一种基于深度学习的机房线路安全性检测方法及系统与流程

本发明涉及计算机安全检测，具体涉及一种基于深度学习的机房线路安全性检测方法及系统。

背景技术：

1、对机房线路进行巡检是确保机房正常安全运行的关键环节。定期巡检能够及时发现线路安全问题，并进行及时修复，以避免潜在的安全事故，从而保障机房的稳定性和可靠性。但电线人工巡检和检测效率较低，因此需要一种自动化、准确可靠的方法来实现对机房线路安全性的检测。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于深度学习的机房线路安全性检测方法及系统，自动识别和检测机房环境线路安全性。

2、本发明的目的是通过以下技术方案来实现的：

3、第一方面，一种基于深度学习的机房线路安全性检测方法，包括：

4、步骤1、获取并解析监控数据以采集各种机房相关电线数据集，通过监控图像数据制作数据集，所述数据集包括训练集、测试集和验证集；

5、步骤2、对所述训练集使用预训练权重在yolov8网络模型上进行迁移学习，并使用yolov8网络模型对未标注图像进行预测，将预测结果输出并修正后扩充数据集样本数量；

6、步骤3、构建改进yolov8网络模型；

7、步骤4、基于扩充后训练集图像训练改进yolov8网络模型，将一个新的图像数据输入训练好的改进yolov8网络模型进行预测；

8、步骤5、根据预测结果对电线布局进行合规性检测、交叉检测和飞线检测；

9、步骤6、根据检测结果进行告警。

10、进一步地，所述的步骤1中的具体过程为：利用视频流解析器解析监控数据采集各种机房相关数据集，获取不同时间段中一定帧的数据，同时进行预处理，筛选符合规范和不符合规范数据，通过翻转、旋转、裁剪、变形和缩放手段进行数据增强，然后进行数据集标注并利用代码转换工具将其转换为yolov8 所需要的数据集，按照8:1:1 制作训练集、测试集和验证集。

11、进一步地，所述的改进yolov8网络模型在于，在传统yolov8模型的backbone网络中的输出层p3-p5后添加swintransform模块，用于提高小目标检测效果。

12、进一步地，所述的改进yolov8网络模型在于，在传统yolov8模型的head网络上添加了特征融合金字塔afpn，用于增强特征提取；所述的特征融合金字塔afpn采用low-level结构，将输入的经过swintransformer模块处理后的特征图c3-c4经过一次卷积操作得到输出，然后进行两次asff操作；将特征融合金字塔afpn的默认卷积核替换为c2f。

13、进一步地，所述的改进yolov8网络模型在于，在传统yolov8模型的segment网络上改进掩膜原型网络proto以提高掩膜原型质量；

14、所述掩膜原型网络proto接收不同尺度的特征图作为输入，并在每个尺度上应用一系列卷积和上采样操作来提取特征，proto使用一系列卷积层对每个尺度的特征图进行处理，其中第一个尺度的输入特征图经过一个3x3的卷积层，然后通过一组归一化层和relu激活函数，对于其他尺度的输入特征图，进行一个组归一化层和relu激活函数；之后，将得到的特征图上采样两倍，并重复这个过程，直到达到目标尺度；最后，通过一个3x3 和1x1的卷积层生成最终的预测特征图。

15、进一步地，所述的改进yolov8网络模型在于，在传统yolov8模型的segment网络上添加新的fast mask re-scoring network掩码评分分支；

16、所述的fast mask re-scoring network掩码评分分支，包括6层fcn，每个卷积层使用relu非线性激活函数，并有一个最终的全局池化层；以裁剪掩码预测作为输入，并输出每个对象类别的掩码iou，最后由分类头预测的类别对应的掩码iou与相应的分类置信度相乘来重新评分每个掩码。

17、进一步地，所述的合规性检测具体为根据改进yolov8网络模型返回结果，判断置信度大于0.6 的分类为合规电线；所述的飞线检测具体为对摄像头固定区域进行框选，如果出现电线，则进行实列分割，去掉背景再进行边框识别，通过计算线段的倾斜角度判断是否为飞线。

18、进一步地，所述的交叉检测包括：

19、步骤51、将实列分割检测到的图像进行预处理，根据掩码去掉背景，然后进行灰度处理；

20、步骤52、通过采用多个不同方向的掩模进行卷积将预处理后的图像边缘检测，具体使用scharr算子进行检测；

21、步骤53、通过阈值化处理将边缘图像转换为二值图像；

22、步骤54、对图像进行分割，将其划分为一系列水平条带，称为扫描行；

23、步骤55、定义滑动窗口的大小，从图像的左上角开始，从左到右，从上到下滑动窗口，以扫描的方式扫描整个图像；

24、步骤56、对每个窗口进行分分块处理，通过搜索每个块中像素的邻域来追踪块周围的轮廓，从而得到轮廓图像；

25、步骤57、将每个块中的轮廓点配对，并计算轮廓点对的中点及中点的平均值，使用最小二乘法拟合一个多项式找到块的交点，最终确定交叉的位置。

26、进一步地，所述步骤57的具体计算过程如下：

27、1） 将第i个和第（n-2-i）个点配对，i的范围从0到，总共得到个轮廓点对；

28、2）计算所有轮廓点对的中点，得到个中点；设第k对的中点表示为；

29、3）计算所述中点的平均值表示为：

30、

31、使用最小二乘法将中点拟合为m次多项式，使用以下方式确定m的最佳值：取m =4，如果m次多项式适合数据，则取m，否则取m-1，重新带入多项式，一直循环到m=1；

32、4）根据m次多项式计算交点；

33、5）根据设置掩膜方向进行重复运算，如果交点数量大于设定默认值即判断为存在交点。

34、第二方面，一种基于深度学习的机房线路安全性检测系统，包括：

35、数据获取模块，用于获取并解析监控数据以采集各种机房相关电线数据集，通过监控图像数据制作数据集，所述数据集包括训练集、测试集和验证集；

36、模型预训练模块，用于对所述训练集使用预训练权重在yolov8网络模型上进行迁移学习，并使用yolov8网络模型对未标注图像进行预测，将预测结果输出并修正后扩充数据集样本数量；

37、模型构建模块，用于构建改进yolov8网络模型；

38、模型推理模块，用于基于扩充后训练集图像训练改进yolov8网络模型，将一个新的图像数据输入训练好的改进yolov8网络模型进行预测；

39、图像检测模块，用于根据预测结果对电线布局进行合规性检测、交叉检测和飞线检测；

40、告警模块，用于根据检测结果进行告警。

41、本发明的有益效果是：

42、1）优化了yolov8 默认的prototype 掩膜原型网络，该结构增强模型对目标的感知能力，提供更全面和准确的特征信息，以及保留更多的细节和上下文信息，并且该结构可根据参数配置，根据实际精度和速度需求调节融合特征输入。

43、2）增加特征金字塔 afpn 适配yolov8可以将不同尺度下提取的特征进行融合，得到更全面的特征，其中替换默认卷积核为c2f，该模块保证轻量化的同时还能获得更加丰富的梯度流信息。

44、3）基于实列分割之后去除背景减少干扰，利用非深度学习方式进行线路交叉检测，减少了模型制作和训练成本。

45、4）增加swintransformer 模块提升了小目标检测的准确度，增加新的分支fastmask re-scoring network 提高了实例掩模的质量和准确性。