[发明专利]一种基于深度学习的端到端网口检测方法

权利要求书

1.一种基于深度学习的端到端网口检测方法，其特征在于，包括：

(1)获取机房不同背景、不同机柜的交换机网口图像；

(2)对交换机网口图像进行分类；标注每个图像，制作数据标签；

(3)使用数据增强技术，制作交换机网口图像数据集；

(4)训练深度网络YOLO v3模型，保存模型结果。

2.根据权利要求1所述的方法，其特征在于，步骤(1)中具体包括：通过调整智能室内巡检机器人的云台的高度，同时改变摄像头的视野角度，获取机房不同背景、不同机柜的交换机网口图像。

3.根据权利要求1所述的方法，其特征在于，步骤(2)中所述分类依据网口有无网线、有无遮挡、网线颜色进行划分，并使用矩形框标注网口。

4.根据权利要求1所述的方法，其特征在于，步骤(3)具体包括：

(3.1)在步骤(1)获取的交换机网口图像中选取不同条件下的图像，组成数据集；

(3.2)使用数据增强技术，将数据集中的每幅图像依次做水平翻转、随机裁剪、平移变换、仿射变换、颜色变换、光照变换、旋转变换后得到的网口图像分别存入数据集中；

(3.3)从数据集的所有图像中随机选取80％的图像，组成训练集，将剩余的20％图像组成测试集。

5.根据权利要求1所述的方法，其特征在于，步骤(4)具体包括：

(4.1)定义算法目标，算法全部使用均方和误差作为Loss函数，算法最终迭代Loss函数，使其收敛至最小，Loss函数由三部分组成：坐标误差、IOU误差和分类误差；

(4.2)K-means计算初始化时锚盒anchor boxes尺寸；YOLO v3使用anchor boxes来预测bounding boxes的坐标；

(4.3)初始化训练参数；设置初始学习率base_lr为0.001，学习率调整策略采用ReduceLROnPlateau，优化器采用随机梯度下降SGD算法，设定迭代次数step；

(4.4)开始训练模型；将训练集图像与对应标签类别输入到深度网络YOLO v3模型，加载(4.3)中的配置训练参数，下载ImageNet预训练权重，在自主搭建的GPU服务器上进行模型训练；

(4.5)可视化模型检测结果；载入训练好的深度网络YOLO v3模型的训练参数，将测试集图像输入到深度网络中，通过可视化技术进行检测；

(4.6)调整训练网络模型，如果模型输出误差和理想误差超过允许范围，则在(4.4)的基础上继续训练，直至模型效果达到要求。

6.一种基于深度学习的端到端网口检测系统，其特征在于，包括：

获取模块,用于获取机房不同背景、不同机柜的交换机网口图像；

分类标注模块，对交换机网口图像进行分类；标注每个图像，制作数据标签；

数据增强模块，使用数据增强技术，制作交换机网口图像数据集；

数据训练模块，训练深度网络YOLO v3模型，保存模型结果。

7.根据权利要求6所述的系统，其特征在于，获取模块包括调整单元，用于调整智能室内巡检机器人的云台的高度，同时改变摄像头的视野角度，获取机房不同背景、不同机柜的交换机网口图像。

8.根据权利要求6所述的系统，其特征在于，分类标注模块包括：

分类单元，用于依据网口有无网线、有无遮挡、网线颜色进行划分；

标注单元，用于使用矩形框标注网口。

9.根据权利要求6所述的系统，其特征在于，数据增强模块包括：

选取单元，用于在获取模块获取的交换机网口图像中选取2000张不同条件下的图像，组成数据集；

增强单元，用于使用数据增强技术，将数据集中的每幅图像依次做水平翻转、随机裁剪、平移变换、仿射变换、颜色变换、光照变换、旋转变换后得到的网口图像分别存入数据集中；

集合单元，用于从数据集的所有图像中随机选取80％的图像，组成训练集，将剩余的20％图像组成测试集。

10.根据权利要求6所述的系统，其特征在于，数据训练模块包括：

算法目标单元，用于定义算法目标，算法全部使用均方和误差作为Loss函数，算法最终迭代Loss函数，使其收敛至最小，Loss函数由三部分组成：坐标误差、IOU误差和分类误差；

尺寸计算单元，用于K-means计算初始化时锚盒anchor boxes尺寸；YOLO v3使用anchor boxes来预测bounding boxes的坐标；

初始化单元，用于初始化训练参数；设置初始学习率base_lr为0.001，学习率调整策略采用ReduceLROnPlateau，优化器采用随机梯度下降，迭代次数step为2000；

训练单元，用于开始训练模型；将训练集图像与对应标签类别输入到深度网络YOLO v3模型，加载初始化单元中的配置训练参数，下载ImageNet预训练权重，在自主搭建的GPU服务器上进行模型训练；

检测单元，用于可视化模型检测结果；载入训练好的深度网络YOLO v3模型的训练参数，将测试集图像输入到深度网络中，通过可视化技术进行检测；

调整单元，用于调整训练网络模型，如果模型输出误差和理想误差超过允许范围，则在训练单元的基础上继续训练，直至模型效果达到要求。