CN114943858A - 数据中心巡检系统、电池异常识别方法、设备及存储介质 - Google Patents
数据中心巡检系统、电池异常识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114943858A CN114943858A CN202210431028.5A CN202210431028A CN114943858A CN 114943858 A CN114943858 A CN 114943858A CN 202210431028 A CN202210431028 A CN 202210431028A CN 114943858 A CN114943858 A CN 114943858A
- Authority
- CN
- China
- Prior art keywords
- battery
- abnormal
- image
- target
- array image
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- 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
- G06V2201/06—Recognition of objects for industrial automation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例提供一种数据中心巡检系统、电池异常识别方法、设备及存储介质。在本申请实施例中,可获取自主移动设备采集的数据中心的电池阵列图像;并对电池阵列图像进行电池特征提取,以得到电池阵列图像反映的电池特征;之后,可根据电池阵列图像反映的电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池中的异常电池及异常电池的目标异常类型,实现了对异常电池及异常电池的电池异常类型的自动识别,相较于人工巡检方式,有助于提高电池异常识别效率。另一方面,相较于人工巡检方式,可避免由于人工的经验不足或人工疏忽导致的电池异常漏检和误识别,有助于降低电池异常漏检的概率和误识别的概率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种数据中心巡检系统、电池异常识别方法、设备及存储介质。
背景技术
数据中心由很多规模庞大的集群系统组成,不仅包括计算集群系统,还包括与计算集群系统配套的其它设备,如通信设备、存储设备及供电系统等。供电系统用于为数据中心提供电力,保证数据中心的正常运作。
蓄电池是数据中心的核心设施之一,是保证数据中心电力供应的最后一道防线。为及时发现和检修蓄电池出现的各种异常,数据中心运维人员需要每天多次对蓄电池进行巡检。当前的做法是人工巡检,即逐节观察电池,靠人眼观察和识别各种异常。人工巡检存在如下弊端:人工电池巡检效率极其低下,并且容易出现异常漏识别。
发明内容
本申请的多个方面提供一种数据中心巡检系统、电池异常识别方法、设备及存储介质,用以提高数据中心电池巡检效率。
本申请实施例提供一种数据中心巡检系统,包括:自主移动设备和服务端设备;所述自主移动设备设置有图像采集设备;
所述自主移动设备,用于在数据中心中沿电池阵列移动,并在沿电池阵列移动过程中,控制所述图像采集设备采集电池阵列图像;将所述电池阵列图像提供给所述服务端设备;
所述服务端设备,用于:对所述电池阵列图像进行电池特征提取,以确定所述电池阵列图像的电池特征;根据所述电池特征,对所述电池阵列图像包含的目标电池进行异常识别,以确定所述目标电池中的异常电池及所述异常电池的目标异常类型。
本申请实施例还提供一种电池异常识别方法,包括:
获取自主移动设备在数据中心中沿电池阵列移动过程中采集的电池阵列图像;
对所述电池阵列图像进行电池特征提取,以确定所述电池阵列图像的电池特征;
根据所述电池特征,对所述电池阵列图像包含的目标电池进行异常识别,以确定所述目标电池中的异常电池及所述异常电池的目标异常类型。
本申请实施例还提供一种自主移动设备,包括:机械本体;所述机械本体上安装有图像采集设备、存储器和处理器;所述存储器用于存储计算机程序;
所述图像采集设备,用于在自主移动设备在数据中心中沿电池阵列移动过程中采集电池阵列图像;
所述处理器耦合至所述存储器,用于执行所述计算机程序以用于执行上述电池异常识别方法中的步骤。
本申请实施例还提供一种计算设备,包括:存储器、处理器和通信组件;所述存储器用于存储计算机程序;
所述处理器耦合至所述存储器及所述通信组件,用于执行所述计算机程序以用于执行上述电池异常识别方法中的步骤。
本申请实施例还提供一种存储有计算机指令的计算机可读存储介质,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器执行上述电池异常识别方法中的步骤。
在本申请实施例中,可获取自主移动设备采集的数据中心的电池阵列图像;并对电池阵列图像进行电池特征提取,以得到电池阵列图像反映的电池特征;之后,可根据电池阵列图像反映的电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池的目标异常类型,实现了对电池异常类型的自动识别,相较于人工巡检方式,有助于提高电池异常识别效率。另一方面,相较于人工巡检方式,可避免由于人工的经验不足或人工疏忽导致的电池异常漏检和误识别,有助于降低电池异常漏检的概率和误识别的概率。
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为本申请实施例提供的数据中心巡检系统的结构示意图;
图2为本申请实施例提供的数据中心巡检系统的巡检过程示意图;
图3为本申请实施例提供的电池异常识别方法的流程示意图;
图4为本申请实施例提供的计算设备的结构示意图;
图5为本申请实施例提供的自主移动设备的结构示意图。
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。
针对数据中心人工巡检存在如下弊端:人工电池巡检效率极其低下,并且容易出现异常漏识别的技术问题,在本申请一些实施例中,可获取自主移动设备采集的数据中心的电池阵列图像;并对电池阵列图像进行电池特征提取,以得到电池阵列图像反映的电池特征;之后,可根据电池阵列图像反映的电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池中的异常电池及异常电池的目标异常类型,实现了对电池异常类型的自动识别,相较于人工巡检方式,有助于提高电池异常识别效率。另一方面,相较于人工巡检方式,可避免由于人工的经验不足或人工疏忽导致的电池异常漏检和误识别,有助于降低电池异常漏检的概率和误识别的概率。
以下结合附图,详细说明本申请各实施例提供的技术方案。
应注意到:相同的标号在下面的附图以及实施例中表示同一物体,因此,一旦某一物体在一个附图或实施例中被定义,则在随后的附图和实施例中不需要对其进行进一步讨论。
图1为本申请实施例提供的数据中心巡检系统的结构示意图。如图1所示,数据中心巡检系统可包括:自主移动设备10和服务端设备20。
在本实施例中,自主移动设备10可自主移动,并在自主移动的基础上完成一些作业任务。在本申请实施例中,不限定自主移动设备10的具体实现形态。自主移动设备10可实现为机器人或者无人机等。其中,机器人的外观可为人形、动物形、车形或者木偶形等。在本实施例中,如图1所示,自主移动设备10上安装有图像采集设备101(对应图2流程1中图像采集)。在本实施例中,图像采集设备可以任何具有图像采集功能的设备实现,如摄像头、相机、录像机等。图像采集设备采集的图像可为一帧帧独立的图像,也可为视频中的视频帧。
在本实施例中,自主移动设备10可在数据中心中移动。在本申请实施例中,自主移动设备10是指具有独立的动力系统的设备。自主移动设备10可利用自己的动力系统进行移动。动力系统可包括驱动轮、驱动电机以及传动装置等。自主移动设备10可按照巡检路线,利用自己的动力系统进行自动移动。例如自主移动设备10可自动规划巡检路线;并按照巡检路线自动移动。关于规划巡检路线的具体实施方式将在下文实施例中进行描述,在此不再赘述。当然,自主移动设备10也可由用户或其它设备控制该自主移动设备10在数据中心移动。例如,计算设备(如服务端设备20)等控制自主移动设备10在数据中心移动。可选地,计算设备可将巡检路线下发给自主移动设备10,并控制自主移动设备10按照巡检路线在数据中心移动。又例如,用户可通过手机、遥控器等终端,控制自主移动设备10在数据中心移动等等。对于自主移动设备10可响应于终端控制信号,利用自己的动力系统进行移动。
具体地,自主移动设备10在数据中心的电池间进行移动(对应图2流程1中自主移动和定位)。数据中心的电池间以电池阵列的形式存储有蓄电池。电池阵列是指以阵列的形式存储蓄电池。如图1所示,一个机柜可对应一个或多个电池阵列,但不限于此。多个是指2个或2个以上。其中,蓄电池可以是电瓶和/或不间断电源(UPS)等。在本实施例中,蓄电池主要用于保证数据中心的不间断供电,即在数据中心的交流或直流供电电源(如市电)断电或出现异常时,为数据中心继续提供电力的,可防止数据中心的设备断电。因此,蓄电池的质量对保障数据中心的电力供应和稳定运行至关重要。为及时发现和检修蓄电池出现的各种异常,需要对数据中心的电池阵列进行巡检。在本申请实施例中,数据中心巡检系统主要是指对数据中心的电池阵列进行巡检的系统,可称为数据中心电池巡检系统。
在本申请实施例中,为了提高对电池阵列的巡检效果,可由自主移动设备10对数据中心的电池阵列进行巡检。对于蓄电池来说,电池异常在一定程度上可反映在电池的外表上。其中,电池异常类型包括但不局限于:漏液、鼓包、腐蚀或爬酸等异常。因此,在本申请实施例中,对于自主移动设备10可在数据中心中沿电池阵列移动,并在沿电池阵列移动过程中,控制图像采集设备101采集电池阵列的图像,即电池阵列图像。在本申请实施例中,不限定自主移动设备10在数据中心中沿电池阵列移动的具体路线。
在一些实施例中,可预先为自主移动设备10规划巡检路线;并将该巡检路线预先设置于自主移动设备10中。这样,自主移动设备10可按照设定的巡检路线在数据中心中沿电池阵列移动。在本申请实施例中,不限定预先生成巡检路线的具体实施方式和执行设备。可选地,可根据数据中心的环境地图,确定电池阵列在环境地图中的位置分布情况;并根据电池阵列在环境地图中的位置分布情况,为自主移动设备规划与电池阵列平行的巡检路线(对应图2流程2中确定巡检路线)。之后,可将该巡检路线预先设置于自主移动设备10中。其中,规划巡检路线的设备可为自主移动设备10、服务端设备20或者其它任何计算设备。
可选地,在根据电池阵列在环境地图中的位置分布情况,为自主移动设备规划与电池阵列平行的巡检路线时,采用的路径规划算法包括但不局限于:D*算法、A*算法、遗传算法、离子群算法或者蚂蚁算法等。其中,A*算法属于启发式搜索算法。D*算法属于反向启发式搜索算法。
启发式搜索算法可在搜索过程中建立启发式搜索规则,来衡量搜索位置和目标位置之间的距离关系,使搜索方式优先查询目标点所处位置的方向,可提高搜索效果。在本申请实施例中,目标位置是巡检终止点;搜索位置是指自主移动设备的当前位置。启发式搜索算法的思想主要是引入当前搜索节点x的估计函数f(x)。其中,估计函数f(x)可表示为:
f(x)=g(x)+h(x) (1)。
在上述式(1)中,g(x)是指从起始点到当前搜索节点x的实际距离;h(x)是指从当前搜索节点x到目标位置的最小距离估计。在本实施例中,起始点可为自主移动设备的出发点,终止点为自主移动设备的巡检终止点。其中,起始点和终止点可为同一点。其中,h(x)可采用欧式距离、余弦距离或曼哈顿距离等进行度量。基于上述式(1),自主移动设备在利用启发式搜索算法进行路线规划时,可从出发位置开始计算出发位置的每一个子节点的f值,即上述式(1)的值,从出发位置的子节点中,选择f值最小的子节点作为出发位置的下一点;再按照相同的方式,确定出发位置的下一点的子节点,往复迭代,直至下一子节点为巡检终止点。其中,确定出的每一个子节点连同出发和指定区域位置形成的路线,即为规划的巡检路线。
反向增量式搜索算法是在启发式搜索算法的基础上提出改良。反向是指从巡检终止点开始向起始点逐步搜索;增量式搜索是指在搜索过程中计算每个节点x的距离度量信息D(x)。其中,距离度量信息D(x)可表示为:
D(x)=D(y)+D(y,x) (2)。
在式(2)中,D(y)表示节点y到目标位置的实际距离;D(y,x)表示节点x到节点y的实际距离。对于反向增量式搜索算法可从指定区域开始计算指定区域位置的每一个子节点的f值,即上述式(1)的值,从巡检终止点的子节点中,选择f值最小的子节点作为巡检终止点的下一点;再按照相同的方式,确定巡检终止点的下一点的子节点,往复迭代,直至下一子节点为起始点。其中,确定出的每一个子节点连同出发位置和指定区域位置形成的路线,即为规划的巡检路线。
自主移动设备可沿着初始巡检路线移动,在移动过程中,若出现障碍物导致自主移动设备无法继续沿初始导航路线移动,自主移动设备可利用反向增量式搜索算法根据初始导航路径未经过的每个点的距离度量信息,重新进行巡检路线规划。具体实现为:假设自主移动设备在位置x探索到节点x在初始导航路线的下一节点存在障碍物,则自主移动设备首先计算当前位置x到巡检终止点的实际距离,并计算节点x的新的子节点y与节点x之间的距离,从节点x的新的子节点y中,选择f值最小的子节点作为节点x的新的下一点,反复迭代,直至下一子节点为起始点,得到新的巡检路线。
上述示出的巡检路线规划方式仅为示例性说明,并不构成限定。
在另一些实施例中,自主移动设备10也可在移动过程中进行自主定位和导航(对应图2流程1中自主移动和定位),并边移动边规划巡检路线。自主移动设备10可通过即时定位与地图构建(Simultaneous Localization And Mapping,SLAM)技术实现自主定位和导航巡检,得到巡检路线。
在本申请实施例中,自主移动设备10在按照设定的巡检路线沿电池阵列移动过程中,可控制图像采集设备101的采集视角正对电池阵列。在本申请实施例中,为了减少重复图像采集,还可在巡检路线上预先设置多个采集位置。图像采集设备101在多个采集位置采集的电池阵列图像可覆盖数据中心的全部电池阵列。在本申请实施例中,可根据图像采集设备101的采集视角和巡检路线与电池阵列之间的距离,确定多个采集位置(对应图2流程2中确定采集位置)。当然,也可前期由人工在巡检路线上测试图像采集设备采集到的电池阵列图像的采集范围;并根据人工测试结果,确定多个采集位置,使得图像采集设备101在多个采集位置采集的电池阵列图像可覆盖数据中心的全部电池阵列。其中,每个采集位置用于采集数据中心的部分电池阵列。
基于预先设置的多个采集位置。自主移动设备10在按照设定的巡检路线沿电池阵列移动过程中可自主定位,以确定自主移动设备10当前移动到的位置信息。在本申请实施例中,不限定自主移动设备进行自主定位的具体实施方式。在一些实施例中,自主移动设备10可采用SLAM技术进行自主定位。
具体地,自主移动设备10采集自身当前所在位置周围的环境信息;并根据自身当前所在位置周围的环境信息,定位其在存储的环境地图中的位姿。可选地,自主移动设备10可根据所获取的移动过程中的环境信息,构建临时地图;并将所构建的临时地图和存储的环境地图进行比对,以确定机器人在存储的环境地图中的位姿。其中,将所构建的临时地图和存储的环境地图进行比对,以确定机器人在存储的环境地图中的位姿的一种可选实施方式为:基于匹配算法,将所构建的临时地图在存储的环境地图上遍历每种位姿,比如栅格大小为5cm,可以选择5cm的步长,对临时地图,覆盖存储的环境地图中可能的位姿,再对角度步长取5度,包含所有的位姿中的朝向参数。当临时地图上的表示障碍物的栅格命中存储的环境地图上表示障碍物的栅格时,则加分,将得分最高的位姿确定为全局最优解的位姿;之后,计算该全局最优解位姿的匹配率,并当全局最优解的位姿的匹配率大于预设的匹配率阈值时,将该全局最优解位姿确定为自主移动设备10的位姿信息。其中,自主移动设备10的位姿信息包括:自主移动设备10的位置信息和朝向信息。
在自主移动设备10确定出当前移动到的位置信息之后,可将自主移动设备当前移动到的位置信息在设定的多个采集位置中进行匹配,以确定自主移动设备10是否移动到设定的采集位置。若自主移动设备10当前移动到的位置信息在设定的多个采集位置匹配中,确定自主移动设备10移动到设定的采集位置P。进一步,自主移动设备10可在设定的采集位置P采集电池阵列图像A。该采集位置P即为自主移动设备10采集该电池阵列图像时的采集位置(对应图2流程2中移动至采集位置采集电池阵列图像)。自主移动设备10还可记录电池阵列图像与采集位置的对应关系。
考虑到电池阵列存在一定高度,为了获取各高度上的电池阵列的图像,自主移动设备10上可设置多个图像采集设备101。多个图像采集设备101在自主移动设备10的安装高度不同,不同高度的图像采集设备101用于采集该高度对应的电池阵列的图像。相应地,自主移动设备10在设定的采集位置P采集电池阵列图像时,可得到位于不同高度的电池阵列的多个电池阵列图像。相应地,自主移动设备10还可记录电池阵列图像、采集位置及高度之间的对应关系。
在另一些实施例中,自主移动设备10上的图像采集设备101的高度是可调的。具体地,自主移动设备10可包括可伸缩结构;图像采集设备101设置于可伸缩结构上。自主移动设备10通过调节可伸缩结构的长度,调整图像采集设备101的高度。在该实施方式中,自主移动设备10在移动到设定的采集位置P时,可在采集位置P调整图像采集设备101的高度;并控制图像采集设备101在多个高度采集电池阵列图像,得到不同高度的多个电池阵列图像。在本申请实施例中,同一高度采集的电池阵列图像可为1个或多个。多个是指2个或2个以上。相应地,相应地,自主移动设备10还可记录电池阵列图像、采集位置及高度之间的对应关系。
在本实施例中,自主移动设备10和服务端设备20之间可通信连接(对应图2流程1中与服务端设备通信)。自主移动设备10和服务端设备20之间可以是无线或有线连接。可选地,自主移动设备10和服务端设备20可通过因特网通信连接。当然,自主移动设备10和服务端设备20可以通过移动网络和终端设备10b通信连接,相应地,移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、5G、WiMax等中的任意一种。可选地,自主移动设备10和服务端设备20也可以通过蓝牙、WiFi、红外线等方式通信连接。
基于自主移动设备10和服务端设备20之间的通信链路,自主移动设备10可将采集到的电池阵列图像提供给服务端设备20,由服务端设备20根据电池阵列图像对电池阵列进行异常检测和识别。其中,服务端设备20可以为单一服务器设备,也可以云化的服务器阵列,或者为云化的服务器阵列中运行的虚拟机(Virtual Machine,VM)。另外,服务端设备20也可以指具备相应服务能力的其他计算设备,例如电脑等终端设备(运行服务程序)等。下面对服务端设备20根据电池阵列图像对电池阵列进行异常检测和识别的过程进行示例性说明。
对于蓄电池来说,电池异常在一定程度上可反映在电池的外表上。其中,电池异常类型包括但不局限于:漏液、鼓包、腐蚀或爬酸等异常。因此,在本申请实施例中,如图1所示,服务端设备20针对接收到的电池阵列图像,可对电池阵列图像进行特征提取,以确定电池阵列图像的电池特征。在本申请实施例中,电池阵列图像的电池特征是指电池阵列图像反映的电池的外表特征。
由于电池阵列图像的电池特征在一定程度上可反映电池异常,因此,服务端设备20可根据电池阵列图像反映的电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池中的异常电池及异常电池的目标异常类型,实现了对异常电池及异常电池的异常类型的自动识别,相较于人工巡检方式,有助于提高电池异常识别效率。另一方面,相较于人工巡检方式,可避免由于人工的经验不足或人工疏忽导致的电池异常漏检和误识别,有助于降低电池异常漏检的概率和误识别的概率。其中,目标电池是指电池阵列图像包含的电池,目标电池的数量可为1个或多个。多个是指2个或2个以上。目标电池的数量具体由电池尺寸、图像采集设备的采集视角及图像采集设备与采集的图像阵列之间的距离决定。异常电池是指目标电池中存在异常的电池。目标电池中可能存在异常电池,也可能不存在异常电池。对于目标电池存在异常电池的情况,异常电池可为目标电池中的部分或全部电池。
在本申请实施例中,不限定对电池阵列图像进行电池特征提取及对电池阵列图像包含的目标电池进行异常识别的具体实施方式。
在一些实施例中,如图2所示,服务端设备20可对电池阵列图像进行电池检测,以确定所述电池阵列图像包含的目标电池对应的局部图像(对应图2流程3中电池检测);之后,对局部图像进行电池特征提取,以确定电池阵列图像的电池特征。
可选地,可将电池阵列图像输入电池检测模型;在电池检测模型中,对电池阵列图像进行电池检测,以得到对电池阵列图像进行电池标注的目标检测框的空间信息(对应图2流程2中电池检测)。在实际应用中,在对图像进行目标检测时,通常采用矩形检测框标注图像中包含的目标电池。矩形检测框的空间信息具体为矩形检测框在电池阵列图像上的空间信息,可反映目标电池在该电池阵列图像中的空间分布情况。其中,矩形检测框的空间信息包括:检测框的中心位置、尺寸等。可选地,检测框的中心位置可采用矩形检测框的中心坐标表示,检测框的尺寸可采用矩形检测框的宽高表示。相应地,检测框的空间信息可表示为(x,y,w,h)。其中,(x,y)表示矩形检测框的中心坐标,即矩形检测框的中心在待检测图像中的坐标,w和h分别表示矩形检测框的宽和高。或者,矩形检测框的空间信息包括:矩形检测框的顶点坐标等。矩形检测框的中心坐标和顶点坐标均为在电池阵列图像上的坐标。
对于一帧电池阵列图像包含的目标电池的数量可为1个或多个。多个是指2个或2个以上。每个目标电池可对应一个目标检测框。
进一步,服务端设备20可根据目标检测框的空间信息,从电池阵列图像中提取目标检测框对应的局部图像;并将该局部图像输入电池异常识别模型;在电池异常识别模型的特征提取层,可对局部图像进行电池特征提取,以得到局部图像的电池特征;进一步,可将局部图像的电池特征输入电池异常识别模型的异常识别层。在异常识别层中,可根据电池特征,计算局部图像包含的目标电池属于多种电池异常类型的概率;根据目标电池属于多种电池异常类型的概率,确定目标电池中的异常电池及异常电池的目标异常类型(对应图2流程3中电池异常识别)。可选地,针对任一目标电池,若目标电池属于多种电池异常类型的概率均小于设定的异常概率阈值,则确定该目标电池为非异常电池。若目标电池属于某一种或某些电池异常类型的概率大于设定的异常概率阈值,则确定该目标电池为异常电池。进一步,对于异常电池,可根据异常电池属于多种电池异常类型的概率,选择概率最大的电池异常类型作为异常电池的目标异常类型。
在本申请实施例中,在利用电池检测模型进行电池检测,以及,利用电池异常识别模型进行电池异常类型识别之前,还需对电池检测模型和电池异常识别模型进行模型训练。其中,电池检测模型和电池异常识别模型可单独训练,也可进行联合训练。其中,电池检测模型和电池异常识别模型联合训练是指采用相同的电池阵列样本图像共同训练电池检测模型和电池异常识别模型。其中,电池检测模型输出的局部图像,作为电池异常识别模型的输入。
上述电池检测模型的模型架构可为单次检测(Single Shot Detector,SSD)模型,YOLO(You only look once)系列模型、CenterNet模型、SPPNet模型、FPN模型等,但不限于此。电池异常识别模型可为神经网络模型等。神经网络模型可为CNN、RNN或DNN模型等等。
在本申请实施例中,电池阵列样本图像可为已知电池异常类型的样本电池的样本图像。可采用人工标注方式对电池阵列样本图像集进行电池标注,得到基准检测框的空间信息。在本申请实施例中,基准检测框是指对电池阵列样本图像集中的电池进行标注的检测框。
进一步,如图2流程2中所示,可利用电池样本图像集对电池检测模型进行模型训练,得到电池检测模型。将对电池检测模型进行模型训练的最初的模型称之为初始检测模型。其中,初始检测模型与模型训练最终得到的电池检测模型的模型架构相同,即模型的参数相同。本实施例中的模型训练主要是指:利用电池阵列样本图像集训练电池检测模型的参数,以使损失函数最小。即以损失函数最小化为训练目标,利用电池阵列样本图像集进行模型训练,得到最终的电池检测模型。其中,损失函数可根据模型训练得到的检测框的空间信息,及模型训练前对电池阵列样本图像集进行电池标注的基准检测框的空间信息确定的。
可选地,损失函数Lx可表示为:
Lx=Lcenter+λscaleLscale+λoffsetLoffset (3)
在损失函数(2)中,Lcenter表示中心损失,即模型训练得到的检测框的中心坐标与基准检测框的中心坐标之间的损失;Lscale表示尺度损失,即模型训练得到的检测框的宽、高与基准检测框的宽高之间的损失;Loffset表示偏移损失,即模型训练得到的检测框的中心坐标相较于基准检测框的中心坐标的偏移量损失。λscale、λoffset和λθ分别表示尺度损失及偏移损失所占的权重,可根据实际情况进行灵活设置。
在电池检测模型训练完成之后,可采用训练完成的电池检测模型输出的包含目标电池的电池阵列样本图像集的局部图像集,对电池异常识别模型进行模型训练。具体地,可以损失函数最小化为训练目标,利用局部图像集对电池异常识别模型进行模型训练,以得到最终训练完成的电池异常识别模型。其中,该损失函数可根据模型训练输出的局部图像包含的样本电池属于预设的多种异常类型的预测概率,与该局部图像包含的样本电池属于预设的多种异常类型的概率真值之间的差异确定。例如,例如,可将电池异常识别模型输出的局部图像包含的样本电池属于预设的多种异常类型的预测概率,与该局部图像包含的样本电池属于预设的多种异常类型的概率真值之间的交叉熵函数作为损失函数等。由于局部图像包含的样本电池的异常类型是已知的,因此,局部图像包含的样本电池属于其确定的异常类型的概率真值可为1,属于其它异常类型的概率真值可为0。相应地,损失函数Lz可表示为:
在式(4)中,N表示电池阵列样本图像的总数量。i表示第i帧电池阵列样本图像;i=1,2,…,N。M表示异常类型的总数量;c表示第c种异常类型;c=1,2,…,M。yic表示第i帧电池阵列样本图像包含的样本电池属于第c种异常类型的概率真值。若第c种异常类型为第i帧电池阵列样本图像的局部图像包含的样本电池预先标注或确定的异常类型,则yic=1;若第c种异常类型不是第i帧电池阵列样本图像的局部图像包含的样本电池预先标注或确定的异常类型,则yic=0。pic表示模型训练输出的第i帧电池阵列样本图像的局部图像属于第c种异常类型的预测概率。
其中,上述电池检测模型和电池异常识别模型的训练过程可在服务端设备20执行,也可在其他任何计算设备上执行。在电池检测模型和电池异常识别模型训练完成之后,可将电池检测模型和电池异常模型预先设置于服务端设备20中。这样,在服务端设备20可利用电池检测模型和电池异常识别模型对电池阵列图像进行电池检测和电池异常识别,得到电池阵列图像包含的目标电池在电池阵列图像中的图像坐标及目标电池中异常电池的目标异常类型(对应图2流程3中电池检测和电池异常识别)。
在本申请实施例中,服务端设备20可根据电池检测模型输出的对异常电池进行标注的目标检测框的空间信息,确定异常电池在电池阵列图像的图像坐标。例如,可确定对异常电池进行标注的目标检测框的中心坐标为异常电池在电池阵列图像的图像坐标等。目标检测框的中心坐标是指目标检测框的中心在电池阵列图像的图像坐标。
在本申请实施例中,为了实现对数据中心中电池的巡检,还需对异常电池进行定位,即确定异常电池在数据中心的位置,这样,对于数据中心的维护人员可快速找到异常电池进行更换或维修等。为了定位异常电池在数据中心的位置,服务端设备20还可获取自主移动设备在采集电池阵列图像过程中的位姿信息。由于上述自主移动设备10在采集电池图像阵列时,可记录自主移动设备采集电池阵列图像的采集点、图像采集设备的高度和朝向(即姿态);并在将电池阵列图像提供给服务端设备20时,自主移动设备10还可将该电池阵列图像对应的采集点、图像采集设备的高度和姿态提供给服务端设备20。对于服务端设备20可接收电池阵列图像,以及,该电池阵列图像对应的采集点、图像采集设备的高度和姿态,即服务端设备20可获取自主移动设备10记录的采集电池阵列图像时的采集点及图像采集设备的高度和姿态。
进一步,服务端设备20可根据自主移动设备10记录的采集电池阵列图像时的采集点及图像采集设备的高度和姿态,确定自主移动设备10在采集电池阵列图像过程中的位姿信息。
进一步,服务端设备20可根据自主移动设备10在采集电池阵列图像过程中的位姿信息,以及,异常电池在电池阵列图像的图像坐标,确定异常电池在设定坐标系中的位置信息(对应图2流程4中根据采集位置、高度及中心坐标,确定异常识别结果中异常电池的位置)。在本申请实施例中,不限定建立设定坐标系的参照物。在一些实施例中,设定坐标系可为世界坐标系;或者,设定坐标系为以数据中心为参照物建立的坐标系;或者,以数据中心的电池间为参照物建立的坐标系等。设定坐标系与数据中心相对应,设定坐标系中的每个坐标系对应数据中心的某个位置(三维空间位置)。因此,可根据异常电池在设定坐标下中的位置信息,确定异常电池在数据中心的位置信息,实现对异常电池在数据中心的定位。
在本申请实施例中,为了使数据中心的运维人员可感知巡检结果的可信度,服务端设备20还可根据电池异常识别模型确定出的异常电池属于目标异常类型的概率,确定异常电池的异常类型为目标异常类型的置信度。具体地,可就将异常电池属于目标异常类型的概率,作为异常电池的异常类型为目标异常类型的置信度。
进一步,服务端设备20可根据异常电池的目标异常类型、异常电池为目标异常类型的置信度及异常电池在数据中心的位置信息,异常目标电池的异常识别结果。该异常识别结果包括:异常电池的目标异常类型、异常电池为目标异常类型的置信度及异常电池在数据中心的位置信息。
在本申请实施例中,为了提高异常识别结果的准确度,还可对异常识别结果进行筛选,以过滤不满足要求的异常识别结果。具体地,服务端设备20可根据异常电池为目标异常类型的置信度对异常电池的异常识别结果进行筛选;若异常电池为目标异常类型的置信度小于设定的置信度阈值,确定异常电池的异常识别结果不满足设定的置信度要求,可过滤出该异常识别结果。
可选地,服务端设备20还可根据电池检测模型确定出的对异常电池进行标注的目标检测框的空间信息,对异常电池的异常识别结果进行筛选。这主要是由于为了提高异常识别结果的准确度,在自主移动设备10采集电池阵列的图像时,会将处于图像采集设备101的采集视角中心的电池阵列作为待检测的电池阵列,这样使得待检测的电池阵列可处于采集到的电池阵列图像的中心区域,而处于电池阵列图像的边缘区域的电池阵列非此次采集重点关注的电池阵列,且可能仅采集到这些电池阵列的局部图像,这样对这些处于电池阵列图像的边缘区域的电池阵列的异常识别结果的准确度较低。基于此,可预先设定目标图像坐标范围,该目标图像坐标范围用于筛选处于电池阵列图像中较为中心区域的电池阵列。基于设定的目标图像坐标范围,可判断电池检测模型确定出的对异常电池进行标注的目标检测框的空间信息中的中心坐标,是否位于设定的目标图像坐标范围内;若判断结果为是,则保留异常电池的异常识别结果;若判断结果为否,则过滤掉异常电池的异常识别结果。
上述根据异常电池为目标异常类型的置信度对异常识别结果进行筛选,以及,根据电池检测模型确定出的对异常电池进行标注的目标检测框的空间信息,对异常电池的异常识别结果进行筛选的实施方式,可择一实施,也可结合实施。在二者结合实施时,可根据电池检测模型确定出的对异常电池进行标注的目标检测框的空间信息及异常电池为目标异常类型的置信度,对目标电池的异常识别结果进行筛选。具体地,可判断目标电池为目标异常类型的置信度是否大于或等于设定的置信度阈值;并判断目标检测模型确定出的目标检测框的空间信息中的中心坐标是否位于设定的目标图像坐标范围内;若判断结果均为是,则保留目标电池的异常识别结果;若判断结果存在为否的情况,则过滤目标电池的异常识别结果,得到满足要求的目标电池的异常识别结果(对应图2流程3中根据目标检测框的中心坐标和置信度筛选异常检测结果)。
进一步,服务端设备20可输出满足要求的异常电池的异常识别结果。在本申请实施例中,不限定服务端设备20输出异常电池的异常识别结果的具体实现形式。在一些实施例中,服务端设备20可将异常电池的异常识别结果发送给运维人员的计算设备(如终端设备等)。运维人员的计算设备接收异常电池的异常识别结果,可在屏幕上展示异常电池的异常识别结果。在另一些实施例中,服务端设备20也可将异常电池的异常识别结果发送给数据中心管理设备。数据中心管理设备接收异常电池的异常识别结果,可在屏幕上展示目标电池的异常识别结果等等。
对于服务端设备20针对自主移动设备对数据中心进行巡检采集到的每帧电池阵列图像,均可对包含的目标电池进行异常识别,得到每帧电池阵列图像包含的目标电池的异常识别结果;并可根据每帧电池阵列图像包含的目标电池的异常识别结果,生成数据中心的电池巡检异常检测报告(对应图2流程4中电池巡检报告:异常电池位置、异常类型和置信度)。
可选地,服务端设备20在生成数据中心的电池巡检异常检测报告时,还可根据每帧电池阵列图像包含的目标电池的异常识别结果,对异常识别结果进行去重处理。例如,服务端设备20可根据每帧电池阵列图像包含的目标电池的异常识别结果,获取每帧电池阵列图像包含的目标电池在数据中心的位置信息,对重复的目标电池的位置信息进行去重删除等。之后,根据去重处理后的异常识别结果,生成数据中心的电池巡检异常检测报告。数据中心的电池巡检异常检测报告可以图表形式进行展示。图表中的一行或一列包含的信息项可包括:目标电池在数据中心的位置信息、目标电池的异常类型及目标电池为该异常类型的置信度等。
进一步,服务端设备20可输出数据中心的电池巡检异常检测报告(对应图2流程4中数据中心管理系统输出电池巡检报告)。关于服务端设备20输出数据中心的电池巡检异常检测报告的具体实施方式,可参见上述服务端设备20输出目标电池的异常识别结果的相关内容,在此不再赘述。对于数据中心的电池运维人员可查询数据中心的电池巡检异常检测报告,确定异常电池的信息等等。
值得说明的是,上述服务端设备20根据电池阵列图像对电池进行异常识别的实施方式,也可部署于自主移动设备10上,由自主移动设备10自主完成电池阵列图像的采集及根据电池阵列图像对电池进行自主异常识别等过程。该过程无需服务端设备20参与。对于自主移动设备10根据电池阵列图像对电池进行自主异常识别的具体实施方式,可参见上述服务端设备20根据电池阵列图像对电池进行自主异常识别的相关内容,在此不再赘述。
除了上述实施例提供的数据中心巡检系统之外,本申请实施例还提供电池异常识别方法。下面结合具体实施例对本申请实施例提供的电池异常识别方法进行示例性说明。
图3为本申请实施例提供的电池异常识别方法的流程示意图。如图3所示,该方法主要包括:
301、获取自主移动设备在数据中心中沿电池阵列移动过程中采集的电池阵列图像。
302、对电池阵列图像进行电池特征提取,以确定电池阵列图像的电池特征。
303、根据电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池中的异常电池及异常电池的目标异常类型。
本实施例提供的电池异常识别方法的执行主体可为任何具有计算功能的设备,包括但不局限于:自主移动设备和服务端设备等。
在本实施例步骤301中,可获取自主移动设备在数据中心中沿电池阵列移动过程中采集的电池阵列图像。关于自主移动设备采集电池阵列图像的描述,可参见上述系统实施例的相关内容,在此不再赘述。对于蓄电池来说,电池异常在一定程度上可反映在电池的外表上。其中,电池异常类型包括但不局限于:漏液、鼓包、腐蚀或爬酸等异常。因此,在步骤302中,可对电池阵列图像进行特征提取,以确定电池阵列图像的电池特征。在本申请实施例中,电池阵列图像的电池特征是指电池阵列图像反映的电池的外表特征。
由于电池阵列图像的电池特征在一定程度上可反映电池异常,在步骤303中,可根据电池阵列图像反映的电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池中的异常电池及异常电池的目标异常类型,实现了对异常电池及异常电池的电池异常类型的自动识别,相较于人工巡检方式,有助于提高电池异常识别效率。另一方面,相较于人工巡检方式,可避免由于人工的经验不足或人工疏忽导致的电池异常漏检和误识别,有助于降低电池异常漏检的概率和误识别的概率。
在本申请实施例中,不限定对电池阵列图像进行电池特征提取及对电池阵列图像包含的目标电池进行异常识别的具体实施方式。
在一些实施例中,可对电池阵列图像进行电池检测,以确定所述电池阵列图像包含的目标电池对应的局部图像;之后,对局部图像进行电池特征提取,以确定电池阵列图像的电池特征。
可选地,可将电池阵列图像输入电池检测模型;在电池检测模型中,对电池阵列图像进行电池检测,以得到对电池阵列图像进行电池标注的目标检测框的空间信息。关于目标检测框的空间信息的描述,可参见上述系统实施例的相关内容,在此不再赘述。对于一帧电池阵列图像包含的目标电池的数量可为1个或多个。多个是指2个或2个以上。每个目标电池可对应一个目标检测框。
进一步,可根据目标检测框的空间信息,从电池阵列图像中提取目标检测框对应的局部图像;并将该局部图像输入电池异常识别模型;在电池异常识别模型的特征提取层,可对局部图像进行电池特征提取,以得到局部图像的电池特征;进一步,可将局部图像的电池特征输入电池异常识别模型的异常识别层。在异常识别层中,可根据电池特征,计算局部图像包含的目标电池属于多种电池异常类型的概率;根据目标电池属于多种电池异常类型的概率,确定目标电池中的异常电池及异常电池的目标异常类型。可选地,针对任一目标电池,若目标电池属于多种电池异常类型的概率均小于设定的异常概率阈值,则确定该目标电池为非异常电池。若目标电池属于某一种或某些电池异常类型的概率大于设定的异常概率阈值,则确定该目标电池为异常电池。进一步,对于异常电池,可根据异常电池属于多种电池异常类型的概率,选择概率最大的电池异常类型作为异常电池的目标异常类型。
在本申请实施例中,在利用电池检测模型进行电池检测,以及,利用电池异常识别模型进行电池异常类型识别之前,还需对电池检测模型和电池异常识别模型进行模型训练。其中,关于电池检测模型和电池异常识别模型的训练过程可参见上述系统实施例的相关内容,在此不再赘述。
在电池检测模型和电池异常识别模型训练完成之后,可将电池检测模型和电池异常模型预先设置于计算设备。这样,可利用电池检测模型和电池异常识别模型对电池阵列图像进行电池检测和电池异常识别,得到电池阵列图像包含的目标电池中的异常电池在电池阵列图像中的图像坐标及异常电池的目标异常类型。
在本申请实施例中,可根据电池检测模型输出的对异常电池进行标注的目标检测框的空间信息,确定异常电池在电池阵列图像的图像坐标。例如,可确定对异常电池进行标注的目标检测框的中心坐标为异常电池在电池阵列图像的图像坐标等。目标检测框的中心坐标是指目标检测框的中心在电池阵列图像的图像坐标。
在本申请实施例中,为了实现对数据中心中电池的巡检,还需对异常电池进行定位,即确定异常电池在数据中心的位置,这样,对于数据中心的维护人员可快速找到异常电池进行更换或维修等。为了定位异常电池在数据中心的位置,还可获取自主移动设备在采集电池阵列图像过程中的位姿信息。由于上述自主移动设备在采集电池图像阵列时,可记录自主移动设备采集电池阵列图像的采集点、图像采集设备的高度和朝向(即姿态);因此,可获取自主移动设备记录的采集电池阵列图像时的采集点及图像采集设备的高度和姿态。
进一步,可根据自主移动设备记录的采集电池阵列图像时的采集点及图像采集设备的高度和姿态,确定自主移动设备在采集电池阵列图像过程中的位姿信息。
进一步,可根据自主移动设备在采集电池阵列图像过程中的位姿信息,以及,异常电池在电池阵列图像的图像坐标,确定对异常电池进行标注的电池在设定坐标系中的位置信息;并可根据异常电池在设定坐标下中的位置信息,确定异常电池在数据中心的位置信息,实现对异常电池在数据中心的定位。
在本申请实施例中,为了使数据中心的运维人员可感知巡检结果的可信度,还可根据电池异常识别模型确定出的异常电池属于目标异常类型的概率,确定异常电池的异常类型为目标异常类型的置信度。具体地,可就将异常电池属于目标异常类型的概率,作为异常电池的异常类型为目标异常类型的置信度。
进一步,可根据异常电池的目标异常类型、异常标电池为目标异常类型的置信度及异常电池在数据中心的位置信息,确定异常电池的异常识别结果。该异常识别结果包括:异常电池的目标异常类型、异常电池为目标异常类型的置信度及异常电池在数据中心的位置信息。
在本申请实施例中,为了提高异常识别结果的准确度,还可对异常识别结果进行筛选,以过滤不满足要求的异常识别结果。具体地,可根据异常电池为目标异常类型的置信度对目标电池的异常识别结果进行筛选;若异常电池为目标异常类型的置信度小于设定的置信度阈值,确定异常电池的异常检测结果不满足设定的置信度要求,可过滤出该异常识别结果。
可选地,还可根据电池检测模型确定出对异常电池进行标注的目标检测框的空间信息,对异常电池的异常识别结果进行筛选。这主要是由于为了提高异常识别结果的准确度,基于此,可预先设定目标图像坐标范围,该目标图像坐标范围用于筛选处于电池阵列图像中较为中心区域的电池阵列。基于设定的目标图像坐标范围,可判断目标检测模型确定出的对异常电池进行标注的目标检测框的空间信息中的中心坐标,是否位于设定的目标图像坐标范围内;若判断结果为是,则保留异常电池的异常识别结果;若判断结果为否,则过滤掉异常电池的异常识别结果。
上述根据异常电池为目标异常类型的置信度对异常识别结果进行筛选,以及,根据电池检测模型确定出的对异常电池进行标注的目标检测框的空间信息,对异常电池的异常识别结果进行筛选的实施方式,可择一实施,也可结合实施。在二者结合实施时,可根据电池检测模型确定出的对异常电池进行标注的目标检测框的空间信息及异常电池为目标异常类型的置信度,对异常电池的异常识别结果进行筛选。具体地,可判断异常电池为目标异常类型的置信度是否大于或等于设定的置信度阈值;并判断目标检测模型确定出的对异常电池进行标注的目标检测框的空间信息中的中心坐标是否位于设定的目标图像坐标范围内;若判断结果均为是,则保留异常电池的异常识别结果;若判断结果存在为否的情况,则过滤异常电池的异常识别结果,得到满足要求的异常电池的异常识别结果。
进一步,可输出满足要求的异常电池的异常识别结果。在本申请实施例中,不限定输出异常电池的异常识别结果的具体实现形式。在一些实施例中,上述电池异常识别方法的执行主体为服务端设备,可将异常电池的异常识别结果发送给运维人员的计算设备(如终端设备等)。运维人员的计算设备接收异常电池的异常识别结果,可在屏幕上展示异常电池的异常识别结果。在另一些实施例中,也可将异常电池的异常识别结果发送给数据中心管理设备。数据中心管理设备接收异常电池的异常识别结果,可在屏幕上展示异常电池的异常识别结果等等。在又一些实施例中,上述电池异常识别方法的执行主体为自主移动设备。相应地,自主移动设备可展示目标电池的异常识别结果。
在本申请实施例中,针对自主移动设备对数据中心进行巡检采集到的每帧电池阵列图像,均可对包含的目标电池进行异常识别,得到每帧电池阵列图像包含的目标电池的异常识别结果;并可根据每帧电池阵列图像包含的目标电池的异常识别结果,生成数据中心的电池巡检异常检测报告。
可选地,在生成数据中心的电池巡检异常检测报告时,还可根据每帧电池阵列图像包含的目标电池中的异常电池的异常识别结果,对异常识别结果进行去重处理。例如,可根据每帧电池阵列图像包含的目标电池中的异常电池的异常识别结果,获取每帧电池阵列图像包含的目标电池中的异常电池在数据中心的位置信息,对重复的异常电池的位置信息进行去重删除等。之后,根据去重处理后的异常识别结果,生成数据中心的电池巡检异常检测报告。数据中心的电池巡检异常检测报告可以图表形式进行展示。图表中的一行或一列包含的信息项可包括:异常电池在数据中心的位置信息、异常电池的异常类型及异常电池为该异常类型的置信度等。
进一步,可输出数据中心的电池巡检异常检测报告。关于输出数据中心的电池巡检异常检测报告的具体实施方式,可参见上述输出目标电池的异常识别结果的相关内容,在此不再赘述。对于数据中心的电池运维人员可查询数据中心的电池巡检异常检测报告,确定异常电池的信息等等。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤301和302的执行主体可以为设备A;又比如,步骤301的执行主体可以为设备A,步骤302的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如301、302等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。
相应地,本申请实施例还提供一种存储有计算机指令的计算机可读存储介质,当计算机指令被一个或多个处理器执行时,致使一个或多个处理器执行上述电池异常识别方法中的步骤。
本申请实施例还提供一种计算机程序产品,包括:计算机程序。其中,计算机程序产品被处理器执行可实现上述电池异常识别方法。在本申请实施例中,不限定计算机程序产品的具体实现形态。在一些实施例中,计算机程序产品可实现为插件等功能模块,或者实现为SaaS形态的软件产品,部署于云端,提供电池异常识别服务等。
图4为本申请实施例提供的计算设备的结构示意图。如图4所示,该计算设备包括:存储器40a、处理器40b及通信组件40c。其中,存储器40a用于存储计算机程序。
处理器40b耦合至存储器40a,用于执行计算机程序以用于:通过通信组件40c获取自主移动设备在数据中心中沿电池阵列移动过程中采集的电池阵列图像;对电池阵列图像进行电池特征提取,以确定电池阵列图像的电池特征;并根据电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池中的异常电池及异常电池的目标异常类型。
处理器40b在对电池阵列图像进行电池识别时,具体用于:将电池阵列图像输入电池检测模型,得到对电池阵列图像进行电池标注的目标检测框的空间信息;根据目标检测框的空间信息,从电池阵列图像中提取目标检测框对应的局部图像;对局部图像进行电池特征提取,以确定电池阵列图像的电池特征;
可选地,处理器40b在对局部图像进行电池特征提取时,具体用于:将具有局部图像输入电池异常识别模型的特征提取层,以得到局部图像的电池特征。
进一步,处理器40b在根据电池特征,对电池阵列图像包含的目标电池进行异常识别时,具体用于:将电池特征输入电池异常识别模型中的异常识别层,在异常识别层中,根据电池特征,计算局部图像包含的目标电池属于多种电池异常类型的概率;根据目标电池属于多种电池异常类型的概率,确定目标电池中的异常电池及异常电池目标异常类型。
在本申请实施例中,处理器40b还用于:获取自主移动设备在采集电池阵列图像过程中的位姿信息;根据对异常电池进行标注的目标检测框的空间信息,确定异常电池在电池阵列图像的图像坐标;根据自主移动设备在采集电池阵列图像过程中的位姿信息及异常电池在电池阵列图像的图像坐标,确定异常电池在设定坐标系中的位置信息;根据异常电池在设定坐标系中的位置信息,确定异常电池在数据中心的位置信息。
可选地,处理器40b在获取自主移动设备在采集电池阵列图像过程中的位姿信息时,具体用于:获取自主移动设备记录的采集电池阵列图像时的采集点及图像采集设备的高度和姿态;根据自主移动设备记录的采集电池阵列图像时的采集点及图像采集设备的高度和姿态,确定自主移动设备在采集电池阵列图像过程中的位姿信息。
可选地,处理器40b还用于:根据异常电池属于目标异常类型的概率,确定异常电池为目标异常类型的置信度;根据异常电池的目标异常类型、异常电池为目标异常类型的置信度及异常电池在数据中心的位置信息,确定异常电池的异常识别结果;输出异常电池的异常识别结果。
可选地,处理器40b还用于:根据异常电池属于目标异常类型的概率,确定目标电池为目标异常类型的置信度;根据对异常电池进行标注目标检测框的空间信息及异常电池为目标异常类型的置信度,对异常电池的异常识别结果进行筛选,以过滤不满足要求的异常识别结果。可选地,处理器40b还用于:根据自主移动设备对数据中心进行巡检采集的每帧电池阵列图像包含的目标电池的异常识别结果,生成数据中心的电池巡检报告;输出电池巡检报告。
在一些可选实施方式中,如图4所示,该计算设备还可以包括:电源组件40d等可选组件。图4中仅示意性给出部分组件,并不意味着计算设备必须包含图4所示全部组件,也不意味着计算设备只能包括图4所示组件。
本实施例提供的计算设备,可获取自主移动设备采集的数据中心的电池阵列图像;并对电池阵列图像进行电池特征提取,以得到电池阵列图像反映的电池特征;之后,可根据电池阵列图像反映的电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池中的异常电池及异常电池的目标异常类型,实现了对异常电池及异常电池的电池异常类型的自动识别,相较于人工巡检方式,有助于提高电池异常识别效率。另一方面,相较于人工巡检方式,可避免由于人工的经验不足或人工疏忽导致的电池异常漏检和误识别,有助于降低电池异常漏检的概率和误识别的概率。
图5为本申请实施例提供的自主移动设备的结构示意图。如图5所示,自主移动设备包括:机械本体501;机械本体501上安装有图像采集设备502、存储器503和处理器504;存储器503用于存储计算机程序。
值得说明的是,存储器503和处理器504的数量可以为1个或多个。多个是指2个或2个以上。在本实施例中,存储器503和处理器504可设置于机械本体501内部,也可以设置于机械本体501的表面。图像采集设备502设置于机械本体的表面。
机械本体501是自主移动设备的执行机构,可以在确定的环境中执行处理器102指定的操作。其中,机械本体501一定程度上体现了自主移动设备的外观形态。在本实施例中,并不限定自主移动设备的外观形态。机械本体501主要是指自主移动设备的机身。
值得说明的是,机械本体501上还设置有自主移动设备的一些基本组件,例如驱动组件、通信组件、电源组件、显示组件、音频组件等等。可选地,驱动组件可以包括驱动轮、驱动电机、万向轮等。不同自主移动设备所包含的这些基本组件以及基本组件的构成均会有所不同,本申请实施例列举的仅是部分示例。
在本实施例中,图像采集设备502可在自主移动设备在数据中心中沿电池阵列移动过程中采集电池阵列图像。
在一些实施例中,存储器503存储有设定的巡检路线和设定的采集位置。处理器504可用于:控制自主移动设备按照设定的巡检路线在数据中心中沿电池阵列移动;并在移动到设定的采集位置时,在采集位置控制图像采集设备502采集电池阵列图像。
可选地,处理器504还用于:在自主移动设备移动过程中对自主移动设备进行自主定位,以确定自主移动设备的位置信息;并将自主移动设备的位置信息在设定的采集点中进行匹配;若匹配中,确定自主移动设备移动到设定的采集位置。
在另一些实施例中,自主移动设备上设置有可伸缩结构505。图像采集设备502设置于可伸缩结构505上。处理器504在采集位置控制图像采集设备502采集电池阵列图像时,具体用于:在采集位置调整可伸缩结构505的长度,以调整图像采集设备502的高度;并控制图像采集设备502在多个高度采集电池阵列图像。
在本实施例中,处理器504耦合至存储器503用于执行计算机程序以用于:对电池阵列图像进行电池特征提取,以确定电池阵列图像的电池特征;根据电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池中的异常电池及异常电池的目标异常类型。
处理器504在对电池阵列图像进行电池识别时,具体用于:将电池阵列图像输入电池检测模型,得到对电池阵列图像进行电池标注的目标检测框的空间信息;根据目标检测框的空间信息,从电池阵列图像中提取目标检测框对应的局部图像;对局部图像进行电池特征提取,以确定电池阵列图像的电池特征。
可选地,处理器504在对局部图像进行电池特征提取时,具体用于:将具有局部图像输入电池异常识别模型的特征提取层,以得到局部图像的电池特征。
进一步,处理器504在根据电池特征,对电池阵列图像包含的目标电池进行异常识别时,具体用于:将电池特征输入电池异常识别模型中的异常识别层,在异常识别层中,根据电池特征,计算局部图像包含的目标电池属于多种电池异常类型的概率;根据目标电池属于多种电池异常类型的概率,确定目标电池中的异常电池及异常电池的目标异常类型。
在本申请实施例中,处理器504还用于:获取自主移动设备在采集电池阵列图像过程中的位姿信息;根据对异常电池进行标注的目标检测框的空间信息,确定异常电池在电池阵列图像的图像坐标;根据自主移动设备在采集电池阵列图像过程中的位姿信息及异常电池在电池阵列图像的图像坐标,确定异常电池在设定坐标系中的位置信息;根据异常电池在设定坐标系中的位置信息,确定异常电池在数据中心的位置信息。
可选地,处理器504在获取自主移动设备在采集电池阵列图像过程中的位姿信息时,具体用于:获取自主移动设备记录的采集电池阵列图像时的采集点及图像采集设备的高度和姿态;根据自主移动设备记录的采集电池阵列图像时的采集点及图像采集设备的高度和姿态,确定自主移动设备在采集电池阵列图像过程中的位姿信息。
可选地,处理器504还用于:根据异常电池属于目标异常类型的概率,异常目标电池为目标异常类型的置信度;根据异常电池的目标异常类型、目标电池为目标异常类型的置信度及异常电池在数据中心的位置信息,确定异常电池的异常识别结果;输出异常电池的异常识别结果。
可选地,处理器504还用于:根据异常电池属于目标异常类型的概率,确定异常电池为目标异常类型的置信度;根据对异常电池进行标注的目标检测框的空间信息及异常电池为目标异常类型的置信度,对异常电池的异常识别结果进行筛选,以过滤不满足要求的异常识别结果。可选地,处理器504还用于:根据自主移动设备对数据中心进行巡检采集的每帧电池阵列图像包含的目标电池的异常识别结果,生成数据中心的电池巡检报告;输出电池巡检报告。
需要说明的是,图5中仅示意性给出部分组件,并不意味着自主移动设备必须包含图5所示全部组件,也不意味着自主移动设备只能包括图5所示组件。
本实施例提供的自主移动设备,可获取自主移动设备采集的数据中心的电池阵列图像;并对电池阵列图像进行电池特征提取,以得到电池阵列图像反映的电池特征;之后,可根据电池阵列图像反映的电池特征,对电池阵列图像包含的目标电池进行异常识别,以确定目标电池的目标异常类型,实现了对异常电池及异常电池的电池异常类型的自动识别,相较于人工巡检方式,有助于提高电池异常识别效率。另一方面,相较于人工巡检方式,可避免由于人工的经验不足或人工疏忽导致的电池异常漏检和误识别,有助于降低电池异常漏检的概率和误识别的概率。
在本申请实施例中,存储器用于存储计算机程序,并可被配置为存储其它各种数据以支持在其所在设备上的操作。其中,处理器可执行存储器中存储的计算机程序,以实现相应控制逻辑。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请实施例中,处理器可以为任意可执行上述方法逻辑的硬件处理设备。可选地,处理器可以为中央处理器(Central Processing Unit,CPU)、图形处理器(GraphicsProcessing Unit,GPU)或微控制单元(Microcontroller Unit,MCU);也可以为现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程阵列逻辑器件(ProgrammableArray Logic,PAL)、通用阵列逻辑器件(General Array Logic,GAL)、复杂可编程逻辑器件(Complex Programmable Logic Device,CPLD)等可编程器件;或者为先进精简指令集(RISC)处理器(Advanced RISC Machines,ARM)或系统芯片(System on Chip,SOC)等等,但不限于此。
在本申请实施例中,通信组件被配置为便于其所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,4G,5G或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件还可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术或其他技术来实现。
在本申请实施例中,显示组件可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示组件包括触摸面板,显示组件可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
在本申请实施例中,电源组件被配置为其所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
在本申请实施例中,音频组件可被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(MIC),当音频组件所在设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。例如,对于具有语言交互功能的设备,可通过音频组件实现与用户的语音交互等。
需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本领域内的技术人员应明白,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。
本申请是参照根据本申请实施例的方法、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。
计算机的存储介质为可读存储介质,也可称为可读介质。可读存储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。
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 (14)
1.一种数据中心巡检系统,其特征在于,包括:自主移动设备和服务端设备;所述自主移动设备设置有图像采集设备;
所述自主移动设备,用于在数据中心中沿电池阵列移动,并在沿电池阵列移动过程中,控制所述图像采集设备采集电池阵列图像;将所述电池阵列图像提供给所述服务端设备;
所述服务端设备,用于:对所述电池阵列图像进行电池特征提取,以确定所述电池阵列图像的电池特征;根据所述电池特征,对所述电池阵列图像包含的目标电池进行异常识别,以确定所述目标电池中的异常电池及所述异常电池的目标异常类型。
2.根据权利要求1所述的系统,其特征在于,所述自主移动设备在数据中心中沿电池阵列移动时,具体用于:
按照设定的巡检路线在数据中心中沿电池阵列移动;
所述自主移动设备在控制所述图像采集设备采集电池阵列图像时,具体用于:
在移动到设定的采集位置时,在所述采集位置控制所述图像采集设备采集电池阵列图像。
3.根据权利要求2所述的系统,其特征在于,所述自主移动设备在在所述采集位置控制所述图像采集设备采集电池阵列图像时,具体用于:
在所述采集位置调整所述图像采集设备的高度;
控制所述图像采集设备在多个高度采集电池阵列图像。
4.一种电池异常识别方法,其特征在于,包括:
获取自主移动设备在数据中心中沿电池阵列移动过程中采集的电池阵列图像;
对所述电池阵列图像进行电池特征提取,以确定所述电池阵列图像的电池特征;
根据所述电池特征,对所述电池阵列图像包含的目标电池进行异常识别,以确定所述目标电池中的异常电池及所述异常电池的目标异常类型。
5.根据权利要求4所述的方法,其特征在于,所述对所述电池阵列图像进行电池识别,包括:
将所述电池阵列图像输入电池检测模型,得到对所述电池阵列图像进行电池标注的目标检测框的空间信息;
根据所述目标检测框的空间信息,从所述电池阵列图像中提取所述目标检测框对应的局部图像;
对所述局部图像进行电池特征提取,以确定所述电池阵列图像的电池特征;
所述对所述局部图像进行电池特征提取,以确定所述电池阵列图像的电池特征,包括:
将所述局部图像输入电池异常识别模型的特征提取层,以得到所述局部图像的电池特征。
6.根据权利要求5所述的方法,其特征在于,所述根据所述电池特征,对所述电池阵列图像包含的目标电池进行异常识别,以确定所述目标电池中的异常电池及所述异常电池的目标异常类型,包括:
将所述电池特征输入所述电池异常识别模型中的异常识别层,在所述异常识别层中,根据所述电池特征,计算所述局部图像包含的目标电池属于多种电池异常类型的概率;
根据所述目标电池属于多种电池异常类型的概率,确定所述目标电池中的异常电池及所述异常电池的目标异常类型。
7.根据权利要求6所述的方法,其特征在于,还包括:
获取所述自主移动设备在采集所述电池阵列图像过程中的位姿信息;
根据对所述异常电池进行标注的目标检测框的空间信息,确定所述异常电池在所述电池阵列图像的图像坐标;
根据所述自主移动设备在采集所述电池阵列图像过程中的位姿信息及所述异常电池在所述电池阵列图像的图像坐标,确定所述异常电池在设定坐标系中的位置信息;
根据所述异常电池在设定坐标系中的位置信息,确定所述异常电池在所述数据中心的位置信息。
8.根据权利要求7所述的方法,其特征在于,所述获取所述自主移动设备在采集所述电池阵列图像过程中的位姿信息,包括:
获取所述自主移动设备记录的采集所述电池阵列图像时的采集点及图像采集设备的高度和姿态;
根据所述自主移动设备记录的采集所述电池阵列图像时的采集点及图像采集设备的高度和姿态,确定所述自主移动设备在采集所述电池阵列图像过程中的位姿信息。
9.根据权利要求7所述的方法,其特征在于,还包括:
根据所述异常电池属于所述目标异常类型的概率,确定所述异常电池为目标异常类型的置信度;
根据所述异常电池的目标异常类型、所述异常电池为所述目标异常类型的置信度及所述异常电池在所述数据中心的位置信息,确定所述异常电池的异常识别结果;
输出所述异常电池的异常识别结果。
10.根据权利要求6所述的方法,其特征在于,还包括:
根据所述异常电池属于所述目标异常类型的概率,确定所述异常电池为目标异常类型的置信度;
根据对所述异常电池进行标注的目标检测框的空间信息及所述异常电池为目标异常类型的置信度,对所述异常电池的异常识别结果进行筛选,以过滤不满足要求的异常识别结果。
11.根据权利要求9所述的方法,其特征在于,还包括:
根据所述自主移动设备对数据中心进行巡检采集的每帧电池阵列图像包含的目标电池的异常识别结果,生成所述数据中心的电池巡检报告;
输出所述电池巡检报告。
12.一种自主移动设备,其特征在于,包括:机械本体;所述机械本体上安装有图像采集设备、存储器和处理器;所述存储器用于存储计算机程序;
所述图像采集设备,用于在自主移动设备在数据中心中沿电池阵列移动过程中采集电池阵列图像;
所述处理器耦合至所述存储器,用于执行所述计算机程序以用于执行权利要求4-11任一项所述方法中的步骤。
13.一种计算设备,其特征在于,包括:存储器、处理器和通信组件;所述存储器用于存储计算机程序;
所述处理器耦合至所述存储器及所述通信组件,用于执行所述计算机程序以用于执行权利要求4-11任一项所述方法中的步骤。
14.一种存储有计算机指令的计算机可读存储介质,其特征在于,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器执行权利要求4-11任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431028.5A CN114943858A (zh) | 2022-04-22 | 2022-04-22 | 数据中心巡检系统、电池异常识别方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431028.5A CN114943858A (zh) | 2022-04-22 | 2022-04-22 | 数据中心巡检系统、电池异常识别方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943858A true CN114943858A (zh) | 2022-08-26 |
Family
ID=82907038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210431028.5A Pending CN114943858A (zh) | 2022-04-22 | 2022-04-22 | 数据中心巡检系统、电池异常识别方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943858A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091457A (zh) * | 2023-01-16 | 2023-05-09 | 北京航科星云科技有限公司 | 一种卫星太阳电池阵异常预测方法、装置及计算机设备 |
-
2022
- 2022-04-22 CN CN202210431028.5A patent/CN114943858A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091457A (zh) * | 2023-01-16 | 2023-05-09 | 北京航科星云科技有限公司 | 一种卫星太阳电池阵异常预测方法、装置及计算机设备 |
CN116091457B (zh) * | 2023-01-16 | 2023-10-27 | 北京航科星云科技有限公司 | 一种卫星太阳电池阵异常预测方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7030431B2 (ja) | 点検支援システム及び点検支援制御プログラム | |
WO2018195955A1 (zh) | 一种基于飞行器的设施检测方法及控制设备 | |
CN110134147A (zh) | 一种植保无人机的自主路径规划方法及装置 | |
KR101984778B1 (ko) | 시설물 외벽 진단을 위한 다중 협업 방법 및 이를 수행하기 위한 장치 | |
CN114093052A (zh) | 适用于机房管理的智能巡检方法及系统 | |
JP2016090547A (ja) | ひび割れ情報収集装置及びひび割れ情報を収集するためのサーバ装置 | |
CN114943858A (zh) | 数据中心巡检系统、电池异常识别方法、设备及存储介质 | |
US20220044027A1 (en) | Photography system | |
JP2023553443A (ja) | 植物検出及び表示システム | |
EP4040400A1 (en) | Guided inspection with object recognition models and navigation planning | |
CN113284144A (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN116823232B (zh) | 一种桥梁表观病害巡检方法、巡检系统以及巡检装置 | |
CN114035606A (zh) | 杆塔巡检系统、杆塔巡检方法、控制装置和存储介质 | |
CN113450471A (zh) | 一种生产园区智能巡检系统 | |
CN112487894A (zh) | 基于人工智能的轨道交通保护区自动巡查方法及装置 | |
US20220148216A1 (en) | Position coordinate derivation device, position coordinate derivation method, position coordinate derivation program, and system | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
KR20240051806A (ko) | 드론 영상정보를 이용한 딥러닝 기반 구조물 손상 점검 방법 | |
CN112070189A (zh) | 一种棉包仓储辅助巡检方法与装置及其便携式巡检装置 | |
CN117253148A (zh) | 碳排放监测方法、装置、电子设备及存储介质 | |
CN117405832A (zh) | 一种空气质量监测方法、装置、设备及可读存储介质 | |
TW202016750A (zh) | 應用飛行載具之汙染源搜尋系統及其方法 | |
CN116222579B (zh) | 一种基于建筑施工的无人机巡察方法及系统 | |
CN114581394A (zh) | 一种绿色建筑综合监测管理的方法、系统和电子设备 | |
WO2022079629A1 (en) | Method and system for detecting defects in civil works |
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 |