CN116520915B - 基于热红外图像的网络中心机房温度预警控制系统 - Google Patents
基于热红外图像的网络中心机房温度预警控制系统 Download PDFInfo
- Publication number
- CN116520915B CN116520915B CN202310771570.XA CN202310771570A CN116520915B CN 116520915 B CN116520915 B CN 116520915B CN 202310771570 A CN202310771570 A CN 202310771570A CN 116520915 B CN116520915 B CN 116520915B
- Authority
- CN
- China
- Prior art keywords
- initial
- pixel
- gray
- image
- historical
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 52
- 238000012216 screening Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于热红外图像的网络中心机房温度预警控制系统,包括:图像预处理模块、初始灰度区域获取模块、正则化参数调整模块和温度预警模块;根据初始窗口得到相似程度;根据相似程度得到初始灰度区域与历史灰度区域;根据历史灰度区域与初始灰度区域得到第一像素簇类与第二像素簇类;根据第一像素簇类得到第一历史差异;根据第二像素簇类得到第一实时差异与目标概率;根据第一历史差异与第一实时差异得到重要程度;根据重要程度与目标概率得到调整后的正则化参数;根据调整后的正则化参数得到最终增强图像并进行温度预警监测。本发明在增强图像对比度的同时还加强了细节的显示。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于热红外图像的网络中心机房温度预警控制系统。
背景技术
网络中心机房是网络服务的核心,由于网络中心机房中的器件对外界环境较为敏感,为了保证网络中心机房的工作效率,因此网络中心机房在工作时需要具备良好的环境条件,则需要对温度、湿度、烟雾粒子等环境参数进行实时监测,以确保网络中心机房的正常运作。其中由于温度对网络中心机房中的器件的影响效果最直观,因此对温度进行实时监测。
而红外图像作为温度监测的传统方法之一,由于自身监测范围广、非接触式测温和在复杂工作环境下应用等的优势而被广泛应用,但由于红外图像自身的成像原理,导致红外图像的分辨率会较低,从而使部分区域的细节显示不明显,常规的增强算法对红外图像的增强效果也不明显,导致最终基于红外图像进行的网络中心机房温度控制的准确性较差。为了使提高网络中心机房温度控制的准确性,本发明提出了一种以引导滤波对红外图像进行分层,分别对基础层与细节层进行图像增强,将增强后的对应图像叠加,通过叠加后的图像中每个区域的温度实现更为准确的温度控制的方法。
发明内容
本发明提供基于热红外图像的网络中心机房温度预警控制系统,以解决现有的问题。
本发明的基于热红外图像的网络中心机房温度预警控制系统采用如下技术方案:
本发明一个实施例提供了基于热红外图像的网络中心机房温度预警控制系统,该系统包括以下模块:
图像预处理模块,采集网络中心机房工作时的红外图像,对红外图像进行预处理得到初始灰度图像以及历史灰度图像;
初始灰度区域获取模块,根据初始灰度图像进行窗口划分得到若干初始窗口;根据初始窗口得到相邻初始窗口之间的相似程度;根据相邻初始窗口之间的相似程度得到若干初始灰度区域;
正则化参数调整模块,根据历史灰度图像得到历史灰度区域;根据历史灰度区域得到第一像素簇类;根据第一像素簇类得到第一历史差异;对初始灰度区域进行聚类得到若干第二像素簇类;根据第二像素簇类得到第一实时差异;根据第一历史差异与第一实时差异得到初始灰度图像中每个像素点的重要程度;根据第二像素簇类得到初始灰度图像中每个像素点属于噪声的目标概率;根据重要程度与目标概率得到调整后的正则化参数;
温度预警控制模块,根据调整后的正则化参数对初始灰度图像进行温度预警监测,根据温度预警监测结果控制网络中心机房的温度。
优选的,所述根据初始窗口得到相邻初始窗口之间的相似程度,包括的具体方法如下:
通过Sobel算子得到每个初始窗口的梯度角度与梯度幅值,将相邻初始窗口之间的梯度角度的差值的绝对值记为第一绝对值,将第一绝对值与180的比值记为第一比值,将相邻初始窗口之间的梯度幅值的差值的绝对值记为第二绝对值,将第二绝对值与255的比值记为第二比值,将第一比值与第二比值的乘积结果记为第一乘积,将第一乘积与-1的乘积结果记为第二乘积,将以自然常数为底,以第二乘积为指数的指数函数的计算结果记为相邻初始窗口之间的相似程度。
优选的,所述根据相邻初始窗口之间的相似程度得到若干初始灰度区域,包括的具体方法如下:
若相邻两个初始窗口的相似程度大于相似程度阈值,将相邻两个初始窗口融合为一个区域,若相邻两个初始窗口的相似程度小于等于相似程度阈值,则不进行融合;对任意相邻两个初始窗口进行融合判断,对初始灰度图像通过初始窗口融合得到若干区域,将得到的每个区域记为初始灰度区域。
优选的,所述根据历史灰度区域得到第一像素簇类,包括的具体方法如下:
以第k个历史灰度图像为目标历史灰度图像,将目标历史灰度图像中所有的历史灰度区域根据区域内的灰度均值进行预设簇数为K的K-means聚类得到聚簇类,将每个聚簇类中包含的每个像素点的位置记为第一像素位置;
遍历所有历史灰度图像,得到所有的历史灰度图像中的若干聚簇类;获取若干在所有历史灰度图像均属于第c个聚簇类的第一像素位置,这些第一像素位置组成一个第一像素簇类,获取每个聚簇类对应的第一像素簇类。
优选的,所述根据第一像素簇类得到第一历史差异,包括的具体方法如下:
式中,表示第c个第一像素簇类的第一历史差异;表示所有历史灰度图像
中第c个第一像素簇类的灰度均值;表示所有历史灰度图像的灰度均值。
优选的,所述根据第二像素簇类得到第一实时差异,包括的具体方法如下:
式中,表示第c个第二像素簇类的第一实时差异;表示初始灰度图像中第
c个第二像素簇类的灰度均值;表示初始灰度图像的灰度均值。
优选的,所述根据第一历史差异与第一实时差异得到初始灰度图像中每个像素点的重要程度,包括的具体方法如下:
式中,表示初始灰度图像中第c个第二像素簇类的重要系数;表示第i个
第一像素簇类的第一历史差异;表示第一像素簇类的数量;表示超参数;表示第c
个第二像素簇类的第一实时差异;
获取初始灰度图像中每个第二像素簇类的重要系数,对所有重要系数进行归一化,得到的结果记为每个第二像素簇类的重要程度,初始灰度图像中第c个第二像素簇类中每个像素点的重要程度与初始灰度图像中第c个第二像素簇类的重要程度一致,将不属于任何一个第二像素簇类的像素点的重要程度设置为0.3,获取初始灰度图像中每个像素点的重要程度。
优选的,所述根据第二像素簇类得到初始灰度图像中每个像素点属于噪声的目标概率,包括的具体方法如下:
建立一个33大小的窗口记为筛选窗口,将筛选窗口的中心记为第一中心,以第一
中心遍历初始灰度图像中每个第二像素簇类的每个像素点;将筛选窗口中与第一中心的像
素点不属于同一第二像素簇类的像素点记为外类像素点,将筛选窗口中与第一中心的像素
点属于同一第二像素簇类的像素点记为同类像素点;
以任意一个筛选窗口为当前筛选窗口,将当前筛选窗口中的外类像素点数量记为第一数量,将第一数量与8的比值记为第三比值,将外类像素点与同类像素点之间灰度差值绝对值的最大值记为第三绝对值,将第三绝对值与255的比值记为第四比值,将第三比值与第四比值的乘积记为当前筛选窗口中第一中心的像素点属于噪声的目标概率;获取初始灰度图像中所有第二像素簇类的每个像素点属于噪声的目标概率,不属于任何一个第二像素簇类的像素点属于噪声的目标概率设置为0.6。
优选的,所述根据重要程度与目标概率得到调整后的正则化参数,包括的具体方法如下:
预设一个原始正则化参数,以任意一个初始窗口为当前初始窗口,将当前初始窗口中每个像素点属于噪声的目标概率记为第一噪声概率,将1与第一噪声概率的差值记为第一正常概率;将当前初始窗口中所有像素点的重要程度均值记为第一重要程度,将1与第一重要程度的加和记为第二重要程度;将第一正常概率的均值与第二重要程度的乘积记为第三乘积,将第三乘积与原始正则化参数的乘积记为当前初始窗口调整后的正则化参数;获取初始灰度图像的所有初始窗口的调整后的正则化参数。
本发明的技术方案的有益效果是:通过对初始灰度图像进行窗口划分得到若干初始窗口,根据初始窗口得到相邻初始窗口之间的相似程度,根据相似程度对初始窗口进行阈值筛选得到初始灰度区域,根据历史灰度图像得到历史灰度区域,根据历史灰度区域进行聚类得到第一像素簇类,根据初始灰度区域得到第二像素簇类,根据第一像素簇类与第二像素簇类得到重要程度与噪声的目标概率,根据重要程度与噪声的目标概率得到调整后的正则化参数,根据调整后的正则化参数对初始灰度图像进行温度预警监测。通过调整正则化参数的大小将噪声留在基础层,减小的细节层受噪声影响的可能,在增强图像对比度的同时还加强了细节的显示,对图像区域的识别更加精准,对温度的判读更准确,提高了控制网络中心机房温度的准确性,减少误报导致的误控情况。
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,下面将对实施例或现有技术描述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。
图1为本发明基于热红外图像的网络中心机房温度预警控制系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于热红外图像的网络中心机房温度预警控制系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于热红外图像的网络中心机房温度预警控制系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于热红外图像的网络中心机房温度预警控制系统的结构框图,该系统包括以下模块:
图像预处理模块101,采集网络中心机房工作时的红外图像,对红外图像进行预处理得到初始灰度图像以及历史灰度图像。
需要说明的是,红外图像作为温度监测的传统方法之一,由于自身监测范围广、非接触式测温和在复杂工作环境下应用等的优势而被广泛应用,但由于红外图像自身的成像原理,导致红外图像的分辨率会较低,从而使部分区域的细节显示不明显,常规的增强算法对红外图像的增强效果也不明显。为了使红外图像增强效果更明显,本实施例提出了一种以引导滤波对红外图像进行分层,分别对基础层与细节层进行图像增强,将增强后的对应图像叠加的方法。
具体的,为了实现本实施例提出的方法,首先需要采集红外图像,并对红外图像进行预处理,具体过程为:使用红外摄像头对网络中心机房进行实时监测得到当前时刻的红外图像,记为初始红外图像,将近一周的监测视频作为历史监测视频,从历史监测视频中每一分钟截取一帧图像,并记为历史红外图像;将初始红外图像进行线性灰度化处理得到初始灰度图像,将历史红外图像进行线性灰度化处理得到历史灰度图像。其中监测视频的帧数本实施例采用60帧,线性灰度化是现有技术,本实施例不进行叙述。
至此,通过上述方法得到网络中心机房的初始灰度图像以及历史灰度图像。
初始灰度区域获取模块102,对初始灰度图像进行窗口划分得到若干初始窗口,根据初始窗口得到相邻初始窗口之间的相似程度,根据相似程度对初始窗口进行阈值筛选得到初始灰度区域。
需要说明的是,通过引导滤波将初始灰度图像作为引导层,引导层经引导滤波处理后的图像是基础层,引导层减去基础层的图像作为细节层。其中引导滤波的平滑程度越大,细节层的细节内容越多且存在噪声的可能性越大;平滑程度越小,细节层的细节内容越少且存在噪声的可能性越小。由于引导滤波的平滑程度根据现有技术可知,其受正则化参数与窗口内的灰度方差影响,当正则化参数远大于灰度方差时,平滑程度较大,细节层的细节内容较多且存在噪声的可能性越高。
进一步需要说明的是,由于红外图像中的发热源是一个较为稳定的持续高热区域,根据热能量总是向温度更低的区域扩散的规律,可知与发热源距离越远的温度较低的区域与发热源相比,该温度较低区域的灰度变化程度越剧烈。又因网络中心机房中每个器件的温度发散情况不同,导致与发热源距离相同多个温度较低的区域之间的灰度变化的产生一定的差异,但在实际情况中,该差异细微,多个距离相同温度较低的区域的灰度变化程度相似。而这些灰度变化程度相似的区域对应的器件由于经常使用,容易损坏,所以是这些灰度变化程度相似的区域是主要关注的区域。
具体的,将初始灰度图像划分为若干个为MM大小的窗口并记为初始窗口,本实施
例以M=3进行叙述,通过Sobel算子得到每个初始窗口的梯度角度与梯度幅值;需要说明的
是,所有初始窗口中包含的像素点不重复,即初始窗口之间不重叠且相邻初始窗口紧密相
连,若初始窗口中存在空缺的像素点,即初始窗口位于图像边界位置无法获取完整的初始
窗口,则用二次线性插值进行填充;Sobel算子与二次线性插值是现有技术,本实施例不进
行叙述。
进一步的,初始灰度图像中任意相邻初始窗口之间的相似程度的计算公式为:
式中,表示相邻初始窗口之间梯度角度的差值绝对值;表示相邻初始窗口之
间梯度幅值的差值绝对值;exp()表示以自然常数为底的指数函数;表示相邻初始窗口
之间的相似程度;180表示梯度角度的平角度数;255表示灰度的值域范围中的最大值;相邻
初始窗口之间梯度角度的差异越小,梯度幅值的差异越小,梯度越接近,两个初始窗口属于
同一区域的可能性越大;获取任意相邻两个初始窗口之间的相似程度,需要说明的是,本实
施例采用函数来呈现反比例关系及归一化处理,实施者可根据实际情况选择反比
例函数及归一化函数。
进一步的,预设一个相似程度阈值T1,其中本实施例以T1=0.75为例进行叙述,本实施例不进行具体限定,其中T1可根据具体实施情况而定;若相邻两个初始窗口的相似程度大于相似程度阈值,则将相邻两个初始窗口融合为一个区域,若相邻两个初始窗口的相似程度小于等于相似程度阈值,则不进行融合;按照上述方法对任意相邻两个初始窗口进行融合判断,本实施例中相邻定义为每个初始窗口上下左右的四个相邻初始窗口,则最终可以对初始灰度图像通过初始窗口融合得到若干区域,将得到的每个区域记为初始灰度区域,需要说明的是,若某一个初始窗口没有与其他初始窗口融合,则该初始窗口不属于任何一个初始灰度区域;初始窗口融合过程中,满足阈值判断的情况下,可以将多个区域融合为一个区域。
至此,通过上述方法得到初始灰度图像中的若干初始灰度区域。
正则化参数调整模块103,根据历史灰度图像得到历史灰度区域,根据历史灰度区域进行聚类得到第一像素簇类,根据初始灰度区域得到第二像素簇类,根据第一像素簇类与第二像素簇类得到重要程度与属于噪声的目标概率,根据重要程度与属于噪声的目标概率得到调整后的正则化参数。
需要说明的是,根据历史灰度图像可以得到每个历史灰度图像中的初始灰度区域,若当前区域在所有的历史灰度图像的初始灰度区域上出现的次数较多时,则说明当前区域的器件经常运作,使用频率较高,器件容易损坏,即该区域的重要程度较高,其中即使初始灰度图像中当前区域不属于初始灰度区域,还是认为该区域的重要程度较高;若当前区域在所有的历史灰度图像的初始灰度区域上出现的次数较少时,则说明当前区域的器件偶尔运作,使用频率较低,器件不易损坏,即该区域的重要程度较低,但由于若初始灰度图像中当前区域属于初始灰度区域时,可能会使当前区域的器件达到器件经常运作的次数阈值,从而误认为当前区域的重要程度较高,所以需要在当前区域在所有的历史灰度图像的初始灰度区域上出现的次数较少的基础上加入初始灰度图像中当前区域不属于初始灰度全区域的条件限制。
进一步需要说明的是,对于重要程度高的区域,对应区域的引导滤波的平滑程度也会较高;对于重要程度低的区域,对应区域的引导滤波的平滑程度也会较低,但由于不论重要程度高低的区域都有存在噪声的可能性,且噪声主要分布在区域边缘,为了使最终的增强图像更清晰,根据存在噪声可能性调整对应区域的重要程度。
具体的,参考初始灰度图像中初始灰度区域的获取方法,得到历史灰度图像中的所有初始灰度区域,记为历史灰度区域。其中本实施例以第k个历史灰度图像为目标历史灰度图像进行叙述,将目标历史灰度图像中所有的历史灰度区域根据区域内的灰度均值进行预设簇数为K的K-means聚类得到聚簇类,将每个聚簇类中包含的每个像素点的位置记为第一像素位置;遍历所有历史灰度图像,得到所有的历史灰度图像中的若干聚簇类;本实施例以第c个聚簇类为例,获取若干在所有历史灰度图像均属于第c个聚簇类的第一像素位置,这些第一像素位置组成一个第一像素簇类,获取每个聚簇类对应的第一像素簇类,需要说明的是,每个历史灰度图像均得到四个聚簇类,则对所有历史灰度图像共得到四个第一像素簇类,K-means聚类是现有技术,本实施例以K=4为例进行叙述,本实施例不进行具体限定,其中K可根据具体实施情况而定,聚类距离采用不同历史灰度区域在灰度均值之间的差值绝对值。
进一步的,将初始灰度图像中所有的初始灰度区域根据灰度进行预设簇数为K的K-means聚类得到聚簇类,将每个聚簇类中包含的每个像素点的位置记为第二像素位置,将每个聚簇类记为第二像素簇类。本实施例以K=4为例进行叙述,本实施例不进行具体限定,其中K可根据具体实施情况而定。
进一步的,获取第一历史差异的计算公式为:
式中,表示所有历史灰度图像中第c个第一像素簇类的灰度均值与所有历史
灰度图像灰度均值的灰度差异特征,记为第c个第一像素簇类的第一历史差异;表示所
有历史灰度图像中第c个第一像素簇类的灰度均值;表示所有历史灰度图像的灰度均
值。
获取第一实时差异的计算公式为:
式中,表示初始灰度图像中第c个第二像素簇类的灰度均值与初始灰度图像
灰度均值的灰度差异特征,记为第c个第二像素簇类的第一实时差异;表示初始灰度图
像中第c个第二像素簇类的灰度均值;表示当前初始灰度图像的灰度均值。
获取重要程度的计算方法为:
式中,表示初始灰度图像中第c个第二像素簇类的重要系数;表示第i个
第一像素簇类的第一历史差异;表示第一像素簇类的数量;表示超参数,本实施例以=
4为例进行叙述,本实施例不进行具体限定,其中可根据具体实施情况而定;表示第c
个第二像素簇类的第一实时差异;获取初始灰度图像中所有第二像素簇类的重要系数,将
所有第二像素簇类的重要系数进行线性归一化,得到的结果记为每个第二像素簇类的重要
程度,初始灰度图像中第c个第二像素簇类中每个像素点的重要程度与初始灰度图像中第c
个第二像素簇类的重要程度一致,本实施例将不属于任何一个第二像素簇类的像素点的重
要程度设置为0.3,获取初始灰度图像中每个像素点的重要程度。
至此,得到初始灰度图像每个第二像素簇类的重要程度。
进一步的,建立一个33大小的窗口记为筛选窗口,将筛选窗口的中心记为第一中
心,以第一中心遍历初始灰度图像中每个第二像素簇类的每个像素点;将筛选窗口中与第
一中心的像素点不属于同一第二像素簇类的像素点记为外类像素点,将筛选窗口中与第一
中心的像素点属于同一第二像素簇类的像素点记为同类像素点,本实施例以任意一个筛选
窗口为当前筛选窗口进行叙述,则当前筛选窗口中第一中心的像素点属于噪声的目标概率
的计算公式为:
式中,表示当前筛选窗口中第一中心的像素点属于噪声的目标概率;表示当
前筛选窗口中的外类像素点数量;表示当前筛选窗口中外类像素点与同类像素点之
间灰度差值绝对值最大值;8表示当前筛选窗口中除第一中心的像素点之外其他像素点的
个数;255表示灰度的值域范围中的最大值;其中不属于任何一个第二像素簇类的像素点,
其属于噪声的目标概率本实施例设置为0.6;获取初始灰度图像中所有像素点属于噪声的
目标概率,需要说明的是,若某个像素点作为筛选窗口的第一中心无法获取完整的筛选窗
口,即该像素点靠近图像边界而无法得到完整的筛选窗口,本实施例通过二次线性插值对
该像素点的筛选窗口进行填充。
进一步的,预设一个原始正则化参数,本实施例以=500为例进行叙述,本实施
例不进行具体限定,其中可根据具体实施情况而定。本实施例以任意一个初始窗口为当前
初始窗口进行叙述,则当前初始窗口调整后的正则化参数的计算公式为:
式中,表示当前初始窗口调整后的正则化参数;表示原始正则化参数;R表示当
前初始化窗口包含的像素点数量;表示当前初始窗口的第r个像素点属于噪声的目标概
率;表示当前初始窗口中第r个像素点的重要程度;获取初始灰度图像中所有初始窗
口的调整后的正则化参数。
至此,通过上述方法得到初始灰度图像的所有初始窗口的调整后的正则化参数。
温度预警控制模块104,根据调整后的正则化参数对初始灰度图像进行温度预警监测,根据温度预警监测结果控制网络中心机房的温度。
具体的,温度预警监测的具体过程为:将初始灰度图像记为引导层,根据初始灰度图像每个初始窗口调整后的正则化参数对初始灰度图像进行引导滤波得到处理后的图像,记为基础层,初始灰度图像减去基础层的图像记为细节层;将基础层经自适应直方图均衡化后的图像记为第一增强图像,将细节层经伽马变换后的图像记为第二增强图像,本实施例中伽马参数设置为1.2,将第一增强图像与第二增强图像进行叠加得到最终增强图像,然后对最终增强图像使用热像仪软件进行温度预警监测。其中自适应直方图均衡化、伽马变换、引导滤波和热像仪软件是现有技术,本实施例不进行叙述。
进一步的,首先,根据最终增强图像进行温度监测,网络中心机房不同的机器具有不同的温度等级,通过最终增强图像对每个区域的温度进行监测,判断区域属于哪个温度等级,根据区域的温度等级判断这个区域的温度是否超过对应温度等级;根据国家安全标准,温度的标准等级一般是在18度到27度,高温等级一般为27度到32度,低温等级一般为15度到18度,冷却等级一般在5度到15度,当区域监测的温度不处于其对应温度等级的范围内时,进行温度预警。然后,工作人员在接收到温度预警后赶往网络中心机房,利用增强效果明显的最终增强图像,观察网络中心机房中不同区域的温度变化情况,通过调节网络中心机房中的温度控制设备对发生温度预警的区域的温度进行调控,实现温度预警控制,提高网络中心机房温度控制的准确性。
至此,完成网络中心机房温度的预警监测控制。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.基于热红外图像的网络中心机房温度预警控制系统,其特征在于,该系统包括以下模块:
图像预处理模块,采集网络中心机房工作时的红外图像,对红外图像进行预处理得到初始灰度图像以及历史灰度图像;
初始灰度区域获取模块,根据初始灰度图像进行窗口划分得到若干初始窗口;根据初始窗口得到相邻初始窗口之间的相似程度;根据相邻初始窗口之间的相似程度得到若干初始灰度区域;
正则化参数调整模块,根据历史灰度图像得到历史灰度区域;根据历史灰度区域得到第一像素簇类;根据第一像素簇类得到第一历史差异;对初始灰度区域进行聚类得到若干第二像素簇类;根据第二像素簇类得到第一实时差异;根据第一历史差异与第一实时差异得到初始灰度图像中每个像素点的重要程度;根据第二像素簇类得到初始灰度图像中每个像素点属于噪声的目标概率;根据重要程度与目标概率得到调整后的正则化参数;
温度预警控制模块,根据调整后的正则化参数对初始灰度图像进行温度预警监测,根据温度预警监测结果控制网络中心机房的温度;
所述根据初始窗口得到相邻初始窗口之间的相似程度,包括的具体方法如下:
通过Sobel算子得到每个初始窗口的梯度角度与梯度幅值,将相邻初始窗口之间的梯度角度的差值的绝对值记为第一绝对值,将第一绝对值与180的比值记为第一比值,将相邻初始窗口之间的梯度幅值的差值的绝对值记为第二绝对值,将第二绝对值与255的比值记为第二比值,将第一比值与第二比值的乘积结果记为第一乘积,将第一乘积与-1的乘积结果记为第二乘积,将以自然常数为底,以第二乘积为指数的指数函数的计算结果记为相邻初始窗口之间的相似程度;
所述根据相邻初始窗口之间的相似程度得到若干初始灰度区域,包括的具体方法如下:
若相邻两个初始窗口的相似程度大于相似程度阈值,将相邻两个初始窗口融合为一个区域,若相邻两个初始窗口的相似程度小于等于相似程度阈值,则不进行融合;对任意相邻两个初始窗口进行融合判断,对初始灰度图像通过初始窗口融合得到若干区域,将得到的每个区域记为初始灰度区域;
所述根据历史灰度区域得到第一像素簇类,包括的具体方法如下:
以第k个历史灰度图像为目标历史灰度图像,将目标历史灰度图像中所有的历史灰度区域根据区域内的灰度均值进行预设簇数为K的K-means聚类得到聚簇类,将每个聚簇类中包含的每个像素点的位置记为第一像素位置;
遍历所有历史灰度图像,得到所有的历史灰度图像中的若干聚簇类;获取若干在所有历史灰度图像均属于第c个聚簇类的第一像素位置,这些第一像素位置组成一个第一像素簇类,获取每个聚簇类对应的第一像素簇类;
所述根据第一像素簇类得到第一历史差异,包括的具体方法如下:
;
式中,表示第c个第一像素簇类的第一历史差异;/>表示所有历史灰度图像中第c个第一像素簇类的灰度均值;/>表示所有历史灰度图像的灰度均值;
所述根据第二像素簇类得到第一实时差异,包括的具体方法如下:
;
式中,表示第c个第二像素簇类的第一实时差异;/>表示初始灰度图像中第c个第二像素簇类的灰度均值;/>表示初始灰度图像的灰度均值;
所述根据第一历史差异与第一实时差异得到初始灰度图像中每个像素点的重要程度,包括的具体方法如下:
;
式中,表示初始灰度图像中第c个第二像素簇类的重要系数;/>表示第i个第一像素簇类的第一历史差异;/>表示第一像素簇类的数量;/>表示超参数;/>表示第c个第二像素簇类的第一实时差异;
获取初始灰度图像中每个第二像素簇类的重要系数,对所有重要系数进行归一化,得到的结果记为每个第二像素簇类的重要程度,初始灰度图像中第c个第二像素簇类中每个像素点的重要程度与初始灰度图像中第c个第二像素簇类的重要程度一致,将不属于任何一个第二像素簇类的像素点的重要程度设置为0.3,获取初始灰度图像中每个像素点的重要程度;
所述根据第二像素簇类得到初始灰度图像中每个像素点属于噪声的目标概率,包括的具体方法如下:
建立一个33大小的窗口记为筛选窗口,将筛选窗口的中心记为第一中心,以第一中心遍历初始灰度图像中每个第二像素簇类的每个像素点;将筛选窗口中与第一中心的像素点不属于同一第二像素簇类的像素点记为外类像素点,将筛选窗口中与第一中心的像素点属于同一第二像素簇类的像素点记为同类像素点;
以任意一个筛选窗口为当前筛选窗口,将当前筛选窗口中的外类像素点数量记为第一数量,将第一数量与8的比值记为第三比值,将外类像素点与同类像素点之间灰度差值绝对值的最大值记为第三绝对值,将第三绝对值与255的比值记为第四比值,将第三比值与第四比值的乘积记为当前筛选窗口中第一中心的像素点属于噪声的目标概率;获取初始灰度图像中所有第二像素簇类的每个像素点属于噪声的目标概率,不属于任何一个第二像素簇类的像素点属于噪声的目标概率设置为0.6;
所述根据重要程度与目标概率得到调整后的正则化参数,包括的具体方法如下:
预设一个原始正则化参数,以任意一个初始窗口为当前初始窗口,将当前初始窗口中每个像素点属于噪声的目标概率记为第一噪声概率,将1与第一噪声概率的差值记为第一正常概率;将当前初始窗口中所有像素点的重要程度均值记为第一重要程度,将1与第一重要程度的加和记为第二重要程度;将第一正常概率的均值与第二重要程度的乘积记为第三乘积,将第三乘积与原始正则化参数的乘积记为当前初始窗口调整后的正则化参数;获取初始灰度图像的所有初始窗口的调整后的正则化参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771570.XA CN116520915B (zh) | 2023-06-28 | 2023-06-28 | 基于热红外图像的网络中心机房温度预警控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771570.XA CN116520915B (zh) | 2023-06-28 | 2023-06-28 | 基于热红外图像的网络中心机房温度预警控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116520915A CN116520915A (zh) | 2023-08-01 |
CN116520915B true CN116520915B (zh) | 2023-09-05 |
Family
ID=87394371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310771570.XA Active CN116520915B (zh) | 2023-06-28 | 2023-06-28 | 基于热红外图像的网络中心机房温度预警控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520915B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823676B (zh) * | 2023-08-28 | 2023-11-21 | 浙江欣灵智能电气有限公司 | 基于红外热图的电动汽车防火安全检测方法 |
CN116844116B (zh) * | 2023-09-01 | 2023-12-05 | 山东乐普矿用设备股份有限公司 | 基于照明控制体系的井下综合安全监控系统 |
CN117197771B (zh) * | 2023-11-08 | 2024-01-23 | 张家港极客嘉智能科技研发有限公司 | 基于双目立体匹配的智能驾驶辅助图像处理方法 |
CN117237619B (zh) * | 2023-11-16 | 2024-02-02 | 数聚(山东)医疗科技有限公司 | 基于机器视觉技术的水上救援探测系统及方法 |
CN117437600B (zh) * | 2023-12-20 | 2024-03-26 | 山东海纳智能装备科技股份有限公司 | 基于图像识别技术的煤流监测系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5768413A (en) * | 1995-10-04 | 1998-06-16 | Arch Development Corp. | Method and apparatus for segmenting images using stochastically deformable contours |
CN103632345A (zh) * | 2013-11-27 | 2014-03-12 | 中国科学技术大学 | 一种基于正则化的mri图像非均匀性校正方法 |
CN106940889A (zh) * | 2017-03-30 | 2017-07-11 | 福建师范大学 | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 |
CN110119759A (zh) * | 2019-04-11 | 2019-08-13 | 天津大学 | 一种基于增益张量的高温承压元件红外图像监测方法 |
CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
CN112465852A (zh) * | 2020-12-03 | 2021-03-09 | 国网山西省电力公司晋城供电公司 | 一种用于电力设备红外图像分割的改进区域生长方法 |
CN112540635A (zh) * | 2020-12-03 | 2021-03-23 | 华润三九(枣庄)药业有限公司 | 一种基于人工智能的中药生产智能质量控制系统 |
CN112819802A (zh) * | 2021-02-09 | 2021-05-18 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
CN114881978A (zh) * | 2022-05-13 | 2022-08-09 | 青岛海信智慧生活科技股份有限公司 | 目标检测方法、电子设备以及智能控制系统 |
WO2022241964A1 (zh) * | 2021-05-18 | 2022-11-24 | 深圳市沃特沃德信息有限公司 | 测温方法、计算机设备和计算机可读存储介质 |
CN116092015A (zh) * | 2023-04-06 | 2023-05-09 | 安徽乾劲企业管理有限公司 | 一种道路施工状态监测方法 |
CN116309066A (zh) * | 2023-03-22 | 2023-06-23 | 北京航空航天大学 | 一种超分辨率成像方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10482618B2 (en) * | 2017-08-21 | 2019-11-19 | Fotonation Limited | Systems and methods for hybrid depth regularization |
US10642293B2 (en) * | 2018-01-10 | 2020-05-05 | Simbe Robotics, Inc. | Method for monitoring temperature-controlled units in a store |
-
2023
- 2023-06-28 CN CN202310771570.XA patent/CN116520915B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5768413A (en) * | 1995-10-04 | 1998-06-16 | Arch Development Corp. | Method and apparatus for segmenting images using stochastically deformable contours |
CN103632345A (zh) * | 2013-11-27 | 2014-03-12 | 中国科学技术大学 | 一种基于正则化的mri图像非均匀性校正方法 |
CN106940889A (zh) * | 2017-03-30 | 2017-07-11 | 福建师范大学 | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 |
CN110119759A (zh) * | 2019-04-11 | 2019-08-13 | 天津大学 | 一种基于增益张量的高温承压元件红外图像监测方法 |
CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
CN112465852A (zh) * | 2020-12-03 | 2021-03-09 | 国网山西省电力公司晋城供电公司 | 一种用于电力设备红外图像分割的改进区域生长方法 |
CN112540635A (zh) * | 2020-12-03 | 2021-03-23 | 华润三九(枣庄)药业有限公司 | 一种基于人工智能的中药生产智能质量控制系统 |
CN112819802A (zh) * | 2021-02-09 | 2021-05-18 | 东北大学 | 基于风口信息深度学习的监督及预测高炉炉况异常的方法 |
WO2022241964A1 (zh) * | 2021-05-18 | 2022-11-24 | 深圳市沃特沃德信息有限公司 | 测温方法、计算机设备和计算机可读存储介质 |
CN114881978A (zh) * | 2022-05-13 | 2022-08-09 | 青岛海信智慧生活科技股份有限公司 | 目标检测方法、电子设备以及智能控制系统 |
CN116309066A (zh) * | 2023-03-22 | 2023-06-23 | 北京航空航天大学 | 一种超分辨率成像方法及装置 |
CN116092015A (zh) * | 2023-04-06 | 2023-05-09 | 安徽乾劲企业管理有限公司 | 一种道路施工状态监测方法 |
Non-Patent Citations (1)
Title |
---|
基于红外成像技术的电气设备故障检测;刘齐等;电测与仪表;第56卷(第10期);第122-126+152页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116520915A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116520915B (zh) | 基于热红外图像的网络中心机房温度预警控制系统 | |
US11581130B2 (en) | Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation | |
CN112233133B (zh) | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 | |
CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN111460988B (zh) | 一种违规行为识别方法及装置 | |
CN116205910B (zh) | 一种电源适配器用注塑温度自适应学习调控系统 | |
CN109493292B (zh) | 基于电力设备红外测温图像的增强处理方法和装置 | |
CN113609901A (zh) | 一种输变电设备故障监测方法及系统 | |
CN115029704B (zh) | 一种用于不锈钢酸洗工艺的智能控制方法及装置 | |
CN116844114A (zh) | 一种基于YOLOv7-WFD模型的安全帽检测方法及装置 | |
CN115953719A (zh) | 一种多目标识别的计算机图像处理系统 | |
CN116883411B (zh) | 一种开关柜智能远程监测系统 | |
CN110595397A (zh) | 一种基于图像识别的篦冷机工况监测方法 | |
CN115830106B (zh) | 一种用于机房设备带电清洗的辅助定位方法 | |
CN116503633B (zh) | 基于图像识别的开关柜状态智能检测控制方法 | |
CN112347830A (zh) | 一种工厂防疫管理方法以及防疫管理系统 | |
Li et al. | Image restoration for blast furnace burden surface based on dust multiscattering model | |
CN111028289B (zh) | 基于模板匹配的变电站内设备异物定位方法 | |
CN109636797B (zh) | 一种非接触式柔性直流换流阀模块形变检测的方法 | |
CN112950479A (zh) | 一种图像灰度区域拉伸算法 | |
Li et al. | Infrared image defect diagnosis through LAB space transformation | |
CN116339128B (zh) | 一种输渣系统落渣雨量在线监控方法及系统 | |
CN114724041B (zh) | 基于深度学习的电力设备红外热图的识别方法及系统 |
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 |