[发明专利]一种基于深度学习的机房设备智能识别方法及系统

说明书

本发明涉及一种基于深度学习的机房设备智能识别方法及系统，该识别方法包括：采集指定机房设备的工作状态信息；使用第一神经网络模型对所述工作状态信息进行数据加工，得到第一加工数据；使用第二神经网络模型对所述第一加工数据进行处理，得到第二加工数据；将所述第二加工数据与预存参考数据进行比对；基于比对结果，执行相应的操作。本发明可以避免采取人工分析的方式进行检测，从而避免出现检测误判或漏判的情况，大大提高了检测准确度，同时降低了机房监控成本。

技术领域

本发明属于设备识别领域，尤其涉及一种基于深度学习的机房设备智能识别方法及系统。

背景技术

机房巡检是保障机房安全运行的一项重要制度。鉴于传统人工巡检存在工作量大，受巡检员的经验等主观因素影响大，手工记录难以保存等问题，越来越多的智能巡检机器人在机房中得到了实际应用，有效的提高了设备自动识别和故障报警的效率，降低了运维人员的劳动强度，为机房无人值守提供了强有力的技术支撑。

虽然现有的巡检机器人在机房巡检时产生了海量的可见光图像，提供了对机房关键设备外观特征进行监控和分析的基础；但目前设备故障检测主要还是采取人工分析的方式，从而导致在进行故障检测时，不但工作量大，而且易发生严重的检测误判或漏判情况，难以准确及时的发现故障。另外，机房内设备数量种类繁多，很难根据机器人拍摄的照片判断出设备的类型和位置以及它们和照片上指示灯之间的对应关系。

发明内容

针对上述现有技术中存在的缺陷，本发明的目的在于提供一种基于深度学习的机房设备智能识别方法及系统，可以避免采取人工分析的方式进行检测，从而避免出现检测误判或漏判的情况。

第一方面，本发明提供一种基于深度学习的机房设备智能识别方法，其包括：

步骤S101、采集指定机房设备的工作状态信息，其包括：

基于用户指令，获取所述指定机房设备的坐标；

基于所述坐标，采集所述指定机房设备的工作状态信息；

步骤S103、使用第一神经网络模型对所述工作状态信息进行数据加工，得到第一加工数据，其包括：

采用预先训练的设备识别神经网络模型，对所述图片进行识别，并对所述设备进行定位；

基于所述定位信息将所述图片中的设备部分裁剪下来，并保存为第一加工数据；

步骤S105、使用第二神经网络模型对所述第一加工数据进行处理，得到第二加工数据，其包括：

采用预先训练的指示灯识别神经网络模型，基于第一加工数据对设备指示灯进行检测；

步骤S107、将所述第二加工数据与预存参考数据进行比对；

步骤S109、基于比对结果，执行相应的操作。

在一个实施例中，所述工作状态信息是指包含所述指定机房设备的指示灯的图片。

在一个实施例中，所述步骤S107具体包括：

将在数据库中预先存储的指定机房设备故障对应的指示灯数目，和检测出的关键设备图片上的指示灯数目进行对比。

在一个实施例中，在数据库中预先存储的指定机房设备故障对应的指示灯数目，包括：

构建数据库对应的设备故障表，根据不同设备发生故障时指示灯数目不同，将设备名称和设备发生故障时指示灯数目写入。

在一个实施例中，所述设备识别神经网络模型训练过程包括：

构建第一训练样本集，所述第一训练样本集中包括多张标记了指定机房设备的图片，所述图片由机器人在巡检中预先采集；