CN114360134A - 基于深度学习的智能机房管理方法 - Google Patents

Abstract

本发明的实施例公开基于深度学习的智能机房管理方法，涉及图片识别技术领域。所述方法，包括：实时采集目标机房的机房内图像；根据人脸识别技术对所述机房内图像中的人员进行人脸识别；对所述机房内图像中识别出的人脸进行合法性验证；若所述机房内图像中识别出的人脸中有至少一个未通过合法性验证的非法人员，则启动预先设置的机房报警系统进行报警，以提醒用户所述目标机房存在人员入侵危险。本发明能减轻了监控人员的工作量，当机房发生异常时，及时告警通知监控人员，通过摄像头可以记录捕捉到机房异常行为，便于查因追责。

Description

基于深度学习的智能机房管理方法

技术领域

本发明属于图片识别技术领域，尤其涉及基于深度学习的智能机房管理方法。

背景技术

在IT业，机房普遍指的是电信、网通、移动、双线、电力以及政府或者企业等，存放服务器的，为用户以及员工提供IT服务的地方，小的几十平米，一般放置二三十个机柜，大的上万平米放置上千个机柜，甚至更多，机房里面通常放置各种服务器和小型机，例如IBM小型机，HP小型机，SUN小型机等等，机房很重要，没有了机房，工作、生活都会受到极大影响，所以每个机房都要有专业人员管理，保证业务正常运行，为保证机房的安全，非专业授权用户一般严禁入内。

为了防止非合法用户进入机房，现有机房管理方法主要是为机房的门增加门禁系统，预先为合法的人员授权，如果有非合法人员想进入机房，必须由授权的人员带领才能打开机房门，从而保证机房的安全。但是门禁系统存在着被冒用权限或者被破坏的问题，从而使得非合法用户进入机房。随着视频技术的发展，为了监控非合法用户进入机房，在现有机房管理方法中增加了视频监控，通过实时采集机房内的视频信息，人工监控是否存在非法人员闯入机房以及非法操作设备。但是人工监控不够智能，易出现纰漏，发现异常不及时，并且耗时耗力。

发明内容

有鉴于此，本发明实施例提供基于深度学习的智能机房管理方法，用于解决现有机房管理方案不够智能，易出现纰漏，发现异常不及时，并且耗时耗力的问题。本发明通过人脸识别技术对机房内的图像进行非法人脸识别，在识别到非法人脸时进行报警，减轻了监控人员的工作量，当机房发生异常时，及时告警通知监控人员，通过摄像头可以记录捕捉到机房异常行为，便于查因追责。

本发明实施例提供基于深度学习的智能机房管理方法，包括以下步骤：

实时采集目标机房的机房内图像；

根据人脸识别技术对所述机房内图像中的人员进行人脸识别；

对所述机房内图像中识别出的人脸进行合法性验证；

若所述机房内图像中识别出的人脸中有至少一个未通过合法性验证的非法人员，则启动预先设置的机房报警系统进行报警，以提醒用户所述目标机房存在人员入侵危险。

在一可选实施例中，所述机房报警系统包括设置于各机器上的预设颜色的警报灯；

所述启动预先设置的机房报警系统进行报警，包括：

根据所述机房内图像确定所述非法人员在机房内的实时位置；

确定所述非法人员的实时位置与所述目标机房内的每台机器之间的距离；

启动与所述非法人员的实时位置距离最近的机器上的警报灯，并根据所述非法人员的实时位置与该机器之间的距离控制所述警报灯的频闪频率。

在一可选实施例中，所述机房报警系统还包括：预设语音播报系统；

所述启动预先设置的机房报警系统进行报警，还包括：

启动所述预设语音播报系统播报用于警告所述非法人员退出目标机房的预设语音信息。

在一可选实施例中，所述根据所述非法人员的实时位置与该机器之间的距离控制所述警报灯的频闪频率，包括：

根据第一公式计算所述警报灯的频闪频率；

控制所述警报灯以计算出的频闪频率进行闪烁；

其中，所述第一公式为：

其中，

表示目标机房内的第a_min台机器上警报灯的频闪频率；f_max表示所述警报灯的最大频闪频率；f₀表示所述警报灯的最小频闪频率；

表示目标机房内识别出的第k个非法人员的初始位置与目标机房内的第a_min台机器之间的距离；k＝1,…,K；K为本次识别出的非法人员的总数；

表示将k的值从1取值到K得到

的最小值，并将取得

最小值时所对应的k值记作k_min；

表示当前时刻目标机房内识别出的第k_min个非法人员的实时位置与目标机房内的第a_min台机器之间的距离；t表示当前时刻；

h_k,a表示目标机房内识别出的第k个非法人员的初始位置与目标机房内的第a台机器之间的距离；a＝1,…,m；m表示目标机房内的机器总数；

函数

表示将a的值从1取值到m并代入到括号中的左边算式计算后取使逗号左边算式取得最小值时的a值。

在一可选实施例中，所述启动预先设置的机房报警系统进行报警，还包括：

启动预设的声音警报装置进行报警，并根据所述非法人员在所述目标机房内的滞留时间控制所述声音警报装置的报警音量。

在一可选实施例中，所述根据所述非法人员在所述目标机房内的滞留时间控制所述声音警报装置的报警音量，包括：

根据第二公式计算所述声音警报装置的报警音量；

控制所述声音警报装置以当前计算出的报警音量发出警报；

其中，所述第二公式为：

其中，G(t)表示当前时刻所述声音警报装置的报警音量；G_max表示所述声音警报装置的最大报警音量；T_k表示从所述机房内图像中识别出第k个非法人员的时刻；k＝1,…,K；K为本次识别出的非法人员的总数；

表示将k的值从1取值到K得到T_k的最小值。

在一可选实施例中，所述启动与所述非法人员的实时位置距离最近的机器上的警报灯，还包括：

控制与所述非法人员的实时位置距离最近的机器柜门上的电子锁状态为锁闭状态。

本发明提供的基于深度学习的智能机房管理方法，首先根据人脸识别技术对机房内图像中的人员进行人脸识别，接着对识别出的人脸进行合法性验证，最后当识别出的人脸中有非法人员时，则进行报警。本发明减轻了监控人员的工作量，当机房发生异常时，及时告警通知监控人员，通过摄像头可以记录捕捉到机房异常行为，便于查因追责。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的基于深度学习的智能机房管理方法流程图；

图2为S105的一种实施方法流程图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1为本发明实施例提供的基于深度学习的智能机房管理方法流程图。参见图1，该方法包括如下步骤S101-S105：

S101：实时采集目标机房的机房内图像。

本实施例中，如果机房里面已经有摄像头，可以采用利旧的方式，继续使用既有的摄像头采集机房内的图像，将有效地减少建设的成本。同时实时采集机房内图像，便于开展对机房内进行实时监控。

S102：根据人脸识别技术对所述机房内图像中的人员进行人脸识别。

本实施例中，随着计算机视觉技术的突飞猛进，相应的AI识别技术也得到的快速的发展，它可以通过识别人的一些身体特征，如头部的轮廓、或者头肩部模型等方式，可快速的获得图像中每个人的人脸信息，便于后续对图像中的人员进行合法性验证。

S103：对所述机房内图像中识别出的人脸进行合法性验证。

本实施例中，可以识别提取图像中每个人脸的特征值，然后和预先设置的合法用户的特征值进行匹配，如果识别提取出的人脸特征能和合法用户匹配上，则认为此人脸特征对应的人员通过了合法性验证，为合法人员，否则为非法人员。

S104：判断所述机房内图像中识别出的人脸中是否有至少一个未通过合法性验证的非法人员，是则执行S105。

优选地，可以根据如下第三公式，计算目标机房内是否有非法人员的标志值：

其中，δ表示目标机房内是否有非法人员的标志值，δ＝1，表示目标机房内图像中识别出的人脸中有至少一个未通过合法性验证的非法人员，则应执行S105；δ＝0，表示目标机房内图像中识别出的人脸中没有未通过合法性验证的非法人员，则不执行S105；D_i表示目标机房内的第i个人员的人脸识别验证结果输出值，若目标机房内的第i个人员的人脸识别验证结果为正规(合法)人员则输出D_i＝1，若目标机房内的第i个人员的人脸识别验证结果为非法人员则输出D_i＝0；n表示所述机房内的人员总数。

本实施例中，根据对机房内的人员进行人脸识别得到验证结果，判断存在非法人员，以便确定是否需要启动机房报警系统。

S105：启动预先设置的机房报警系统进行报警。

本实施例中，如果发现机房内图像中识别出的人脸中有至少一个未通过合法性验证的非法人员，则立即启动预先设置的机房报警系统进行报警，以提醒用户目标机房存在人员入侵危险，便于开展应急处理，保证机房的安全。

作为一可选实施例，所述机房报警系统包括设置于各机器上的预设颜色的警报灯。如图2所示，所述步骤S105，包括如下步骤S201-S203：

S201：根据所述机房内图像确定所述非法人员在机房内的实时位置。

本步骤中，在启动所述机房报警系统时刻，根据所述机房内图像确定所述非法人员在机房内的位置为该非法人员的初始位置，随后实时根据所述机房内图像确定所述非法人员在机房内的实时位置。

S202：确定所述非法人员的实时位置与所述目标机房内的每台机器之间的距离。

本实施例中，根据非法人员的实时位置确定非法人员的当前位置与机房内的每台机器之间的实时距离，从而预判非法人员将要操作的设备。

S203：启动与所述非法人员的实时位置距离最近的机器上的警报灯，并根据所述非法人员的实时位置与该机器之间的距离控制所述警报灯的频闪频率。

本实施例中，根据非法人员的实时位置与机房内的每台机器之间的距离找到当前距离非法人员最近的机器，启动机器上的红色警报灯，并根据非法人员与最近的机器之间的距离控制红色警报灯的频闪频率，进而一方面可以震慑所述非法人员，另一方面可以根据距离提高灯光的闪频提醒机房内的人员当前机器存在危险状态。

作为一可选实施例，S203所述启动与所述非法人员的实时位置距离最近的机器上的警报灯，还包括：控制与所述非法人员的实时位置距离最近的机器柜门上的电子锁状态为锁闭状态。本实施例中，为了防止非法人员对机房内的设备进行非法操作，除了以警报灯的方式警告非法人员，进一步的，可以在机柜上安装电子锁，一旦发现非法人员要操作机柜里面的设备时，则立即锁闭电子锁，隔断设备与非法人员接触，从而保证设备的安全。

作为一可选实施例，本步骤S203，包括：根据第一公式计算所述警报灯的频闪频率；控制所述警报灯以计算出的频闪频率进行闪烁。

其中，所述第一公式为：

其中，

表示目标机房内的第a_min台机器上警报灯的频闪频率；f_max表示所述警报灯的最大频闪频率；f₀表示所述警报灯的最小频闪频率；

表示目标机房内识别出的第k个非法人员的初始位置与目标机房内的第a_min台机器之间的距离；k＝1,…,K；K为本次识别出的非法人员的总数；

表示将k的值从1取值到K得到

的最小值，并将取得

最小值时所对应的k值记作k_min；

表示当前时刻目标机房内识别出的第k_min个非法人员的实时位置与目标机房内的第a_min台机器之间的距离值；t表示当前时刻；h_k,a表示目标机房内识别出的第k个非法人员的初始位置与目标机房内的第a台机器之间的距离；a＝1,…,m；m表示目标机房内的机器总数；

函数

表示将a的值从1取值到m并代入到括号中的左边算式计算后取使逗号左边算式取得最小值时的a值。

本实施例中，根据非法人员与最近的机器之间的距离控制红色警报灯的频闪频率，进而一方面可以震慑所述非法人员，另一方面可以根据距离提高灯光的闪频提醒机房内的人员当前机器存在危险状态。

作为一可选实施例，所述机房报警系统还包括：预设语音播报系统；所述步骤S105，还包括：启动所述预设语音播报系统播报用于警告所述非法人员退出目标机房的预设语音信息。本实施例中，除了以启动机器上的红色警报灯，震慑非法人员，还可以通过语音的方式告知、警告非法人员退出机房，从客观上来说，也能让非法人员心里感觉到已经被抓现行，能起到非常好的震慑作用，防止非法人员进一步开展相关操作。

作为一可选实施例，步骤S105，还包括：启动预设的声音警报装置进行报警，并根据所述非法人员在所述目标机房内的滞留时间控制所述声音警报装置的报警音量。例如，声音报警装置可以安装于机房外的楼道。优选地，可以根据第二公式计算所述声音警报装置的报警音量，并控制所述声音警报装置以当前计算出的报警音量发出警报。

其中，所述第二公式为：

其中，G(t)表示当前时刻所述声音警报装置的报警音量；G_max表示所述声音警报装置的最大报警音量；T_k表示从所述机房内图像中识别出第k个非法人员的时刻；k＝1,…,K；K为本次识别出的非法人员的总数；

表示将k的值从1取值到K得到T_k的最小值。

本实施例中，根据所述非法人员在机房内的滞留时间控制所述声音警报装置的报警音量，进而提醒机房外的所有人员尽快执行相应的应急操作，保证了可以迅速的将非法人员进行制服。

本发明实施例提供的基于深度学习的智能机房管理方法，首先根据人脸识别技术对机房内图像中的人员进行人脸识别，接着对识别出的人脸进行合法性验证，最后当识别出的人脸中有非法人员时，则控制声音警报装置和声音警报装置进行报警，从而保证机房内设备安全。本发明减轻了监控人员的工作量，当机房发生异常时，及时告警通知监控人员，通过摄像头可以记录捕捉到机房异常行为，便于查因追责。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.基于深度学习的智能机房管理方法，其特征在于，包括以下步骤：

实时采集目标机房的机房内图像；

根据人脸识别技术对所述机房内图像中的人员进行人脸识别；

对所述机房内图像中识别出的人脸进行合法性验证；

若所述机房内图像中识别出的人脸中有至少一个未通过合法性验证的非法人员，则启动预先设置的机房报警系统进行报警，以提醒用户所述目标机房存在人员入侵危险。

2.如权利要求1所述的基于深度学习的智能机房管理方法，其特征在于，所述机房报警系统包括设置于各机器上的预设颜色的警报灯；

所述启动预先设置的机房报警系统进行报警，包括：

根据所述机房内图像确定所述非法人员在机房内的实时位置；

确定所述非法人员的实时位置与所述目标机房内的每台机器之间的距离；

启动与所述非法人员的实时位置距离最近的机器上的警报灯，并根据所述非法人员的实时位置与该机器之间的距离控制所述警报灯的频闪频率。

3.如权利要求2所述的基于深度学习的智能机房管理方法，其特征在于，所述机房报警系统还包括：预设语音播报系统；

所述启动预先设置的机房报警系统进行报警，还包括：

启动所述预设语音播报系统播报用于警告所述非法人员退出目标机房的预设语音信息。

4.如权利要求2所述的基于深度学习的智能机房管理方法，其特征在于，所述根据所述非法人员的实时位置与该机器之间的距离控制所述警报灯的频闪频率，包括：

根据第一公式计算所述警报灯的频闪频率；

控制所述警报灯以计算出的频闪频率进行闪烁；

其中，所述第一公式为：

其中，

表示目标机房内的第a_min台机器上警报灯的频闪频率；f_max表示所述警报灯的最大频闪频率；f₀表示所述警报灯的最小频闪频率；

表示目标机房内识别出的第k个非法人员的初始位置与目标机房内的第a_min台机器之间的距离；k＝1,…,K；K为本次识别出的非法人员的总数；

表示将k的值从1取值到K得到

的最小值，并将取得

最小值时所对应的k值记作k_min；

表示当前时刻目标机房内识别出的第k_min个非法人员的实时位置与目标机房内的第a_min台机器之间的距离；t表示当前时刻；

h_k,a表示目标机房内识别出的第k个非法人员的初始位置与目标机房内的第a台机器之间的距离；a＝1,…,m；m表示目标机房内的机器总数；

函数

表示将a的值从1取值到m并代入到括号中的左边算式计算后取使逗号左边算式取得最小值时的a值。

5.如权利要求1-4任一项所述的基于深度学习的智能机房管理方法，其特征在于，所述启动预先设置的机房报警系统进行报警，还包括：

启动预设的声音警报装置进行报警，并根据所述非法人员在所述目标机房内的滞留时间控制所述声音警报装置的报警音量。

6.如权利要求5所述的基于深度学习的智能机房管理方法，其特征在于，所述根据所述非法人员在所述目标机房内的滞留时间控制所述声音警报装置的报警音量，包括：

根据第二公式计算所述声音警报装置的报警音量；

控制所述声音警报装置以当前计算出的报警音量发出警报；

其中，所述第二公式为：

其中，G(t)表示当前时刻所述声音警报装置的报警音量；G_max表示所述声音警报装置的最大报警音量；T_k表示从所述机房内图像中识别出第k个非法人员的时刻；k＝1,…,K；K为本次识别出的非法人员的总数；

表示将k的值从1取值到K得到T_k的最小值。

7.如权利要求2所述的基于深度学习的智能机房管理方法，其特征在于，所述启动与所述非法人员的实时位置距离最近的机器上的警报灯，还包括：

控制与所述非法人员的实时位置距离最近的机器柜门上的电子锁状态为锁闭状态。

Images