CN113791929A - 一种基于图像识别的光盘库故障自动恢复方法及系统 - Google Patents

一种基于图像识别的光盘库故障自动恢复方法及系统 Download PDF

Info

Publication number
CN113791929A
CN113791929A CN202111357711.0A CN202111357711A CN113791929A CN 113791929 A CN113791929 A CN 113791929A CN 202111357711 A CN202111357711 A CN 202111357711A CN 113791929 A CN113791929 A CN 113791929A
Authority
CN
China
Prior art keywords
fault
image
real
library
failure
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
Application number
CN202111357711.0A
Other languages
English (en)
Other versions
CN113791929B (zh
Inventor
张理
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.)
Beijing Kds Datacenter Solution Co ltd
Original Assignee
Beijing Kds Datacenter Solution 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 Beijing Kds Datacenter Solution Co ltd filed Critical Beijing Kds Datacenter Solution Co ltd
Priority to CN202111357711.0A priority Critical patent/CN113791929B/zh
Publication of CN113791929A publication Critical patent/CN113791929A/zh
Application granted granted Critical
Publication of CN113791929B publication Critical patent/CN113791929B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/07Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0727Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a storage system, e.g. in a DASD or network based storage system
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像识别的光盘库故障自动恢复方法及系统,属于光盘库故障修复领域,首先采集光盘库的实时故障图像,并进行预处理,得到预处理后的实时故障图像;光盘库包括转笼、机械臂、光驱阵列以及摄像头;将预处理后的实时故障图像输入至训练好的深度神经网络分类模型中进行故障识别,得到实时故障类别码;训练好的深度神经网络分类模型为以光盘库的故障图像为输入,以故障图像对应的故障类别码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型;根据实时故障类别码对光盘库的故障进行自动修复处理。本发明能够快速识别光盘库的故障类型并及时自动恢复,解决现有人工修复方法修复不及时、效率低的问题。

Description

一种基于图像识别的光盘库故障自动恢复方法及系统
技术领域
本发明涉及光盘库故障修复领域,特别是涉及一种基于图像识别的光盘库故障自动恢复方法及系统。
背景技术
海量光盘库是一种存储大数据的自动化设备,该设备的存储介质以光盘为主要载体。在海量光盘库存储设备中,一般设有机械臂、转笼和光驱阵列等重要组成部件。通常情况下,由于机械故障,会导致设备停止运转。为了使设备能够从故障状态快速恢复,为用户及时提供数据服务,一般会由机器发出故障报警信号,由专业人员接收到机器故障信号后进行人工排查,确定故障类型后再进行相应的恢复措施。由于人工排查耗时耗力,且严重依赖人工,导致修复效率低。另外,还存在修复不及时的情况,尤其在夜间出现机器故障时,不能够及时进行修复会严重影响数据响应服务,容易引起客户抱怨。因此,现有的人工修复光盘库故障方法普遍存在修复不及时、效率低的问题。
基于此,目前亟需一种新的光盘库故障恢复方法,以解决现有技术中存在的人工修复不及时、效率低的问题。
发明内容
本发明的目的是提供一种基于图像识别的光盘库故障自动恢复方法及系统,能够在光盘库发生故障时快速识别故障类型并及时进行自动恢复,有效提高故障时数据恢复的效率,减轻工作人员的负担,解决现有的人工修复方法存在的修复不及时、效率低的问题。
为实现上述目的,本发明提供了如下方案:
一方面,本发明提供了一种基于图像识别的光盘库故障自动恢复方法,包括:
采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像;所述光盘库包括转笼、机械臂、光驱阵列以及摄像头;
将所述预处理后的实时故障图像输入至训练好的深度神经网络分类模型中进行故障识别,得到实时故障类别码;所述训练好的深度神经网络分类模型为以所述光盘库的故障图像为输入,以所述故障图像对应的故障类别码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型;
根据所述实时故障类别码对所述光盘库的故障进行自动修复处理。
可选的,所述光盘库的故障类别码包括转笼未将盘匣转出对应的故障码,机械臂未成功抓起光盘对应的故障码,光驱未及时弹出对应的故障码和光盘掉落对应的故障码。
可选的,所述采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像,具体包括:
利用所述摄像头对所述光盘库中的转笼、机械臂和光驱阵列进行实时监控,采集转笼、机械臂和光驱阵列的所述实时故障图像;
设置一个像素实验阈值;
将每一幅所述实时故障图像的像素值与所述像素实验阈值进行比较,确定每一幅所述实时故障图像中的反光区域;
剔除每一幅所述实时故障图像中所有的反光区域,并将所述反光区域周围的非反光区域的像素值作为所述反光区域的像素值进行像素补充,得到无反光的实时故障图像;
对所述无反光的实时故障图像进行归一化处理,得到所述预处理后的实时故障图像。
可选的,所述将每一幅所述实时故障图像的像素值与所述像素实验阈值进行比较,确定每一幅所述实时故障图像中的反光区域,具体包括:
将每一幅所述实时故障图像的像素值分别与所述像素实验阈值进行大小比较,根据比较结果判断所述实时故障图像中是否存在所述反光区域;
当所述像素值大于所述像素实验阈值时,则判断该像素值对应的图像区域为反光区域;
当所述像素值小于或等于所述像素实验阈值时,则判断该像素值对应的图像区域为非反光区域。
可选的,所述根据所述实时故障类别码对所述光盘库的故障进行自动修复处理,具体包括:
根据每一幅所述预处理后的实时故障图像对应的实时的故障类别码,确定当前所述光盘库所发生故障的故障类型;
根据所述故障类型,对所述光盘库的故障进行自动修复处理。
可选的,所述根据所述故障类型,对所述光盘库的故障进行自动修复处理,具体包括:
当所述故障类型为转笼未将盘匣转出时,则自动将转笼归为零点,并进行重新转出盘匣操作;
当所述故障类型为机械臂未能成功抓起光盘时,则自动将机械臂归为零点,并进行重新抓取操作;
当所述故障类型为光驱未及时弹出时,则自动将光驱重置,或者加大光驱弹出马达的力矩,使光驱盘托弹出;
当所述故障类型为光盘掉落时,则自动向机械臂发送指令,控制所述机械臂从备用光盘匣中拾取盘片进行空盘补充。
可选的,在所述采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像的步骤之前,还包括以下步骤:
对光盘库的故障类型进行分类,并为每一所述故障类型分别设置唯一的故障类别码,所述故障类别码用于判断所述光盘库所发生故障的故障类型;
采集光盘库故障图像,并对所述光盘库故障图像进行预处理,得到预处理后的光盘库故障图像;
构建深度神经网络分类模型,并利用所述预处理后的光盘库故障图像对所述深度神经网络分类模型进行训练,得到所述训练好的深度神经网络分类模型。
可选的,所述采集光盘库故障图像,并对所述光盘库故障图像进行预处理,得到预处理后的光盘库故障图像,具体包括:
利用所述摄像头对所述光盘库中的转笼、机械臂和光驱阵列进行监控,采集所述光盘库故障图像;所述光盘库故障图像包括所有的所述光盘库不同故障状态下的图像;
设置一个像素实验阈值;
将每一幅所述光盘库故障图像的像素值与所述像素实验阈值进行比较,确定每一幅所述光盘库故障图像中的反光区域;
剔除每一幅所述光盘库故障图像中所有的反光区域,并将所述反光区域周围的非反光区域的像素值作为所述反光区域的像素值进行像素补充,得到无反光的光盘库故障图像;
对所述无反光的光盘库故障图像进行归一化处理,得到所述预处理后的光盘库故障图像;所述预处理后的光盘库故障图像用于对所述深度神经网络分类模型进行训练。
可选的,所述深度神经网络分类模型包括主干网络、transformer层和全连阶层,所述主干网络采用多层圆形卷积的主干网络,通过多层圆形卷积操作对故障图像进行特征提取,所述圆形卷积操作表示卷积核为圆形的卷积操作,所述卷积核是以某一像素为中心,半径为多个像素的卷积核。
另一方面,本发明还提出了一种基于图像识别的光盘库故障自动恢复系统,包括:
实时故障图像采集和处理模块,用于采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像;所述光盘库包括转笼、机械臂、光驱阵列以及摄像头;
故障类别码获取模块,用于将所述预处理后的实时故障图像输入至训练好的深度神经网络分类模型中进行故障识别,得到实时故障类别码;所述训练好的深度神经网络分类模型为以所述光盘库的故障图像为输入,以所述故障图像对应的故障类别码为输出训练得到的深度神经网络分类模型;
故障自动修复模块,用于根据所述实时故障类别码对所述光盘库的故障进行自动修复处理。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出一种基于图像识别的光盘库故障自动恢复方法,采用基于圆形卷积技术的深度神经网络分类模型,通过在光盘库中加装摄像头,采集光盘库发生故障时的图像并对图像进行识别,最终根据故障类别码判断出光盘库的故障类型,并自动启动相应的恢复程序对故障进行自动修复处理,实现光盘库故障自动恢复功能,能够有效提升系统的稳定性和可靠性,减轻相关专业人员的工作负担,提高故障的修复效率,使得修复更加及时、高效,从而能够解决现有的人工修复方法存在的修复不及时、效率低的问题。
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的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本发明的主旨。
图1为本发明实施例1提供的基于图像识别的光盘库故障自动恢复方法的流程图;
图2为本发明实施例1提供的基于图像识别的光盘库故障自动恢复系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本发明的目的是提供一种基于图像识别的光盘库故障自动恢复方法及系统,能够在光盘库发生故障时快速识别故障类型,并及时进行自动恢复,有效提高故障时数据恢复的效率,减轻工作人员的负担,解决现有的人工修复方法存在的修复不及时、效率低的问题。
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。
实施例1
如图1所示,本实施例提出了一种基于图像识别的光盘库故障自动恢复方法,该方法包括以下步骤:
步骤S1、采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像。
本实施例中,所述光盘库包括转笼、机械臂、光驱阵列以及摄像头。其中,所述摄像头是加装到光盘库系统中的,该摄像头可以是一个或者多个,可以直接安装在机械臂上,或者还可以额外设置拍摄支架等。
通过该摄像头对光盘库中的转笼、机械臂和光驱阵列进行监控,并采集转笼、机械臂和光驱阵列发生故障时的故障图像,通过对故障图像进行分析处理,从而识别出故障图像中光盘库的故障类型,确定光盘库发生了何种故障,从而针对性地启动相应的恢复程序对该故障进行自动修复处理,以快速、高效地解决光盘库的故障问题,提升故障修复速度和效率,解决传统人工修复法需要人工寻找、核查故障,再处理故障而造成的修复不及时、效率低的问题。
本实施例中,所述光盘库的故障类型主要包括但不限于转笼未将盘匣转出,机械臂未成功抓起光盘,光驱未及时弹出和光盘掉落等几种故障,还可以包括其它故障。因此,光盘库的故障类别码包括转笼未将盘匣转出对应的故障码,机械臂未成功抓起光盘对应的故障码,光驱未及时弹出对应的故障码和光盘掉落对应的故障码。
本实施例中将转笼未将盘匣转出对应的故障码设置为0,机械臂未成功抓起光盘对应的故障码设置为1,光驱未及时弹出对应的故障码设置为2,光盘掉落对应的故障码设置为3,此外,光盘库还包括未发生故障时的正常状态,对应的故障码为4。因此,本实施例中故障类别总数n为5。容易理解的是,故障码的形式不局限于数字,还可以是字母或者简单词汇等。在正常状态下光盘库不进行任何修复操作,除此之外,其余四种故障类型都设置有相应的恢复程序,由上位机内置预先设置好的恢复程序并进行故障识别,一旦上位机确定光盘库的故障类型后,会立即控制光盘库调用相应的恢复程序进行自动修复处理。本实施例中上位机为控制光盘库的计算机服务器,而光盘库本体则作为下位机,从而实现对光盘库的故障识别、恢复程序调用和自动修复等方面的控制。
需要说明的是,本发明不对摄像头的数量、布置位置和固定方式,以及光盘库的具体故障类型、故障类别码的具体内容不进行限定,上述叙述仅仅是举例说明,这种设置并不是固定的、唯一的,可视具体情况自行设定。
步骤S1具体包括以下步骤:
步骤S1.1、利用所述摄像头对所述光盘库中的转笼、机械臂和光驱阵列进行实时监控,采集转笼、机械臂和光驱阵列的所述实时故障图像。
步骤S1.2、设置一个像素实验阈值。
由于光盘库场景的特殊性,即光盘区域反光严重,因此,在采集故障图像后会一般需要预处理,以去除反光区域,提升图像识别的精度。而预处理的第一个步骤就是设置像素实验阈值。本实施例中将像素实验阈值设置为182,这个阈值是根据实验和经验结合反光情况设定的一个优选值,还可以设置为其它数值。
步骤S1.3、将每一幅所述实时故障图像的像素值与所述像素实验阈值进行比较,确定每一幅所述实时故障图像中的反光区域。具体包括:
步骤S1.3.1、将每一幅所述实时故障图像的像素值分别与所述像素实验阈值进行大小比较,根据比较结果判断所述实时故障图像中是否存在所述反光区域。其中像素值指的是图像中每一个点对应的像素的数值。
步骤S1.3.2、当所述像素值大于所述像素实验阈值时,则判断该像素值对应的图像区域为反光区域。
步骤S1.3.3、当所述像素值小于或等于所述像素实验阈值时,则判断该像素值对应的图像区域为非反光区域。
步骤S1.4、剔除每一幅所述实时故障图像中所有的反光区域,并将所述反光区域周围的非反光区域的像素值作为所述反光区域的像素值进行像素补充,即将周围非反光区域的像素复制到剔除的反光区域处进行像素补全,得到无反光的实时故障图像。
步骤S1.5、对所述无反光的实时故障图像进行归一化处理,得到所述预处理后的实时故障图像。
本发明通过像素阈值比较判断图像中的反光区域,并对反光区域进行剔除和像素补充,从而彻底消除了每幅图像中的反光区域,从而提升了故障图像的清晰度和图像质量,使得对光盘库的故障图像识别时会更加准确、更快速,得到更加可靠的、准确的故障类型识别结果,进而提升了故障识别和故障修复的效率。
应说明的是,上述步骤使用的是已经训练好的深度神经网络分类模型。因此,在步骤S1之前,本实施还可以包括以下步骤:
(1)对光盘库的故障类型进行分类,并为每一所述故障类型分别设置唯一的故障类别码,所述故障类别码用于判断所述光盘库所发生故障的故障类型。也就是说,需要提前建立光盘库故障类型与故障类别码的对应关系,即本实施例中预先设置好的转笼未将盘匣转出对应的故障码为0,机械臂未成功抓起光盘对应的故障码为1,光驱未及时弹出对应的故障码为2,光盘掉落对应的故障码为3,还可以包括未发生故障时的正常状态,对应的故障码为4。
(3)采集光盘库故障图像,并对所述光盘库故障图像进行预处理,得到预处理后的光盘库故障图像。这里的预处理过程与前述预处理过程是相同的。具体包括:
利用所述摄像头对所述光盘库中的转笼、机械臂和光驱阵列进行监控,采集所述光盘库故障图像;所述光盘库故障图像包括所有的所述光盘库不同故障状态下的图像;
设置一个像素实验阈值;
将每一幅所述光盘库故障图像的像素值与所述像素实验阈值进行比较,确定每一幅所述光盘库故障图像中的反光区域;
剔除每一幅所述光盘库故障图像中所有的反光区域,并将所述反光区域周围的非反光区域的像素值作为所述反光区域的像素值进行像素补充,得到无反光的光盘库故障图像;
对所述无反光的光盘库故障图像进行归一化处理,得到所述预处理后的光盘库故障图像;所述预处理后的光盘库故障图像用于对所述深度神经网络分类模型进行训练。
应说明的是,实时故障图像是实时采集的待识别的故障图像,作为训练好的深度神经网络分类模型的输入。而光盘库故障图像是预先采集的历史故障图像,作为训练深度神经网络分类模型时的输入,用于训练深度神经网络分类模型并预设故障类别码。在将经过预处理的实时故障图像输入至训练好的深度神经网络分类模型中后,会输出相应的实时故障类别码,由于在步骤(1)中已经提前预设好每一种故障类型对应一个故障类别码,因此,根据故障类型和故障类别码的对应关系,即可快速根据实时故障类别码确定光盘库此时发生的故障类型。
(3)构建深度神经网络分类模型,并利用所述预处理后的光盘库故障图像对所述深度神经网络分类模型进行训练,得到所述训练好的深度神经网络分类模型。
本发明采用的是具有多层圆形卷积主干网络的深度神经网络分类模型,该深度神经网络分类模型包括主干网络、transformer层和全连阶层。其中,所述主干网络包括圆形卷积层、激活层和池化层,通过多层圆形卷积操作对故障图像进行特征提取,所述圆形卷积操作与传统卷积操作不同,圆形卷积操作表示卷积核为圆形的卷积操作,其中卷积核的尺寸大小为以某一个像素为中心,半径为3、5或7个像素的卷积核。由于光盘库、机械臂抓手以及光驱阵列均为圆形状,因此,本发明采用多层圆形卷积操作比传统卷积的性能更佳,训练效果更好。
所述主干网络对故障图像进行特征提取时,首先对输入的故障图像的RGB三个通道构成的三维矩阵进行多次的圆形卷积、激活和池化计算,多层圆形卷积的特征提取过程表示为圆形卷积层→激活层→池化层→圆形卷积层→激活层→池化层→圆形卷积层→激活层→池化层→圆形卷积层→激活层→池化层→圆形卷积层→激活层→池化层→输出结果,最终输出结果是特征图,此时的特征图表示所述光盘库在不同故障状态下的画面场景。
在主干网络对图像进行特征提取得到特征图后,将所述特征图输入至1个transformer层进行权重计算,得到加权后的特征向量;然后将所述加权后的特征向量输入至所述全连阶层进行故障码类别计算,得到故障图像对应的故障码;所述全连接层的输入维度为所述加权后的特征向量的维度,输出维度为故障类别总数n。
在对所述深度神经网络分类模型进行训练时,首先将每一幅所述预处理后的光盘库故障图像输入至所述深度神经网络分类模型中,所述深度神经网络分类模型的全连接层输出所述预处理后的光盘库故障图像对应的故障类别码,将所述预处理后的光盘库故障图像对应的故障类别码与提前建立的光盘库故障类型与故障类别码的对应关系中的故障类别码进行交叉熵损失计算,得到网络损失值;然后,根据所述网络损失值,采用反向梯度传播法更新所述全连接层的权重,不更新所述主干网络的权重。其中,模型训练过程中使用的参数为:batch size设置为8,学习率设置为0.0001,epoch设置为180,优化器采用SGD优化器,损失函数为softmax交叉熵损失函数。
当epoch结束时即将所有的光盘库故障图像样本输入模型训练一次后训练结束,此时得到训练好的深度神经网络分类模型,即可利用该模型对故障图像进行前向推理,并识别出相应的故障类型。
容易理解的是,在模型训练时使用的上述参数仅仅是一组优选值,并不是固定的、唯一的,还可以采用其它参数,可自行设定。
步骤S2、将所述预处理后的实时故障图像输入至训练好的深度神经网络分类模型中进行故障识别,得到实时故障类别码;所述训练好的深度神经网络分类模型为以所述光盘库的故障图像为输入,以所述故障图像对应的故障类别码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型。
本发明中,当深度神经网络分类模型训练完成后,将预处理后的实时故障图像作为输入,输入至训练好的深度神经网络分类模型,输出的是与输入的预处理后的实时故障图像相对应的实时故障类别码。根据输出的实时故障类别码,结合预先建立的光盘库故障类型与故障类别码之间的对应关系,可直接判断出当前实时故障图像中所反映出来的故障类型。
应理解的是,本实施例中的实时故障类别码与故障类别码是相同的定义规则,同样包括多种类别码并对应不同的故障类型,唯一不同的是实时故障类别码是在光盘库运行时实时采集的实时故障图像输出的故障类别码,而故障类别码是在预先建立光盘库故障类型与故障类别码的对应关系时使用的故障类别码。
步骤S3、根据所述实时故障类别码对所述光盘库的故障进行自动修复处理。具体包括:
步骤S3.1、根据每一幅所述预处理后的实时故障图像对应的实时的故障类别码,确定当前所述光盘库所发生故障的故障类型。
步骤S3.2、根据所述故障类型,对所述光盘库的故障进行自动修复处理。具体包括:
当所述故障类型为转笼未将盘匣转出时,则自动将转笼归为零点,并进行重新转出盘匣操作;
当所述故障类型为机械臂未能成功抓起光盘时,则自动将机械臂归为零点,并进行重新抓取操作;
当所述故障类型为光驱未及时弹出时,则自动将光驱重置,或者加大光驱弹出马达的力矩,使光驱盘托弹出;
当所述故障类型为光盘掉落时,则自动向机械臂发送指令,控制所述机械臂从备用光盘匣中拾取盘片进行空盘补充;
当光盘库处于正常状态时,则使其正常运行,不进行任何修复操作,并持续对光盘库进行监控和图像采集,一旦发生故障后及时响应并自动修复。
本发明通过针对不同的故障类型分别预设不同的恢复程序,在识别出光盘库发生了具体故障类型后,能够针对性地启动相应的恢复程序对该故障进行自动修复处理,从而能够快速、高效地解决光盘库的故障问题,提升故障修复的速度和效率,强化光盘库的故障恢复能力。
还需要说明的是,上述自动修复处理过程,是由上位机计算机服务器识别故障类型,然后向下位机光盘库发送控制指令,通过自动调用相应的恢复程序实现故障的自动修复处理。
本发明通过采用深度学习模型的方法,采集光盘库发生故障时的图像,并进行分析,利用预先训练好的深度神经网络分类模型对故障进行识别、分类,针对预先定义好的故障类型和对应的故障类别码,采用相对应的恢复程序对光盘库进行恢复,有效提高了光盘库的自动恢复能力,省去了人力诊断故障以及手工恢复故障的麻烦,保证了光盘库系统运行的稳定性、安全性以及自动修复故障的性能。
实施例2
如图2所示,本实施例提供了一种基于图像识别的光盘库故障自动恢复系统,该系统具体包括:
实时故障图像采集和处理模块M1,用于采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像;所述光盘库包括转笼、机械臂、光驱阵列以及摄像头;
故障类别码获取模块M2,用于将所述预处理后的实时故障图像输入至训练好的深度神经网络分类模型中进行故障识别,得到实时故障类别码;所述训练好的深度神经网络分类模型为以所述光盘库的故障图像为输入,以所述故障图像对应的故障类别码为输出训练得到的深度神经网络分类模型;
故障自动修复模块M3,用于根据所述实时故障类别码对所述光盘库的故障进行自动修复处理。
本发明采用基于圆形卷积技术的深度神经网络分类模型,通过在光盘库中加装摄像头,采集光盘库发生故障时的图像并对图像进行识别,最终根据故障类别码判断出光盘库的故障类型,并自动启动相应的恢复程序对故障进行自动修复处理,实现光盘库故障自动恢复功能,能够有效提升系统的稳定性和可靠性,减轻相关专业人员的工作负担,提高故障的修复效率,使得修复更加及时、高效,从而能够解决现有的人工修复方法存在的修复不及时、效率低的问题。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种基于图像识别的光盘库故障自动恢复方法,其特征在于,包括:
采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像;所述光盘库包括转笼、机械臂、光驱阵列以及摄像头;
将所述预处理后的实时故障图像输入至训练好的深度神经网络分类模型中进行故障识别,得到实时故障类别码;所述训练好的深度神经网络分类模型为以所述光盘库的故障图像为输入,以所述故障图像对应的故障类别码为输出训练得到的具有多层圆形卷积主干网络的深度神经网络分类模型;
根据所述实时故障类别码对所述光盘库的故障进行自动修复处理。
2.根据权利要求1所述的基于图像识别的光盘库故障自动恢复方法,其特征在于,所述光盘库的故障类别码包括转笼未将盘匣转出对应的故障码,机械臂未成功抓起光盘对应的故障码,光驱未及时弹出对应的故障码和光盘掉落对应的故障码。
3.根据权利要求1所述的基于图像识别的光盘库故障自动恢复方法,其特征在于,所述采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像,具体包括:
利用所述摄像头对所述光盘库中的转笼、机械臂和光驱阵列进行实时监控,采集转笼、机械臂和光驱阵列的所述实时故障图像;
设置一个像素实验阈值;
将每一幅所述实时故障图像的像素值与所述像素实验阈值进行比较,确定每一幅所述实时故障图像中的反光区域;
剔除每一幅所述实时故障图像中所有的反光区域,并将所述反光区域周围的非反光区域的像素值作为所述反光区域的像素值进行像素补充,得到无反光的实时故障图像;
对所述无反光的实时故障图像进行归一化处理,得到所述预处理后的实时故障图像。
4.根据权利要求3所述的基于图像识别的光盘库故障自动恢复方法,其特征在于,所述将每一幅所述实时故障图像的像素值与所述像素实验阈值进行比较,确定每一幅所述实时故障图像中的反光区域,具体包括:
将每一幅所述实时故障图像的像素值分别与所述像素实验阈值进行大小比较,根据比较结果判断所述实时故障图像中是否存在所述反光区域;
当所述像素值大于所述像素实验阈值时,则判断该像素值对应的图像区域为反光区域;
当所述像素值小于或等于所述像素实验阈值时,则判断该像素值对应的图像区域为非反光区域。
5.根据权利要求1所述的基于图像识别的光盘库故障自动恢复方法,其特征在于,所述根据所述实时故障类别码对所述光盘库的故障进行自动修复处理,具体包括:
根据每一幅所述预处理后的实时故障图像对应的实时的故障类别码,确定当前所述光盘库所发生故障的故障类型;
根据所述故障类型,对所述光盘库的故障进行自动修复处理。
6.根据权利要求5所述的基于图像识别的光盘库故障自动恢复方法,其特征在于,所述根据所述故障类型,对所述光盘库的故障进行自动修复处理,具体包括:
当所述故障类型为转笼未将盘匣转出时,则自动将转笼归为零点,并进行重新转出盘匣操作;
当所述故障类型为机械臂未能成功抓起光盘时,则自动将机械臂归为零点,并进行重新抓取操作;
当所述故障类型为光驱未及时弹出时,则自动将光驱重置,或者加大光驱弹出马达的力矩,使光驱盘托弹出;
当所述故障类型为光盘掉落时,则自动向机械臂发送指令,控制所述机械臂从备用光盘匣中拾取盘片进行空盘补充。
7.根据权利要求1所述的基于图像识别的光盘库故障自动恢复方法,其特征在于,在所述采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像的步骤之前,还包括以下步骤:
对光盘库的故障类型进行分类,并为每一所述故障类型分别设置唯一的故障类别码,所述故障类别码用于判断所述光盘库所发生故障的故障类型;
采集光盘库故障图像,并对所述光盘库故障图像进行预处理,得到预处理后的光盘库故障图像;
构建深度神经网络分类模型,并利用所述预处理后的光盘库故障图像对所述深度神经网络分类模型进行训练,得到所述训练好的深度神经网络分类模型。
8.根据权利要求7所述的基于图像识别的光盘库故障自动恢复方法,其特征在于,所述采集光盘库故障图像,并对所述光盘库故障图像进行预处理,得到预处理后的光盘库故障图像,具体包括:
利用所述摄像头对所述光盘库中的转笼、机械臂和光驱阵列进行监控,采集所述光盘库故障图像;所述光盘库故障图像包括所有的所述光盘库不同故障状态下的图像;
设置一个像素实验阈值;
将每一幅所述光盘库故障图像的像素值与所述像素实验阈值进行比较,确定每一幅所述光盘库故障图像中的反光区域;
剔除每一幅所述光盘库故障图像中所有的反光区域,并将所述反光区域周围的非反光区域的像素值作为所述反光区域的像素值进行像素补充,得到无反光的光盘库故障图像;
对所述无反光的光盘库故障图像进行归一化处理,得到所述预处理后的光盘库故障图像;所述预处理后的光盘库故障图像用于对所述深度神经网络分类模型进行训练。
9.根据权利要求1所述的基于图像识别的光盘库故障自动恢复方法,其特征在于,所述深度神经网络分类模型包括主干网络、transformer层和全连阶层,所述主干网络采用多层圆形卷积的主干网络,通过多层圆形卷积操作对故障图像进行特征提取,所述圆形卷积操作表示卷积核为圆形的卷积操作,所述卷积核是以某一像素为中心,半径为多个像素的卷积核。
10.一种基于图像识别的光盘库故障自动恢复系统,其特征在于,包括:
实时故障图像采集和处理模块,用于采集光盘库的实时故障图像,并对所述实时故障图像进行预处理,得到预处理后的实时故障图像;所述光盘库包括转笼、机械臂、光驱阵列以及摄像头;
故障类别码获取模块,用于将所述预处理后的实时故障图像输入至训练好的深度神经网络分类模型中进行故障识别,得到实时故障类别码;所述训练好的深度神经网络分类模型为以所述光盘库的故障图像为输入,以所述故障图像对应的故障类别码为输出训练得到的深度神经网络分类模型;
故障自动修复模块,用于根据所述实时故障类别码对所述光盘库的故障进行自动修复处理。
CN202111357711.0A 2021-11-17 2021-11-17 一种基于图像识别的光盘库故障自动恢复方法及系统 Active CN113791929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111357711.0A CN113791929B (zh) 2021-11-17 2021-11-17 一种基于图像识别的光盘库故障自动恢复方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111357711.0A CN113791929B (zh) 2021-11-17 2021-11-17 一种基于图像识别的光盘库故障自动恢复方法及系统

Publications (2)

Publication Number Publication Date
CN113791929A true CN113791929A (zh) 2021-12-14
CN113791929B CN113791929B (zh) 2022-04-08

Family

ID=78955419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111357711.0A Active CN113791929B (zh) 2021-11-17 2021-11-17 一种基于图像识别的光盘库故障自动恢复方法及系统

Country Status (1)

Country Link
CN (1) CN113791929B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114064954A (zh) * 2022-01-18 2022-02-18 北京中科开迪软件有限公司 一种光盘库中图像清理方法及系统
CN114860996A (zh) * 2022-07-06 2022-08-05 北京中科开迪软件有限公司 一种基于光盘库的电子视频档案修复方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145134A (zh) * 2018-07-27 2019-01-04 郑州云海信息技术有限公司 一种检测设备故障的方法及装置
CN110825588A (zh) * 2019-11-05 2020-02-21 广东紫晶信息存储技术股份有限公司 一种光盘库的自动监控方法及系统
CN111091542A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车转向架弹簧托板折断故障图像识别方法
US20210223780A1 (en) * 2020-01-16 2021-07-22 Nvidia Corporation Using neural networks to perform fault detection in autonomous driving applications
CN113194253A (zh) * 2021-04-28 2021-07-30 维沃移动通信有限公司 去除图像反光的拍摄方法、装置和电子设备
US20210325888A1 (en) * 2020-04-16 2021-10-21 Gm Cruise Holdings Llc Automated inspection of autonomous vehicle equipment

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145134A (zh) * 2018-07-27 2019-01-04 郑州云海信息技术有限公司 一种检测设备故障的方法及装置
CN110825588A (zh) * 2019-11-05 2020-02-21 广东紫晶信息存储技术股份有限公司 一种光盘库的自动监控方法及系统
CN111091542A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车转向架弹簧托板折断故障图像识别方法
US20210223780A1 (en) * 2020-01-16 2021-07-22 Nvidia Corporation Using neural networks to perform fault detection in autonomous driving applications
US20210325888A1 (en) * 2020-04-16 2021-10-21 Gm Cruise Holdings Llc Automated inspection of autonomous vehicle equipment
CN113194253A (zh) * 2021-04-28 2021-07-30 维沃移动通信有限公司 去除图像反光的拍摄方法、装置和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HE KUN 等: "INTEGRATING LARGE CIRCULAR KERNELS INTO CNNS THROUGH NEURAL ARCHITECTURE SEARCH", 《ARXIV:2107.02451 [CS.CV]》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114064954A (zh) * 2022-01-18 2022-02-18 北京中科开迪软件有限公司 一种光盘库中图像清理方法及系统
CN114064954B (zh) * 2022-01-18 2022-05-10 北京中科开迪软件有限公司 一种光盘库中图像清理方法及系统
CN114860996A (zh) * 2022-07-06 2022-08-05 北京中科开迪软件有限公司 一种基于光盘库的电子视频档案修复方法及系统

Also Published As

Publication number Publication date
CN113791929B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN113791929B (zh) 一种基于图像识别的光盘库故障自动恢复方法及系统
US11887064B2 (en) Deep learning-based system and method for automatically determining degree of damage to each area of vehicle
CN108647136B (zh) 基于smart信息和深度学习的硬盘损坏预测方法及装置
CN111179249A (zh) 一种基于深度卷积神经网络的电力设备检测方法和装置
CN112287816A (zh) 一种基于深度学习的危险工作区事故自动检测报警方法
CN111832608B (zh) 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法
CN110264440B (zh) 基于深度学习的大规模列车移位故障检测方法及系统
CN110914831A (zh) 用于分析图像的方法和设备
CN112528940B (zh) 驾驶员行为识别模型的训练方法、识别方法及装置
CN116485779B (zh) 自适应晶圆缺陷检测方法、装置、电子设备及存储介质
CN114724246B (zh) 危险行为识别方法及装置
CN115065798A (zh) 一种基于大数据的视频分析监控系统
JP2021174456A (ja) 異常判定方法及び異常判定装置
CN115830407A (zh) 一种基于yolov4目标检测模型的电缆管线故障判别算法
Variz et al. Machine learning applied to an intelligent and adaptive robotic inspection station
Ircio et al. A multivariate time series streaming classifier for predicting hard drive failures [application notes]
CN117351271A (zh) 高压配电线路监控设备故障监测方法、系统及其存储介质
KR20230023263A (ko) 딥러닝 기반 하수도 결함 감지 방법 및 그 장치
CN116403162B (zh) 一种机场场面目标行为识别方法、系统及电子设备
CN116627358B (zh) 一种基于大数据的计算机外接设备检测系统及方法
CN113469137A (zh) 异常行为的识别方法、装置、存储介质及电子装置
CN112199295A (zh) 一种基于频谱的深度神经网络缺陷定位方法及系统
CN115546825A (zh) 一种安检规范性自动监测方法
CN111553408B (zh) 视频识别软件自动测试的方法
CN114764867A (zh) 基于图像主特征提取的风机故障诊断系统、方法及应用

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