CN119516156A 数据中心机房设备指示灯识别方法、终端及存储介质 (河北经贸大学)_第1页
CN119516156A 数据中心机房设备指示灯识别方法、终端及存储介质 (河北经贸大学)_第2页
CN119516156A 数据中心机房设备指示灯识别方法、终端及存储介质 (河北经贸大学)_第3页
CN119516156A 数据中心机房设备指示灯识别方法、终端及存储介质 (河北经贸大学)_第4页
CN119516156A 数据中心机房设备指示灯识别方法、终端及存储介质 (河北经贸大学)_第5页
已阅读5页,还剩27页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

本申请提供一种数据中心机房设备指示灯目标检测算法模型基于增强历史图像数据集对改进后的RT_DETR算法模型进行训练得出;增强历史图像数据集包括不同大小的指示灯图像和2根据各设备指示灯的亮灯状态和故障感知信息数据库,确定设其中,所述小目标检测算法模型基于增强历史图像数据集对改进后的RT_DETR算法模其中,所述混合编码器基于HS_FAN构建;所述解码器基于其中,所述Local模块基于深度可分离卷积和挤压_激励块构所述GlobalLocal模块集成一个轻量级的注意机制,以增强模型所述AIFI_HiLo模块,将多头自注意力分成两组解耦所述实时图像信息的特征图中的所述通道关注模块对低层特征进行加权和过滤,并将加权后的低层特利用所述VOVGSCSP模块对特征融合基于多尺度可变形交叉注意机制,将三组解码器对象查询与混合3基于多个校验进程对各所述设备指示灯的亮灯状态和所述故障感知信息数据库进行根据所述设备故障原因和故障等级确定故障状态类型;其中,9.一种终端,包括存储器、处理器以及存储在所4[0001]本申请涉及机房管理技术领域,尤其涉及一种数据中心机房设备指示灯识别方[0005]本申请实施例提供了一种数据中心机房设备指示灯识别[0008]将所述实时图像信息输入至小目标检测算法模型,获取各设备指示灯的亮灯状[0010]其中,所述小目标检测算法模型基于增强历史图像数据集对改进后的RT_DETR算[0011]在一种可能的实现方式中,所述改进后的RT_DETR算法模型包括:改进后的5[0017]所述AIFI_HiLo模块,将多头自注意力分成两组解耦所述实时图像信息的特征图[0027]所述根据各设备指示灯的亮灯状态和故障感知信息数据[0029]基于多个校验进程对各所述设备指示灯的亮灯状态和所述故障感知信息数据库[0035]其中,所述小目标检测算法模型基于增强历史图像数据集对改进后的RT_DETR算上第一方面或第一方面的任一种可能的实现方式所述6法模型是通过基于增强历史图像数据集训练改进后的RT_DETR算法模型而得出的。该增强历史图像数据集涵盖了不同尺寸的指示灯图像以及部分被遮挡的指示灯图像。RT_DETR算7[0053]二是大多数目标检测算法在检测大目标时表现良好,但设备指示灯通常是小目RT_DETR(DETRsBeatYOLOsonReal_timeObjectDetection)算法相比其他DETR算法,8[0058]图1是本申请一实施例提供的数据中心机房设备指示灯识别方法的实现流程图,9房值班人员。小目标检测算法模型是通过基于增强历史图像数据集训练改进后的RT_DETR[0073]在一种可能的实现方式中,改进后的EfficientFormerV2包括:Local模块和[0078]AIFI_HiLo模块,将多头自注意力分成两组解耦实时图像信息的特征图中的高频捕捉图像特征之间的复杂关系。通过通道注意机制和GSConv模块构建跨尺度特征融合网[0084]图3为混合编码器(HS_FAN)网络架构图,混合编码器网络主要由尺度内特征交互两组来解耦特征图中的高频和低频信息。高频路径(Hi_Fi)通过局部窗口自注意力捕捉图用通道关注模块(CA)对底层特征进行加权和过滤,并将加权后的底层特征与高层特征融qqqq组预测结果与相应的groundtruthobjects(YK,GT)进行匹配,并在训练过程中计算每组[0100]EIOU损失函数分别对目标边界框和真实边界框的宽度和高度应用宽高比影响因[0103]为了解决小目标检测的挑战,如小目标尺寸、容易聚类和频繁遮挡,我们使用[0121]基于多个校验进程对各设备指示灯的亮灯状态和故障感知信息数据库进行对比[0128]在确定了设备故障原因之后,会根据故障原因和故障等级来确定故障状态类的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限[0132]图5是本申请一实施例提供的数据中心机房设备指示灯识别装置的结构示意图,[0135]设备运行状态确定模块503,用于根据各设备指示灯的亮灯状态和故障感知信息[0136]其中,小目标检测算法模型基于增强历史图像数据集对改进后的RT_DETR算法模房值班人员。小目标检测算法模型是通过基于增强历史图像数据集训练改进后的RT_DETR个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field_分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。进一步地,所述存储器61还可以既包括所述终端6的内部存储单元也包括外部存储设储器61还可以用于暂时地存储已经输出或者将要

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论