[发明专利]用于数据中心的智能散热效果检测的神经网络的训练方法

说明书

本申请涉及数据中心领域中的智能散热效果检测，其具体地公开了一种用于数据中心的智能散热效果检测的神经网络的训练方法，其基于深度学习的计算机视觉检测方案来捕捉散热风扇在转动过程当中的视觉特征，从而检测散热风扇的转动性能。具体地，在训练过程中，采用类似于对抗生成模型的迁移学习的思路，将散热风扇在高速转动过程当中的多个图像在高维特征空间中的旋转弱变换通过迁移学习的方式耦合到高维图像空间中，从而转换为高维特征的强变换，以使得用于散热性能的检测的神经网络能够充分学习各个旋转特征图之间的旋转特性，进而增强模型检测的准确性。

技术领域

本发明涉及数据中心领域中的智能散热效果检测，且更为具体地，涉及一种用于数据中心的智能散热效果检测的神经网络的训练方法、基于深度神经网络的风扇散热效果的智能检测方法、用于数据中心的智能散热效果检测的神经网络的训练系统、基于深度神经网络的风扇散热效果的智能检测系统和电子设备。

背景技术

数据中心中的大型设备在使用过程中通常会产生热量，这些热量如果不能及时散出去，造成设备温度过高，就会对设备内部元器件产生影响，降低使用寿命，严重的话还会直接损坏内部元器件，增加维修成本。目前，大部分电气设备都是通过在内部安装风扇组的方法，来对内部元器件产生的热量以及电源部分所产生的热量来进行散热，在设备工作时，散热风扇也运转，就能将热量散发出去。然而，散热风扇由于经常暴露在气流当中，气流中浮动的尘埃会堵塞在散热风扇的叶片处，长时间就会导致散热风扇的功效变差，散热效果降低。

因此，期待一种能够智能检测风扇散热效果的技术方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为智能检测风扇的散热效果提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于数据中心的智能散热效果检测的神经网络的训练方法、基于深度神经网络的风扇散热效果的智能检测方法、用于数据中心的智能散热效果检测的神经网络的训练系统、基于深度神经网络的风扇散热效果的智能检测系统和电子设备，其基于深度学习的计算机视觉检测方案来捕捉散热风扇在转动过程当中的视觉特征，从而检测散热风扇的转动性能。具体地，在训练过程中，采用类似于对抗生成模型的迁移学习的思路，将散热风扇在高速转动过程当中的多个图像在高维特征空间中的旋转弱变换通过迁移学习的方式耦合到高维图像空间中，从而转换为高维特征的强变换，以使得用于散热性能的检测的神经网络能够充分学习各个旋转特征图之间的旋转特性，进而增强模型检测的准确性。

根据本申请的一个方面，提供了一种用于数据中心的智能散热效果检测的神经网络的训练方法，其包括：

步骤1：获取散热风扇在转动过程中的多个图像以构成图像序列，所述图像序列中每个图像对应于所述散热风扇的不同的旋转角度；

步骤2：将所述图像序列中的每个图像通过第一深度卷积神经网络，以通过所述第一深度卷积神经网络从每个所述图像中提取出旋转特征图，以获得旋转特征图组；

步骤3：对于所述旋转特征图组中的第一旋转特征图，将所述第一旋转特征图通过第二深度卷积神经网络以获得第一耦合特征图；

步骤4：分别将所述第一耦合特征图与所述旋转特征图组中的其他旋转特征图输入鉴别器神经网络，以获得所述第一耦合特征图与所述旋转特征图组中的其他旋转特征图之间的多个鉴别器损失函数值；

步骤5：计算所述多个鉴别器损失函数值的加权和并以预设步长减小所述多个鉴别器损失函数值的加权和，并以梯度下降的反向传播来更新所述第二深度卷积神经网络的参数；