CN117315368B - 一种大规模数据中心智能运维巡检方法 - Google Patents

一种大规模数据中心智能运维巡检方法 Download PDF

Info

Publication number
CN117315368B
CN117315368B CN202311371654.0A CN202311371654A CN117315368B CN 117315368 B CN117315368 B CN 117315368B CN 202311371654 A CN202311371654 A CN 202311371654A CN 117315368 B CN117315368 B CN 117315368B
Authority
CN
China
Prior art keywords
server
image
server panel
panel
indicator
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
CN202311371654.0A
Other languages
English (en)
Other versions
CN117315368A (zh
Inventor
徐志强
刘优丹
俞琳
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.)
Longkun Wuxi Smart Technology Co ltd
Original Assignee
Longkun Wuxi Smart Technology 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 Longkun Wuxi Smart Technology Co ltd filed Critical Longkun Wuxi Smart Technology Co ltd
Priority to CN202311371654.0A priority Critical patent/CN117315368B/zh
Publication of CN117315368A publication Critical patent/CN117315368A/zh
Application granted granted Critical
Publication of CN117315368B publication Critical patent/CN117315368B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • 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
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及智能运维的技术领域，公开了一种大规模数据中心智能运维巡检方法，所述方法包括：无人运维机器人实时采集数据中心中的服务器面板图像；利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位；构建服务器面板图像复原模型生成服务器面板复原图像；对所采集的服务器面板图像和服务器面板复原图像进行阈值分割，判断是否存在指示灯异常。本发明结合图像中像素映射概率与真实概率的差异性构建服务器面板指示灯定位模型，实现指示灯区域定位，基于阈值分割处理后原始服务器面板图像和服务器面板复原图像的像素结构差异，判断原始服务器面板图像的指示灯是否存在异常，实现数据中心服务器的运行状况巡检。

Description

一种大规模数据中心智能运维巡检方法
技术领域
本发明涉及智能运维的技术领域，尤其涉及一种大规模数据中心智能运维巡检方法。
背景技术
随着我国社会经济的快速发展与企业创新能力及现代信息通信技术的提高，商业数据中心的规模在不断扩大。数字化在带来便利的同时也给数据中心运维带来巨大的挑战，数据中心负载逐年加大，运维人力资源不足与剧增的运维量之间的矛盾日益明显。商业数据中心是现代企业的重要组成部分，一旦出现异常或者停止将给企业带来巨大损失。针对该问题，本发明提出一种大规模数据中心智能运维巡检方法，通过多传感器融合技术、深度学习技术助力数据中心运维服务向智慧无人化自主运维方向发展。
发明内容
有鉴于此，本发明提供一种大规模数据中心智能运维巡检方法，目的在于：1）通过设定无人运维机器人的巡检轨迹，采集数据中心不同服务器的面板图像，结合像素映射概率与真实概率的差异性构建服务器面板指示灯定位模型，基于全局像素的差异性解决类内不一致以及类间模糊的问题，从而有助于检测得到指示灯区域的边缘，利用映射概率与真实轮廓概率的交并比作为模型优化目标函数中对指示灯区域的检测约束，避免较多区域被检测识别为指示灯区域，实现服务器面板图像中指示灯区域的定位；2）根据所获取服务器指示灯区域子图像，采用图像上采样复原方式进行编码解码处理，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像，基于阈值分割处理后原始服务器面板图像和服务器面板复原图像的像素结构差异，判断原始服务器面板图像的指示灯是否存在异常，指示灯异常则表示服务器指示灯与数据统计、系统状态显示结果存在差异，实现数据中心服务器的运行状况巡检。
实现上述目的，本发明提供的一种大规模数据中心智能运维巡检方法，包括以下步骤：
S1：无人运维机器人在既定轨迹运行过程中，实时采集数据中心中的服务器面板图像；
S2：构建服务器面板指示灯定位模型，所述模型以服务器面板图像为输入，以服务器指示灯区域子图像为输出，其中显著性目标检测为所述指示灯定位的主要实施方法；
S3：基于服务器面板指示灯定位模型确定模型优化目标函数，并对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位；
S4：构建服务器面板图像复原模型生成服务器指示灯区域子图像对应的服务器面板复原图像，所述服务器面板图像复原模型以服务器指示灯区域子图像为输入，以正常运行状态下的服务器面板复原图像为输出；
S5：对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，判断是否存在指示灯异常。
作为本发明的进一步改进方法：
可选地，所述S1步骤中无人运维机器人实时采集数据中心中的服务器面板图像，包括：
设定无人运维机器人的运行轨迹，其中无人运维机器人的运行轨迹为无人运维机器人对数据中心的不同服务器的状态检测巡检路径，无人运维机器人按照既定轨迹，利用传感器采集不同服务器的服务器面板图像，其中服务器面板图像为服务器运行过程中各指标的显示图像，包括指示灯区域图像、系统状态图像以及数据统计图像，无人运维机器人所采集服务器面板图像的集合为：
其中：
表示无人运维机器人巡检过程中所实时采集第n个服务器的服务器面板图像，N表示所设置无人运维机器人运行轨迹中待巡检服务器的总数。
可选地，所述S2步骤中构建服务器面板指示灯定位模型，包括：
构建服务器面板指示灯定位模型，所述服务器面板指示灯定位模型以服务器面板图像为输入，以服务器指示灯区域子图像为输出，其中服务器面板指示灯定位模型包括输入层、感受野特征提取层、特征交互层以及输出层；
输入层用于接收无人运维机器人所采集的服务器面板图像；
感受野特征提取层包括不同尺度的卷积核，用于提取服务器面板图像中不同尺度的感受野特征进行拼接；
特征交互层用于对感受野特征拼接结果进行多分辨率特征表示，并对所表示的多分辨率特征进行交互处理；
输出层用于将多分辨率特征交互结果进行像素映射，得到服务器面板图像中像素为服务器指示灯区域轮廓的映射概率，构成服务器指示灯区域轮廓，并基于服务器指示灯区域轮廓对服务器面板图像进行裁剪，得到服务器指示灯区域子图像。
可选地，所述S3步骤中基于服务器面板指示灯定位模型确定模型优化目标函数，包括：
获取M组服务器面板图像并对服务器面板图像进行指示灯区域轮廓标记，构成服务器面板指示灯定位模型的训练数据集data：
其中：
表示训练数据集data中第m组训练数据，表示训练数据中的服务器面板图像，表示中指示灯区域轮廓像素集合；
基于服务器面板指示灯定位模型确定模型优化目标函数，其中所构建的模型优化目标函数为：
其中：
表示模型优化目标函数，表示待优化求解的模型参数向量；在本发明实施例中，所述模型参数向量中包括感受野特征提取层中不同尺度的卷积核参数、特征交互层中不同分辨率的卷积融合参数以及输出层的映射矩阵；
表示将输入到基于模型参数向量的服务器面板指示灯定位模型中，像素为服务器指示灯区域轮廓的映射概率，表示像素的真实轮廓概率；
表示训练数据集data中服务器面板图像的像素坐标集合，，s表示像素坐标集合中的任意像素坐标，表示服务器面板图像中像素坐标为的像素；
H表示训练数据集data中服务器面板图像的像素总数；
表征单个像素的映射概率与真实轮廓概率的对应关系，对应单个像素的映射概率与真实轮廓概率差异性；
表征全局像素的映射概率与真实轮廓概率的对应关系，对应全局像素的映射概率与真实轮廓概率差异性；
表示映射概率与真实轮廓概率的交并比。在本发明实施例中，通过分别分析单个像素的映射概率与真实轮廓概率差异性以及全局像素的映射概率与真实轮廓概率差异性，从单个像素以及全局像素层面对模型定位效果进行表征，在全局像素概率的差异性分析过程中，通过对函数进行求导，相较于单个像素概率的差异性分析，全局像素概率对应的导数变化幅度更大，有助于解决类内不一致以及类间模糊的问题，从而有助于检测得到指示灯区域的边缘，利用映射概率与真实轮廓概率的交并比作为模型优化目标函数中对指示灯区域的检测约束，避免较多区域被检测识别为指示灯区域。
可选地，所述S3步骤中对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，包括：
对模型优化目标函数进行最优化求解，得到服务器面板指示灯定位模型的最优参数向量，并基于最优参数向量构建得到最优服务器面板指示灯定位模型，其中模型优化目标函数的最优化求解流程为：
S31：利用梯度下降算法生成模型参数向量，并设置最优参数向量的对当前迭代次数为t，t的初始值为0，则第t次迭代得到的模型参数向量为；
S32：若小于预设的迭代阈值，则将作为求解到的最优参数向量，基于最优参数向量构建得到最优服务器面板指示灯定位模型，否则转向步骤S33；
S33：生成模型参数向量的迭代步长：
其中：
为满足不等式的向量序列；
在本发明实施例中，；
S34：对模型参数向量进行迭代：
令t=t+1返回步骤S32。
可选地，所述S3步骤中利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位，包括：
利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位，其中基于最优服务器面板指示灯定位模型的服务器面板图像的服务器指示灯区域子图像定位流程为：
输入层接收服务器面板图像，并对服务器面板图像进行灰度化处理，得到灰度化处理后的服务器面板图像，将服务器面板图像发送到感受野特征提取层；
感受野特征提取层对服务器面板图像进行不同尺度的感受野特征提取，并对不同尺度的感受野特征进行拼接处理：
其中：
表示特征拼接；
表示ReLU激活函数；
表示像素尺度的卷积矩阵参数，表示像素尺度的卷积矩阵参数，表示像素尺度的卷积矩阵参数；
表示服务器面板图像对应的感受野特征拼接结果；
感受野特征提取层将感受野特征拼接结果发送至特征交互层；
特征交互层对感受野特征拼接结果进行多分辨率特征表示：
其中：
表示的下采样处理，；
表示的分辨率表示结果；
并对多分辨率特征进行交互处理：
其中：
表示对K个分辨率的多分辨率特征进行卷积融合处理，表示卷积融合处理操作；
表示服务器面板图像对应的多分辨率特征交互结果；
输出层利用映射矩阵对多分辨率特征交互结果进行卷积处理，得到服务器面板图像的像素映射概率矩阵，其中像素映射概率矩阵中的每个元素为服务器面板图像中对应像素为服务器指示灯区域轮廓的映射概率，选取映射概率高于预设阈值的像素作为轮廓像素，并选取最近的轮廓像素进行连线构成服务器指示灯区域轮廓，基于服务器指示灯区域轮廓对服务器面板图像进行裁剪，得到服务器面板图像对应的服务器指示灯区域子图像。
可选地，所述S4步骤中构建服务器面板图像复原模型生成服务器指示灯区域子图像对应的服务器面板复原图像，包括：
构建服务器面板图像复原模型，所构建服务器面板图像复原模型以服务器指示灯区域子图像为输入，以正常运行状态下的服务器面板复原图像为输出，其中服务器面板图像复原模型包括编码层、解码层以及输出层，编码层用于对服务器指示灯区域子图像进行编码处理，解码层用于对编码处理结果进行结合注意力机制的解码处理，输出层用于根据解码处理结果，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像；
基于服务器面板复原模型的服务器指示灯区域子图像的复原流程为：
S41：编码层对服务器指示灯区域子图像进行编码处理：
其中：
表示编码层中第r个编码单元的权重参数矩阵；
表示第r个编码单元对服务器指示灯区域子图像的编码处理结果，；
将第R个编码单元对服务器指示灯区域子图像的编码结果作为编码处理结果；
S42：解码层对编码处理结果进行结合注意力机制的解码处理：
其中：
表示编码处理结果的上采样处理结果；
表示服务器指示灯区域子图像的解码处理结果；
S43：对解码处理结果进行反卷积处理操作，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像。
可选地，所述S5步骤中对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，包括：
对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，根据阈值分割结果判断是否存在指示灯异常，在本发明实施例中，指示灯异常则表示服务器指示灯与数据统计、系统状态显示结果存在差异，其中所述服务器面板复原图像以及原始服务器面板图像的阈值分割以及指示灯异常的流程为：
对服务器面板复原图像以及原始服务器面板图像进行灰度化处理，并利用Ostu算法对灰度化处理后的服务器面板复原图像以及原始服务器面板图像进行阈值分割，得到二值化的服务器面板复原图像以及二值化的原始服务器面板图像；
计算得到二值化的服务器面板复原图像以及二值化的原始服务器面板图像的相似度，若相似度高于预设相似阈值，则表示图像所对应服务器不存在指示灯异常，否则表示服务器存在指示灯异常，其中相似度计算公式为：
其中：
分别为二值化的服务器面板复原图像以及二值化的原始服务器面板图像的像素值标准差；
分别为二值化的服务器面板复原图像以及二值化的原始服务器面板图像的像素值均值；
表示二值化的服务器面板复原图像以及二值化的原始服务器面板图像的相似度。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及
处理器，执行所述存储器中存储的指令以实现上述所述的大规模数据中心智能运维巡检方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的大规模数据中心智能运维巡检方法。
相对于现有技术，本发明提出一种大规模数据中心智能运维巡检方法，该技术具有以下优势：
首先，本方案提出一种服务器面板指示灯区域定位方法，所述服务器面板指示灯定位模型以服务器面板图像为输入，以服务器指示灯区域子图像为输出，其中服务器面板指示灯定位模型包括输入层、感受野特征提取层、特征交互层以及输出层；输入层用于接收无人运维机器人所采集的服务器面板图像；感受野特征提取层包括不同尺度的卷积核，用于提取服务器面板图像中不同尺度的感受野特征进行拼接；特征交互层用于对感受野特征拼接结果进行多分辨率特征表示，并对所表示的多分辨率特征进行交互处理；输出层用于将多分辨率特征交互结果进行像素映射，得到服务器面板图像中像素为服务器指示灯区域轮廓的映射概率，构成服务器指示灯区域轮廓，并基于服务器指示灯区域轮廓对服务器面板图像进行裁剪，得到服务器指示灯区域子图像。基于服务器面板指示灯定位模型确定模型优化目标函数，其中所构建的模型优化目标函数为：
其中：表示模型优化目标函数，表示待优化求解的模型参数向量；表示将输入到基于模型参数向量的服务器面板指示灯定位模型中，像素为服务器指示灯区域轮廓的映射概率，表示像素的真实轮廓概率；表示训练数据集data中服务器面板图像的像素坐标集合，，s表示像素坐标集合中的任意像素坐标，表示服务器面板图像中像素坐标为的像素；H表示训练数据集data中服务器面板图像的像素总数；表征单个像素的映射概率与真实轮廓概率的对应关系，对应单个像素的映射概率与真实轮廓概率差异性；表征全局像素的映射概率与真实轮廓概率的对应关系，对应全局像素的映射概率与真实轮廓概率差异性；表示映射概率与真实轮廓概率的交并比。本方案通过设定无人运维机器人的巡检轨迹，采集数据中心不同服务器的面板图像，结合像素映射概率与真实概率的差异性构建服务器面板指示灯定位模型，基于全局像素的差异性解决类内不一致以及类间模糊的问题，从而有助于检测得到指示灯区域的边缘，利用映射概率与真实轮廓概率的交并比作为模型优化目标函数中对指示灯区域的检测约束，避免较多区域被检测识别为指示灯区域，实现服务器面板图像中指示灯区域的定位。
同时，本方案提出一种面板图像生成复原方法，基于服务器面板复原模型的服务器指示灯区域子图像的复原流程为：编码层对服务器指示灯区域子图像进行编码处理：
其中：表示编码层中第r个编码单元的权重参数矩阵；表示第r个编码单元对服务器指示灯区域子图像的编码处理结果，；将第R个编码单元对服务器指示灯区域子图像的编码结果作为编码处理结果；解码层对编码处理结果进行结合注意力机制的解码处理：
其中：表示编码处理结果的上采样处理结果；表示服务器指示灯区域子图像的解码处理结果；对解码处理结果进行反卷积处理操作，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像。对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，根据阈值分割结果判断是否存在指示灯异常，其中所述服务器面板复原图像以及原始服务器面板图像的阈值分割以及指示灯异常的流程为：对服务器面板复原图像以及原始服务器面板图像进行灰度化处理，并利用Ostu算法对灰度化处理后的服务器面板复原图像以及原始服务器面板图像进行阈值分割，得到二值化的服务器面板复原图像以及二值化的原始服务器面板图像；计算得到二值化的服务器面板复原图像以及二值化的原始服务器面板图像的相似度，若相似度高于预设相似阈值，则表示图像所对应服务器不存在指示灯异常，否则表示服务器存在指示灯异常，其中相似度计算公式为：
其中：分别为二值化的服务器面板复原图像以及二值化的原始服务器面板图像的像素值标准差；分别为二值化的服务器面板复原图像以及二值化的原始服务器面板图像的像素值均值；表示二值化的服务器面板复原图像以及二值化的原始服务器面板图像的相似度。本方案根据所获取服务器指示灯区域子图像，采用图像上采样复原方式进行编码解码处理，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像，基于阈值分割处理后原始服务器面板图像和服务器面板复原图像的像素结构差异，判断原始服务器面板图像的指示灯是否存在异常，指示灯异常则表示服务器指示灯与数据统计、系统状态显示结果存在差异，实现数据中心服务器的运行状况巡检。
附图说明
图1为本发明一实施例提供的一种大规模数据中心智能运维巡检方法的流程示意图；
图2为本发明一实施例提供的实现大规模数据中心智能运维巡检方法的电子设备的结构示意图。
图中：1电子设备，10处理器，11存储器，12程序，13通信接口。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种大规模数据中心智能运维巡检方法。所述大规模数据中心智能运维巡检方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述大规模数据中心智能运维巡检方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：无人运维机器人在既定轨迹运行过程中，实时采集数据中心中的服务器面板图像。
所述S1步骤中无人运维机器人实时采集数据中心中的服务器面板图像，包括：
设定无人运维机器人的运行轨迹，其中无人运维机器人的运行轨迹为无人运维机器人对数据中心的不同服务器的状态检测巡检路径，无人运维机器人按照既定轨迹，利用传感器采集不同服务器的服务器面板图像，其中服务器面板图像为服务器运行过程中各指标的显示图像，包括指示灯区域图像、系统状态图像以及数据统计图像，无人运维机器人所采集服务器面板图像的集合为：
其中：
表示无人运维机器人巡检过程中所实时采集第n个服务器的服务器面板图像，N表示所设置无人运维机器人运行轨迹中待巡检服务器的总数。
S2：构建服务器面板指示灯定位模型，所述模型以服务器面板图像为输入，以服务器指示灯区域子图像为输出。
所述S2步骤中构建服务器面板指示灯定位模型，包括：
构建服务器面板指示灯定位模型，所述服务器面板指示灯定位模型以服务器面板图像为输入，以服务器指示灯区域子图像为输出，其中服务器面板指示灯定位模型包括输入层、感受野特征提取层、特征交互层以及输出层；
输入层用于接收无人运维机器人所采集的服务器面板图像；
感受野特征提取层包括不同尺度的卷积核，用于提取服务器面板图像中不同尺度的感受野特征进行拼接；
特征交互层用于对感受野特征拼接结果进行多分辨率特征表示，并对所表示的多分辨率特征进行交互处理；
输出层用于将多分辨率特征交互结果进行像素映射，得到服务器面板图像中像素为服务器指示灯区域轮廓的映射概率，构成服务器指示灯区域轮廓，并基于服务器指示灯区域轮廓对服务器面板图像进行裁剪，得到服务器指示灯区域子图像。
S3：基于服务器面板指示灯定位模型确定模型优化目标函数，并对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位。
所述S3步骤中基于服务器面板指示灯定位模型确定模型优化目标函数，包括：
获取M组服务器面板图像并对服务器面板图像进行指示灯区域轮廓标记，构成服务器面板指示灯定位模型的训练数据集data：
其中：
表示训练数据集data中第m组训练数据，表示训练数据中的服务器面板图像，表示中指示灯区域轮廓像素集合；
基于服务器面板指示灯定位模型确定模型优化目标函数，其中所构建的模型优化目标函数为：
其中：
表示模型优化目标函数，表示待优化求解的模型参数向量；在本发明实施例中，所述模型参数向量中包括感受野特征提取层中不同尺度的卷积核参数、特征交互层中不同分辨率的卷积融合参数以及输出层的映射矩阵；
表示将输入到基于模型参数向量的服务器面板指示灯定位模型中，像素为服务器指示灯区域轮廓的映射概率，表示像素的真实轮廓概率；
表示训练数据集data中服务器面板图像的像素坐标集合，，s表示像素坐标集合中的任意像素坐标，表示服务器面板图像中像素坐标为的像素；
H表示训练数据集data中服务器面板图像的像素总数；
表征单个像素的映射概率与真实轮廓概率的对应关系，对应单个像素的映射概率与真实轮廓概率差异性；
表征全局像素的映射概率与真实轮廓概率的对应关系，对应全局像素的映射概率与真实轮廓概率差异性；
表示映射概率与真实轮廓概率的交并比。
所述S3步骤中对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，包括：
对模型优化目标函数进行最优化求解，得到服务器面板指示灯定位模型的最优参数向量，并基于最优参数向量构建得到最优服务器面板指示灯定位模型，其中模型优化目标函数的最优化求解流程为：
S31：利用梯度下降算法生成模型参数向量，并设置最优参数向量的对当前迭代次数为t，t的初始值为0，则第t次迭代得到的模型参数向量为；
S32：若小于预设的迭代阈值，则将作为求解到的最优参数向量，基于最优参数向量构建得到最优服务器面板指示灯定位模型，否则转向步骤S33；
S33：生成模型参数向量的迭代步长：
其中：
为满足不等式的向量序列；
在本发明实施例中，；
S34：对模型参数向量进行迭代：
令t=t+1返回步骤S32。
所述S3步骤中利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位，包括：
利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位，其中基于最优服务器面板指示灯定位模型的服务器面板图像的服务器指示灯区域子图像定位流程为：
输入层接收服务器面板图像，并对服务器面板图像进行灰度化处理，得到灰度化处理后的服务器面板图像，将服务器面板图像发送到感受野特征提取层；
感受野特征提取层对服务器面板图像进行不同尺度的感受野特征提取，并对不同尺度的感受野特征进行拼接处理：
其中：
表示特征拼接；
表示ReLU激活函数；
表示像素尺度的卷积矩阵参数，表示像素尺度的卷积矩阵参数，表示像素尺度的卷积矩阵参数；
表示服务器面板图像对应的感受野特征拼接结果；
感受野特征提取层将感受野特征拼接结果发送至特征交互层；
特征交互层对感受野特征拼接结果进行多分辨率特征表示：
其中：
表示的下采样处理，；
表示的分辨率表示结果；
并对多分辨率特征进行交互处理：
其中：
表示对K个分辨率的多分辨率特征进行卷积融合处理，表示卷积融合处理操作；
表示服务器面板图像对应的多分辨率特征交互结果；
输出层利用映射矩阵对多分辨率特征交互结果进行卷积处理，得到服务器面板图像的像素映射概率矩阵，其中像素映射概率矩阵中的每个元素为服务器面板图像中对应像素为服务器指示灯区域轮廓的映射概率，选取映射概率高于预设阈值的像素作为轮廓像素，并选取最近的轮廓像素进行连线构成服务器指示灯区域轮廓，基于服务器指示灯区域轮廓对服务器面板图像进行裁剪，得到服务器面板图像对应的服务器指示灯区域子图像。
S4：构建服务器面板图像复原模型生成服务器指示灯区域子图像对应的服务器面板复原图像，所述服务器面板图像复原模型以服务器指示灯区域子图像为输入，以正常运行状态下的服务器面板复原图像为输出。
所述S4步骤中构建服务器面板图像复原模型生成服务器指示灯区域子图像对应的服务器面板复原图像，包括：
构建服务器面板图像复原模型，所构建服务器面板图像复原模型以服务器指示灯区域子图像为输入，以正常运行状态下的服务器面板复原图像为输出，其中服务器面板图像复原模型包括编码层、解码层以及输出层，编码层用于对服务器指示灯区域子图像进行编码处理，解码层用于对编码处理结果进行结合注意力机制的解码处理，输出层用于根据解码处理结果，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像；
基于服务器面板复原模型的服务器指示灯区域子图像的复原流程为：
S41：编码层对服务器指示灯区域子图像进行编码处理：
其中：
表示编码层中第r个编码单元的权重参数矩阵；
表示第r个编码单元对服务器指示灯区域子图像的编码处理结果，；
将第R个编码单元对服务器指示灯区域子图像的编码结果作为编码处理结果；
S42：解码层对编码处理结果进行结合注意力机制的解码处理：
其中：
表示编码处理结果的上采样处理结果；
表示服务器指示灯区域子图像的解码处理结果；
S43：对解码处理结果进行反卷积处理操作，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像。
S5：对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，判断是否存在指示灯异常。
所述S5步骤中对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，包括：
对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，根据阈值分割结果判断是否存在指示灯异常，在本发明实施例中，指示灯异常则表示服务器指示灯与数据统计、系统状态显示结果存在差异，其中所述服务器面板复原图像以及原始服务器面板图像的阈值分割以及指示灯异常的流程为：
对服务器面板复原图像以及原始服务器面板图像进行灰度化处理，并利用Ostu算法对灰度化处理后的服务器面板复原图像以及原始服务器面板图像进行阈值分割，得到二值化的服务器面板复原图像以及二值化的原始服务器面板图像；
计算得到二值化的服务器面板复原图像以及二值化的原始服务器面板图像的相似度，若相似度高于预设相似阈值，则表示图像所对应服务器不存在指示灯异常，否则表示服务器存在指示灯异常，其中相似度计算公式为：
其中：
分别为二值化的服务器面板复原图像以及二值化的原始服务器面板图像的像素值标准差；
分别为二值化的服务器面板复原图像以及二值化的原始服务器面板图像的像素值均值；
表示二值化的服务器面板复原图像以及二值化的原始服务器面板图像的相似度。
实施例2：
如图2所示，是本发明一实施例提供的实现大规模数据中心智能运维巡检方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现大规模数据中心智能运维巡检的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
无人运维机器人在既定轨迹运行过程中，实时采集数据中心中的服务器面板图像；
构建服务器面板指示灯定位模型；
基于服务器面板指示灯定位模型确定模型优化目标函数，并对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位；
构建服务器面板图像复原模型生成服务器指示灯区域子图像对应的服务器面板复原图像；
对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，判断是否存在指示灯异常。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种大规模数据中心智能运维巡检方法，其特征在于，所述方法包括：
S1：无人运维机器人在既定轨迹运行过程中，实时采集数据中心中的服务器面板图像；
设定无人运维机器人的运行轨迹，其中无人运维机器人的运行轨迹为无人运维机器人对数据中心的不同服务器的状态检测巡检路径，无人运维机器人按照既定轨迹，利用传感器采集不同服务器的服务器面板图像，其中服务器面板图像为服务器运行过程中各指标的显示图像，包括指示灯区域图像、系统状态图像以及数据统计图像，无人运维机器人所采集服务器面板图像的集合为：
其中：
表示无人运维机器人巡检过程中所实时采集第n个服务器的服务器面板图像，N表示所设置无人运维机器人运行轨迹中待巡检服务器的总数；
S2：构建服务器面板指示灯定位模型，所述模型以服务器面板图像为输入，以服务器指示灯区域子图像为输出；
S3：基于服务器面板指示灯定位模型确定模型优化目标函数，并对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位；
基于服务器面板指示灯定位模型确定模型优化目标函数，包括：
获取M组服务器面板图像并对服务器面板图像进行指示灯区域轮廓标记，构成服务器面板指示灯定位模型的训练数据集data：
其中：
表示训练数据集data中第m组训练数据，表示训练数据中的服务器面板图像，表示中指示灯区域轮廓像素集合；
基于服务器面板指示灯定位模型确定模型优化目标函数，其中所构建的模型优化目标函数为：
其中：
表示模型优化目标函数，表示待优化求解的模型参数向量；
表示将输入到基于模型参数向量的服务器面板指示灯定位模型中像素为服务器指示灯区域轮廓的映射概率，表示像素的真实轮廓概率；
表示训练数据集data中服务器面板图像的像素坐标集合，，s表示像素坐标集合中的任意像素坐标，表示服务器面板图像中像素坐标为的像素；
H表示第m组训练数据中服务器面板图像所包含的像素总数；
表征单个像素的映射概率与真实轮廓概率的对应关系，对应单个像素的映射概率与真实轮廓概率差异性；
表征全局像素的映射概率与真实轮廓概率的对应关系，对应全局像素的映射概率与真实轮廓概率差异性；
表示映射概率与真实轮廓概率的交并比；
S4：构建服务器面板图像复原模型生成服务器指示灯区域子图像对应的服务器面板复原图像，所述服务器面板图像复原模型以服务器指示灯区域子图像为输入，以正常运行状态下的服务器面板复原图像为输出；
服务器面板图像复原模型包括编码层、解码层以及输出层，编码层用于对服务器指示灯区域子图像进行编码处理，解码层用于对编码处理结果进行结合注意力机制的解码处理，输出层用于根据解码处理结果，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像；
基于服务器面板复原模型的服务器指示灯区域子图像的复原流程为：
S41：编码层对服务器指示灯区域子图像进行编码处理：
其中：
表示编码层中第r个编码单元的权重参数矩阵；
表示第r个编码单元对服务器指示灯区域子图像的编码处理结果，；
将第R个编码单元对服务器指示灯区域子图像的编码结果作为编码处理结果；
S42：解码层对编码处理结果进行结合注意力机制的解码处理：
其中：
表示编码处理结果的上采样处理结果；
表示服务器指示灯区域子图像的解码处理结果；
S43：对解码处理结果进行反卷积处理操作，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像；
S5：对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，判断是否存在指示灯异常；
对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，根据阈值分割结果判断是否存在指示灯异常，其中所述服务器面板复原图像以及原始服务器面板图像的阈值分割以及指示灯异常的流程为：
对服务器面板复原图像以及原始服务器面板图像进行灰度化处理，并利用Ostu算法对灰度化处理后的服务器面板复原图像以及原始服务器面板图像进行阈值分割，得到二值化的服务器面板复原图像以及二值化的原始服务器面板图像；
计算得到二值化的服务器面板复原图像以及二值化的原始服务器面板图像的相似度，若相似度高于预设相似阈值，则表示图像所对应服务器不存在指示灯异常，否则表示服务器存在指示灯异常，其中相似度计算公式为：
其中：
分别为二值化的服务器面板复原图像以及二值化的原始服务器面板图像的像素值标准差；
分别为二值化的服务器面板复原图像以及二值化的原始服务器面板图像的像素值均值；
表示二值化的服务器面板复原图像以及二值化的原始服务器面板图像的相似度。
2.如权利要求1所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S2步骤中构建服务器面板指示灯定位模型，包括：
构建服务器面板指示灯定位模型，所述服务器面板指示灯定位模型以服务器面板图像为输入，以服务器指示灯区域子图像为输出，其中服务器面板指示灯定位模型包括输入层、感受野特征提取层、特征交互层以及输出层；
输入层用于接收无人运维机器人所采集的服务器面板图像；
感受野特征提取层包括不同尺度的卷积核，用于提取服务器面板图像中不同尺度的感受野特征进行拼接；
特征交互层用于对感受野特征拼接结果进行多分辨率特征表示，并对所表示的多分辨率特征进行交互处理；
输出层用于将多分辨率特征交互结果进行像素映射，得到服务器面板图像中像素为服务器指示灯区域轮廓的映射概率，构成服务器指示灯区域轮廓，并基于服务器指示灯区域轮廓对服务器面板图像进行裁剪，得到服务器指示灯区域子图像。
3.如权利要求1所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S3步骤中对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，包括：
对模型优化目标函数进行最优化求解，得到服务器面板指示灯定位模型的最优参数向量，并基于最优参数向量构建得到最优服务器面板指示灯定位模型，其中模型优化目标函数的最优化求解流程为：
S31：利用梯度下降算法生成模型参数向量，并设置最优参数向量的对当前迭代次数为t，t的初始值为0，则第t次迭代得到的模型参数向量为；
S32：若小于预设的迭代阈值，则将作为求解到的最优参数向量，基于最优参数向量构建得到最优服务器面板指示灯定位模型，否则转向步骤S33；
S33：生成模型参数向量的迭代步长：
其中：
为满足不等式的向量序列；
S34：对模型参数向量进行迭代：
令t=t+1返回步骤S32。
4.如权利要求1-3任一项所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S3步骤中利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位，包括：
利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位，其中基于最优服务器面板指示灯定位模型的服务器面板图像的服务器指示灯区域子图像定位流程为：
输入层接收服务器面板图像，并对服务器面板图像进行灰度化处理，得到灰度化处理后的服务器面板图像，将服务器面板图像发送到感受野特征提取层；
感受野特征提取层对服务器面板图像进行不同尺度的感受野特征提取，并对不同尺度的感受野特征进行拼接处理：
其中：
表示特征拼接；
表示ReLU激活函数；
表示像素尺度的卷积矩阵参数，表示像素尺度的卷积矩阵参数，表示像素尺度的卷积矩阵参数；
表示服务器面板图像对应的感受野特征拼接结果；
感受野特征提取层将感受野特征拼接结果发送至特征交互层；
特征交互层对感受野特征拼接结果进行多分辨率特征表示：
其中：
表示的下采样处理，；
表示的分辨率表示结果；
并对多分辨率特征进行交互处理：
其中：
表示对K个分辨率的多分辨率特征进行卷积融合处理，表示卷积融合处理操作；
表示服务器面板图像对应的多分辨率特征交互结果；
输出层利用映射矩阵对多分辨率特征交互结果进行卷积处理，得到服务器面板图像的像素映射概率矩阵，其中像素映射概率矩阵中的每个元素为服务器面板图像中对应像素为服务器指示灯区域轮廓的映射概率，选取映射概率高于预设阈值的像素作为轮廓像素，并选取最近的轮廓像素进行连线构成服务器指示灯区域轮廓，基于服务器指示灯区域轮廓对服务器面板图像进行裁剪，得到服务器面板图像对应的服务器指示灯区域子图像。
CN202311371654.0A 2023-10-23 2023-10-23 一种大规模数据中心智能运维巡检方法 Active CN117315368B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311371654.0A CN117315368B (zh) 2023-10-23 2023-10-23 一种大规模数据中心智能运维巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311371654.0A CN117315368B (zh) 2023-10-23 2023-10-23 一种大规模数据中心智能运维巡检方法

Publications (2)

Publication Number Publication Date
CN117315368A CN117315368A (zh) 2023-12-29
CN117315368B true CN117315368B (zh) 2024-04-23

Family

ID=89237247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311371654.0A Active CN117315368B (zh) 2023-10-23 2023-10-23 一种大规模数据中心智能运维巡检方法

Country Status (1)

Country Link
CN (1) CN117315368B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110036279A (zh) * 2016-12-06 2019-07-19 三菱电机株式会社 检查装置和检查方法
CN111259892A (zh) * 2020-01-19 2020-06-09 福建升腾资讯有限公司 一种指示灯状态的巡检方法、装置、设备和介质
CN111507975A (zh) * 2020-04-23 2020-08-07 西南交通大学 一种牵引变电所户外绝缘子异常检测方法
AU2020103905A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning
CN113537198A (zh) * 2021-07-31 2021-10-22 北京晟天行科技有限公司 一种无人机图像采集时自动拍照的控制方法
CN113780594A (zh) * 2021-09-06 2021-12-10 甘肃紫光智能交通与控制技术有限公司 一种服务器智能识别与巡检系统
CN113935466A (zh) * 2021-10-19 2022-01-14 山东新一代信息产业技术研究院有限公司 数据中心智能巡检机器人多任务学习方法
CN114937027A (zh) * 2022-06-20 2022-08-23 创新奇智(上海)科技有限公司 风机叶片缺陷检测的方法、装置、电子设备及存储介质
WO2023280489A1 (en) * 2021-07-09 2023-01-12 Asml Netherlands B.V. Method and system for anomaly-based defect inspection
CN115811655A (zh) * 2022-10-14 2023-03-17 福建省海峡智汇科技有限公司 一种变电站的巡检方法、装置、设备及可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110036279A (zh) * 2016-12-06 2019-07-19 三菱电机株式会社 检查装置和检查方法
CN111259892A (zh) * 2020-01-19 2020-06-09 福建升腾资讯有限公司 一种指示灯状态的巡检方法、装置、设备和介质
CN111507975A (zh) * 2020-04-23 2020-08-07 西南交通大学 一种牵引变电所户外绝缘子异常检测方法
AU2020103905A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning
WO2023280489A1 (en) * 2021-07-09 2023-01-12 Asml Netherlands B.V. Method and system for anomaly-based defect inspection
CN113537198A (zh) * 2021-07-31 2021-10-22 北京晟天行科技有限公司 一种无人机图像采集时自动拍照的控制方法
CN113780594A (zh) * 2021-09-06 2021-12-10 甘肃紫光智能交通与控制技术有限公司 一种服务器智能识别与巡检系统
CN113935466A (zh) * 2021-10-19 2022-01-14 山东新一代信息产业技术研究院有限公司 数据中心智能巡检机器人多任务学习方法
CN114937027A (zh) * 2022-06-20 2022-08-23 创新奇智(上海)科技有限公司 风机叶片缺陷检测的方法、装置、电子设备及存储介质
CN115811655A (zh) * 2022-10-14 2023-03-17 福建省海峡智汇科技有限公司 一种变电站的巡检方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN117315368A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN112699775B (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN112507934A (zh) 活体检测方法、装置、电子设备及存储介质
WO2022141858A1 (zh) 行人检测方法、装置、电子设备及存储介质
CN112528908B (zh) 活体检测方法、装置、电子设备及存储介质
CN116168351B (zh) 电力设备巡检方法及装置
CN112132216B (zh) 车型识别方法、装置、电子设备及存储介质
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN113554008A (zh) 静态物体区域内检测方法、装置、电子设备及存储介质
CN118247696B (zh) 一种多通道视频流分析的目标异常行为识别方法
CN116580382A (zh) 一种多任务联合检测方法、系统、电子设备及存储介质
CN112132037B (zh) 基于人工智能的人行道检测方法、装置、设备及介质
CN117315368B (zh) 一种大规模数据中心智能运维巡检方法
CN114708230B (zh) 基于图像分析的车架质量检测方法、装置、设备及介质
CN115601684A (zh) 突发事件预警方法、装置、电子设备及存储介质
CN113221888B (zh) 车牌号管理系统测试方法、装置、电子设备及存储介质
CN111652226B (zh) 基于图片的目标识别方法、装置及可读存储介质
CN115546746A (zh) 一种高速行驶轨道车辆裂纹检测方法及装置
CN116822205B (zh) 一种多维环网柜故障快速预警方法
CN111539315B (zh) 基于黑盒模型的模型训练方法、装置、电子设备及介质
CN118552881B (zh) 一种视觉行为分析的金融安防预警方法与系统
CN113963322B (zh) 一种检测模型训练方法、装置及电子设备
CN115063723B (zh) 一种基于人体姿态估计的运动型障碍缺陷识别方法
CN114495290B (zh) 活体检测方法、装置、设备及存储介质
CN115619768A (zh) 一种多模态医学影像快速检测方法
CN115471533A (zh) 一种自适应医学影像快速配准方法

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