CN116668859A - 一种gis设备机房环境监控装置 - Google Patents
一种gis设备机房环境监控装置 Download PDFInfo
- Publication number
- CN116668859A CN116668859A CN202310945617.XA CN202310945617A CN116668859A CN 116668859 A CN116668859 A CN 116668859A CN 202310945617 A CN202310945617 A CN 202310945617A CN 116668859 A CN116668859 A CN 116668859A
- Authority
- CN
- China
- Prior art keywords
- machine room
- image
- sub
- equipment
- value
- 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
Links
- 238000012806 monitoring device Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000007405 data analysis Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000011166 aliquoting Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 32
- 230000007613 environmental effect Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 24
- 239000000779 smoke Substances 0.000 claims description 18
- 238000010191 image analysis Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 8
- 238000004020 luminiscence type Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000009434 installation Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/95—Computational photography systems, e.g. light-field imaging systems
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及监控技术领域,具体涉及一种GIS设备机房环境监控装置,包括:所述机房图像获取装置、机房传感器阵列、机房数据获取点分析装置、机房数据分析装置、设备运行数据分析装置和机房监控预警装置;所述机房图像获取装置,配置用于在机房运行时,按照设定的时间周期获取机房的图像,将获取到的图像进行 等分,得到个子图像,每个子图像对应于机房内的一个区域;所述机房传感器阵列,包括多个传感器组,每个传感器组对应于一个子图像,设置于机房内其对应的子图像所对应的区域。本发明通过分级监控的方式提升了监控的效率,降低了监控的资源占用率,同时使用多种适用于机房监控的算法,提升了监控的准确率。
Description
技术领域
本公开涉及但不限于监控技术领域,具体涉及一种GIS设备机房环境监控装置。
背景技术
在当今的信息化社会,机房作为信息处理和存储的中心,其稳定性、安全性和效率至关重要。而机房中的环境监控和设备运行状态监控是保证机房正常运行的两大重要方面。然而,当前的机房环境和设备状态监控方案存在一些明显的问题和挑战。
首先,对于GIS环境监控,当前的GIS监控系统主要是通过安装在机房内的各种环境传感器(如温湿度传感器、烟雾传感器等)来实时监控机房环境的各项参数。然而,这些传感器的数据通常是独立收集和分析的,缺乏整体性的数据处理和分析。而且,往往只有当环境参数超过设定的阈值时,监控系统才会发出报警。这样的策略往往无法及时发现并处理一些潜在的、对机房环境有潜在影响的问题。
GIS设备在线检测方面国内外投入大量研发资源,形成诸多产品。但在建设过程中设备的安装环节的监控缺少相关研究。国内GIS设备安装环境仍然采用传统方法,安装繁琐,设备占用棚内空间,不能实现监控信息化。
目前除尘机具的安装因为区域和环境的不固定,各种复杂客观因素,导致在各GIS厂家设备标准多样化的情况下不能很好的发挥应有的作用,难以达到GIS设备安装标准环境要求,各种检测、监控及优化安装环境的设备种类繁多且占用安装平台的面积较大,使安装平台显得拥挤,不利于施工人员进行安装。且安装和操作繁琐,使用不便。研制GIS设备安装一体化全景监控装置将很好的弥补机具安装环境要求及应对各种复杂客观因素,提升GIS设备安装质量。
发明内容
本公开在于提供一种GIS设备机房环境监控装置,通过分级监控的方式提升了监控的效率,降低了监控的资源占用率,同时使用多种适用于机房监控的算法,提升了监控的准确率。
为了解决上述问题,本发明的技术方案是这样实现的:一种GIS设备机房环境监控装置,包括:机房图像获取装置、机房传感器阵列、机房数据获取点分析装置、机房数据分析装置、设备运行数据分析装置和机房监控预警装置;所述机房图像获取装置,配置用于在机房运行时,按照设定的时间周期获取机房的图像,将获取到的图像进行等分,得到个子图像,每个子图像对应于机房内的一个区域;所述机房传感器阵列,包括多个传感器组,每个传感器组对应于一个子图像,设置于机房内其对应的子图像所对应的区域;所述机房数据获取点分析装置,配置用于对每个子图像进行分析,以判断该子图像是否为问题子图像,若是,则发送第一控制命令至机房传感器阵列;所述机房传感器阵列,根据接收到的问题子图像信息,启动问题子图像对应的传感器组,按照设定第一时间间隔,获取该传感器所处的机房内的区域的第一设定时间区间内的环境数据;所述机房数据分析装置,配置用于根据获取的环境数据,判断该区域是否为问题区域,若是,则发送第二控制命令至设备运行数据分析装置;所述设备运行数据分析装置,基于第二控制命令,在设定的第二时间区间内,按照设定的第二时间间隔,获取第二控制命令中对应的问题区域内的机房设备的设备运行数据,对设备运行数据进行分析,判断是否有出现运行故障的问题设备,若是,将发送第三控制命令至机房监控预警装置;所述机房监控预警装置,配置用于基于第三控制命令中对应的问题设备,发出预警信号。
进一步的,所述机房传感器阵列中的每个传感器组包含数量和种类相同的传感器;所述传感器的种类包括:温度传感器、湿度传感器和烟雾传感器;所述每个传感器组获取到的环境数据包括:温度、湿度和烟雾浓度。
进一步的,所述设备运行数据包括:网络流量、内存占用率、CPU使用率、响应时间和磁盘空间使用率。
进一步的,所述机房数据获取点分析装置,包括:发光区域检测装置,配置用于在子图像中进行发光区域检测,以获取子图像中的发光区域;图像分析装置,配置用于对每个发光区域进行图像分析,以判断该子图像是否为问题子图像。
进一步的,所述发光区域检测装置在子图像中进行发光区域检测,以获取子图像中的发光区域的方法包括:对子图像进行降噪处理,得到预处理子图像;基于局部窗口法,使用如下公式计算预处理子图像的每个像素的局部对比值:;
其中,表示像素的坐标,/>表示预处理子图像在/>处的亮度值,表示局部窗口的大小,/>表示局部窗口的半径,/>表示局部窗口内所有像素的像素值均值;再使用如下公式,计算预处理子图像中每个像素的颜色饱和值:;
其中,、/>、/>分别表示预处理子图像在/>处的红、绿、蓝通道的值,/>表示亮度值,取三个通道的最大值;使用如下公式,将局部对比值和颜色饱和值组合成发光特征:/>;
其中,和/>是权重参数,/>取值为0.44;/>取值为0.56;对发光特征,使用如下公式,进行阈值分割来确定发光区域;/>;
其中表示二值化后的发光区域掩码,/>是阈值。
进一步的,所述图像分析装置,对每个发光区域进行图像分析,以判断该子图像是否为问题子图像的方法包括:将得到的问题子图像对应的发光区域的发光特征使用如下公式,进行特征值计算:;其中,为特征值;/>表示属于子图像的发光区域的像素的发光特征;/>为下标,取值为正整数,取值范围为1到/>,/>为发光区域的像素的个数;将计算出的特征值与设定的第一判别范围进行比较,若超过设定的第一判别范围,则判断为问题子图像;/>为发光区域的像素的像素值的标准差。
进一步的,所述问题子图像对应的传感器组获取到的设定的第一时间区间内的环境数据为向量;其中,表示第/>个时间的温度,/>表示第/>个时间的湿度,/>表示第/>个时间的烟雾浓度;/>为获取环境数据的次数;/>;其中,/>为设定第一时间间隔,/>为设定的第一时间区间。
进一步的,所述机房数据分析装置,根据获取的环境数据,判断该区域是否为问题区域的方法包括:
使用如下公式提取向量的特征:;
其中,为变换小波域特征,/>是小波函数,/>表示复共轭,参数/>表示尺度,控制小波的宽度,/>表示平移,控制小波在时间轴上的位置;将计算得到的小波域特征与设定的第一判别值进行比较,若与判别值的差异率在设定的第一阈值范围外,则判定该区域为问题区域。
进一步的,所述在设定的第二时间区间内,按照设定的第二时间间隔,获取第二控制命令中对应的问题区域内的机房设备的设备运行数据为向量 其中,/>表示第/>个时间的网络流量,/>表示第/>个时间的内存占用率,/>表示第/>个时间的CPU使用率,/>表示第/>个时间的响应时间,/>表示第/>个时间的磁盘空间使用率;/>为获取环境数据的次数;/>;其中,为设定第二时间间隔,/>为设定的第二时间区间。
进一步的,所述对设备运行数据进行分析,判断是否有出现运行故障的问题设备的方法包括:
使用如下公式提取向量的特征: ;
其中,为扩展变换小波域特征,/>是小波函数,/>表示复共轭,参数/>表示尺度,控制小波的宽度,/>表示平移,控制小波在时间轴上的位置;将计算得到的扩展变换小波域特征与设定的第二判别值进行比较,若第二判别值的差异率在设定的第二阈值范围外,则判定该设备为问题设备。
本发明的一种GIS设备机房环境监控装置,具有以下有益效果:
1.效率高:本发明在对机房环境进行监控时,首先通过图像来分析,以判断机房内内是否有异常出现,这样做,可以避免直接对环境数据和设备运行数据进行分析带来的资源浪费。在出现异常时,再使用环境数据来进一步确认,最后才是采集设备运行数据进行判断,全面提升了效率。分级监控:本发明在进行机房环境监控时,采取了分级的策略。一开始,通过图像分析来对整个机房进行快速且全面的检测,识别出可能存在的问题区域。这种方法避免了对整个机房环境进行详细测量的资源浪费,提高了检测的效率。此外,图像分析还可以准确地定位问题区域,为后续的环境数据分析和设备运行数据分析提供了有价值的参考信息。
2.精确程度高:本发明在定位出现异常的设备时,使用的方法通过针对图像分析时,使用了基于颜色饱和值和局部对比值组成的发光特征来定位发光区域,在对发光特征进行判断,使用的算法大幅度提升了判断的准确率;另外,本发明在对环境数据和设备数据进行判断时,同样对其使用了改进的算法,相较于现有技术,其判断准确率大幅度提升。实现集成与小型化GIS设备安装一体化全景监控装置的重复利用, 减少设备的成本和空间的占用。GIS设备安装环境监控机具比传统环境净化设备成本降低,安装操作方便,减少了施工工作量。设备便于保管,维护成本低。
附图说明
图1为本发明实施例提供的一种GIS设备机房环境监控装置的装置结构示意图。
实施方式
为了使本公开所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,对本公开进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本公开,并不用于限定本公开。
实施例1:参考图1,一种GIS设备机房环境监控装置,包括:机房图像获取装置、机房传感器阵列、机房数据获取点分析装置、机房数据分析装置、设备运行数据分析装置和机房监控预警装置;所述机房图像获取装置,配置用于在机房运行时,按照设定的时间周期获取机房的图像,将获取到的图像进行等分,得到/>个子图像,每个子图像对应于机房内的一个区域;所述机房传感器阵列,包括多个传感器组,每个传感器组对应于一个子图像,设置于机房内其对应的子图像所对应的区域;所述机房数据获取点分析装置,配置用于对每个子图像进行分析,以判断该子图像是否为问题子图像,若是,则发送第一控制命令至机房传感器阵列;所述机房传感器阵列,根据接收到的问题子图像信息,启动问题子图像对应的传感器组,按照设定第一时间间隔,获取该传感器所处的机房内的区域的第一设定时间区间内的环境数据;所述机房数据分析装置,配置用于根据获取的环境数据,判断该区域是否为问题区域,若是,则发送第二控制命令至设备运行数据分析装置;所述设备运行数据分析装置,基于第二控制命令,在设定的第二时间区间内,按照设定的第二时间间隔,获取第二控制命令中对应的问题区域内的机房设备的设备运行数据,对设备运行数据进行分析,判断是否有出现运行故障的问题设备,若是,将发送第三控制命令至机房监控预警装置;所述机房监控预警装置,配置用于基于第三控制命令中对应的问题设备,发出预警信号。
具体的,机房图像获取装置被设定为定时获取机房的全景图像,并将图像等分为N+1个子图像,每个子图像代表机房内的一个特定区域。这样的设计有利于详细监视机房的每个区域,减少因全景监控视野辽阔导致的详细信息缺失。对图像的N等分可以采用常用的图像分割算法,如区域生长法、水平集法等。
然后,机房传感器阵列是由多个传感器组组成的,每个传感器组对应一个子图像,布置在子图像所对应的机房区域。每个传感器组可以包含不同类型的传感器,如温度、湿度、光照、震动等传感器,用于获取对应区域的环境数据。这样的布置可以确保详细、准确地获取每个区域的环境信息。
接下来,机房数据获取点分析装置会分析每个子图像,判断是否存在问题子图像。如果存在,该装置会发送第一控制命令至机房传感器阵列,启动问题子图像对应的传感器组,获取该区域的环境数据。分析子图像的方法可以使用机器学习或深度学习的图像识别技术,如CNN等,识别异常模式或者区域。
之后,机房数据分析装置会根据获取的环境数据,判断该区域是否存在问题。若存在问题,该装置会发送第二控制命令至设备运行数据分析装置。在判断环境数据是否存在问题时,可以设定各种环境因素的阈值,如温度、湿度等。
设备运行数据分析装置会根据第二控制命令,获取并分析问题区域内的机房设备运行数据,判断是否有设备出现运行故障。这可以通过收集设备的各种运行状态,如电流、电压、功率、负载等,并使用算法对数据进行分析,如统计学方法、机器学习方法等,来检测设备是否存在故障。
最后,如果发现有故障设备,机房监控预警装置会根据第三控制命令,发出预警信号。预警信号可以是声音、灯光,或者发送通知到管理人员的电子设备上。
实施例2:所述机房传感器阵列中的每个传感器组包含数量和种类相同的传感器;所述传感器的种类包括:温度传感器、湿度传感器和烟雾传感器;所述每个传感器组获取到的环境数据包括:温度、湿度和烟雾浓度。
具体的,机房中的电子设备如服务器等,会产生大量的热量。如果温度过高,设备可能会过热,导致设备性能下降甚至烧毁。因此,监控机房的温度非常重要。温度传感器可以采用热电偶、热敏电阻、半导体传感器等技术,将温度信息转化为电信号,然后由数据分析装置进行解析。
湿度传感器:湿度传感器被用来测量空气中的水分含量。如果湿度过高,机房设备可能受潮,导致故障。如果湿度过低,可能导致静电积聚,对设备造成损害。湿度传感器通常采用电容式、电阻式或电感式的原理进行湿度测量。
烟雾传感器:机房如果发生火灾,会产生大量烟雾。烟雾传感器可以在火灾初期及时探测到烟雾,为人员撤离和火灾扑灭赢取时间。烟雾传感器通常利用光电敏感元件或电离室来探测烟雾。
在某些机房环境中,可能还需要更多类型的传感器,比如有毒气体传感器、辐射传感器等,以便对机房环境进行更全面的监控。此外,也可以考虑使用智能传感器,比如集成了数据处理和通信功能的微电子机械系统(MEMS)传感器。这些传感器不仅可以实时获取数据,还可以对数据进行初步处理和分析,大大提高数据的质量和有效性。
实施例3:所述设备运行数据包括:网络流量、内存占用率、CPU使用率、响应时间和磁盘空间使用率。
具体的,网络流量:这是衡量数据在网络中流动的速度和数量。高网络流量可能表明大量的数据传输正在进行,可能是正常的,也可能是由于网络攻击或者错误配置导致的。
内存占用率:这是衡量设备内存使用情况的指标。如果内存占用率过高,可能会导致设备运行缓慢或无响应。
CPU使用率:这是衡量设备处理能力的关键指标。如果CPU使用率持续过高,可能会导致设备过热,影响设备寿命和稳定性。
响应时间:这是衡量设备响应请求的速度。高的响应时间可能表明设备正在处理大量请求,或者设备的处理能力有问题。
磁盘空间使用率:这是衡量设备存储空间使用情况的指标。如果磁盘空间使用率过高,可能会导致新的数据无法保存,影响设备的正常运行。
在一些更先进的系统中,可能会使用更复杂的性能指标,如服务的可用性、吞吐量、错误率等。这些指标可以提供更全面的设备性能信息。另外,也可以考虑使用AIOPs(人工智能运维)工具,这种工具可以自动收集和分析大量设备运行数据,利用人工智能和机器学习技术,进行故障预测和自我修复。
实施例4:所述机房数据获取点分析装置,包括:发光区域检测装置,配置用于在子图像中进行发光区域检测,以获取子图像中的发光区域;图像分析装置,配置用于对每个发光区域进行图像分析,以判断该子图像是否为问题子图像。
具体的,发光区域检测装置:此装置的作用是在子图像中检测出发光区域。发光区域可能是显示器、指示灯或其他光源,这些可能表示设备的运行状态或者某些故障的发生。例如,某些设备的警示灯亮起可能表示设备故障。这种检测可以通过图像处理技术来实现,例如阈值分割、边缘检测等方法。
图像分析装置:此装置接收发光区域检测装置的输出,对每个发光区域进行进一步的图像分析,以判断子图像是否存在问题。这种分析可能涉及到比较复杂的机器学习或深度学习算法,例如卷积神经网络(CNN)。这种算法可以学习发光区域的各种模式,并据此判断是否存在问题。
一种替代方案是利用红外传感器或热像仪进行温度监测。这种方法可以直接监测设备的温度,而不需要对图像进行复杂的处理。另外,还可以考虑利用计算机视觉的其他技术,例如目标检测、目标跟踪等,以便对机房环境进行更全面的监控。
实施例5:所述发光区域检测装置在子图像中进行发光区域检测,以获取子图像中的发光区域的方法包括:对子图像进行降噪处理,得到预处理子图像;基于局部窗口法,使用如下公式计算预处理子图像的每个像素的局部对比值:;
其中,表示像素的坐标,/>表示预处理子图像在/>处的亮度值,表示局部窗口的大小,/>表示局部窗口的半径,/>表示局部窗口内所有像素的像素值均值;再使用如下公式,计算预处理子图像中每个像素的颜色饱和值:;
其中,、/>、/>分别表示预处理子图像在/>处的红、绿、蓝通道的值,/>表示亮度值,取三个通道的最大值;使用如下公式,将局部对比值和颜色饱和值组合成发光特征:/>;
其中,和/>是权重参数,/>取值为0.44;/>取值为0.56;对发光特征,使用如下公式,进行阈值分割来确定发光区域;/>;其中/>表示二值化后的发光区域掩码,/>是阈值。
具体的,局部对比值:这个公式的作用是计算图像中每个像素点的局部对比度。它首先计算像素点/>在局部窗口内的每个像素点与窗口内像素值均值的差值的绝对值的对数,然后对这些值进行求和,并除以局部窗口的大小/>。这个值的平方根即为局部对比度。局部对比度越大,说明图像的细节信息越丰富,越可能包含发光区域。
颜色饱和值:这个公式的作用是计算图像中每个像素点的颜色饱和度。它首先计算像素点/>的红、绿、蓝通道值之间的差的平方和,然后求其平方根,并除以亮度值/>(取三个通道的最大值)。这个值的对数即为颜色饱和度。颜色饱和度越大,说明颜色越鲜艳,越可能是发光区域。
发光特征:这个公式的作用是将局部对比值和颜色饱和值通过加权求和的方式结合起来,得到一个综合的发光特征。权重参数/>和/>的作用是调整局部对比值和颜色饱和值的相对重要性。
发光区域掩码:这个公式的作用是根据阈值/>对发光特征进行二值化处理,得到发光区域掩码。发光特征大于阈值的像素点被认为是发光区域。
实施例6:所述图像分析装置,对每个发光区域进行图像分析,以判断该子图像是否为问题子图像的方法包括:将得到的问题子图像对应的发光区域的发光特征使用如下公式,进行特征值计算:其中,/>为特征值;/>表示属于子图像的发光区域的像素的发光特征;/>为下标,取值为正整数,取值范围为1到/>,/>为发光区域的像素的个数;将计算出的特征值与设定的第一判别范围进行比较,若超过设定的第一判别范围,则判断为问题子图像;/>为发光区域的像素的像素值的标准差。
具体的,这个公式的作用是计算每个发光区域的特征值。这个特征值是由所有发光区域内的像素的发光特征/>计算得出的。发光特征的梯度计算了在/>和/>方向上的变化,用于衡量发光区域在空间上的变化程度。对每个像素的发光特征的梯度进行平方,然后乘以常数/>并除以/>,得到一个值。这个值的负指数,再对所有像素求和,就得到了特征值/>。
特征值反映了发光区域的整体发光特征。通过比较这个特征值与设定的第一判别范围,就可以判断是否为问题子图像。如果特征值超过了第一判别范围,就认为这是一个问题子图像。
这种方法是基于机器视觉和图像处理的原理进行问题子图像判断的一种方法。这种方法可以有效地识别出问题子图像,从而帮助机房环境监控装置在早期发现并处理问题。
实施例7:所述问题子图像对应的传感器组获取到的设定的第一时间区间内的环境数据为向量;其中,表示第/>个时间的温度,/>表示第/>个时间的湿度,/>表示第/>个时间的烟雾浓度;/>为获取环境数据的次数;/>;其中,/>为设定第一时间间隔,/>为设定的第一时间区间。
具体的,特别地,这个向量中的每个元素都是一个三元组,表示在某个特定的时间点,传感器组获取的温度、湿度和烟雾浓度的数据。例如,/>表示在第/>个时间点获取的温度、湿度和烟雾浓度的数据。
这里的是获取环境数据的次数,计算方式是将设定的第一时间区间/>除以设定的第一时间间隔/>。例如,如果第一时间区间是60分钟,第一时间间隔是1分钟,那么/>就是60,意味着在这个时间区间内,传感器组每分钟获取一次环境数据,总共获取60次。
通过这种方式,机房环境监控装置可以系统地收集并组织环境数据,从而有效地监控机房的环境条件,及时发现并处理可能出现的问题。
实施例8:所述机房数据分析装置,根据获取的环境数据,判断该区域是否为问题区域的方法包括:
使用如下公式提取向量的特征:;其中,/>为变换小波域特征,/>是小波函数,/>表示复共轭,参数/>表示尺度,控制小波的宽度,/>表示平移,控制小波在时间轴上的位置;将计算得到的小波域特征与设定的第一判别值进行比较,若与判别值的差异率在设定的第一阈值范围外,则判定该区域为问题区域。
具体的,小波变换是一种在频域和时域上都有良好局部性质的向量分析工具。它通过一个母小波(MotherWavelet)函数生成一系列通过缩放(由参数控制)和平移(由参数/>控制)得到的小波函数,然后将这些小波函数用于分析向量。
在公式中,是向量,也就是你要分析的数据。/>是所选择的母小波函数,不同的小波函数可以提供不同类型的向量特征分析。函数/>是母小波函数的一个版本,其中的参数/>和/>分别代表缩放和平移。这样就可以在不同的尺度(即,不同的频率)和位置上分析向量。
是将向量和小波函数进行卷积(Convolution),这将提供关于向量在给定尺度和位置的信息。
将卷积的结果取指数函数,这主要是为了将结果映射到一个更有用的范围。
将映射后的结果进行一次变换,然后取对数,这也是为了将结果映射到一个更有用的范围。
最后的是取这个结果的绝对值和对数,再次映射到一个有用的范围,并确保结果是正数。
实施例9:所述在设定的第二时间区间内,按照设定的第二时间间隔,获取第二控制命令中对应的问题区域内的机房设备的设备运行数据为向量 其中,/>表示第/>个时间的网络流量,/>表示第/>个时间的内存占用率,/>表示第/>个时间的CPU使用率,/>表示第/>个时间的响应时间,/>表示第/>个时间的磁盘空间使用率;/>为获取环境数据的次数;/>;其中,为设定第二时间间隔,/>为设定的第二时间区间。
实施例10:所述对设备运行数据进行分析,判断是否有出现运行故障的问题设备的方法包括:
使用如下公式提取向量的特征: ;
其中,为扩展变换小波域特征,/>是小波函数,/>表示复共轭,参数/>表示尺度,控制小波的宽度,/>表示平移,控制小波在时间轴上的位置;将计算得到的扩展变换小波域特征与设定的第二判别值进行比较,若第二判别值的差异率在设定的第二阈值范围外,则判定该设备为问题设备。
具体的,小波变换的基本原理是将原始向量表示为一系列基函数(也称为小波)的叠加。这些基函数是由一个固定形状的原型函数(也称为母小波)通过伸缩(scale)和平移(translate)得到的。小波变换可以看作是将向量在每个位置(通过平移参数b)以及在每个尺度(通过伸缩参数a)进行局部的频率分析。由于小波函数在时间和频率上都具有良好的局部性,小波变换因此具有很好的时频局部化特性,既可以获取向量的频率信息,又可以获取向量的时间信息。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
以上参照附图说明了本公开的优选实施例,并非因此局限本公开的权利范围。本领域技术人员不脱离本公开的范围和实质内所作的任何修改、等同替换和改进,均应在本公开的权利范围之内。
Claims (10)
1.一种GIS设备机房环境监控装置,其特征在于,包括:机房图像获取装置、机房传感器阵列、机房数据获取点分析装置、机房数据分析装置、设备运行数据分析装置和机房监控预警装置;所述机房图像获取装置,配置用于在机房运行时,按照设定的时间周期获取机房的图像,将获取到的图像进行等分,得到/>个子图像,每个子图像对应于机房内的一个区域;所述机房传感器阵列,包括多个传感器组,每个传感器组对应于一个子图像,设置于机房内其对应的子图像所对应的区域;所述机房数据获取点分析装置,配置用于对每个子图像进行分析,以判断该子图像是否为问题子图像,若是,则发送第一控制命令至机房传感器阵列;所述机房传感器阵列,根据接收到的问题子图像信息,启动问题子图像对应的传感器组,按照设定第一时间间隔,获取该传感器所处的机房内的区域的第一设定时间区间内的环境数据;所述机房数据分析装置,配置用于根据获取的环境数据,判断该区域是否为问题区域,若是,则发送第二控制命令至设备运行数据分析装置;所述设备运行数据分析装置,基于第二控制命令,在设定的第二时间区间内,按照设定的第二时间间隔,获取第二控制命令中对应的问题区域内的机房设备的设备运行数据,对设备运行数据进行分析,判断是否有出现运行故障的问题设备,若是,将发送第三控制命令至机房监控预警装置;所述机房监控预警装置,配置用于基于第三控制命令中对应的问题设备,发出预警信号。
2.如权利要求1所述的机房环境监控装置,其特征在于,所述机房传感器阵列中的每个传感器组包含数量和种类相同的传感器;所述传感器的种类包括:温度传感器、湿度传感器和烟雾传感器;所述每个传感器组获取到的环境数据包括:温度、湿度和烟雾浓度。
3.如权利要求2所述的机房环境监控装置,其特征在于,所述设备运行数据包括:网络流量、内存占用率、CPU使用率、响应时间和磁盘空间使用率。
4.如权利要求3所述的机房环境监控装置,其特征在于,所述机房数据获取点分析装置,包括:发光区域检测装置,配置用于在子图像中进行发光区域检测,以获取子图像中的发光区域;图像分析装置,配置用于对每个发光区域进行图像分析,以判断该子图像是否为问题子图像。
5.如权利要求4所述的机房环境监控装置,其特征在于,所述发光区域检测装置在子图像中进行发光区域检测,以获取子图像中的发光区域的方法包括:对子图像进行降噪处理,得到预处理子图像;基于局部窗口法,使用如下公式计算预处理子图像的每个像素的局部对比值:
;
其中,表示像素的坐标,/>表示预处理子图像在/>处的亮度值,/>表示局部窗口的大小,/>表示局部窗口的半径,/>表示局部窗口内所有像素的像素值均值;再使用如下公式,计算预处理子图像中每个像素的颜色饱和值:;
其中,、/>、/>分别表示预处理子图像在/>处的红、绿、蓝通道的值,/>表示亮度值,取三个通道的最大值;
使用如下公式,将局部对比值和颜色饱和值组合成发光特征:;
其中,和/>是权重参数,/>取值为0.44;/>取值为0.56;
对发光特征,使用如下公式,进行阈值分割来确定发光区域;;
其中表示二值化后的发光区域掩码,/>是阈值。
6.如权利要求5所述的机房环境监控装置,其特征在于,所述图像分析装置,对每个发光区域进行图像分析,以判断该子图像是否为问题子图像的方法包括:将得到的问题子图像对应的发光区域的发光特征使用如下公式,进行特征值计算:
;
其中,为特征值;/>表示属于子图像的发光区域的像素的发光特征;/>为下标,取值为正整数,取值范围为1到/>,/>为发光区域的像素的个数;将计算出的特征值与设定的第一判别范围进行比较,若超过设定的第一判别范围,则判断为问题子图像;为发光区域的像素的像素值的标准差。
7.如权利要求6所述的机房环境监控装置,其特征在于,所述问题子图像对应的传感器组获取到的设定的第一时间区间内的环境数据为向量;其中,表示第/>个时间的温度,/>表示第/>个时间的湿度,/>表示第/>个时间的烟雾浓度;/>为获取环境数据的次数;/>;其中,/>为设定第一时间间隔,/>为设定的第一时间区间。
8.如权利要求7所述的机房环境监控装置,其特征在于,所述机房数据分析装置,根据获取的环境数据,判断该区域是否为问题区域的方法包括:
使用如下公式提取向量的特征:;
其中,为变换小波域特征,/>是小波函数,/>表示复共轭,参数/>表示尺度,控制小波的宽度,/>表示平移,控制小波在时间轴上的位置;将计算得到的小波域特征与设定的第一判别值进行比较,若与判别值的差异率在设定的第一阈值范围外,则判定该区域为问题区域。
9.如权利要求8所述的机房环境监控装置,其特征在于,所述在设定的第二时间区间内,按照设定的第二时间间隔,获取第二控制命令中对应的问题区域内的机房设备的设备运行数据为向量 其中,/>表示第/>个时间的网络流量,/>表示第/>个时间的内存占用率,/>表示第/>个时间的CPU使用率,/>表示第/>个时间的响应时间,/>表示第/>个时间的磁盘空间使用率;/>为获取环境数据的次数;/>;其中,为设定第二时间间隔,/>为设定的第二时间区间。
10.如权利要求9所述的机房环境监控装置,其特征在于,所述对设备运行数据进行分析,判断是否有出现运行故障的问题设备的方法包括:
使用如下公式提取向量的特征:
;
其中,为扩展变换小波域特征,/>是小波函数,/>表示复共轭,参数/>表示尺度,控制小波的宽度,/>表示平移,控制小波在时间轴上的位置;将计算得到的扩展变换小波域特征与设定的第二判别值进行比较,若第二判别值的差异率在设定的第二阈值范围外,则判定该设备为问题设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310945617.XA CN116668859B (zh) | 2023-07-31 | 2023-07-31 | 一种gis设备机房环境监控装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310945617.XA CN116668859B (zh) | 2023-07-31 | 2023-07-31 | 一种gis设备机房环境监控装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116668859A true CN116668859A (zh) | 2023-08-29 |
CN116668859B CN116668859B (zh) | 2023-11-14 |
Family
ID=87710168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310945617.XA Active CN116668859B (zh) | 2023-07-31 | 2023-07-31 | 一种gis设备机房环境监控装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116668859B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118042080A (zh) * | 2024-02-19 | 2024-05-14 | 深圳市汇龙净化技术有限公司 | 一种gis设备安装全景监控装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102487440A (zh) * | 2010-12-03 | 2012-06-06 | 希姆通信息技术(上海)有限公司 | 实时监控装置、实时监控系统以及实时监控方法 |
CN110262323A (zh) * | 2019-06-04 | 2019-09-20 | 武汉攀升鼎承科技有限公司 | 一种机房监控方法和设备 |
KR102383966B1 (ko) * | 2021-03-02 | 2022-04-08 | 주식회사 에이스티앤비 | 다채널 영상 데이터 및 센서 데이터의 합성, 표출, 검색 및 제어를 위한 통합 영상 감시 시스템 및 방법 |
CN114743341A (zh) * | 2022-03-10 | 2022-07-12 | 慧之安信息技术股份有限公司 | 基于边缘计算的消防检测报警方法和装置 |
CN115685859A (zh) * | 2021-07-22 | 2023-02-03 | 西安电子科技大学青岛计算技术研究院 | 一种信息机房可视化监控方法 |
CN115865615A (zh) * | 2022-11-09 | 2023-03-28 | 湖北合兴包装印刷有限公司 | 网络环境下的资源和环境监控预警系统 |
CN116055690A (zh) * | 2023-04-03 | 2023-05-02 | 山东金宇信息科技集团有限公司 | 一种机房监控视频的处理方法及设备 |
-
2023
- 2023-07-31 CN CN202310945617.XA patent/CN116668859B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102487440A (zh) * | 2010-12-03 | 2012-06-06 | 希姆通信息技术(上海)有限公司 | 实时监控装置、实时监控系统以及实时监控方法 |
CN110262323A (zh) * | 2019-06-04 | 2019-09-20 | 武汉攀升鼎承科技有限公司 | 一种机房监控方法和设备 |
KR102383966B1 (ko) * | 2021-03-02 | 2022-04-08 | 주식회사 에이스티앤비 | 다채널 영상 데이터 및 센서 데이터의 합성, 표출, 검색 및 제어를 위한 통합 영상 감시 시스템 및 방법 |
CN115685859A (zh) * | 2021-07-22 | 2023-02-03 | 西安电子科技大学青岛计算技术研究院 | 一种信息机房可视化监控方法 |
CN114743341A (zh) * | 2022-03-10 | 2022-07-12 | 慧之安信息技术股份有限公司 | 基于边缘计算的消防检测报警方法和装置 |
CN115865615A (zh) * | 2022-11-09 | 2023-03-28 | 湖北合兴包装印刷有限公司 | 网络环境下的资源和环境监控预警系统 |
CN116055690A (zh) * | 2023-04-03 | 2023-05-02 | 山东金宇信息科技集团有限公司 | 一种机房监控视频的处理方法及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118042080A (zh) * | 2024-02-19 | 2024-05-14 | 深圳市汇龙净化技术有限公司 | 一种gis设备安装全景监控装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116668859B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4705090B2 (ja) | 煙感知装置及びその方法 | |
US8255522B2 (en) | Event detection from attributes read by entities | |
US11580629B2 (en) | System and method for determining situation of facility by imaging sensing data of facility | |
CN116668859B (zh) | 一种gis设备机房环境监控装置 | |
CN106950472B (zh) | 一种基于红外紫外成像的绝缘子检测方法 | |
JP6275115B2 (ja) | 照明制御用のフォトセンサの障害検出、位置特定及び性能モニタリング | |
CN113095114B (zh) | 液压系统漏油检测方法、装置和设备 | |
CN105637432A (zh) | 识别被监控实体的异常行为 | |
CN116523508B (zh) | 一种基于AIoT资产的智慧运维管理系统 | |
CN113569956B (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN108198171A (zh) | 一种基于服务器表面热状态的运行状态诊断的方法 | |
CN113609901A (zh) | 一种输变电设备故障监测方法及系统 | |
CN110825545A (zh) | 一种云服务平台异常检测方法与系统 | |
CN117079211B (zh) | 一种网络机房的安全监控系统及其方法 | |
CN117274722A (zh) | 基于红外图像的配电箱智能检测方法 | |
CN117436712B (zh) | 一种施工挂篮运行风险实时监测方法及系统 | |
CN108989083B (zh) | 云环境下基于混合策略的故障检测性能优化方法 | |
JP2020071698A (ja) | 火災検知装置、火災検知方法及び火災監視システム | |
CN110662220B (zh) | 基于时空相关性和信息熵的无线传感器网络异常检测方法 | |
JP5309069B2 (ja) | 煙検出装置 | |
CN111127814A (zh) | 火警识别方法以及相关装置 | |
CN117874579B (zh) | Led显示屏播放远程动态监控系统及方法 | |
CN117830032B (zh) | 一种输电线网监控抓拍及风险评估方法及系统 | |
CN113757915B (zh) | 异常诊断装置和异常诊断方法 | |
Wijayasekara et al. | Computational intelligence based anomaly detection for Building Energy Management Systems |
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 |