论文部分内容阅读
随着数字化时代的到来与通信技术的快速发展,越来越多的中大型数据中心被用于数据的集中处理与传输,其中对服务器运行状态的监控是数据中心所关注的重点之一。常见的监控方式主要有人工监控和网络监控,它们分别存在耗时长和网络组建成本高的问题,而基于卷积网络图像识别的监控方式可以有效解决上述问题,其无需过多的人工参与和复杂的网络组建,但它也存在以下不足:服务器检测的精度及指示灯工作状态检测的精度不高;卷积网络在训练的过程中受训练样本类别失衡的影响,导致模型出现退化;卷积网络模型大,浮点运算多,难以应用于移动端;卷积网络所需的训练数据的采集成本高。针对以上问题,本文从四个方面进行优化。首先,设计了一套基于高精度的目标识别算法和适应非刚性形变的点集匹配算法的智能视频机房监控系统,并且构建了一个包含约5000张图片的服务器数据集,服务器检测准确率达99.9%,在树莓派嵌入式平台上的帧率达120FPS,可以实时输出服务器的工作状态。其次,提出了一种自适应的类别平衡损失函数及参数更新算法,其通过对难分类样本和易分类样本的权重进行自动化调整来解决类别失衡问题,在VOC2007数据集上的识别精度超过YOLOv2、SSD、Faster RCNN等先进算法。然后,提出了Light-YOLO轻量级卷积网络结构,对卷积网络的卷积核和通道数进行优化,相比于Tiny-YOLO,其运算速度提升51%,模型大小压缩88%,并且精度保持不变。最后,提出了一种新颖的多尺度随机边缘图像合成方法,设计了随机化边缘信息融合算法,使合成图片的边缘信息更加逼真,同时增强了算法的鲁棒性;构建了多尺度鉴别网络,利用不同尺度的特征使合成图片有更广的全局视图和更好的细节信息,该方法可有效合成训练图片,节约图像采集成本,且在Cityscapes数据集上进行图像合成测试,其像素精度相比基线方法pix2pix有较大提升。本文提出的基于卷积网络图像识别的监控方式有效地提高了检测精度、缓解了训练样本类别失衡问题、压缩了网络模型、降低了图像采集成本,作为人工监控方式的补充,它在服务器资产盘点等机房监控领域具有较大应用前景。