一种基于AI模型比对的机房设备状态预警识别设备及方法与流程

本发明涉及机房设备监测预警，具体为一种基于ai模型比对的机房设备状态预警识别设备及方法。

背景技术：

1、随着数据化发展，很多用户都把机房监控的重点注意力都集中在预防非法网络入侵、计算机病毒、网络故障、数据丢失以及数据备份等方面，而往往忽略了机房环境各种的变化问题。机房环境的改变最有可能导致产生不可预见的后果。例如：机房的温度过高、湿度过低、电力系统不稳定、机房安全措施不完善从而使非核心工作人员能够进出机房内部操作等问题，而且造成这些的隐患和故障往往都会引发机房事故等问题，一旦出现各种问题，将会导致巨额的经济损失。所以机房监控中一定不可忽视对机房环境的监控。

2、机房环境监控采用计算机网络、数据库、通信、自动控制、新型传感、嵌入式等技术，对机房环境及房内的所有设备进行集中监控和管理，为机房内各系统及设备运行提供高度稳定可靠的监控信息资源，有效地提高机房管理工作效率并提供安全舒适的工作环境。

3、但是在监控过程中，各种监控预警数据的设置都是人为设置的，并且是在机房内周围环境已经恶劣到一定程度之后，触发预警，当预警发生的时候，说明机房内情况已经不是最佳运行环境，此时工作人员才得到机房环境不佳的信息，然后进行一系列的调节手段，这种人为设定预警数据的监控方式使得环境调节滞后，让机房内设备在一段时间内处于不佳的环境中运行，对于机房内设备的使用寿命和设备性能均造成不可逆的损伤，且在进行监控的过程中，摄像头的监控角度调整多为上下转动式的，监测范围不佳，针对上述问题，发明人提出一种基于ai模型比对的机房设备状态预警识别设备及方法用于解决上述问题。

技术实现思路

1、为了解决人为设定预警数据的监控方式使得环境调节滞后，让机房内设备在一段时间内处于不佳的环境中运行，对于机房内设备的使用寿命和设备性能均造成不可逆的损伤，且在进行监控的过程中，摄像头的监控角度调整多为上下转动式的，监测范围不佳的问题；本发明的目的在于提供一种基于ai模型比对的机房设备状态预警识别设备及方法。

2、为解决上述技术问题，本发明采用如下技术方案：一种基于ai模型比对的机房设备状态预警识别设备，包括移动组件，所述移动组件包括箱体，所述箱体的顶面固定连接有操控箱，所述操控箱的一侧设置有第一壳体，所述第一壳体的内部设置有调节组件，所述第一壳体的上方设置有翻转组件，所述翻转组件包括第二壳体，所述第二壳体的一侧设置有摄像头防护壳。

3、优选地，所述第一壳体的底面与箱体的顶面固定连接，所述箱体的底面两侧均固定连接有凸板，所述凸板的一侧设置有车轮，通过车轮可以使得本装置在机房内进行移动。

4、优选地，所述调节组件包括第一电机，所述第一电机的输出轴端固定连接有第一齿轮，所述第一齿轮的侧壁啮合设置有第二齿轮，所述第二齿轮的顶面中部穿插固定连接有传动轴，所述传动轴的顶端贯穿于第一壳体的顶面，所述传动轴与第一壳体转动连接，且所述传动轴的顶端与第二壳体的侧壁固定连接，启动第一电机，第一齿轮在第一电机输出轴的作用下进行转动，通过第一齿轮与第二齿轮的相互啮合，从而可以使得第二齿轮带动传动轴进行转动，进而可以使得第二壳体进行转动，以对摄像头的朝向进行调整，所述第一电机的侧壁固定套设有第一基座，所述第一基座的侧壁固定连接有固定板，所述固定板的侧壁与第一壳体的内壁固定连接，第一基座用于对第一电机起到支撑固定的作用。

5、优选地，所述传动轴的侧壁下部套设有轴承座，所述传动轴与轴承座转动连接，所述轴承座的一侧设置有第二电机，所述第二电机的输出轴端固定连接有套管，所述套管的侧壁固定连接有连接杆，所述连接杆远离套管的一端固定连接有凹形架，所述凹形架的侧壁穿插固定连接有凸轴，所述凸轴远离凹形架的一端延伸至轴承座内，且所述凸轴与轴承座转动连接，启动第二电机，在第二电机输出轴的作用下可以使得连接杆带动凹形架进行转动，进而可以使得轴承座进行移动，且在筒体与传动轴的配合下，从而可以使得传动轴进行升降，进而可以使得第二壳体进行升降，以对摄像头的高度进行调整，所述第二电机的侧壁设置有第二基座，所述第二基座的底面固定连接有连接板，所述连接板的侧壁与第一壳体的内壁固定连接，所述连接板的下方设置有筒体，所述传动轴位于筒体内，且所述传动轴与筒体滑动连接，所述筒体的底面与第一壳体的内底壁固定连接，第二基座用于对第二电机起到便于安装的作用。

6、优选地，所述第二壳体的内壁固定连接有旋转气缸，所述旋转气缸的输出轴端固定连接有转动轴，所述转动轴的一端延伸至第二壳体的外部，且所述转动轴与第二壳体转动连接，所述转动轴远离旋转气缸的一端与摄像头防护壳的侧壁固定连接，所述摄像头防护壳的内部设置有摄像头，启动旋转气缸，转动轴在旋转气缸输出轴端的作用下可以进行带动摄像头防护壳进行转动，从而可以对摄像头的角度进行调整。

7、一种基于ai模型比对的机房设备状态预警识别方法，包括以下步骤：

8、步骤一、本装置通过移动组件在机房里进行移动，通过摄像头拍摄图像和视频，利用视频分析、深度学习等人工智能技术，智能识别设备面板上的指示灯的闪烁状态和颜色状态，具体步骤如下：

9、(1)色度分离

10、利用色度分离技术将每帧图像转换到lab颜色空间，将亮度与色度进行分离；

11、(2)视频色度聚合

12、对连续帧色度图像进行取均值操作，构造色度均值关键帧；

13、(3)设备状态关键信息提取

14、对色度均值关键帧，使用yolo v5模型进行物体检测，得到指示灯所在位置、闪烁状态、显示颜色等设备状态关键信息；

15、步骤二、根据设备位置属性，将目前状态中的闪烁状态、显示颜色等关键信息与数据库中给定的设备正常运行状态关键信息进行对比，若状态不一致则判定为有故障，否则为无故障；

16、步骤三、获取机房关键设备的运行参数值，接着判断机房关键设备的运行参数值是否大于预警数据值，当机房关键设备的运行参数值大于预警数据值时，启动巡查机器人对关键设备所处的局部环境进行调节；

17、步骤四、通过调节组件可以使得摄像头进行升降以及转向，通过翻转组件可以使得摄像头进行角度调节。

18、优选的，所述步骤一中在输入端采用mosaic数据增强、自适应锚框计算，自适应图片缩放，在主干网络，采用focus结构和csp结构，在neck部分，采用fpn+pan的结构，在训练时，采用αiou_loss，

19、在yolo v5的基础上，为适应服务器指示灯的小目标模型，采用了以下技术，对网络模型进行了改进，有效提高了目标的检测精度。

20、将rgb图像转化为lab颜色空间中，构造一个只包含a、b通道的色度图像。

21、在yolo v5特征提取网络结构的最后一层添加了se(挤压和激励)模块，通过学习来自动地获得每个特征通道的重要性，提升模型训练效果，

22、αiou_loss损失函数定义如下

23、

24、其中c表示预测框与真实框定义最小包围盒的对角线距离，ρ2α(b,bgt)表示预测框与真实框中心点之间的欧式距离，ν计算预测框和真实框几何形状相似性，计算方式如下；

25、

26、其中和分别代表目标框和预测框各自的高

27、宽比，

28、正权衡参数β计算公式如下：

29、计算中α＝2。

30、优选的，所述步骤一中还包括对临近帧图像检测结果进行合并，合并规则为：若相邻两帧之间的对应位置，颜色信息一致则利用两个指示灯区域取并集的方式进行区域合并，否则不进行区域合并，具体计算方式如下：

31、若临近两帧图像为ft1(x,y)和ft2(x,y)，其中t2-t1＝4，设定对应的检测结果标记图像为lt1(x,y)和lt2(x,y)，标记图像取值为0,1,2，其中0代表(x,y)处为非指示灯区域，1代表指示灯为红色区域，2代表指示灯为绿色区域，

32、若|ft1(x,y)-ft2(x,y)|<thresh，其中阈值thresh＝50，则令l(x,y)＝max(lt1(x,y),lt2(x,y))，其中l(x,y)表示最终输出的标记结果，

33、对输出的标记图像l(x,y)，将每个非0区域最小包围盒对角线交汇点记为指示灯中心位置，根据标记图像中对应位置的取值，将指示灯标记为背景、红灯闪烁和绿灯闪烁等不同状态。

34、与现有技术相比，本发明的有益效果在于：

35、1、本发明，设置有调节组件，通过调节组件内第一齿轮与第二齿轮的相互啮合，从而可以使得第二齿轮带动传动轴进行转动，进而可以使得第二壳体进行转动，以对摄像头的朝向进行调整，通过在第二电机输出轴的作用下可以使得连接杆带动凹形架进行转动，进而使得轴承座进行移动，且在筒体与传动轴的配合下可以使得传动轴进行升降，进而可以使得第二壳体进行升降，以对摄像头的高度进行调整；

36、2、本发明，设置有翻转组件，启动翻转组件内的旋转气缸，转动轴在旋转气缸输出轴端的作用下可以进行带动摄像头防护壳进行转动，从而可以对摄像头的角度进行调整，且摄像头的高度调整和朝向调整以及角度调整可以同时进行；

37、3、本发明，本装置可在机房里进行移动，通过摄像头拍摄，识别服务器等设备的面板状态来判定设备是否有故障，进一步对关键设备进行监控，使得机房内最先发生变化的关键设备的运行状态得到控制。