【技术实现步骤摘要】
本专利技术属于设备状态监测，特别涉及基于图像识别的机房设备状态监测方法及系统。
技术介绍
1、随着智能电网的发展，电力信息机房作为智能电网的核心控制中枢，位置越来越重要，其设备数量日益庞大，种类繁多，设备资产的精确高效运维管理，越来越成为一个困扰电力企业的难题。目前的机房设备资产管理方法，主要依靠人工盘点进行数据采集和录入设备变更信息，工作强度大、工作效率低，随着机房规模、数量越来越大，需要管理的设备数量急剧增加，传统的资产管理方式已经跟不上机房发展的脚步，成为机房运维的短板。现行的机房资产管理系统采取人工前台采集加后台数据库的管理方式，主要通过人工张贴条形码和电子标签对资产进行标识，扫描标识向后台录入资产数据。现行的资产管理形式中的大量人工参与，造成了流程复杂、时间长、实时性差、管理难度大、差错率高等问题，最终降低了设备利用率，增加了运营成本。
技术实现思路
1、本专利技术的目的在于提供基于图像识别的机房设备状态监测方法及系统，以解决现行的资产管理形式中的大量人工参与，造成了流程复杂、时间长、实时性差、管理难度大、差错率高等问题，最终降低了设备利用率，增加了运营成本的问题。
2、为实现上述目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提供基于图像识别的机房设备状态监测方法，包括：
4、采集机房设备的工作状态图片，并对采集到的工作状态图片进行预处理；
5、与处理后的图片和预存储的基准照片进行对比，识别机柜各u状态变化、设
6、输出识别到变化的照片及设备标签信息。
7、进一步的，对采集到的工作状态图片进行预处理，包括：
8、首先对图像进行直方图均衡化操作，然后通过拉普拉斯算子将图像边缘增强，最后进行图像去噪。
9、进一步的，通过拉普拉斯算子将图像边缘增强，包括：
10、f(x,y)是所需处理的图像，采用公式(1)表示图像的拉氏算子：
11、
12、x,y代表图像的横纵坐标，是f(x,y)关于x的二阶偏导数，
13、是f(x,y)关于y的二阶偏导数；
14、公式(2)为拉氏算子laplace和非模糊图像运算结果：
15、
16、公式中，带有模糊的原始图像用f表示，结果灰度值用g表示，扩散效应系数用k表示；则拉普拉斯算子进一步用公式(3)表示：
17、
18、分别用公式(4)和(5)表示公式(3)的两项：
19、
20、从而将公式(3)展开得到公式(6)：
21、
22、由公式知，f(i,j)的拉氏算子可由附近邻域均值及灰度差值得到。
23、进一步的，拉普拉斯算子将图像边缘增强过程中通过梯度测试对拉普拉斯算子的精度：
24、梯度通过哈密顿算符求得，图形f(x,y)表示在(x,y)处的梯度矢量，具体见公式(7)所示：
25、
26、g(x,y)表示函数f(x,y)在点(x,y)处的梯度向量；g是一个二维向量，其中gx是函数f对x的偏导数，记作gy是函数f对y的偏导数，记作这个梯度向量描述了函数f(x,y)在点(x,y)处最陡峭的方向和大小；
27、在实际图像处理中采用梯度幅值，对其进行近似处理，得到公式(8)：
28、g(x，y)＝max(|gx|，|gy|) (8)
29、用gx、gy的反三角函数求出梯度的方向。
30、进一步的，图像去噪，包括：
31、图像的平滑滤波
32、将高斯函数选取为滤波函数，具体见公式(11)所示，将图像信号进行滤波，除去噪声：
33、
34、在上面式子中，g(x,y)是对称的，通过σ对高斯函数平滑过程进行控制；进行图像g(x,y)和f(x,y)的卷积计算，得到平滑图像g(x,y)，也就是g(x，y)＝f(x，y)×g(x，y)；
35、对图像进行拉氏运算
36、增强过程实质上是进行图像g(x,y)的拉氏运算，表示为
37、
38、边缘检测：
39、通过log方法处理边界信息时，图像强度二阶导数交点对应的一阶导数极值是判断的必要条件；滤除较小无关组织结构和未大片分布孤立噪声，log滤波器为具体见公式(12)所示：
40、
41、进一步的，与处理后的图片和预存储的基准照片进行对比，识别机柜各u状态变化、设备状态变化及设备标签，包括：
42、采用sift算法进行对比，具体包括：
43、步骤1，计算图像的极值，使用dog函数检测和识别所需要找出来的所有重要点和面积；
44、步骤2，选取所需位置时，标准是局域化和精准化；
45、步骤3，借助哈密顿算符计算各点的梯度；
46、步骤4，根据样本图像的梯度方向和振幅来描述每个特征点周围的关键点。
47、进一步的，识别过程：
48、将已知模型最终处理计算的结果转化成等效图像，加入可供识别标记；检测特征点的形象和标准形象取自sift算法，对应的是根据点的识别和相似性函数由欧几里得距离的两幅图像的特征向量之间的键；如果点之间的欧几里得距离小于阈值，则认为点是相干的或非相干的；将所有获得的图像整个成一个库存。
49、第二方面，本专利技术提供基于图像识别的机房设备状态监测系统，包括：
50、数据采集模块，用于采集机房设备的工作状态图片，并对采集到的工作状态图片进行预处理；
51、变化识别模块，用于与处理后的图片和预存储的基准照片进行对比，识别机柜各u状态变化、设备状态变化及设备标签；
52、输出模块，用于输出识别到变化的照片及设备标签信息。
53、第三方面，本专利技术提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于图像识别的机房设备状态监测方法的步骤。
54、第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于图像识别的机房设备状态监测方法的步骤。
55、与现有技术相比，本专利技术有以下技术效果：
56、本专利技术在机房机柜场景下对信息设备甄别，利用图像识别技术，通过对采集到的机柜内部的图像进行对比、识别，判断机柜内部电力与信息设备是否发生拆卸、移动、新增，从而甄别机柜内部设备的安装状态和机柜u位占用情况。通过图像自主识别技术甄别机柜内部设备的安装状态和机柜u位占用情况，实现对机柜内部信息设备进行管理、监控。该管控技术能够在机柜内发生设备拆卸、移动、新增等操作后，自主识别并给后台发出告警，提高电力信息机房设备管理效率。
57、通过sift算法找出本文档来自技高网...
【技术保护点】
1.基于图像识别的机房设备状态监测方法，其特征在于，包括：
2.根据权利要求1所述的基于图像识别的机房设备状态监测方法，其特征在于，对采集到的工作状态图片进行预处理，包括：
3.根据权利要求2所述的基于图像识别的机房设备状态监测方法，其特征在于，通过拉普拉斯算子将图像边缘增强，包括：
4.根据权利要求3所述的基于图像识别的机房设备状态监测方法，其特征在于，拉普拉斯算子将图像边缘增强过程中通过梯度测试对拉普拉斯算子的精度：
5.根据权利要求4所述的基于图像识别的机房设备状态监测方法，其特征在于，图像去噪，包括：
6.根据权利要求1所述的基于图像识别的机房设备状态监测方法，其特征在于，与处理后的图片和预存储的基准照片进行对比，识别机柜各U状态变化、设备状态变化及设备标签，包括：
7.根据权利要求6所述的基于图像识别的机房设备状态监测方法，其特征在于，识别过程：
8.基于图像识别的机房设备状态监测系统，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于图像识别的机房设备状态监测方法的步骤。
...【技术特征摘要】
1.基于图像识别的机房设备状态监测方法，其特征在于，包括：
2.根据权利要求1所述的基于图像识别的机房设备状态监测方法，其特征在于，对采集到的工作状态图片进行预处理，包括：
3.根据权利要求2所述的基于图像识别的机房设备状态监测方法，其特征在于，通过拉普拉斯算子将图像边缘增强，包括：
4.根据权利要求3所述的基于图像识别的机房设备状态监测方法，其特征在于，拉普拉斯算子将图像边缘增强过程中通过梯度测试对拉普拉斯算子的精度：
5.根据权利要求4所述的基于图像识别的机房设备状态监测方法，其特征在于，图像去噪，包括：
6.根据权利要求1所述的基于图像识别的机房设备状态监测方法，其特征在于，与处理后的图片和预...
【专利技术属性】
技术研发人员：施凌鹏，卢士达，李天宇，刘逸逸，李一鸣，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。