CN116805435B - 一种数电机房智能巡检装置 - Google Patents

一种数电机房智能巡检装置 Download PDF

Info

Publication number
CN116805435B
CN116805435B CN202311064331.7A CN202311064331A CN116805435B CN 116805435 B CN116805435 B CN 116805435B CN 202311064331 A CN202311064331 A CN 202311064331A CN 116805435 B CN116805435 B CN 116805435B
Authority
CN
China
Prior art keywords
inspection
environment
image
server
module
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
Application number
CN202311064331.7A
Other languages
English (en)
Other versions
CN116805435A (zh
Inventor
王帅
曾治富
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Chuanxi Data Industry Co ltd
Original Assignee
Sichuan Chuanxi Data Industry Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Chuanxi Data Industry Co ltd filed Critical Sichuan Chuanxi Data Industry Co ltd
Priority to CN202311064331.7A priority Critical patent/CN116805435B/zh
Publication of CN116805435A publication Critical patent/CN116805435A/zh
Application granted granted Critical
Publication of CN116805435B publication Critical patent/CN116805435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0499—Feedforward 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种数电机房智能巡检装置，涉及数电机房智能巡检技术领域，其中，该装置包括：通信模块，用于以近场通信方式获取数电机房中的多个服务器的标识信息；移动模块，用于按照巡检路径自动控制数电机房智能巡检装置移动；服务器巡检模块，用于根据获取到的数电机房中的多个服务器的标识信息，从监控端获取与数电机房中的多个服务器对应的巡检任务；环境巡检模块，用于获取在数电机房设置的多个相机拍摄得到的环境图像，通过图像三维重建的方式将环境图像映射到三维坐标系中，对环境图像进行归一化处理，对归一化处理后的环境图像进行直方图均衡化。本申请解决了人工巡检数电机房的效率较低的技术问题。

Description

一种数电机房智能巡检装置
技术领域
本发明涉及数电机房智能巡检技术领域，尤其涉及一种数电机房智能巡检装置。
背景技术
随着数据中心规模的持续增长，对数据中心的安全性和稳定性要求越来越高。数电机房作为一个重要的数据中心，对于数电机房的巡检变得至关重要。目前，数据中心硬件的运行和维护主要采用人工轮班巡检，并通过人工登记相关数据。
由此可见，现有技术中存在人工巡检数电机房的效率较低的技术问题。
发明内容
本发明目的在于提供一种数电机房智能巡检装置，以解决上述问题。
本发明提供了一种数电机房智能巡检装置，包括：通信模块，用于以近场通信方式获取数电机房中的多个服务器的标识信息，获取监控端传输的巡检路径，以及将巡检报告传送至上述监控端，其中，上述巡检报告包括服务器巡检报告和环境巡检报告；移动模块，用于按照上述巡检路径自动控制上述数电机房智能巡检装置移动；服务器巡检模块，用于根据获取到的上述数电机房中的多个服务器的标识信息，从上述监控端获取与上述数电机房中的多个服务器对应的巡检任务，以及将巡检任务发送至相应的服务器，其中，上述数电机房中的各个服务器接收到相应的巡检任务时，执行相应的巡检任务，得到上述服务器巡检报告，并将上述服务器巡检报告传送至上述数电机房智能巡检装置；环境巡检模块，用于获取在上述数电机房设置的多个相机拍摄得到的环境图像，通过图像三维重建的方式将上述环境图像映射到三维坐标系中，对上述环境图像进行归一化处理，对归一化处理后的上述环境图像进行直方图均衡化，得到增强图像；上述环境巡检模块，还用于对上述增强图像进行下采样，利用卷积神经网络提取上述增强图像的特征，利用图像超像素分割算法对上述数电机房中的服务器的图像进行分割，得到上述数电机房中的服务器的候选图像，利用多个决策树对上述数电机房中的服务器的候选图像的特征进行训练，以从上述数电机房中的服务器的候选图像中识别到异常服务器，并得到上述环境巡检报告。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明的数电机房智能巡检装置可以自动将服务器巡检报告和的环境巡检报告传送至监控端，节省了人力资源，提升了对数电机房的巡检效率；
2、本发明的数电机房智能巡检装置可以有针对性地将巡检任务派发给数电机房内相应的服务器，并且可以将数电机房环境的异常情况及时上报监控端。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为根据本申请实施例的一种可选的数电机房智能巡检装置的结构示意图；
图2为根据本申请实施例的另一种可选的数电机房智能巡检装置的结构示意图；
附图标记说明如下：
101、数电机房智能巡检装置；
102、通信模块；
103、移动模块；
104、服务器巡检模块；
105、环境巡检模块；
201、监控端；
202、服务器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。需要说明的是，本发明已经处于实际研发使用阶段。
可选地，如图1所示，作为一种可选的实施方式，数电机房智能巡检装置101包括：
通信模块102，用于以近场通信方式获取数电机房中的多个服务器的标识信息，获取监控端传输的巡检路径，以及将巡检报告传送至监控端，其中，巡检报告包括服务器巡检报告和环境巡检报告；
移动模块103，用于按照巡检路径自动控制数电机房智能巡检装置101移动；
需要说明的是，近场通信方式可称为Near Field Communication，简称NFC。在一些实施例中，如图2所示，数电机房智能巡检装置101可以从监控端201获取巡检路径，以及将数电机房内的服务器202的服务器巡检报告和机房的环境巡检报告传送至监控端201。可选地，数电机房智能巡检装置101包括的通信模块102可以获取监控端201传输的巡检路径，以及将服务器巡检报告和环境巡检报告传送至监控端201。数电机房智能巡检装置101包括的移动模块103可以按照通信模块102获取到的巡检路径自动控制数电机房智能巡检装置101移动。
服务器巡检模块104，用于根据获取到的数电机房中的多个服务器的标识信息，从监控端获取与数电机房中的多个服务器对应的巡检任务，以及将巡检任务发送至相应的服务器，其中，数电机房中的各个服务器接收到相应的巡检任务时，执行相应的巡检任务，得到服务器巡检报告，并将服务器巡检报告传送至数电机房智能巡检装置101；
在一些实施例中，监控端存储有数电机房中与所有服务器对应的巡检任务，在另一些实施例中，监控端存储有数电机房中与部分服务器对应的巡检任务。服务器巡检模块104可以根据通信模块102获取到的服务器的标识信息，将巡检任务发送至相应的服务器。巡检任务可以包括但不限于读取内存信息以及磁盘空间信息等。
环境巡检模块105，用于获取在数电机房设置的多个相机拍摄得到的环境图像，通过图像三维重建的方式将环境图像映射到三维坐标系中，对环境图像进行归一化处理，对归一化处理后的环境图像进行直方图均衡化，得到增强图像；
在一些实施例中，通过对环境图像的归一化处理，可以减少环境图像的奇异样本数据导致的不良影响，其中，奇异样本数据是指相对于其他输入样本特别大或者特别小的特征向量。直方图均衡化是将原图像通过某种变换，得到一幅灰度直方图为均匀分布的新图像的方法。需要说明的是，直方图均衡化的基本思想是对在图像中像素个数多的灰度级进行展宽，而对像素个数少的灰度级进行缩减，从而可以使得图像更清晰。
环境巡检模块105，还用于对增强图像进行下采样，利用卷积神经网络提取增强图像的点度量特征，利用图像超像素分割算法对数电机房中的服务器的图像进行分割，得到数电机房中的服务器的候选图像，利用多个决策树对数电机房中的服务器的候选图像的特征进行训练，以从数电机房中的服务器的候选图像中识别到异常服务器，并得到环境巡检报告。
需要说明的是，卷积神经网络（Convolutional Neural Networks）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks）。在一些实施例中，图像超像素分割算法可以为增强图像的每一个像素设置最近的聚类中心，该聚类中心的搜索区域要覆盖该像素的位置。可以理解，通过限制搜索区域的大小可以减小距离的计算量，也就是说，相对于传统的聚类算法有显著的速度优势，因为传统的聚类算法中每个像素都必须和所有的聚类中心进行比较。
当每个像素被关联到最近的聚类中心后，就可以通过求聚类中心所有像素的均值来执行聚类中心的更新，例如，步骤一，通过在常规网格步长处采样像素来初始化聚类中心；步骤二，在7乘7的领域内移动聚类中心到最低的梯度位置；步骤三，为每一个像素设置相应的标签。步骤四，为每一个像素设置相应的距离；步骤五，对于每一个聚类中心，遍历区域内的每一个像素点，计算距离来决定是否更新像素的标签和距离；步骤六，更新聚类中心。
在一些实施例中，在利用图像超像素分割算法对数电机房中的服务器的图像进行分割，得到数电机房中的服务器的候选图像后，可以利用多个决策树对数电机房中的服务器的候选图像的特征进行训练，以从数电机房中的服务器的候选图像中识别到异常服务器，并得到环境巡检报告。
在一些实施例中，若数电机房中的服务器的候选图像显示数电机房的服务器数量与预设数量不一致时，可以将此种情况记录在环境巡检报告中。若数电机房中的服务器的候选图像显示数电机房的服务器附近有障碍物时，可以判断该服务器为异常服务器，并将此种情况记录在环境巡检报告中。
作为一种可选的方案，对归一化处理后的环境图像进行直方图均衡化，得到增强图像包括：
根据归一化处理后的环境图像中的各个像素的灰度值，得到图像直方图数组；
根据图像直方图数组计算得到归一化处理后的环境图像的均衡化映射曲线；
根据均衡化映射曲线对归一化处理后的环境图像进行均衡化处理，得到增强图像。
在本实施例中，可以基于以下表达式计算得到归一化处理后的环境图像的均衡化映射曲线：
其中，i为归一化处理后的环境图像中各像素的灰度值，k为归一化处理后的环境图像中各像素的灰度值中的最大灰度值，Si为归一化处理后的环境图像的映射值，Sum为归一化处理后的环境图像总的像素值，Num(i)归一化处理后的环境图像中灰度值为i时的像素的个数，Depth为归一化处理后的环境图像的像素深度，为乘号。
作为一种可选的方案，利用图像超像素分割算法对数电机房中的服务器的图像进行分割，得到数电机房中的服务器的候选图像可以包括：
将增强图像分割成多尺度下的超像素，得到增强图像各尺度下的超像素分割图像；
根据增强图像各尺度下的超像素分割图像，提取得到增强图像各尺度下的特征向量；
将增强图像各尺度下的特征向量按照尺度由小至大的顺序依次输入注意力机制转录层，以对增强图像各尺度下的超像素分割图像中超像素的显著性进行检测；
根据检测结果，得到数电机房中的服务器的候选图像。
需要说明的是，注意力机制转录层又称Attention转录层，注意力机制可以使得网络工作过程中可以像人一样将注意力放在不同位置，每次只关注一片，可以获得长时间的依赖，捕捉局部和全局的关系，并且每一步的计算都是独立的所以可以很好的并行加速。
进一步，因为注意力机制抛弃了时间序列的顺序，所以可以避免把服务器区域变成一个时间序列，可以避免先后关系上的依赖。即避免所有的特征都“同质化”，可以提升特征的多样性，从而可以检测增强图像各尺度下的超像素分割图像中超像素的显著性的准确性。
作为一种可选的方案，数电机房智能巡检装置还包括：控制模块，用于从服务器巡检模块获取服务器巡检报告，从环境巡检模块获取环境巡检报告，以及触发通信模块将服务器巡检报告和环境巡检报告传送至监控端。
在一些实施例中，服务器巡检模块也可以直接触发通信模块将服务器巡检报告传送至监控端，环境巡检模块也可以直接触发通信模块将环境巡检报告传送至监控端。
作为一种可选的方案，数电机房智能巡检装置还包括：
自检模块，用于每隔预设周期对数电机房智能巡检装置所包括的多个模块进行测试，以确定多个模块是否合格，若不合格，触发通信模块向监控端发送告警信息。其中，预设周期可以包括但不限于：一天、一个月等等。
作为一种可选的方案，数电机房智能巡检装置还包括：充电模块，用于为数电机房智能巡检装置充电。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种数电机房智能巡检装置，其特征在于，包括：
通信模块，用于以近场通信方式获取数电机房中的多个服务器的标识信息，获取监控端传输的巡检路径，以及将巡检报告传送至所述监控端，其中，所述巡检报告包括服务器巡检报告和环境巡检报告；
移动模块，用于按照所述巡检路径自动控制所述数电机房智能巡检装置移动；
服务器巡检模块，用于根据获取到的所述数电机房中的多个服务器的标识信息，从所述监控端获取与所述数电机房中的多个服务器对应的巡检任务，以及将巡检任务发送至相应的服务器，其中，所述数电机房中的各个服务器接收到相应的巡检任务时，执行相应的巡检任务，得到所述服务器巡检报告，并将所述服务器巡检报告传送至所述数电机房智能巡检装置；
环境巡检模块，用于获取在所述数电机房设置的多个相机拍摄得到的环境图像，通过图像三维重建的方式将所述环境图像映射到三维坐标系中，对所述环境图像进行归一化处理，对归一化处理后的所述环境图像进行直方图均衡化，得到增强图像；
所述环境巡检模块，还用于对所述增强图像进行下采样，利用卷积神经网络提取所述增强图像的特征，利用图像超像素分割算法对所述数电机房中的服务器的图像进行分割，得到所述数电机房中的服务器的候选图像，利用多个决策树对所述数电机房中的服务器的候选图像的特征进行训练，以从所述数电机房中的服务器的候选图像中识别到异常服务器，并得到所述环境巡检报告。
2.根据权利要求1所述的数电机房智能巡检装置，其特征在于，所述对归一化处理后的所述环境图像进行直方图均衡化，得到增强图像包括：
根据归一化处理后的所述环境图像中的各个像素的灰度值，得到图像直方图数组；
根据所述图像直方图数组计算得到归一化处理后的所述环境图像的均衡化映射曲线；
根据所述均衡化映射曲线对归一化处理后的所述环境图像进行均衡化处理，得到增强图像。
3.根据权利要求2所述的数电机房智能巡检装置，其特征在于，所述均衡化映射曲线基于以下表达式计算得到：
其中，i为归一化处理后的所述环境图像中各像素的灰度值，k为归一化处理后的所述环境图像中各像素的灰度值中的最大灰度值，Si为归一化处理后的所述环境图像的映射值，Sum为归一化处理后的所述环境图像总的像素值，Num(i)为归一化处理后的所述环境图像中灰度值为i时的像素的个数，Depth为归一化处理后的所述环境图像的像素深度，/>为乘号。
4.根据权利要求1所述的数电机房智能巡检装置，其特征在于，所述数电机房智能巡检装置还包括：
控制模块，用于从所述服务器巡检模块获取所述服务器巡检报告，从所述环境巡检模块获取所述环境巡检报告，以及触发所述通信模块将所述服务器巡检报告和所述环境巡检报告传送至所述监控端。
5.根据权利要求1所述的数电机房智能巡检装置，其特征在于，所述数电机房智能巡检装置还包括：
自检模块，用于每隔预设周期对所述数电机房智能巡检装置所包括的多个模块进行测试，以确定所述多个模块是否合格，若不合格，触发所述通信模块向所述监控端发送告警信息。
6.根据权利要求1至5中任一项所述的数电机房智能巡检装置，其特征在于，所述数电机房智能巡检装置还包括：充电模块，用于为所述数电机房智能巡检装置充电。
CN202311064331.7A 2023-08-23 2023-08-23 一种数电机房智能巡检装置 Active CN116805435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311064331.7A CN116805435B (zh) 2023-08-23 2023-08-23 一种数电机房智能巡检装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311064331.7A CN116805435B (zh) 2023-08-23 2023-08-23 一种数电机房智能巡检装置

Publications (2)

Publication Number Publication Date
CN116805435A CN116805435A (zh) 2023-09-26
CN116805435B true CN116805435B (zh) 2023-10-31

Family

ID=88079713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311064331.7A Active CN116805435B (zh) 2023-08-23 2023-08-23 一种数电机房智能巡检装置

Country Status (1)

Country Link
CN (1) CN116805435B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118314651B (zh) * 2024-06-10 2024-10-15 四川川西数据产业有限公司 一种数据中心巡检机器人自动开门禁系统及方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004227238A (ja) * 2003-01-22 2004-08-12 Akira Nakamura 組織管理システム、組織管理方法およびプログラム
CN203398879U (zh) * 2013-09-05 2014-01-15 武汉大学 一种变电站无人巡检系统
CN107578487A (zh) * 2017-09-19 2018-01-12 北京枭龙科技有限公司 一种基于增强现实智能设备的巡检系统
CN108492396A (zh) * 2018-06-25 2018-09-04 江苏亨通线缆科技有限公司 5g微基站的人工巡检系统及5g微基站设备
CN110400388A (zh) * 2019-07-02 2019-11-01 上海德衡数据科技有限公司 一种基于增强现实的智能巡检系统
CN110443909A (zh) * 2019-08-16 2019-11-12 广东工业大学 一种基于增强现实的巡检系统和方法
CN111080775A (zh) * 2019-12-19 2020-04-28 深圳市原创科技有限公司 一种基于人工智能的服务器巡检方法及系统
CN210864841U (zh) * 2020-01-03 2020-06-26 维谛技术有限公司 巡检系统及显示设备
CN111476921A (zh) * 2020-04-10 2020-07-31 宁波思高信通科技有限公司 一种机房智能巡检系统
CN111491002A (zh) * 2019-01-29 2020-08-04 杭州海康威视系统技术有限公司 设备巡检方法、装置、被巡检设备、巡检服务器及系统
CN111612933A (zh) * 2020-05-18 2020-09-01 上海齐网网络科技有限公司 基于边缘云服务器的增强现实智能巡检系统
WO2020215907A1 (zh) * 2019-04-23 2020-10-29 北京海益同展信息科技有限公司 机房巡检系统
CN212061257U (zh) * 2020-03-19 2020-12-01 中国石油天然气股份有限公司 机房巡检系统
CN112766103A (zh) * 2021-01-07 2021-05-07 国网福建省电力有限公司泉州供电公司 一种机房巡检方法及装置
WO2021139197A1 (zh) * 2020-01-08 2021-07-15 中国银联股份有限公司 一种图像处理方法及装置
CN113776783A (zh) * 2021-08-27 2021-12-10 同济大学 一种基于巡检机器人的机房服务器故障灯检测方法
CN115685736A (zh) * 2022-11-04 2023-02-03 合肥工业大学 一种基于热成像与卷积神经网络的轮式巡检机器人
CN116165484A (zh) * 2023-02-21 2023-05-26 海南电网有限责任公司信息通信分公司 基于电力自动化运维的故障定位机器人协助定检巡查调度方法
CN116594847A (zh) * 2023-07-18 2023-08-15 太平金融科技服务（上海）有限公司 服务器巡检方法、系统、装置、服务器、介质和程序产品

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004227238A (ja) * 2003-01-22 2004-08-12 Akira Nakamura 組織管理システム、組織管理方法およびプログラム
CN203398879U (zh) * 2013-09-05 2014-01-15 武汉大学 一种变电站无人巡检系统
CN107578487A (zh) * 2017-09-19 2018-01-12 北京枭龙科技有限公司 一种基于增强现实智能设备的巡检系统
CN108492396A (zh) * 2018-06-25 2018-09-04 江苏亨通线缆科技有限公司 5g微基站的人工巡检系统及5g微基站设备
CN111491002A (zh) * 2019-01-29 2020-08-04 杭州海康威视系统技术有限公司 设备巡检方法、装置、被巡检设备、巡检服务器及系统
WO2020215907A1 (zh) * 2019-04-23 2020-10-29 北京海益同展信息科技有限公司 机房巡检系统
CN110400388A (zh) * 2019-07-02 2019-11-01 上海德衡数据科技有限公司 一种基于增强现实的智能巡检系统
CN110443909A (zh) * 2019-08-16 2019-11-12 广东工业大学 一种基于增强现实的巡检系统和方法
CN111080775A (zh) * 2019-12-19 2020-04-28 深圳市原创科技有限公司 一种基于人工智能的服务器巡检方法及系统
CN210864841U (zh) * 2020-01-03 2020-06-26 维谛技术有限公司 巡检系统及显示设备
WO2021139197A1 (zh) * 2020-01-08 2021-07-15 中国银联股份有限公司 一种图像处理方法及装置
CN212061257U (zh) * 2020-03-19 2020-12-01 中国石油天然气股份有限公司 机房巡检系统
CN111476921A (zh) * 2020-04-10 2020-07-31 宁波思高信通科技有限公司 一种机房智能巡检系统
CN111612933A (zh) * 2020-05-18 2020-09-01 上海齐网网络科技有限公司 基于边缘云服务器的增强现实智能巡检系统
CN112766103A (zh) * 2021-01-07 2021-05-07 国网福建省电力有限公司泉州供电公司 一种机房巡检方法及装置
CN113776783A (zh) * 2021-08-27 2021-12-10 同济大学 一种基于巡检机器人的机房服务器故障灯检测方法
CN115685736A (zh) * 2022-11-04 2023-02-03 合肥工业大学 一种基于热成像与卷积神经网络的轮式巡检机器人
CN116165484A (zh) * 2023-02-21 2023-05-26 海南电网有限责任公司信息通信分公司 基于电力自动化运维的故障定位机器人协助定检巡查调度方法
CN116594847A (zh) * 2023-07-18 2023-08-15 太平金融科技服务（上海）有限公司 服务器巡检方法、系统、装置、服务器、介质和程序产品

Also Published As

Publication number Publication date
CN116805435A (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN111353413B (zh) 一种输电设备低漏报率缺陷识别方法
US10795056B2 (en) Local weather forecast
CN109544501B (zh) 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法
US20200334571A1 (en) Method and apparatus for training trajectory classification model, and electronic device
CN107886048A (zh) 目标跟踪方法及系统、存储介质及电子终端
CN116805435B (zh) 一种数电机房智能巡检装置
CN111462155B (zh) 移动侦测方法、装置、计算机设备和存储介质
CN108564102A (zh) 图像聚类结果评价方法和装置
CN111368980A (zh) 状态检测方法、装置、设备及存储介质
CN109902681B (zh) 用户群体关系确定方法、装置、设备及存储介质
CN115861210B (zh) 一种基于孪生网络的变电站设备异常检测方法和系统
CN111768429A (zh) 一种基于卡尔曼滤波和行人重识别算法的隧道环境下行人目标跟踪方法
CN114972490B (zh) 一种数据自动标注方法、装置、设备及存储介质
CN114697212A (zh) 设备参数处理方法、设备、系统及介质
CN113569657A (zh) 一种行人重识别方法、装置、设备及存储介质
CN116821777B (zh) 一种新型基础测绘数据整合方法及系统
CN116363536B (zh) 一种基于无人机巡查数据的电网基建设备缺陷归档方法
CN117765348A (zh) 目标检测模型的部署方法和目标检测方法及电子设备
CN116719002A (zh) 定量降水估计方法、装置、电子设备及计算机存储介质
CN115150840B (zh) 一种基于深度学习的移动网络流量预测方法
CN116958627A (zh) 一种模型确定方法和相关装置
US20220148193A1 (en) Adaptive object recognition apparatus and method in fixed closed circuit television edge terminal using network
JP2022036054A (ja) 架渉線の点検装置、点検方法及び点検プログラム
CN114581769A (zh) 一种基于无监督聚类的在建房屋识别方法
CN113850173A (zh) 针对故障光伏组件的消除重复定位的方法、装置及介质

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