[發明專利]一種機房機器人巡檢方法及系統

有效

• 申請號: 202011281344.6
• 申請日: 2020-11-17
• 公開（公告）號: CN112101313B
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 陳飛;胡坤
• 申請（專利權）人: 北京蒙帕信創科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 北京市隆安律師事務所 11323
• 代理人: 楊云

本發明涉及一種機房機器人巡檢方法及系統，包括以下步驟：在預設目標的坐標位置采集若干目標圖片，并將若干目標圖片分為訓練樣本集和測試樣本集；對訓練樣本集中的目標圖片進行迭代訓練輸出基礎訓練深度學習模型；通過減小基礎訓練深度學習模型的神經網絡權重以評估基礎訓練深度學習模型每個組件的重要性，刪除低重要性的組件，并輸出剪枝模型；對剪枝模型進行微調，并通過測試樣本集評估微調后的模型，以確定微調后的模型是否滿足預設要求；基于滿足預設要求的模型對機房巡檢中采集的若干待檢測的目標圖片進行檢測并輸出巡檢結果。本發明可以提高檢測的實時性，并且縮短機房監控響應時間。

技術領域

本發明屬于設備檢測領域，尤其涉及一種機房機器人巡檢方法及系統。

背景技術

機房巡檢是保障機房安全運行的一項重要制度。鑒于傳統人工巡檢存在工作量大，受巡檢員的經驗等主觀因素影響大，手工記錄難以保存等問題，越來越多的智能巡檢機器人在機房中得到了實際應用，有效的提高了機房設備自動識別和故障報警的效率，降低了運維人員的勞動強度，為機房無人值守提供了強有力的技術支撐。然而，由于機器人內部工控機的硬件計算能力較差，在進行目標檢測任務時，需要大量的算法參數，較大的內存和較長的推理時間，這些情況會導致機房的監控響應時間過長，使其無法滿足目標檢測實時性的要求。

發明內容

針對上述現有技術中存在的缺陷，本發明的目的在于提供一種機房機器人巡檢方法及系統，可以提高檢測的實時性，并且縮短機房監控響應時間。

為了達到上述目的，本發明提供一種機房機器人巡檢方法，其特征在于，包括以下步驟：

在預設目標的坐標位置采集若干目標圖片，并將若干目標圖片分為訓練樣本集和測試樣本集；

對訓練樣本集中的目標圖片進行迭代訓練輸出基礎訓練深度學習模型；

通過減小基礎訓練深度學習模型的神經網絡權重以評估基礎訓練深度學習模型每個組件的重要性，刪除低重要性的組件，并輸出剪枝模型；

對剪枝模型進行微調，并通過測試樣本集評估微調后的模型，以確定微調后的模型是否滿足預設要求；

基于滿足預設要求的模型對機房巡檢中采集的若干待檢測的目標圖片進行檢測并輸出巡檢結果。

在一個實施例中，在采集若干目標圖片后，對采集到的目標圖片進行標注，以使得每一所述目標圖片上標注有至少一個檢測目標窗口、與其對應的目標類別、以及檢測的結果。

在一個實施例中，所述檢測目標窗口為左上角頂點和右下角頂點的兩個坐標表示，所述目標類別為根據機房檢測需求對目標進行的分類。

在一個實施例中，在進行迭代訓練時，獲取預訓練權重，并通過深度學習YOLOv3算法對訓練樣本集中標注的目標圖片進行迭代訓練。

在一個實施例中，通過減小基礎訓練深度學習模型的神經網絡權重以評估基礎訓練深度學習模型每個組件的重要性，輸出剪枝模型具體包括：

通過減小基礎訓練深度學習模型的神經網絡權重，以使得基礎訓練深度學習模型一半以上的神經網絡權重等于或約等于0；

剪去等于或約等于0的神經網絡權重對應特征圖的通道，以及等于0的神經網絡權重對應的上下卷積層的卷積核，并輸出剪枝模型。

在一個實施例中，減小基礎訓練深度學習模型的神經網絡權重具體包括：通過帶L1正則化項的次梯度法減小每個BN層的權重值，其中，BN層為批標準化層；

設減小的權重值為γ，則其公式為：