存在的上述问题，本发明提供基于目标检验的智慧机房设备交维质量检验方法及装置，主要使用目标检测算法，实现了智慧机房设备交维质量的自动化检验。
为实现上述目的，本发明采用下述技术方案：
在本发明一实施例中，提出了基于目标检验的智慧机房设备交维质量检验方法，该方法包括：
通过信息录入单元获取交维检验请求的基本信息，并根据基本信息生成任务列表；对于多个交维检验请求，根据任务号来分配资源执行多个检验任务；
通过图片获取单元获取交维现场待检验区域的图片；
通过目标提取单元接收待检测的图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，对图片进行目标信息的提取；
通过检测判断单元接收从图片中提取的目标信息，根据交维验收要求制定相应的判断规则，得到相应的检测判断结果；对于不同类型的多张图片，采用并行检测的方式；
通过结果反馈单元接收目标规范的判断结果，将判断结果进行汇总，得到最终设备交维质量检测结果，反馈给交维人员；对于不同类型的多张图片，将并行检测结果进行汇总及反馈。
进一步地，基本信息包括：交维现场的标识信息和需要检验的设备的信息列表；标识信息包括：机房名或机房ID、机房地址；需要检验的设备的信息列表包括：是否包含整体机架和是否包含局部设备；
任务列表包括：任务ID和待检测的局部类设备型，待检测的局部类设备型包括：整体机架类设备和局部类设备。
进一步地，通过图片获取单元获取交维现场待检验区域的图片，包括：
根据任务列表中的待检测的局部类设备型，通过图片获取单元采集整体机架类设备图片或者局部类设备图片。
进一步地，通过目标提取单元接收待检测的图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，对图片进行目标信息的提取，包括：
(1)对于整体机架类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取机架和设备的类别和相对坐标。
(2)对于局部类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取设备、标签和指示灯的类别、相对坐标。
进一步地，通过检测判断单元接收从图片中提取的目标信息，根据交维验收要求制定相应的判断规则，得到相应的检测判断结果，包括：
(1)对于整体机架类设备提取的目标信息，检测判断单元包含两个子单元：设备朝向判断单元和设备布放判断单元：
设备朝向判断子单元，用于判断同一个机架上的所有设备朝向是否符合规范要求，并返回判断的结果信息；
设备布放判断子单元，用于判断设备布放是否符合同一类型的设备应相对集中的规范要求，并返回判断的结果信息；
若两个子单元均返回合格信息，则认为整体机架类设备的目标符合规范，返回整体机架类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息；
(2)对于局部类设备的提取信息，检测判断单元包含两个子单元：设备标签判断单元和设备指示灯判断单元：
设备标签判断子单元，用于判断设备是否贴有标签，并返回判断的结果信息；
设备指示灯判断子单元，用于判断指示灯状态，并返回判断的结果信息；
若两个子单元均返回合格信息，则认为局部类设备的目标符合规范，返回局部类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息。
进一步地，设备朝向判断子单元，具体用于：
根据设备的类别信息列表，判断所有设备的朝向是否符合规范要求，若设备的朝向属性均为正面，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息。
进一步地，设备布放判断子单元，具体用于：
对设备的类别信息列表进行分类并编码，根据设备的相对坐标信息列表，按纵向坐标对设备进行排序，计算排序后的设备编码的差分，若归一化后的差分和小于整体机架类设备类别数，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息。
进一步地，设备标签判断子单元，具体用于：
根据设备和标签的相对坐标信息列表，将设备和标签进行逐一匹配，若设备与标签的水平夹角小于30度且标签的相对坐标完全包含于设备的相对坐标内，则认为设备与标签匹配成功，若所有检测到的设备均有其匹配的标签，则认为该单元检验合格并返回合格信息，若存在设备没有匹配到标签，则认为该单元检验不合格并将没有标签的设备信息进行返回。
进一步地，设备指示灯判断子单元，具体用于：
根据标签和指示灯的相对坐标信息列表，将设备的相对坐标和指示灯的相对坐标进行匹配，确定该指示灯所属的设备名称，进而确定设备正常运作时指示灯的状态要求，若检测到的指示灯的状态符合该设备正常运作的要求，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回具体的不合格信息。
进一步地，对于不同类型的多张图片，将并行检测结果进行汇总及反馈，包括：
将不同类型的多张图片的并行检测结果进行汇总，若同类型的检测均通过检测，则检测结果为合格，否则检测结果为不合格，并将具体的不合格原因进行描述，同时将汇总的检测结果，分别在整体机架类设备和局部类设备的相应位置，进行相应的结果反馈。
进一步地，深度卷积神经网络目标检测模型Retinanet，包括以下训练步骤：
收集样本图片：收集包含各种目标物体的样本图片，目标物体包括：设备、机架、标签和指示灯，并对样本中包含的物体进行标定，得到各个样本图片及其各个样本图片所对应的标定结果文件；
对样本图片进行预处理操作：预处理操作包括图像随机翻转，裁剪，像素归一化和图像增强；
Retinanet模型训练：利用预处理后的样本图片及其所对应的标定结果文件，对Retinanet模型采用迁移学习的方式进行参数训练，获得训练好的目标检测模型。
在本发明一实施例中，还提出了基于目标检验的智慧机房设备交维质量检验装置，该装置包括：
信息录入单元，用于获取交维检验请求的基本信息，并根据基本信息生成任务列表；对于多个交维检验请求，根据任务号来分配资源执行多个检验任务；
图片获取单元，用于获取交维现场待检验区域的图片；
目标提取单元，用于接收待检测的图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，对图片进行目标信息的提取；
检测判断单元，用于接收从图片中提取的目标信息，根据交维验收要求制定相应的判断规则，得到相应的检测判断结果；对于不同类型的多张图片，采用并行检测的方式；
结果反馈单元，用于接收目标规范的判断结果，将判断结果进行汇总，得到最终设备交维质量检测结果，反馈给交维人员；对于不同类型的多张图片，将并行检测结果进行汇总及反馈。
进一步地，基本信息包括：交维现场的标识信息和需要检验的设备的信息列表；标识信息包括：机房名或机房ID、机房地址；需要检验的设备的信息列表包括：是否包含整体机架和是否包含局部设备；
任务列表包括：任务ID和待检测的局部类设备型，待检测的局部类设备型包括：整体机架类设备和局部类设备。
进一步地，图片获取单元，具体用于：
根据任务列表中的待检测的局部类设备型，通过图片获取单元采集整体机架类设备图片或者局部类设备图片。
进一步地，目标提取单元，具体用于：
(1)对于整体机架类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取机架和设备的类别和相对坐标。
(2)对于局部类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取设备、标签和指示灯的类别、相对坐标。
进一步地，检测判断单元，具体用于：
(1)对于整体机架类设备提取的目标信息，检测判断单元包含两个子单元：设备朝向判断单元和设备布放判断单元：
设备朝向判断子单元，用于判断同一个机架上的所有设备朝向是否符合规范要求，并返回判断的结果信息；
设备布放判断子单元，用于判断设备布放是否符合同一类型的设备应相对集中的规范要求，并返回判断的结果信息；
若两个子单元均返回合格信息，则认为整体机架类设备的目标符合规范，返回整体机架类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息；
(2)对于局部类设备的提取信息，检测判断单元包含两个子单元：设备标签判断单元和设备指示灯判断单元：
设备标签判断子单元，用于判断设备是否贴有标签，并返回判断的结果信息；
设备指示灯判断子单元，用于判断指示灯状态，并返回判断的结果信息；
若两个子单元均返回合格信息，则认为局部类设备的目标符合规范，返回局部类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息。
进一步地，设备朝向判断子单元，具体用于：
根据设备的类别信息列表，判断所有设备的朝向是否符合规范要求，若设备的朝向属性均为正面，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息。
进一步地，设备布放判断子单元，具体用于：
对设备的类别信息列表进行分类并编码，根据设备的相对坐标信息列表，按纵向坐标对设备进行排序，计算排序后的设备编码的差分，若归一化后的差分和小于整体机架类设备类别数，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息。
进一步地，设备标签判断子单元，具体用于：
根据设备和标签的相对坐标信息列表，将设备和标签进行逐一匹配，若设备与标签的水平夹角小于30度且标签的相对坐标完全包含于设备的相对坐标内，则认为设备与标签匹配成功，若所有检测到的设备均有其匹配的标签，则认为该单元检验合格并返回合格信息，若存在设备没有匹配到标签，则认为该单元检验不合格并将没有标签的设备信息进行返回。
进一步地，设备指示灯判断子单元，具体用于：
根据标签和指示灯的相对坐标信息列表，将设备的相对坐标和指示灯的相对坐标进行匹配，确定该指示灯所属的设备名称，进而确定设备正常运作时指示灯的状态要求，若检测到的指示灯的状态符合该设备正常运作的要求，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回具体的不合格信息。
进一步地，对于不同类型的多张图片，将并行检测结果进行汇总及反馈，包括：
将不同类型的多张图片的并行检测结果进行汇总，若同类型的检测均通过检测，则检测结果为合格，否则检测结果为不合格，并将具体的不合格原因进行描述，同时将汇总的检测结果，分别在整体机架类设备和局部类设备的相应位置，进行相应的结果反馈。
进一步地，深度卷积神经网络目标检测模型Retinanet，包括以下训练步骤：
收集样本图片：收集包含各种目标物体的样本图片，目标物体包括：设备、机架、标签和指示灯，并对样本中包含的物体进行标定，得到各个样本图片及其各个样本图片所对应的标定结果文件；
对样本图片进行预处理操作：预处理操作包括图像随机翻转，裁剪，像素归一化和图像增强；
Retinanet模型训练：利用预处理后的样本图片及其所对应的标定结果文件，对Retinanet模型采用迁移学习的方式进行参数训练，获得训练好的目标检测模型。
在本发明一实施例中，还提出了一种计算机设备，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，处理器执行计算机程序时实现前述基于目标检验的智慧机房设备交维质量检验方法。
在本发明一实施例中，还提出了一种计算机可读存储介质，计算机可读存储介质存储有执行基于目标检验的智慧机房设备交维质量检验方法的计算机程序。
有益效果：
1、本发明实现了交维检验的自动化，避免了人工的重复劳动，减少了人力成本的支出；同时，标准化的流程避免了人为失误的风险，提高了交维检验的稳定性。
2、本发明具备实时性和并发性，可以同时处理多个任务并及时将判断结果回传给交维现场实施人员，若检测结果有问题，交维现场实施人员可以及时进行整改，直至交维验收通过，大大提升了检验的效率。
附图说明
图1是本发明一实施例的基于目标检验的智慧机房设备交维质量检验方法流程示意图；
图2是本发明一实施例的图像获取单元示意图；
图3是本发明一实施例的基于目标检验的智慧机房设备交维质量检验装置结构示意图；
图4是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神，应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了基于目标检验的智慧机房设备交维质量检验方法及装置，现场交维人员填写交维检验请求的基本信息，可以同时接收多个交维现场发送的检验请求，根据任务号来分配资源执行多个检验任务；填写完基本信息后，现场交维人员通过图片获取单元采集交维现场设备相关图片，将其传输至目标提取单元；图片通过加载了训练后的深度卷积神经网络模型的目标提取单元处理后，获得目标信息；然后检测判断单元对提取到的目标信息进行逐一判断，得到各类型各种图片的检测结果；最后，将检测判断的结果信息传输到结果反馈单元进行汇总与反馈。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
图1是本发明一实施例的基于目标检验的智慧机房设备交维质量检验方法流程示意图。如图1所示，该方法包括：
S1、现场交维人员填写交维校验请求的基本信息
通过信息录入单元获取交维检验请求的基本信息，并根据基本信息生成任务列表；基本信息包括：交维现场的标识信息和需要检验的设备的信息列表；标识信息包括：机房名或机房ID、机房地址；需要检验的设备的信息列表包括：是否包含整体机架和是否包含局部设备；任务列表包括：任务ID和待检测的局部类设备型，待检测的局部类设备型包括：整体机架类设备和局部类设备；
对于多个交维检验请求，根据任务号来分配资源执行多个检验任务；
S2、根据图片获取单元的采集要求，对现场相关设备进行图片采集
通过图片获取单元获取交维现场待检验区域的图片；根据任务列表中的待检测的局部类设备型，采集相对应的图片，如图2所示：
(1)整体机架类设备图片，即设备所在机架的整体区域正面直视图，要求覆盖机架内所有网络设备正面，能清晰看出设备布放情况；
(2)局部类设备图片，即各个设备的局部区域正面直视图，要求覆盖网络设备的正面，能清晰看出设备的标签和指示灯；
S3、加载训练后的深度卷积神经网络目标检测模型，对图片进行目标信息提取
通过目标提取单元接收待检测的图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，对图片进行目标信息的提取：
(1)对于整体机架类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取机架和设备的类别和相对坐标等信息。
(2)对于局部类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取设备、标签和指示灯的类别、相对坐标等信息；
在本发明中，需要事先训练深度卷积神经网络目标检测模型Retinanet，包括以下步骤：
收集样本图片：收集包含各种目标物体的样本图片，目标物体包括：设备、机架、标签和指示灯等，并对样本中包含的物体进行标定，得到各个样本图片及其各个样本图片所对应的标定结果文件；
对样本图片进行预处理操作：预处理操作包括图像随机翻转，裁剪，像素归一化和图像增强等，可以去除噪声和图片尺寸因素的影响，便于网络的训练与推理；
Retinanet模型训练：为了获得更好的模型训练效果，训练采用迁移学习的方式，该方式为现有技术。利用预处理后的样本图片及其所对应的标定结果文件，对Retinanet模型进行参数训练，获得训练好的目标检测模型；
S4、根据制定的判断规则对提取到的目标信息进行逐一判断
通过检测判断单元接收从图片中提取的目标信息，根据交维验收要求制定相应的判断规则，得到相应的检测判断结果；对于不同类型的多张图片，采用并行检测的方式；
(1)对于整体机架类设备提取的目标信息，检测判断单元包含两个子单元：设备朝向判断单元和设备布放判断单元：
设备朝向判断子单元，用于判断同一个机架上的所有设备朝向是否符合规范要求，并返回判断的结果信息；根据设备的类别信息列表，判断所有设备的朝向是否符合规范要求，若设备的朝向属性均为正面，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息；
设备布放判断子单元，用于判断设备布放是否符合同一类型的设备应相对集中的规范要求，并返回判断的结果信息；对设备的类别信息列表进行分类并编码，根据设备的相对坐标信息列表，按纵向坐标对设备进行排序，计算排序后的设备编码的差分，若归一化后的差分和小于整体机架类设备类别数，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息；
在本发明中，获取设备的目标信息列表后，可以根据设备的名称对设备进行编号，如光纤配线架类、交换机类、防火墙类和控制器类设备编号分别为1、2、3、4，然后根据设备的纵向坐标信息即现实场景中设备放置的高度进行排序，便可获得排序后的设备列表信息；假设一共包含四类7个设备，在经过上两步的处理后，设备列表信息转换为[1，1，1，4，3，2，2]；对处理过后的设备列表求差分，便得到[NAN，0，0，3,-1，-1,0]；对差分后的设备列表归一化，若数值为-1则转换为1，否则转换为0，转换后的设备列表为[0，0，0，1,1，1,0]；对归一化的列表求和，然后与类别数进行判断，归一化后的差分和为3，小于类别数4，因此可以认为同一类型的设备符合相对集中的规范；
若两个子单元均返回合格信息，则认为整体机架类设备的目标符合规范，返回整体机架类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息；
(2)对于局部类设备的提取信息，检测判断单元包含两个子单元：设备标签判断单元和设备指示灯判断单元：
设备标签判断子单元，用于判断设备是否贴有标签，并返回判断的结果信息；根据设备和标签的相对坐标信息列表，将设备和标签进行逐一匹配，若设备与标签的水平夹角小于30度且标签的相对坐标完全包含于设备的相对坐标内，则认为设备与标签匹配成功，若所有检测到的设备均有其匹配的标签，则认为该单元检验合格并返回合格信息，若存在设备没有匹配到标签，则认为该单元检验不合格并将没有标签的设备信息进行返回；
设备指示灯判断子单元，用于判断指示灯状态，并返回判断的结果信息；根据标签和指示灯的相对坐标信息列表，将设备的相对坐标和指示灯的相对坐标进行匹配，确定该指示灯所属的设备名称，进而确定设备正常运作时指示灯的状态要求，若检测到的指示灯的状态符合该设备正常运作的要求，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回具体的不合格信息；
若两个子单元均返回合格信息，则认为局部类设备的目标符合规范，返回局部类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息；
S5、对判断结果进行汇总，将最终的检测结果反馈
通过结果反馈单元接收目标规范的判断结果，将判断结果进行汇总，得到最终设备交维质量检测结果，反馈给交维人员；将不同类型的多张图片的并行检测结果进行汇总，若同类型的检测均通过检测，则检测结果为合格，否则检测结果为不合格，并将具体的不合格原因进行描述，同时将汇总的检测结果，分别在整体机架类设备和局部类设备的相应位置，进行相应的结果反馈。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
为了对上述基于目标检验的智慧机房设备交维质量检验方法进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。
实施例：
以机房交维中对设备的质量检验为例，描述上述智能化检验的工作流程：
1、根据任务分配ID，对应信息录入单元：
equipmentQuality-INFO-pipelineID:mc2im3yUkugX
2、检测类型：整体机架设备类or局部设备类：
equipmentQuality-INFO-type of detection:cabinet
3、载入图片,对应图片获取单元：
equipmentQuality-INFO-load image:mc2im3yUkugX_cabinet1.jpg
4、完成目标提取，对应目标提取单元：
equipmentQuality-INFO-object detection:processing completed
5、完成规则判断，对应检测判断单元：
equipmentQuality-INFO-judgment unit:judgment complete
6、整体机架类的设备检测完成：
equipmentQuality-INFO-Unit processing completed
7、以下每张图片依次进行以上流程：
equipmentQuality-INFO-type of detection:device
equipmentQuality-INFO-load image:mc2im3yUkugX_device1.jpg
equipmentQuality-INFO-object detection:processing completed
equipmentQuality-INFO-judgment unit:judgment complete
equipmentQuality-INFO-load image:mc2im3yUkugX_device2.jpg
equipmentQuality-INFO-object detection:processing completed
equipmentQuality-INFO-judgment unit:judgment complete
equipmentQuality-INFO-load image:mc2im3yUkugX_device3.jpg
equipmentQuality-INFO-object detection:processing completed
equipmentQuality-INFO-judgment unit:judgment completed
equipmentQuality-INFO-Unit processing completed
8、对所有单元的结果进行汇总并反馈结果信息，对应结果反馈单元：
equipmentQuality-INFO-feedback unit:feedback completed
{'pipelineID':'mc2im3yUkugX','result':'Compliant'}
基于同一发明构思，本发明还提出基于目标检验的智慧机房设备交维质量检验装置。该装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是本发明一实施例的基于目标检验的智慧机房设备交维质量检验装置结构示意图。如图3所示，该装置包括：
信息录入单元101，用于获取交维检验请求的基本信息，并根据基本信息生成任务列表；基本信息包括：交维现场的标识信息和需要检验的设备的信息列表；标识信息包括：机房名或机房ID、机房地址；需要检验的设备的信息列表包括：是否包含整体机架和是否包含局部设备；任务列表包括：任务ID和待检测的局部类设备型，待检测的局部类设备型包括：整体机架类设备和局部类设备；
对于多个交维检验请求，根据任务号来分配资源执行多个检验任务；
图片获取单元102，用于获取交维现场待检验区域的图片；根据任务列表中的待检测的局部类设备型，采集相对应的图片，如图2所示：
(1)整体机架类设备图片，即设备所在机架的整体区域正面直视图，要求覆盖机架内所有网络设备正面，能清晰看出设备布放情况；
(2)局部类设备图片，即各个设备的局部区域正面直视图，要求覆盖网络设备的正面，能清晰看出设备的标签和指示灯；
目标提取单元103，用于接收待检测的图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，对图片进行目标信息的提取：
(1)对于整体机架类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取机架和设备的类别和相对坐标等信息。
(2)对于局部类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取设备、标签和指示灯的类别、相对坐标等信息；
在本发明中，需要事先训练深度卷积神经网络目标检测模型Retinanet，包括以下步骤：
收集样本图片：收集包含各种目标物体的样本图片，目标物体包括：设备、机架、标签和指示灯等，并对样本中包含的物体进行标定，得到各个样本图片及其各个样本图片所对应的标定结果文件；
对样本图片进行预处理操作：预处理操作包括图像随机翻转，裁剪，像素归一化和图像增强等，可以去除噪声和图片尺寸因素的影响，便于网络的训练与推理；
Retinanet模型训练：为了获得更好的模型训练效果，训练采用迁移学习的方式，该方式为现有技术。利用预处理后的样本图片及其所对应的标定结果文件，对Retinanet模型进行参数训练，获得训练好的目标检测模型；
检测判断单元104，用于接收从图片中提取的目标信息，根据交维验收要求制定相应的判断规则，得到相应的检测判断结果；对于不同类型的多张图片，采用并行检测的方式；
(1)对于整体机架类设备提取的目标信息，检测判断单元包含两个子单元：设备朝向判断单元和设备布放判断单元：
设备朝向判断子单元，用于判断同一个机架上的所有设备朝向是否符合规范要求，并返回判断的结果信息；根据设备的类别信息列表，判断所有设备的朝向是否符合规范要求，若设备的朝向属性均为正面，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息；
设备布放判断子单元，用于判断设备布放是否符合同一类型的设备应相对集中的规范要求，并返回判断的结果信息；对设备的类别信息列表进行分类并编码，根据设备的相对坐标信息列表，按纵向坐标对设备进行排序，计算排序后的设备编码的差分，若归一化后的差分和小于整体机架类设备类别数，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息；
若两个子单元均返回合格信息，则认为整体机架类设备的目标符合规范，返回整体机架类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息；
(2)对于局部类设备的提取信息，检测判断单元包含两个子单元：设备标签判断单元和设备指示灯判断单元：
设备标签判断子单元，用于判断设备是否贴有标签，并返回判断的结果信息；根据设备和标签的相对坐标信息列表，将设备和标签进行逐一匹配，若设备与标签的水平夹角小于30度且标签的相对坐标完全包含于设备的相对坐标内，则认为设备与标签匹配成功，若所有检测到的设备均有其匹配的标签，则认为该单元检验合格并返回合格信息，若存在设备没有匹配到标签，则认为该单元检验不合格并将没有标签的设备信息进行返回；
设备指示灯判断子单元，用于判断指示灯状态，并返回判断的结果信息；根据标签和指示灯的相对坐标信息列表，将设备的相对坐标和指示灯的相对坐标进行匹配，确定该指示灯所属的设备名称，进而确定设备正常运作时指示灯的状态要求，若检测到的指示灯的状态符合该设备正常运作的要求，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回具体的不合格信息；
若两个子单元均返回合格信息，则认为局部类设备的目标符合规范，返回局部类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息；
结果反馈单元105，用于接收目标规范的判断结果，将判断结果进行汇总，得到最终设备交维质量检测结果，反馈给交维人员；将不同类型的多张图片的并行检测结果进行汇总，若同类型的检测均通过检测，则检测结果为合格，否则检测结果为不合格，并将具体的不合格原因进行描述，同时将汇总的检测结果，分别在整体机架类设备和局部类设备的相应位置，进行相应的结果反馈。
应当注意，尽管在上文详细描述中提及了基于目标检验的智慧机房设备交维质量检验装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图4所示，本发明还提出一种计算机设备200，包括存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序230，处理器220执行计算机程序230时实现前述基于目标检验的智慧机房设备交维质量检验方法。
基于前述发明构思，本发明还提出一种计算机可读存储介质，计算机可读存储介质存储有执行前述基于目标检验的智慧机房设备交维质量检验方法的计算机程序。
本发明提出的基于目标检验的智慧机房设备交维质量检验方法及装置，可以同时接收多个交维现场发送的检验请求，根据任务号来分配资源执行多个检验任务，检验任务通过使用深度卷积神经网络目标检测模型获取机房交维待检测目标，依据自动化判断规则获取设备交维质量检测结果。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包含的各种修改和等同布置。
对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (24)

1.基于目标检验的智慧机房设备交维质量检验方法，其特征在于，该方法包括：
通过信息录入单元获取交维检验请求的基本信息，并根据基本信息生成任务列表；对于多个交维检验请求，根据任务号来分配资源执行多个检验任务；
通过图片获取单元获取交维现场待检验区域的图片；
通过目标提取单元接收待检测的图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，对图片进行目标信息的提取；
通过检测判断单元接收从图片中提取的目标信息，根据交维验收要求制定相应的判断规则，得到相应的检测判断结果；对于不同类型的多张图片，采用并行检测的方式；
通过结果反馈单元接收目标规范的判断结果，将判断结果进行汇总，得到最终设备交维质量检测结果，反馈给交维人员；对于不同类型的多张图片，将并行检测结果进行汇总及反馈。
2.根据权利要求1所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，所述基本信息包括：交维现场的标识信息和需要检验的设备的信息列表；标识信息包括：机房名或机房ID、机房地址；需要检验的设备的信息列表包括：是否包含整体机架和是否包含局部设备；
所述任务列表包括：任务ID和待检测的局部类设备型，待检测的局部类设备型包括：整体机架类设备和局部类设备。
3.根据权利要求1所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，通过图片获取单元获取交维现场待检验区域的图片，包括：
根据任务列表中的待检测的局部类设备型，通过图片获取单元采集整体机架类设备图片或者局部类设备图片。
4.根据权利要求1所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，通过目标提取单元接收待检测的图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，对图片进行目标信息的提取，包括：
(1)对于整体机架类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取机架和设备的类别和相对坐标。
(2)对于局部类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取设备、标签和指示灯的类别、相对坐标。
5.根据权利要求1所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，通过检测判断单元接收从图片中提取的目标信息，根据交维验收要求制定相应的判断规则，得到相应的检测判断结果，包括：
(1)对于整体机架类设备提取的目标信息，检测判断单元包含两个子单元：设备朝向判断单元和设备布放判断单元：
设备朝向判断子单元，用于判断同一个机架上的所有设备朝向是否符合规范要求，并返回判断的结果信息；
设备布放判断子单元，用于判断设备布放是否符合同一类型的设备应相对集中的规范要求，并返回判断的结果信息；
若两个子单元均返回合格信息，则认为整体机架类设备的目标符合规范，返回整体机架类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息；
(2)对于局部类设备的提取信息，检测判断单元包含两个子单元：设备标签判断单元和设备指示灯判断单元：
设备标签判断子单元，用于判断设备是否贴有标签，并返回判断的结果信息；
设备指示灯判断子单元，用于判断指示灯状态，并返回判断的结果信息；
若两个子单元均返回合格信息，则认为局部类设备的目标符合规范，返回局部类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息。
6.根据权利要求5所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，所述设备朝向判断子单元，具体用于：
根据设备的类别信息列表，判断所有设备的朝向是否符合规范要求，若设备的朝向属性均为正面，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息。
7.根据权利要求5所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，所述设备布放判断子单元，具体用于：
对设备的类别信息列表进行分类并编码，根据设备的相对坐标信息列表，按纵向坐标对设备进行排序，计算排序后的设备编码的差分，若归一化后的差分和小于整体机架类设备类别数，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息。
8.根据权利要求5所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，所述设备标签判断子单元，具体用于：
根据设备和标签的相对坐标信息列表，将设备和标签进行逐一匹配，若设备与标签的水平夹角小于30度且标签的相对坐标完全包含于设备的相对坐标内，则认为设备与标签匹配成功，若所有检测到的设备均有其匹配的标签，则认为该单元检验合格并返回合格信息，若存在设备没有匹配到标签，则认为该单元检验不合格并将没有标签的设备信息进行返回。
9.根据权利要求5所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，所述设备指示灯判断子单元，具体用于：
根据标签和指示灯的相对坐标信息列表，将设备的相对坐标和指示灯的相对坐标进行匹配，确定该指示灯所属的设备名称，进而确定设备正常运作时指示灯的状态要求，若检测到的指示灯的状态符合该设备正常运作的要求，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回具体的不合格信息。
10.根据权利要求1所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，对于不同类型的多张图片，将并行检测结果进行汇总及反馈，包括：
将不同类型的多张图片的并行检测结果进行汇总，若同类型的检测均通过检测，则检测结果为合格，否则检测结果为不合格，并将具体的不合格原因进行描述，同时将汇总的检测结果，分别在整体机架类设备和局部类设备的相应位置，进行相应的结果反馈。
11.根据权利要求1或4所述的基于目标检验的智慧机房设备交维质量检验方法，其特征在于，所述深度卷积神经网络目标检测模型Retinanet，包括以下训练步骤：
收集样本图片：收集包含各种目标物体的样本图片，目标物体包括：设备、机架、标签和指示灯，并对样本中包含的物体进行标定，得到各个样本图片及其各个样本图片所对应的标定结果文件；
对样本图片进行预处理操作：预处理操作包括图像随机翻转，裁剪，像素归一化和图像增强；
Retinanet模型训练：利用预处理后的样本图片及其所对应的标定结果文件，对Retinanet模型采用迁移学习的方式进行参数训练，获得训练好的目标检测模型。
12.基于目标检验的智慧机房设备交维质量检验装置，其特征在于，该装置包括：
信息录入单元，用于获取交维检验请求的基本信息，并根据基本信息生成任务列表；对于多个交维检验请求，根据任务号来分配资源执行多个检验任务；
图片获取单元，用于获取交维现场待检验区域的图片；
目标提取单元，用于接收待检测的图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，对图片进行目标信息的提取；
检测判断单元，用于接收从图片中提取的目标信息，根据交维验收要求制定相应的判断规则，得到相应的检测判断结果；对于不同类型的多张图片，采用并行检测的方式；
结果反馈单元，用于接收目标规范的判断结果，将判断结果进行汇总，得到最终设备交维质量检测结果，反馈给交维人员；对于不同类型的多张图片，将并行检测结果进行汇总及反馈。
13.根据权利要求12所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，所述基本信息包括：交维现场的标识信息和需要检验的设备的信息列表；标识信息包括：机房名或机房ID、机房地址；需要检验的设备的信息列表包括：是否包含整体机架和是否包含局部设备；
所述任务列表包括：任务ID和待检测的局部类设备型，待检测的局部类设备型包括：整体机架类设备和局部类设备。
14.根据权利要求12所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，所述图片获取单元，具体用于：
根据任务列表中的待检测的局部类设备型，通过图片获取单元采集整体机架类设备图片或者局部类设备图片。
15.根据权利要求12所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，所述目标提取单元，具体用于：
(1)对于整体机架类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取机架和设备的类别和相对坐标。
(2)对于局部类设备图片，利用训练后的深度卷积神经网络目标检测模型Retinanet，提取设备、标签和指示灯的类别、相对坐标。
16.根据权利要求12所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，所述检测判断单元，具体用于：
(1)对于整体机架类设备提取的目标信息，检测判断单元包含两个子单元：设备朝向判断单元和设备布放判断单元：
设备朝向判断子单元，用于判断同一个机架上的所有设备朝向是否符合规范要求，并返回判断的结果信息；
设备布放判断子单元，用于判断设备布放是否符合同一类型的设备应相对集中的规范要求，并返回判断的结果信息；
若两个子单元均返回合格信息，则认为整体机架类设备的目标符合规范，返回整体机架类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息；
(2)对于局部类设备的提取信息，检测判断单元包含两个子单元：设备标签判断单元和设备指示灯判断单元：
设备标签判断子单元，用于判断设备是否贴有标签，并返回判断的结果信息；
设备指示灯判断子单元，用于判断指示灯状态，并返回判断的结果信息；
若两个子单元均返回合格信息，则认为局部类设备的目标符合规范，返回局部类设备目标规范判断的结果信息，否则认为目标规范判断不合格并返回具体的不合格信息。
17.根据权利要求16所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，所述设备朝向判断子单元，具体用于：
根据设备的类别信息列表，判断所有设备的朝向是否符合规范要求，若设备的朝向属性均为正面，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息。
18.根据权利要求16所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，所述设备布放判断子单元，具体用于：
对设备的类别信息列表进行分类并编码，根据设备的相对坐标信息列表，按纵向坐标对设备进行排序，计算排序后的设备编码的差分，若归一化后的差分和小于整体机架类设备类别数，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回不合格信息。
19.根据权利要求16所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，所述设备标签判断子单元，具体用于：
根据设备和标签的相对坐标信息列表，将设备和标签进行逐一匹配，若设备与标签的水平夹角小于30度且标签的相对坐标完全包含于设备的相对坐标内，则认为设备与标签匹配成功，若所有检测到的设备均有其匹配的标签，则认为该单元检验合格并返回合格信息，若存在设备没有匹配到标签，则认为该单元检验不合格并将没有标签的设备信息进行返回。
20.根据权利要求16所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，所述设备指示灯判断子单元，具体用于：
根据标签和指示灯的相对坐标信息列表，将设备的相对坐标和指示灯的相对坐标进行匹配，确定该指示灯所属的设备名称，进而确定设备正常运作时指示灯的状态要求，若检测到的指示灯的状态符合该设备正常运作的要求，则认为该单元检验合格并返回合格信息，否则认为该单元检验不合格并返回具体的不合格信息。
21.根据权利要求12所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，对于不同类型的多张图片，将并行检测结果进行汇总及反馈，包括：
将不同类型的多张图片的并行检测结果进行汇总，若同类型的检测均通过检测，则检测结果为合格，否则检测结果为不合格，并将具体的不合格原因进行描述，同时将汇总的检测结果，分别在整体机架类设备和局部类设备的相应位置，进行相应的结果反馈。
22.根据权利要求12或15所述的基于目标检验的智慧机房设备交维质量检验装置，其特征在于，所述深度卷积神经网络目标检测模型Retinanet，包括以下训练步骤：
收集样本图片：收集包含各种目标物体的样本图片，目标物体包括：设备、机架、标签和指示灯，并对样本中包含的物体进行标定，得到各个样本图片及其各个样本图片所对应的标定结果文件；
对样本图片进行预处理操作：预处理操作包括图像随机翻转，裁剪，像素归一化和图像增强；
Retinanet模型训练：利用预处理后的样本图片及其所对应的标定结果文件，对Retinanet模型采用迁移学习的方式进行参数训练，获得训练好的目标检测模型。
23.一种计算机设备，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权利要求1-10中任一项所述方法。
24.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1-10中任一项所述方法的计算机程序。
CN202110823835.7A 2021-07-21 2021-07-21 基于目标检验的智慧机房设备交维质量检验方法及装置 Pending CN113705606A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110823835.7A CN113705606A (zh) 2021-07-21 2021-07-21 基于目标检验的智慧机房设备交维质量检验方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110823835.7A CN113705606A (zh) 2021-07-21 2021-07-21 基于目标检验的智慧机房设备交维质量检验方法及装置

Publications (1)

Publication Number Publication Date
CN113705606A true CN113705606A (zh) 2021-11-26

Family

ID=78650150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110823835.7A Pending CN113705606A (zh) 2021-07-21 2021-07-21 基于目标检验的智慧机房设备交维质量检验方法及装置

Country Status (1)

Country Link
CN (1) CN113705606A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389146A (zh) * 2018-08-22 2019-02-26 中翔科技（杭州）有限公司 基于神经网络图像分类算法的设备状态反馈方法及系统
CN109815998A (zh) * 2019-01-08 2019-05-28 科大国创软件股份有限公司 一种基于yolo算法的ai装维巡检方法及系统
CN110956285A (zh) * 2019-11-25 2020-04-03 科大国创软件股份有限公司 一种基于深度学习的装维施工规范性检测方法及系统
CN112115927A (zh) * 2020-11-19 2020-12-22 北京蒙帕信创科技有限公司 一种基于深度学习的机房设备智能识别方法及系统
CN112990004A (zh) * 2021-03-12 2021-06-18 中国科学技术大学智慧城市研究院(芜湖) 一种基于光流法和深度学习卷积神经网络的黑烟车检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389146A (zh) * 2018-08-22 2019-02-26 中翔科技（杭州）有限公司 基于神经网络图像分类算法的设备状态反馈方法及系统
CN109815998A (zh) * 2019-01-08 2019-05-28 科大国创软件股份有限公司 一种基于yolo算法的ai装维巡检方法及系统
CN110956285A (zh) * 2019-11-25 2020-04-03 科大国创软件股份有限公司 一种基于深度学习的装维施工规范性检测方法及系统
CN112115927A (zh) * 2020-11-19 2020-12-22 北京蒙帕信创科技有限公司 一种基于深度学习的机房设备智能识别方法及系统
CN112990004A (zh) * 2021-03-12 2021-06-18 中国科学技术大学智慧城市研究院(芜湖) 一种基于光流法和深度学习卷积神经网络的黑烟车检测方法

Similar Documents

Publication Publication Date Title
CN108365557B (zh) 一种无人机精细化巡检输电线路的方法及系统
CN111722714A (zh) 一种基于ar技术的数字化变电站计量运检辅助方法
CN111476776B (zh) 胸部病灶位置确定方法、系统、可读存储介质和设备
RU2007103326A (ru) Способ ремонта и технического обслуживания и применяемые в способе аппаратно-программный комплекс для диагностики и система для контроля качества ремонта и технического обслуживания
CN107024478A (zh) 一种零件加工自动缺陷识别系统
CN102081808A (zh) 现场设备巡检方法及系统
CN113688825A (zh) 一种ai智能垃圾识别分类系统和方法
CN103785622A (zh) 基于机器视觉的零件分拣装置及方法
CN111783785A (zh) 一种水表识别系统及识别方法
CN112613569A (zh) 图像识别方法、图像分类模型的训练方法及装置
CN113988573A (zh) 基于电力系统巡检无人机的风险判断方法、系统和介质
CN115169602A (zh) 电力设备的维护方法、装置、存储介质及计算机设备
CN112214513A (zh) 智能制造物料管理系统
CN115937101A (zh) 质量检测方法、装置、设备及存储介质
CN113705606A (zh) 基于目标检验的智慧机房设备交维质量检验方法及装置
CN114049552A (zh) 基于实例分割的智慧机房线缆交维质量检验方法及装置
CN111179458A (zh) 一种轨道交通设备的巡检方法及装置
CN113012097B (zh) 图像复检方法、计算机装置及存储介质
CN113129469A (zh) 一种巡检监控方法和系统以及计算机可读存储介质
CN113076730A (zh) 一种试验报告智能管理方法、装置、系统及存储介质
CN116449999A (zh) 包裹安检登记方法、装置、设备和存储介质
CN114861846A (zh) 扫码采集方法以及装置、存储介质、电子装置
CN115565171A (zh) 安检图像关联标注方法及装置
CN114862794A (zh) 一种用于玻璃器皿的气泡检测系统
CN116703862A (zh) 一种用于视觉检测的智能大数据监管系统及方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211126