[发明专利]一种基于YOLO算法的AI装维巡检方法及系统

说明书

本发明的一种基于YOLO算法的AI装维巡检方法及系统，采集海量现场原始设备的巡检图片，通过卷积神经网络模型训练，且根据模型对采集的新上传图片分类预测，上传质检图片至云端平台，针对质检图像预处理后，通过改进的YOLO算法进行图像端口特征识别，通过测试后检验并输出结果；构建图像端口矩阵，将所述端口识别输出结果通过端口矩阵输出表示。本发明的一种基于YOLO算法的AI装维巡检方法及系统，在传统的人工识别的合规与不合规基础上，细致划分不合规的具体类别，便于神经网络更加细致提取当前采集的质检图像特征，提高待识别图像的精准度，且通过构建端口矩阵，反映当前采集的质检图片的端口占用情况，降低人工比对的成本。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于YOLO算法的AI装维巡检方法及系统。

背景技术

随着运营商宽固业务快速发展，装维施工的巡检支撑的工作量显著增加，传统巡检工作场景包括设备机房、户外ODN箱体等。由于巡检人员有限，只能通过定时派发巡检单的方式针对极少部分的设备进行抽检。而巡检的方式则是现场人员通过人工检查然后拍照上传交由后端人员，后端人员按照一定的施工标准，对拍摄的现场设备照片进行人工审核。其中工作量最大的是对运营商通信设备ODN光交箱中的端口使用情况进行人工查看，进而与系统资源数据进行比对，校验装维施工是否准确。

采用这种方式存在巡检覆盖率低、巡检周期长、消耗大量人力成本、准确率低等诸多的问题。首先，一次巡检会包括10张左右的照片，而且每一张都需要人工去根据施工标准审核。其次，对于端口资源使用审核来说，一张照片往往会包含上百个端口，都需要和资源系统的端口信息一一比对，人工审核准确率低，实际施工的资源端口和资源系统端口往往存在30％左右的误差。

本发明针对上述的缺点和问题，设计了基于YOLO算法的AI装维质检方法。图像识别算法是以深度学习范畴下的卷积神经网络为基础，针对目前的装维巡检场景下的照片进行模型优化，能够实现对巡检的照片进行自动审核，智能化的判断该照片是否符合施工标准。

发明内容

针对上述现有技术存在的问题，本发明提供了一种基于YOLO算法的AI装维巡检方法，其特征在于，包括如下步骤：

(1)采集现场人员拍摄的质检场景图像集合，通过卷积神经网络模型训练，且根据卷积神经网络模型对采集的新上传图片分类预测，结束当前质检；

(2)上传质检图片，针对质检图像预处理后，通过改进的YOLO算法进行图像的端口特征识别，且输出结果；

(3)构建图像端口矩阵，将所述端口识别输出结果通过端口矩阵输出表示。

作为上述方案的进一步优化，针对上传的质检场景，根据现场施工和巡检标准，将图片根据合规以及每一种不合规的情形进行分类。

作为上述方案的进一步优化，所述改进的YOLO算法即采用不同大小比例的窗口块，通过预设定窗口块的滑动距离，将所述窗口块遍历整张图片，根据遍历的窗口块子区域图像分类。

作为上述方案的进一步优化，所述改进的YOLO算法逻辑计算获取有效的窗口块子区域。

作为上述方案的进一步优化，所述改进的YOLO算法具体步骤包括如下：

(11)卷积神经网络分割上传的经过质检的采集图片获格S×S的网格；

(12)S×S网格的每个单元块获取且预测对应单元块图像的obeject；

(13)每个单元格预测B(B∈N)个边界框boundingbox，每个bounding box反馈自身的位置，且预测边界框的置信度confidence score；