CN114049552A - 基于实例分割的智慧机房线缆交维质量检验方法及装置 - Google Patents
基于实例分割的智慧机房线缆交维质量检验方法及装置 Download PDFInfo
- Publication number
- CN114049552A CN114049552A CN202111281035.3A CN202111281035A CN114049552A CN 114049552 A CN114049552 A CN 114049552A CN 202111281035 A CN202111281035 A CN 202111281035A CN 114049552 A CN114049552 A CN 114049552A
- Authority
- CN
- China
- Prior art keywords
- cable
- information
- judgment
- target
- cross
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开基于实例分割的智慧机房线缆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,利用训练好的深度卷积神经网络分类模型和训练好的深度卷积神经网络实例分割模型,对图片进行目标信息的提取;通过检测判断单元接收目标信息,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,得到最终线缆交维质量检测结果,反馈给交维人员。该方法及装置主要实例分割算法,实现了智慧机房线缆交维质量的自动化检验。
Description
技术领域
本发明涉及智慧机房线缆交维质量检验领域,尤其是基于实例分割的智慧机房线缆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,为保障线缆的正常运行和方便故障排查,需要对交维后的线缆进行一系列的质量检验,检验内容包括:线缆整体布放是否整洁、线缆是否裸露在机架外部、线缆上是否贴有信息标签和线缆布放是否存在飞线情况等。
为实现对实施现场的线缆进行交维质量检验,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,本发明提供基于实例分割的智慧机房线缆交维质量检验方法及装置,主要使用实例分割算法,实现了智慧机房线缆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,提出了基于实例分割的智慧机房线缆交维质量检验方法,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,利用训练好的深度卷积神经网络分类模型mobilenetv3和训练好的深度卷积神经网络实例分割模型yolact,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,得到最终线缆交维质量检测结果,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和待检测的局部类线缆型,待检测的局部类线缆型包括:整体机架类线缆和局部类线缆。
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线缆型,通过图片获取单元采集整体机架类线缆图片或者局部类线缆图片。
进一步地,目标信息包括两部分信息:线缆布放整洁度概率信息和待检测目标的实例分割信息。
进一步地,通过目标提取单元接收待检测的图片,利用训练好的深度卷积神经网络分类模型mobilenetv3和训练好的深度卷积神经网络实例分割模型yolact,对图片进行目标信息的提取,包括:
(1)对于整体机架类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取机架整体线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆和机架的掩码信息。
(2)对于局部类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取设备局部线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆、设备和标签的掩码信息。
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)对于整体机架类线缆提取的目标信息,检测判断单元包含两个子单元:整体线缆整洁度判断子单元和线缆外露判断子单元:
整体线缆整洁度判断子单元,用于判断机架整体线缆布放是否符合整洁度规范要求,并返回判断的结果信息;
线缆外露判断子单元,用于判断线缆布放是否符合不暴露在机架以外区域的规范要求,并返回判断的结果信息;
若两个子单元均返回合格信息,则认为整体机架类线缆的目标符合规范,返回整体机架类线缆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)对于局部类线缆的提取信息,检测判断单元包含三个子单元:局部线缆整洁度判断子单元、线缆标签判断子单元和线缆飞线判断子单元:
局部线缆整洁度判断子单元,用于判断设备局部线缆布放是否符合整洁度规范要求,并返回判断的结果信息;
线缆标签判断子单元,用于判断线缆是否贴有标签,并返回判断的结果信息;
线缆飞线判断子单元,用于判断线缆布放是否存在飞线的情况,并返回判断的结果信息;
若三个子单元均返回合格信息,则认为局部类线缆的目标符合规范,返回局部类线缆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,整体线缆整洁度判断子单元,具体用于:
根据整洁度概率判断准则,若整洁度概率大于阈值,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,线缆外露判断子单元,具体用于:
将线缆的掩码信息依次与机架的掩码信息计算重叠度,得到各个线缆与机架的重叠度,若重叠度均大于阈值,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,局部线缆整洁度判断子单元,具体用于:
根据整洁度概率判断准则,若整洁度概率大于阈值,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,线缆标签判断子单元,具体用于:
根据掩码信息对线缆和标签进行匹配,将线缆和标签进行重叠度计算,若重叠度大于阈值,则认为线缆与标签匹配成功,若所有检测到的线缆均有其匹配的标签,则认为该单元检验合格并返回合格信息,若存在线缆没有匹配到标签,则认为该单元检验不合格并将没有标签的线缆信息进行返回。
进一步地,线缆飞线判断子单元,具体用于:
根据线缆的掩码信息确定线缆的方向,得到方向为竖向的线缆列表;根据设备的坐标信息计算得到设备的主体坐标信息;将竖向的线缆分别与设备一一进行重叠度计算,得到各对线缆和设备的重叠度信息,若各对线缆和设备的重叠度均为零,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,分别在整体机架类线缆和局部类线缆的相应位置,进行相应的结果反馈。
进一步地,深度卷积神经网络分类模型mobilenetv3,包括以下训练步骤:
收集样本图片:训练样本包括两大类图片,一类是线缆布放整洁的图片,另一类是线缆布放杂乱的图片;
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;
mobilenetv3模型训练:利用预处理后的样本图片,对mobilenetv3模型采用迁移学习的方式进行参数训练,获得训练好的分类模型。
进一步地,深度卷积神经网络实例分割模型yolact,包括以下训练步骤:
收集样本图片:收集包含目标物体的样本图片,目标物体包含线缆、机架、设备和标签,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;
yolact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yolact模型采用迁移学习的方式进行参数训练,获得训练好的实例分割模型。
进一步地,线缆飞线判断子单元中线缆方向的确定,包括:
对线缆的掩码信息进行搜索,获得水平和竖直两个维度4个最值点的坐标信息:(Xmin,Y)、(Xmax,Y)、(X,Ymin)和(X,Ymax);
分别对最值点两两求欧式距离,将欧式距离距离最大的两个最值点作为该目标的端点;
计算端点与水平方向的夹角,若夹角大于45度,则该线缆为竖向的,否则该线缆为横向的。
进一步地,线缆飞线判断子单元中设备主体坐标信息的确定,包括:
通过训练好的深度卷积神经网络目标检测模型Retinanet,获得设备的坐标信息,坐标信息是由目标的左上角和右下角的坐标信息构成的列表,即[Xmin,Ymin,Xmax,Ymax];
通过对横坐标的缩进获得设备的主体坐标信息,即[Xmin+0.2(Xmax-Xmin),Ymin,Xmax-0.2(Xmax-Xmin),Ymax]。
在本发明一实施例中,还提出了基于实例分割的智慧机房线缆交维质量检验装置,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,利用训练好的深度卷积神经网络分类模型mobilenetv3和训练好的深度卷积神经网络实例分割模型yolact,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,得到最终线缆交维质量检测结果,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和待检测的局部类线缆型,待检测的局部类线缆型包括:整体机架类线缆和局部类线缆。
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线缆型,通过图片获取单元采集整体机架类线缆图片或者局部类线缆图片。
进一步地,目标信息包括两部分信息:线缆布放整洁度概率信息和待检测目标的实例分割信息。
进一步地,目标提取单元,具体用于:
(1)对于整体机架类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取机架整体线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆和机架的掩码信息。
(2)对于局部类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取设备局部线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆、设备和标签的掩码信息。
进一步地,检测判断单元,具体用于:
(1)对于整体机架类线缆提取的目标信息,检测判断单元包含两个子单元:整体线缆整洁度判断子单元和线缆外露判断子单元:
整体线缆整洁度判断子单元,用于判断机架整体线缆布放是否符合整洁度规范要求,并返回判断的结果信息;
线缆外露判断子单元,用于判断线缆布放是否符合不暴露在机架以外区域的规范要求,并返回判断的结果信息;
若两个子单元均返回合格信息,则认为整体机架类线缆的目标符合规范,返回整体机架类线缆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)对于局部类线缆的提取信息,检测判断单元包含三个子单元:局部线缆整洁度判断子单元、线缆标签判断子单元和线缆飞线判断子单元:
局部线缆整洁度判断子单元,用于判断设备局部线缆布放是否符合整洁度规范要求,并返回判断的结果信息;
线缆标签判断子单元,用于判断线缆是否贴有标签,并返回判断的结果信息;
线缆飞线判断子单元,用于判断线缆布放是否存在飞线的情况,并返回判断的结果信息;
若三个子单元均返回合格信息,则认为局部类线缆的目标符合规范,返回局部类线缆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,整体线缆整洁度判断子单元,具体用于:
根据整洁度概率判断准则,若整洁度概率大于阈值,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,线缆外露判断子单元,具体用于:
将线缆的掩码信息依次与机架的掩码信息计算重叠度,得到各个线缆与机架的重叠度,若重叠度均大于阈值,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,局部线缆整洁度判断子单元,具体用于:
根据整洁度概率判断准则,若整洁度概率大于阈值,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,线缆标签判断子单元,具体用于:
根据掩码信息对线缆和标签进行匹配,将线缆和标签进行重叠度计算,若重叠度大于阈值,则认为线缆与标签匹配成功,若所有检测到的线缆均有其匹配的标签,则认为该单元检验合格并返回合格信息,若存在线缆没有匹配到标签,则认为该单元检验不合格并将没有标签的线缆信息进行返回。
进一步地,线缆飞线判断子单元,具体用于:
根据线缆的掩码信息确定线缆的方向,得到方向为竖向的线缆列表;根据设备的坐标信息计算得到设备的主体坐标信息;将竖向的线缆分别与设备一一进行重叠度计算,得到各对线缆和设备的重叠度信息,若各对线缆和设备的重叠度均为零,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,分别在整体机架类线缆和局部类线缆的相应位置,进行相应的结果反馈。
进一步地,深度卷积神经网络分类模型mobilenetv3,包括以下训练步骤:
收集样本图片:训练样本包括两大类图片,一类是线缆布放整洁的图片,另一类是线缆布放杂乱的图片;
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;
mobilenetv3模型训练:利用预处理后的样本图片,对mobilenetv3模型采用迁移学习的方式进行参数训练,获得训练好的分类模型。
进一步地,深度卷积神经网络实例分割模型yolact,包括以下训练步骤:
收集样本图片:收集包含目标物体的样本图片,目标物体包含线缆、机架、设备和标签,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;
yolact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yolact模型采用迁移学习的方式进行参数训练,获得训练好的实例分割模型。
进一步地,线缆飞线判断子单元中线缆方向的确定,包括:
对线缆的掩码信息进行搜索,获得水平和竖直两个维度4个最值点的坐标信息:(Xmin,Y)、(Xmax,Y)、(X,Ymin)和(X,Ymax);
分别对最值点两两求欧式距离,将欧式距离距离最大的两个最值点作为该目标的端点;
计算端点与水平方向的夹角,若夹角大于45度,则该线缆为竖向的,否则该线缆为横向的。
进一步地,线缆飞线判断子单元中设备主体坐标信息的确定,包括:
通过训练好的深度卷积神经网络目标检测模型Retinanet,获得设备的坐标信息,坐标信息是由目标的左上角和右下角的坐标信息构成的列表,即[Xmin,Ymin,Xmax,Ymax];
通过对横坐标的缩进获得设备的主体坐标信息,即[Xmin+0.2(Xmax-Xmin),Ymin,Xmax-0.2(Xmax-Xmin),Ymax]。
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实例分割的智慧机房线缆交维质量检验方法。
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实例分割的智慧机房线缆交维质量检验方法的计算机程序。
有益效果:
1、本发明实现了线缆交维检验的自动化,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实例分割的智慧机房线缆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实例分割的智慧机房线缆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,提出了基于实例分割的智慧机房线缆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线缆相关图片,将其传输至目标提取单元;图片通过加载了训练好的深度卷积神经网络分类模型和训练好的深度卷积神经网络实例分割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实例分割的智慧机房线缆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和待检测的局部类线缆型,待检测的局部类线缆型包括:整体机架类线缆和局部类线缆;
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,对现场相关线缆进行图片采集
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线缆型,采集相对应的图片,如图2所示:
(1)整体机架类线缆图片,即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和线缆以及机架周边环境情况;
(2)局部类线缆图片,即包含各个设备的局部区域和与该设备相连接的线缆的正面直视图,要求覆盖网络设备的正面以及设备连接的线缆部分;
S3、加载训练后的深度卷积神经网络(分类模型和实例分割)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,利用训练好的深度卷积神经网络分类模型mobilenetv3和训练好的深度卷积神经网络实例分割模型yolact,对图片进行目标信息的提取,包括:
(1)对于整体机架类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取机架整体线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆和机架的掩码信息。
(2)对于局部类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取设备局部线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆、设备和标签的掩码信息;
在本发明中,需要事先训练深度卷积神经网络分类模型mobilenetv3,包括以下步骤:
收集样本图片:训练样本包括两大类图片,一类是线缆布放整洁的图片,另一类是线缆布放杂乱的图片;
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;
mobilenetv3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,对mobilenetv3模型进行参数训练,获得训练好的分类模型;
在本发明中,需要事先训练深度卷积神经网络实例分割模型yolact,包括以下步骤:
收集样本图片:收集包含目标物体的样本图片,目标物体包含线缆、机架、设备和标签等,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;
yolact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yolact模型进行参数训练,获得训练好的实例分割模型;
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)对于整体机架类线缆提取的目标信息,检测判断单元包含两个子单元:整体线缆整洁度判断子单元和线缆外露判断子单元:
整体线缆整洁度判断子单元,用于判断机架整体线缆布放是否符合整洁度规范要求,并返回判断的结果信息;根据整洁度概率判断准则,若整洁度概率大于阈值,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;
线缆外露判断子单元,用于判断线缆布放是否符合不暴露在机架以外区域的规范要求,并返回判断的结果信息;将线缆的掩码信息依次与机架的掩码信息计算重叠度,得到各个线缆与机架的重叠度,若重叠度均大于阈值,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,则认为整体机架类线缆的目标符合规范,返回整体机架类线缆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)对于局部类线缆的提取信息,检测判断单元包含三个子单元:局部线缆整洁度判断子单元、线缆标签判断子单元和线缆飞线判断子单元:
局部线缆整洁度判断子单元,用于判断设备局部线缆布放是否符合整洁度规范要求,并返回判断的结果信息;根据整洁度概率判断准则,若整洁度概率大于阈值,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;
线缆标签判断子单元,用于判断线缆是否贴有标签,并返回判断的结果信息;根据掩码信息对线缆和标签进行匹配,将线缆和标签进行重叠度计算,若重叠度大于阈值,则认为线缆与标签匹配成功,若所有检测到的线缆均有其匹配的标签,则认为该单元检验合格并返回合格信息,若存在线缆没有匹配到标签,则认为该单元检验不合格并将没有标签的线缆信息进行返回;
线缆飞线判断子单元,用于判断线缆布放是否存在飞线的情况,并返回判断的结果信息;根据线缆的掩码信息确定线缆的方向,得到方向为竖向的线缆列表;根据设备的坐标信息计算得到设备的主体坐标信息;将竖向的线缆分别与设备一一进行重叠度计算,得到各对线缆和设备的重叠度信息,若各对线缆和设备的重叠度均为零,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;
若三个子单元均返回合格信息,则认为局部类线缆的目标符合规范,返回局部类线缆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;
在本发明中,飞线是指线缆布放没有进行固定操作,直接从A点将线缆从空中通过至B点;线缆走线应横平竖直,与设备连接段应该保持与设备水平布放,在机架壁垂直走线时,必须用扎带把其固定于固定件上,防止因自身重力而引起线缆下堕,避免出现线缆越过其他设备正面直接通向地下的现象;
在本发明中,线缆方向的确定:对线缆的掩码信息进行搜索,获得水平和竖直两个维度4个最值点的坐标信息:(Xmin,Y)、(Xmax,Y)、(X,Ymin)和(X,Ymax);分别对最值点两两求欧式距离,将欧式距离距离最大的两个最值点作为该目标的端点;计算端点与水平方向的夹角,若夹角大于45度,则该线缆为竖向的,否则该线缆为横向的;
在本发明中,设备主体坐标信息的确定:通过训练好的深度卷积神经网络目标检测模型Retinanet,获得设备的坐标信息,坐标信息是由目标的左上角和右下角的坐标信息构成的列表,即[Xmin,Ymin,Xmax,Ymax];通过对横坐标的缩进获得设备的主体坐标信息,即[Xmin+0.2(Xmax-Xmin),Ymin,Xmax-0.2(Xmax-Xmin),Ymax];其中,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;
在本发明中,上述重叠度的计算方法以及欧式距离的计算方法均为现有技术;
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,得到最终线缆交维质量检测结果,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,分别在整体机架类线缆和局部类线缆的相应位置,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。
为了对上述基于实例分割的智慧机房线缆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:
以机房交维中对线缆的质量检验为例,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:
cableQuality-INFO-pipelineID:Lryz80W72OUa
2、检测类型:整体机架设备类线缆or局部设备类线缆:
cableQuality-INFO-type of detection:cabinet
3、载入图片,对应图片获取单元:
cableQuality-INFO-load image:Lryz80W72OUa_cabinet1.jpg
4、完成整洁度概率获取和目标实例分割,对应目标提取单元:
cableQuality-INFO-image classification:processing completed
cableQuality-INFO-instance segmentation:processing completed
5、完成规则判断,对应检测判断单元:
cableQuality-INFO-judgment unit:judgment completed
6、整体机架类线缆的检测完成:
cableQuality-INFO-Unit processing completed
7、以下每张图片依次进行以上流程:
cableQuality-INFO-type of detection:device
cableQuality-INFO-load image:Lryz80W72OUa_device1.jpgcableQuality-INFO-image classification:processing completed
cableQuality-INFO-instance segmentation:processing completed
cableQuality-INFO-judgment unit:judgment completed
cableQuality-INFO-load image:Lryz80W72OUa_device2.jpg
cableQuality-INFO-image classification:processing completed
cableQuality-INFO-instance segmentation:processing completed
cableQuality-INFO-judgment unit:judgment completed
cableQuality-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:
cableQuality-INFO-feedback unit:feedback completed
{'pipelineID':'Lryz80W72OUa','result':'Compliant'}
基于同一发明构思,本发明还提出基于实例分割的智慧机房线缆交维质量检验装置。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实例分割的智慧机房线缆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和待检测的局部类线缆型,待检测的局部类线缆型包括:整体机架类线缆和局部类线缆;
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线缆型,采集相对应的图片,如图2所示:
(1)整体机架类线缆图片,即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和线缆以及机架周边环境情况;
(2)局部类线缆图片,即包含各个设备的局部区域和与该设备相连接的线缆的正面直视图,要求覆盖网络设备的正面以及设备连接的线缆部分;
目标提取单元103,用于接收待检测的图片,利用训练好的深度卷积神经网络分类模型mobilenetv3和训练好的深度卷积神经网络实例分割模型yolact,对图片进行目标信息的提取,包括:
(1)对于整体机架类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取机架整体线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆和机架的掩码信息。
(2)对于局部类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取设备局部线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆、设备和标签的掩码信息;
在本发明中,需要事先训练深度卷积神经网络分类模型mobilenetv3,包括以下步骤:
收集样本图片:训练样本包括两大类图片,一类是线缆布放整洁的图片,另一类是线缆布放杂乱的图片;
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;
mobilenetv3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,对mobilenetv3模型进行参数训练,获得训练好的分类模型;
在本发明中,需要事先训练深度卷积神经网络实例分割模型yolact,包括以下步骤:
收集样本图片:收集包含目标物体的样本图片,目标物体包含线缆、机架、设备和标签等,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;
yolact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yolact模型进行参数训练,获得训练好的实例分割模型;
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)对于整体机架类线缆提取的目标信息,检测判断单元包含两个子单元:整体线缆整洁度判断子单元和线缆外露判断子单元:
整体线缆整洁度判断子单元,用于判断机架整体线缆布放是否符合整洁度规范要求,并返回判断的结果信息;根据整洁度概率判断准则,若整洁度概率大于阈值,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;
线缆外露判断子单元,用于判断线缆布放是否符合不暴露在机架以外区域的规范要求,并返回判断的结果信息;将线缆的掩码信息依次与机架的掩码信息计算重叠度,得到各个线缆与机架的重叠度,若重叠度均大于阈值,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,则认为整体机架类线缆的目标符合规范,返回整体机架类线缆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)对于局部类线缆的提取信息,检测判断单元包含三个子单元:局部线缆整洁度判断子单元、线缆标签判断子单元和线缆飞线判断子单元:
局部线缆整洁度判断子单元,用于判断设备局部线缆布放是否符合整洁度规范要求,并返回判断的结果信息;根据整洁度概率判断准则,若整洁度概率大于阈值,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;
线缆标签判断子单元,用于判断线缆是否贴有标签,并返回判断的结果信息;根据掩码信息对线缆和标签进行匹配,将线缆和标签进行重叠度计算,若重叠度大于阈值,则认为线缆与标签匹配成功,若所有检测到的线缆均有其匹配的标签,则认为该单元检验合格并返回合格信息,若存在线缆没有匹配到标签,则认为该单元检验不合格并将没有标签的线缆信息进行返回;
线缆飞线判断子单元,用于判断线缆布放是否存在飞线的情况,并返回判断的结果信息;根据线缆的掩码信息确定线缆的方向,得到方向为竖向的线缆列表;根据设备的坐标信息计算得到设备的主体坐标信息;将竖向的线缆分别与设备一一进行重叠度计算,得到各对线缆和设备的重叠度信息,若各对线缆和设备的重叠度均为零,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;
若三个子单元均返回合格信息,则认为局部类线缆的目标符合规范,返回局部类线缆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;
在本发明中,飞线是指线缆布放没有进行固定操作,直接从A点将线缆从空中通过至B点;线缆走线应横平竖直,与设备连接段应该保持与设备水平布放,在机架壁垂直走线时,必须用扎带把其固定于固定件上,防止因自身重力而引起线缆下堕,避免出现线缆越过其他设备正面直接通向地下的现象;
在本发明中,线缆方向的确定:对线缆的掩码信息进行搜索,获得水平和竖直两个维度4个最值点的坐标信息:(Xmin,Y)、(Xmax,Y)、(X,Ymin)和(X,Ymax);分别对最值点两两求欧式距离,将欧式距离距离最大的两个最值点作为该目标的端点;计算端点与水平方向的夹角,若夹角大于45度,则该线缆为竖向的,否则该线缆为横向的;
在本发明中,设备主体坐标信息的确定:通过训练好的深度卷积神经网络目标检测模型Retinanet,获得设备的坐标信息,坐标信息是由目标的左上角和右下角的坐标信息构成的列表,即[Xmin,Ymin,Xmax,Ymax];通过对横坐标的缩进获得设备的主体坐标信息,即[Xmin+0.2(Xmax-Xmin),Ymin,Xmax-0.2(Xmax-Xmin),Ymax];其中,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;
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,得到最终线缆交维质量检测结果,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,分别在整体机架类线缆和局部类线缆的相应位置,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实例分割的智慧机房线缆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时实现前述基于实例分割的智慧机房线缆交维质量检验方法。
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实例分割的智慧机房线缆交维质量检验方法的计算机程序。
本发明提出的基于实例分割的智慧机房线缆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分类模型和深度卷积神经网络实例分割模型获取机房交维待检测目标,依据自动化判断规则获取线缆交维质量检测结果。
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 (34)
1.基于实例分割的智慧机房线缆交维质量检验方法,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,利用训练好的深度卷积神经网络分类模型mobilenetv3和训练好的深度卷积神经网络实例分割模型yolact,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,得到最终线缆交维质量检测结果,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所述的基于实例分割的智慧机房线缆交维质量检验方法,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和待检测的局部类线缆型,待检测的局部类线缆型包括:整体机架类线缆和局部类线缆。
3.根据权利要求1所述的基于实例分割的智慧机房线缆交维质量检验方法,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线缆型,通过图片获取单元采集整体机架类线缆图片或者局部类线缆图片。
4.根据权利要求1所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述目标信息包括两部分信息:线缆布放整洁度概率信息和待检测目标的实例分割信息。
5.根据权利要求1所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,通过目标提取单元接收待检测的图片,利用训练好的深度卷积神经网络分类模型mobilenetv3和训练好的深度卷积神经网络实例分割模型yolact,对图片进行目标信息的提取,包括:
(1)对于整体机架类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取机架整体线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆和机架的掩码信息。
(2)对于局部类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取设备局部线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆、设备和标签的掩码信息。
6.根据权利要求1所述的基于实例分割的智慧机房线缆交维质量检验方法,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)对于整体机架类线缆提取的目标信息,检测判断单元包含两个子单元:整体线缆整洁度判断子单元和线缆外露判断子单元:
整体线缆整洁度判断子单元,用于判断机架整体线缆布放是否符合整洁度规范要求,并返回判断的结果信息;
线缆外露判断子单元,用于判断线缆布放是否符合不暴露在机架以外区域的规范要求,并返回判断的结果信息;
若两个子单元均返回合格信息,则认为整体机架类线缆的目标符合规范,返回整体机架类线缆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)对于局部类线缆的提取信息,检测判断单元包含三个子单元:局部线缆整洁度判断子单元、线缆标签判断子单元和线缆飞线判断子单元:
局部线缆整洁度判断子单元,用于判断设备局部线缆布放是否符合整洁度规范要求,并返回判断的结果信息;
线缆标签判断子单元,用于判断线缆是否贴有标签,并返回判断的结果信息;
线缆飞线判断子单元,用于判断线缆布放是否存在飞线的情况,并返回判断的结果信息;
若三个子单元均返回合格信息,则认为局部类线缆的目标符合规范,返回局部类线缆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。
7.根据权利要求6所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述整体线缆整洁度判断子单元,具体用于:
根据整洁度概率判断准则,若整洁度概率大于阈值,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6所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述线缆外露判断子单元,具体用于:
将线缆的掩码信息依次与机架的掩码信息计算重叠度,得到各个线缆与机架的重叠度,若重叠度均大于阈值,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。
9.根据权利要求6所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述局部线缆整洁度判断子单元,具体用于:
根据整洁度概率判断准则,若整洁度概率大于阈值,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。
10.根据权利要求6所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述线缆标签判断子单元,具体用于:
根据掩码信息对线缆和标签进行匹配,将线缆和标签进行重叠度计算,若重叠度大于阈值,则认为线缆与标签匹配成功,若所有检测到的线缆均有其匹配的标签,则认为该单元检验合格并返回合格信息,若存在线缆没有匹配到标签,则认为该单元检验不合格并将没有标签的线缆信息进行返回。
11.根据权利要求6所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述线缆飞线判断子单元,具体用于:
根据线缆的掩码信息确定线缆的方向,得到方向为竖向的线缆列表;根据设备的坐标信息计算得到设备的主体坐标信息;将竖向的线缆分别与设备一一进行重叠度计算,得到各对线缆和设备的重叠度信息,若各对线缆和设备的重叠度均为零,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。
12.根据权利要求1所述的基于实例分割的智慧机房线缆交维质量检验方法,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,分别在整体机架类线缆和局部类线缆的相应位置,进行相应的结果反馈。
13.根据权利要求1或5所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述深度卷积神经网络分类模型mobilenetv3,包括以下训练步骤:
收集样本图片:训练样本包括两大类图片,一类是线缆布放整洁的图片,另一类是线缆布放杂乱的图片;
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;
mobilenetv3模型训练:利用预处理后的样本图片,对mobilenetv3模型采用迁移学习的方式进行参数训练,获得训练好的分类模型。
14.根据权利要求1或5所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述深度卷积神经网络实例分割模型yolact,包括以下训练步骤:
收集样本图片:收集包含目标物体的样本图片,目标物体包含线缆、机架、设备和标签,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;
yolact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yolact模型采用迁移学习的方式进行参数训练,获得训练好的实例分割模型。
15.根据权利要求11所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述线缆飞线判断子单元中线缆方向的确定,包括:
对线缆的掩码信息进行搜索,获得水平和竖直两个维度4个最值点的坐标信息:(Xmin,Y)、(Xmax,Y)、(X,Ymin)和(X,Ymax);
分别对最值点两两求欧式距离,将欧式距离距离最大的两个最值点作为该目标的端点;
计算端点与水平方向的夹角,若夹角大于45度,则该线缆为竖向的,否则该线缆为横向的。
16.根据权利要求11所述的基于实例分割的智慧机房线缆交维质量检验方法,其特征在于,所述线缆飞线判断子单元中设备主体坐标信息的确定,包括:
通过训练好的深度卷积神经网络目标检测模型Retinanet,获得设备的坐标信息,坐标信息是由目标的左上角和右下角的坐标信息构成的列表,即[Xmin,Ymin,Xmax,Ymax];
通过对横坐标的缩进获得设备的主体坐标信息,即[Xmin+0.2(Xmax-Xmin),Ymin,Xmax-0.2(Xmax-Xmin),Ymax]。
17.基于实例分割的智慧机房线缆交维质量检验装置,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,利用训练好的深度卷积神经网络分类模型mobilenetv3和训练好的深度卷积神经网络实例分割模型yolact,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,得到最终线缆交维质量检测结果,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。
18.根据权利要求17所述的基于实例分割的智慧机房线缆交维质量检验装置,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和待检测的局部类线缆型,待检测的局部类线缆型包括:整体机架类线缆和局部类线缆。
19.根据权利要求17所述的基于实例分割的智慧机房线缆交维质量检验装置,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线缆型,通过图片获取单元采集整体机架类线缆图片或者局部类线缆图片。
20.根据权利要求17所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述目标信息包括两部分信息:线缆布放整洁度概率信息和待检测目标的实例分割信息。
21.根据权利要求17所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述目标提取单元,具体用于:
(1)对于整体机架类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取机架整体线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆和机架的掩码信息。
(2)对于局部类线缆图片:首先使用训练好的深度卷积神经网络分类模型mobilenetv3,提取设备局部线缆布放整洁度概率信息,然后使用训练好的深度卷积神经网络实例分割模型yolact,提取线缆、设备和标签的掩码信息。
22.根据权利要求17所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述检测判断单元,具体用于:
(1)对于整体机架类线缆提取的目标信息,检测判断单元包含两个子单元:整体线缆整洁度判断子单元和线缆外露判断子单元:
整体线缆整洁度判断子单元,用于判断机架整体线缆布放是否符合整洁度规范要求,并返回判断的结果信息;
线缆外露判断子单元,用于判断线缆布放是否符合不暴露在机架以外区域的规范要求,并返回判断的结果信息;
若两个子单元均返回合格信息,则认为整体机架类线缆的目标符合规范,返回整体机架类线缆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)对于局部类线缆的提取信息,检测判断单元包含三个子单元:局部线缆整洁度判断子单元、线缆标签判断子单元和线缆飞线判断子单元:
局部线缆整洁度判断子单元,用于判断设备局部线缆布放是否符合整洁度规范要求,并返回判断的结果信息;
线缆标签判断子单元,用于判断线缆是否贴有标签,并返回判断的结果信息;
线缆飞线判断子单元,用于判断线缆布放是否存在飞线的情况,并返回判断的结果信息;
若三个子单元均返回合格信息,则认为局部类线缆的目标符合规范,返回局部类线缆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。
23.根据权利要求22所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述整体线缆整洁度判断子单元,具体用于:
根据整洁度概率判断准则,若整洁度概率大于阈值,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。
24.根据权利要求22所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述线缆外露判断子单元,具体用于:
将线缆的掩码信息依次与机架的掩码信息计算重叠度,得到各个线缆与机架的重叠度,若重叠度均大于阈值,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。
25.根据权利要求22所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述局部线缆整洁度判断子单元,具体用于:
根据整洁度概率判断准则,若整洁度概率大于阈值,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。
26.根据权利要求22所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述线缆标签判断子单元,具体用于:
根据掩码信息对线缆和标签进行匹配,将线缆和标签进行重叠度计算,若重叠度大于阈值,则认为线缆与标签匹配成功,若所有检测到的线缆均有其匹配的标签,则认为该单元检验合格并返回合格信息,若存在线缆没有匹配到标签,则认为该单元检验不合格并将没有标签的线缆信息进行返回。
27.根据权利要求22所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述线缆飞线判断子单元,具体用于:
根据线缆的掩码信息确定线缆的方向,得到方向为竖向的线缆列表;根据设备的坐标信息计算得到设备的主体坐标信息;将竖向的线缆分别与设备一一进行重叠度计算,得到各对线缆和设备的重叠度信息,若各对线缆和设备的重叠度均为零,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。
28.根据权利要求17所述的基于实例分割的智慧机房线缆交维质量检验装置,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,分别在整体机架类线缆和局部类线缆的相应位置,进行相应的结果反馈。
29.根据权利要求17或21所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述深度卷积神经网络分类模型mobilenetv3,包括以下训练步骤:
收集样本图片:训练样本包括两大类图片,一类是线缆布放整洁的图片,另一类是线缆布放杂乱的图片;
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;
mobilenetv3模型训练:利用预处理后的样本图片,对mobilenetv3模型采用迁移学习的方式进行参数训练,获得训练好的分类模型。
30.根据权利要求17或21所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述深度卷积神经网络实例分割模型yolact,包括以下训练步骤:
收集样本图片:收集包含目标物体的样本图片,目标物体包含线缆、机架、设备和标签,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;
yolact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yolact模型采用迁移学习的方式进行参数训练,获得训练好的实例分割模型。
31.根据权利要求27所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述线缆飞线判断子单元中线缆方向的确定,包括:
对线缆的掩码信息进行搜索,获得水平和竖直两个维度4个最值点的坐标信息:(Xmin,Y)、(Xmax,Y)、(X,Ymin)和(X,Ymax);
分别对最值点两两求欧式距离,将欧式距离距离最大的两个最值点作为该目标的端点;
计算端点与水平方向的夹角,若夹角大于45度,则该线缆为竖向的,否则该线缆为横向的。
32.根据权利要求27所述的基于实例分割的智慧机房线缆交维质量检验装置,其特征在于,所述线缆飞线判断子单元中设备主体坐标信息的确定,包括:
通过训练好的深度卷积神经网络目标检测模型Retinanet,获得设备的坐标信息,坐标信息是由目标的左上角和右下角的坐标信息构成的列表,即[Xmin,Ymin,Xmax,Ymax];
通过对横坐标的缩进获得设备的主体坐标信息,即[Xmin+0.2(Xmax-Xmin),Ymin,Xmax-0.2(Xmax-Xmin),Ymax]。
33.一种计算机设备,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1-12中任一项或15或16所述方法。
34.一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1-12中任一项或15或16所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281035.3A CN114049552A (zh) | 2021-11-01 | 2021-11-01 | 基于实例分割的智慧机房线缆交维质量检验方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111281035.3A CN114049552A (zh) | 2021-11-01 | 2021-11-01 | 基于实例分割的智慧机房线缆交维质量检验方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049552A true CN114049552A (zh) | 2022-02-15 |
Family
ID=80206464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111281035.3A Pending CN114049552A (zh) | 2021-11-01 | 2021-11-01 | 基于实例分割的智慧机房线缆交维质量检验方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049552A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710795A (zh) * | 2024-02-06 | 2024-03-15 | 成都同步新创科技股份有限公司 | 一种基于深度学习的机房线路安全性检测方法及系统 |
-
2021
- 2021-11-01 CN CN202111281035.3A patent/CN114049552A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710795A (zh) * | 2024-02-06 | 2024-03-15 | 成都同步新创科技股份有限公司 | 一种基于深度学习的机房线路安全性检测方法及系统 |
CN117710795B (zh) * | 2024-02-06 | 2024-06-07 | 成都同步新创科技股份有限公司 | 一种基于深度学习的机房线路安全性检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107607562B (zh) | 一种违禁物品识别设备及方法、x光行李安检系统 | |
CN111476777B (zh) | 胸片图像处理方法、系统、可读存储介质和设备 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN111476776B (zh) | 胸部病灶位置确定方法、系统、可读存储介质和设备 | |
CN109544548A (zh) | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 | |
CN107615336A (zh) | 视觉系统中托盘槽类型和试管类型的基于位置的检测 | |
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 | |
CN115686280A (zh) | 深度学习模型管理系统、方法、计算机设备及存储介质 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN114035606A (zh) | 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质 | |
CN116866512A (zh) | 一种光伏电站巡检系统及其运行方法 | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
CN117498225B (zh) | 一种无人机智能电力线路巡检系统 | |
CN102496032A (zh) | 一种电气设备x射线数字图片处理算法支持系统 | |
CN107316131A (zh) | 一种基于图像识别的电能计量装置安装工艺质量检测系统 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN114861846A (zh) | 扫码采集方法以及装置、存储介质、电子装置 | |
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 | |
CN115938009A (zh) | 一种智能电子巡检定位方法及系统 | |
EP2503876B1 (en) | Device for controlling milk produced by an animal | |
CN114120052B (zh) | 自学习多调度云端标注平台、工作方法、电子设备及介质 | |
CN111222480A (zh) | 一种基于深度学习的葡萄重量在线估算方法及检测装置 | |
CN111860358A (zh) | 基于工业互联网的物料验收方法 | |
CN205038661U (zh) | 基于机器视觉的雷管数目自助管理装置 | |
Chen et al. | Edge-cloud collaborative electric power inspection image target detection method |
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 |