基于RGBMR特征及DBN網(wǎng)絡(luò)的服務(wù)器檢測研究

孫亞非 郭盛 李可

關(guān)鍵詞： 服務(wù)器; 狀態(tài)檢測; RGBMR特征; 機器學(xué)習(xí); DBN; 無監(jiān)督訓(xùn)練

中圖分類號： TN711?34; TP391 ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）04?0153?05

Research on server detection based on RGBMR features and DBN

SUN Yafei1，2， GUO Sheng2， LI Ke1

（1. School of Information Science and Engineering， Yanshan University， Qinhuangdao 066004， China;

2. Department of Information Engineering， Cangzhou Technical College， Cangzhou 061000， China）

Abstract： An intelligent detection system for servers in the computer room is proposed based on the hardware device and software system. In the view of the signal light characteristics of the server， a more effective signal light image feature known as the RGB maximum ratio （RGBMR） is put forward for the recognition algorithm. The deep belief network （DBN） is used to evaluate and recognize signal light images. One part of RGBMR feature data is used for training of the DBN model， and the other part is used for testing. A great amount of experimental analysis and the comparative study on the image recognition effects of the proposed algorithm versus HSV spatial features and HMM were conducted. The results prove that the proposed algorithm can detect the signal light status of servers in the computer room more accurately.

Keywords： server; condition detection; RGBMR feature; machine learning; DBN; unsupervised training

0 ?引 ?言

隨著電力系統(tǒng)信息化程度的不斷加深，其機房設(shè)備的種類和數(shù)量越來越多。設(shè)計一套高效便捷的智能化機房巡查系統(tǒng)，及時準確地監(jiān)測各個機房設(shè)備的運行狀態(tài)對電力企業(yè)內(nèi)各系統(tǒng)高效安全地運行至關(guān)重要。易健翔等人 針對無線傳感器網(wǎng)絡(luò)技術(shù)在環(huán)境監(jiān)測中的應(yīng)用，研究并開發(fā)了基于無線傳感器網(wǎng)絡(luò)的電力信息機房監(jiān)測系統(tǒng)[1]。陳潛等人通過傳感器采集并遠程傳輸機房溫度和圖像數(shù)據(jù)，設(shè)計了一種基于B/S架構(gòu)的嵌入式機房遠程監(jiān)測系統(tǒng)[2]。

監(jiān)測機房設(shè)備運行情況的一個核心任務(wù)是準確識別工業(yè)相機捕獲的各系統(tǒng)服務(wù)器信號燈狀態(tài)圖像。目前國內(nèi)外學(xué)者對信號燈識別的研究主要側(cè)重于：

1） 信號燈的特征，主要包括信號燈的顏色特征和形狀特征;

2） 機器學(xué)習(xí)模式識別。顏色特征，如：基于HSV顏色空間[3]、RGB顏色空間[4]、HSI顏色空間[5]等，是識別信號燈狀態(tài)的重點研究內(nèi)容。趙樹恩等針對復(fù)雜場景下交通燈信號的采集和辨識問題，提出了一種基于ZigBee技術(shù)的交通信號燈辨識系統(tǒng)[6]。蔡自興等將彩色圖像RGB特征轉(zhuǎn)換到Y(jié)CbCr空間并將其送入最近鄰分類器分類信號燈的類型，然后建立隱馬爾科夫模型來識別信號燈圖像[7]。Salti等從信號燈圖像的感興趣區(qū)域中提取RGB顏等特征，建立一套檢測和識別交通信號燈的系統(tǒng)，但是其識別效率和準確度均有待提高[8]。

在識別交通信號燈狀態(tài)方面，目前常用的算法大多是利用其不同的方向形狀和顏色信息進行檢測[9]。但與交通信號燈不同，服務(wù)器信號燈沒有可用的形狀特征，并且其更小分布更加密集，所以感知其狀態(tài)信息更為困難。國網(wǎng)麗水公司開發(fā)的信息機房巡視系統(tǒng)需要對設(shè)備狀態(tài)指示燈狀態(tài)進行人工采集，再用后臺系統(tǒng)進行智能化分析，其人員工作強度大且效率低。而目前國內(nèi)外在該領(lǐng)域自動識別方面的研究較少，國外電力公司對機房信號燈的監(jiān)測大多采用的仍然是HIS分析等用于交通信號燈識別的方法，其識別準確率較低[7?8]。本文提出一種基于圖像RGB極大比值（RGBMR）特征提取，運用深度置信網(wǎng)絡(luò)（DBN）進行評估識別的信號燈圖像識別新算法，并將該算法嵌入到硬件系統(tǒng)中，設(shè)計研究出一種智能化機房安全巡查系統(tǒng)，大量的應(yīng)用實驗證明了本方法的有效性。

1 ?系統(tǒng)概述

本巡查系統(tǒng)主要由硬件系統(tǒng)和軟件系統(tǒng)兩部分構(gòu)成。硬件系統(tǒng)主要根據(jù)巡查安排，完成機房設(shè)備的自動巡查作業(yè)，實時捕獲受監(jiān)測服務(wù)器的信號燈狀態(tài)，其主要包含軌道車裝置、云臺、工業(yè)相機、無線AP、交換機等。軟件系統(tǒng)基于Windows平臺進行開發(fā)，采用B/S三層架構(gòu)，嵌入在控制中心系統(tǒng)中，能對機房現(xiàn)場進行遠程監(jiān)視并發(fā)送指令控制硬件系統(tǒng)動作，根據(jù)需要對監(jiān)控相機捕獲到的數(shù)字圖像進行分析、處理和識別。其構(gòu)架如圖1所示。

2 ?信號燈圖像識別算法流程

2.1 ?提取圖像RGBMR特征

機房服務(wù)器設(shè)備的信號燈主要有綠燈、紅燈及黃燈三種狀態(tài)，其分別對應(yīng)設(shè)備處于運行正常、故障及有待檢查三種情況，所以判斷設(shè)備運行情況的主要途徑就是準確識別這3 種顏色信號燈的亮與滅。但服務(wù)器信號燈一方面其本身較小并發(fā)光，會對拍攝圖像形成很大干擾;另一方面，在一幅拍攝的圖像中往往分布有多個信號燈，拍攝時無法聚焦，造成其成像色彩對外部光線的變化非常敏感，所以從圖像中感知其狀態(tài)信息較為困難。鑒于現(xiàn)有的利用RGB特征值、HSV與HSI顏色空間特征值及顏色直方圖來識別信號燈的方法存在很大不足，本文提出了一種新的信號燈圖像顏色特征：RGB極大比值（RGBMR）。在信號燈圖像去噪后，其RGBMR特征的提取算法流程如下：

1） 運用Kalman跟蹤算法提取并分割出圖像中包含有信號燈的各個感興趣區(qū)域（IR），每個IR中僅包含一個信號燈;

2） 計算彩色IR的像素點個數(shù)，并讀取其RGB三基色8位亮度值（0～255）;

3） 分別將各個像素的RGB三基色亮度值按從大到小的排序，讀取其前10%的RGB極大值，分別記為序列[RM10]，[GM10]，[BM10];

4） 分別計算前10%的RGB極大值序列[RM10]，[GM10]，[BM10]的平均值，結(jié)果分別記為[RMa]，[GMa]，[BMa];

5） 分別計算各極大平均值[RMa]，[GMa]，[BMa]的相對比值，即得到該IR的RGB極大比值，分別記為[MRr]，[MRg]，[MRb]，即：

[MRr=RMaRMa+GMa+BMaMRg=GMaRMa+GMa+BMaMRb=BMaRMa+GMa+BMa] （1）

2.2 ?DBN識別算法

DBN是一種基于概率生成的深度學(xué)習(xí)模型，其可以有效地通過各種非線性變換和近似的復(fù)雜非線性函數(shù)從原始數(shù)據(jù)中捕獲重要信息，適用于分類和評估。

2.2.1 ?DBN的結(jié)構(gòu)

DBN通過逐層堆疊一系列的限制玻爾茲曼機（RBM）來進行構(gòu)建，如圖2所示。第1層（輸入層V）和第2層（隱含層H1）構(gòu)成了RBM1，第2層（隱含層H1）和第3層（隱含層H2）構(gòu)成了RBM2，以此往復(fù)。每個RBM由一個隱含層和一個可視層構(gòu)成，每層都是由二進制隨機單元組成，這些單元只與不同層的單元相連接而不與同層內(nèi)單元相連接?？梢晢卧c隱含單元的一個連接節(jié)的能量可以定義為：

[Ev，h;θ=-i=1Vj=1Hwijvihj-i=1Vbivi-j=1Haihj] （2）

式中：矩陣[w]表示可視層與隱含層之間的權(quán)重值;向量[a]和[b]分別是隱含單元 [hj]與可視單元[vi]的偏置;[θ=w，b，a]代表模型參數(shù)。

輸入節(jié)點數(shù)、隱含節(jié)點數(shù)、隱層數(shù)和輸出節(jié)點數(shù)是DBN模型最重要的參數(shù)。在本文中，DBN模型的體系結(jié)構(gòu)定義如下[10]：

[DBNparam1;param21，…，param2i;param3] ?（3）

式中：[param1]代表輸入節(jié)點數(shù);[param2i]代表第[i]隱含層的隱含節(jié)點數(shù);[param3]表示輸出節(jié)點數(shù)。

2.2.2 ?DBN訓(xùn)練

DBN的獨特結(jié)構(gòu)使得其能夠應(yīng)用對比散度（CD）算法通過訓(xùn)練一系列的RBMs而得到訓(xùn)練。初級訓(xùn)練過程可以概括為：每個RBM層是用子網(wǎng)RBM的激活概率作為輸入訓(xùn)練數(shù)據(jù)進行訓(xùn)練，而它的輸出作為下一RBM層的輸入。在無監(jiān)督的預(yù)訓(xùn)練后，第一層RBM被原始輸入數(shù)據(jù)所填充并作為實值輸入的GB?RBM，而其他層則為二進制的或Bernoulli?Bernoulli RBM。最后，給出參數(shù)的更新規(guī)則如下：

[w←w+εwvihj0-vihj1a←a+εahj0-hj1b←b+εbvi0-vi1] （4）

式中，[εw]， [εa] 和 [εb]分別代表權(quán)值、隱含層偏置及可見層偏置的學(xué)習(xí)速率。具體的訓(xùn)練過程參閱文獻[11]。

對于服務(wù)器信號燈圖像識別而言，在生成性的預(yù)訓(xùn)練后，將結(jié)合其他的判別、學(xué)習(xí)等能夠有效微調(diào)權(quán)重值的關(guān)鍵步驟來改進DBN的性能。

一個已被證明非常有效的進行判別性微調(diào)的方法是在最后的RBM層之后加一個變量層，這個變量層內(nèi)的參數(shù)代表著期望標簽值。因此，引入類似于標準反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）的BP算法來調(diào)整所有的DBN網(wǎng)絡(luò)權(quán)值。以工業(yè)相機在巡查機房時采集到的大量包含紅、綠、黃三種狀態(tài)信號燈的圖像作為分析對象。

鑒于綠燈為正常狀態(tài)且數(shù)量最多，這里提取較大量綠燈圖像的RGBMR特征構(gòu)成訓(xùn)練數(shù)據(jù)集[NL]，來對初始化的DBN模型進行無監(jiān)督訓(xùn)練以得到標準的DBN模型。

2.3 ?評估識別

DBN的特定結(jié)構(gòu)和非線性的學(xué)習(xí)過程使它能夠非常有效地從海量數(shù)據(jù)中獲取其本質(zhì)特征。獲得標準的DBN模型后，再分別提取一定數(shù)量的綠、紅、黃色信號燈圖像的RGBMR特征來構(gòu)成測試數(shù)據(jù)集[ML]，將[ML]輸入到第2.2節(jié)中訓(xùn)練完成的標準DBN模型中進行評估分類，即可識別出每組數(shù)據(jù)各自對應(yīng)的圖像的信號燈狀態(tài)。

3 ?實驗研究

3.1 ?信號燈識別實驗

3.1.1 ?提取RGBMR數(shù)據(jù)集

實驗在國網(wǎng)青島供電公司的信息機房內(nèi)進行，該機房內(nèi)有50套機柜，設(shè)備類型和數(shù)量繁多。搭建信號燈識別實驗系統(tǒng)如圖3所示，主要包含固定在機房頂部的軌道、軌道車，安裝在軌道車上的云臺及工業(yè)相機等裝置。實驗中，向云臺發(fā)送自動巡查指令，其沿著軌道自由移動并上下升降，帶動工業(yè)相機拍攝各個服務(wù)器信號燈的狀態(tài)圖像。實驗中工業(yè)相機共捕獲了89張距離及光強亮度不一的服務(wù)器圖像，每張圖像中包含數(shù)個至數(shù)十個處于不同狀態(tài)信號燈。采用Kalman跟蹤算法提取圖像中包含信號燈的圖像區(qū)域并將其單獨切割出來，這些分離出的信號燈圖像顏色、亮度、距離、大小等均有差異，與實際巡查情況相符合，其部分圖像如圖4所示。

從分離出的單個信號燈圖像中隨機選取200張綠燈圖像作為訓(xùn)練樣本，再分別選取100張綠、紅及黃燈圖像作為測試樣本。提取訓(xùn)練樣本RGBMR特征構(gòu)成[200×3]的訓(xùn)練數(shù)據(jù)集[NL]，提取測試樣本RGBMR特征構(gòu)成[300×3]的測試數(shù)據(jù)集[ML]。圖5為綠紅黃燈圖像RGBMR平均值分布圖。由圖5可以發(fā)現(xiàn)，綠燈圖像的RGBMR值差異較大，其[MRr]，[MRg]，[MRb]均值分別為0.311，0.484及0.205;紅燈圖像的各值差異很小，均為0.33左右;黃燈圖像的[MRr]，[MRg]均值非常接近，均為0.36左右，但其[MRb]均值明顯較小，為0.269?？梢?，這三類圖像的RGBMR值分布情況差異較大，利用該特征能較容易地區(qū)分這三類圖像。

3.1.2 ?DBN建立及評估識別

本文中，DBN模型輸入節(jié)點的數(shù)目與RGMMR 數(shù)據(jù)集的維數(shù)相對應(yīng)，其值為3。由于模型用于圖像的評估識別，輸出節(jié)點設(shè)置為1。DBN從輸入數(shù)據(jù)獲取有用信息的能力是由隱層節(jié)點的數(shù)量所決定，太少的隱含節(jié)點通常無法給數(shù)據(jù)塑形，而太多的隱含節(jié)點則可能會導(dǎo)致過度擬合的問題，甚至最后導(dǎo)致評估性能的惡化。所以，將[NL]和[ML]分別作為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集輸入到初DBN模型中，在一系列的實驗研究分析后，得到具有平穩(wěn)、清晰且合理的評估結(jié)果的DBN模型構(gòu)造為：[DBN13;100，100，50，10;1]。

本文方法檢測結(jié)果如圖6所示，綠、紅、黃燈三類圖像樣本被明顯地分出類來，綠燈樣本的DBN評估值集中在0.8附近，紅燈評估值集中在0.4附近，而黃燈評估值則集中在0.5附近。根據(jù)DBN評估值來對圖像樣本進行信號燈顏色分類識別，經(jīng)分析給出判定標準：

[Color=Green， DBNvalue∈0.75， 0.85Red， DBNvalue∈0.35， 0.45Yellow， DBNvalue∈0.45， 0.55Unrecognized， Other DBNvalues]

由此可知，如圖6中小紅圈標記，在300個測試樣本中，只有兩個綠燈、一個紅燈及三個黃燈共計6個樣本出現(xiàn)分類識別錯誤，其余樣本均獲得了正確結(jié)果。

3.2 ?對比研究實驗

本文提出用RGBMR特征及DBN網(wǎng)絡(luò)模型進行信號燈圖像識別取得了良好的效果。為了進一步證明本方法的優(yōu)越性，分別進行與圖像HSV特征及隱馬爾可夫模型（HMM）的對比研究實驗。

3.2.1 ?與HSV特征對比分析

HSV（色相、飽和度和亮度）顏色空間適合人類的視覺特性，被廣泛地應(yīng)用于圖像的分類和識別領(lǐng)域。然而對于不同的信號燈圖像，其HSV空間中的V值差異并不大，所以只提取H，S特征的均值和方差來用以識別研究。在一系列的實驗對比后，構(gòu)造適合于該類特征的DBN模型為[DBN24;100，100，50，50，10;1]。其識別結(jié)果如圖7所示。圖7表明，該方法能有效地把綠燈圖像識別出來并且準確率在93%左右，但是其黃燈和紅燈的評估值卻位于同一個區(qū)間內(nèi)[0.9，1.2]，表明該方法無法有效地將紅燈和黃燈識別出來。

3.2.2 ?與HMM模型對比分析

隱馬爾可夫模型（HMM）是一種統(tǒng)計分析模型，其具有很強的時序模式分類能力和可靠的計算性能，成為數(shù)字圖像、信號處理的一個重要方向，現(xiàn)已成功地應(yīng)用于模式識別、故障診斷以及狀態(tài)評估等領(lǐng)域。與DBN模型的無監(jiān)督訓(xùn)練不同，HMM需要進行有監(jiān)督訓(xùn)練，所以需要更多的樣本。實驗中選取600例信號燈圖像樣本，其中綠、紅、黃燈各200例，為了得到更有說服力的實驗結(jié)果，既提取本文提出的RGNMR特征，也提取第3.2.1節(jié)中所述的HSV特征進行對比研究。每種狀態(tài)圖像樣本的前100組特征值用于HMM模型的有監(jiān)督訓(xùn)練，后100組特征用于測試。訓(xùn)練完成后，用參數(shù)優(yōu)化的HMM模型進行檢測分析，其識別結(jié)果如表1所示。可見，RGBMR特征結(jié)合HMM模型的方法對于黃燈的識別效果稍差，而對綠燈及紅燈的識別準確度均在90%以上;HSV特征結(jié)合HMM模型對綠燈的識別率尚可，但對紅燈及黃燈的識別率卻較低，其綜合識別率也只有81.3%;而本文所提RGBMR特征結(jié)合DBN的方法的各項識別率均最高，對信號燈圖像的綜合識別率達到98%。

4 ?結(jié) ?語

本文提出一套智能化機房服務(wù)器檢測方法及系統(tǒng)。在識別服務(wù)器信號燈狀態(tài)方面，分析了目前較為普遍的利用不同形狀和顏色信息進行檢測算法的不足，而目前國內(nèi)外在這方面的研究也較少。本文提出一種新的信號燈狀態(tài)圖像特征：RGBMR，在提取該特征數(shù)據(jù)之后運用DBN網(wǎng)絡(luò)模型對信號燈圖像進行評估檢測。經(jīng)過大量的實驗分析，并與常用的圖像HSV空間特征及HMM模型檢測效果做了對比研究，結(jié)果表明，本文所提算法可以有效地應(yīng)用于檢測機房服務(wù)器的運行狀態(tài)。大量的應(yīng)用實驗結(jié)果證明了本方法的有效性。接下來的研究中，需要對系統(tǒng)和算法進行優(yōu)化，使其能更快速準確地進行在線實時檢測。

參考文獻

[1] 易健翔，秦肖臻，汪秉文.基于WSN的電力信息機房監(jiān)測系統(tǒng)的設(shè)計[J].計算機與數(shù)字工程，2013，41（1）：135?137.

YI Jianxiang， QIN Xiaozhen， WANG Bingwen. Design of electric computer room monitoring system based on wireless sensor network [J]. Computer & digital engineering， 2013， 41（1）： 135?137.

[2] 陳潛，劉云，高利娟.基于嵌入式Linux的機房遠程監(jiān)測系統(tǒng)研究[J].微計算機應(yīng)用，2011，32（6）：60?65.

CHEN Qian， LIU Yun， GAO Lijuan. Research of equipemnt room remote monitoring system based on embedded Linux [J]. Microcomputer applications， 2011， 32（6）： 60?65.

[3] CHOI J， AHN B T， KWEON I S. Crosswalk and traffic light detection via integral framework [C]// Proceedings of 19th Korea?Japan Joint Workshop on Frontiers of Computer Vision. Incheon： IEEE， 2013： 309?312.

[4] YU C， HUANG C， LANG Y. Traffic light detection during day and night conditions by a camera [C]// Proceedings of IEEE 10th International Conference on Signal Processing. Beijing： IEEE， 2010： 821?824.

[5] DIAZ?CABRERA M， CERRI P， SANCHEZ?MEDINA J. Suspended traffic lights detection and distance estimation using color features [C]// Proceedings of IEEE 15th International Conference on Intelligent Transportation Systems. Anchorage： IEEE， 2012： 1315?1320.

[6] 趙樹恩，張沙沙.基于ZigBee技術(shù)的交通信號燈辨識系統(tǒng)設(shè)計[J].計算機測量與控制，2014，22（12）：4066?4068.

ZHAO Shuen， ZHANG Shasha. Design of traffic lights identification system based on ZigBee [J]. Computer measurement & control， 2014， 22（12）： 4066?4068.

[7] 蔡自興，谷明琴.城市環(huán)境中交通信號燈準確識別與狀態(tài)估計[J].控制與決策，2014，29（1）：163?167.

CAI Zixing， GU Mingqin. Accuracy recognition and state estimation for traffic light in urban environment [J]. control and decision， 2014， 29（1）： 163?167.

[8] SALTI S， PETRELLI A， TOMBARI F， et al. Traffic sign detection via interest region extraction [J]. Pattern recognition， 2015， 48（4）： 1039?1049.

[9] 佀君淑，朱文興，沙永賀.復(fù)雜背景下的交通信號燈綜合識別方法[J].山東大學(xué)學(xué)報（工學(xué)版），2014，44（2）：64?68.

SI Junshu， ZHU Wenxing， SHA Yonghe. A comprehensive method for traffic lights detection in complex background [J]. Journal of Shandong University （Engineering science）， 2014， 44（2）： 64?68.

[10] YIN A， LU J， DAI Z， et al. Isomap and deep belief network?based machine health combined assessment model [J]. Journal of mechanical engineering， 2016， 62（12）： 740?750.

[11] TRAN V T， ALTHOBIANI F， BALL A. An approach to fault diagnosis of reciprocating compressor valves using Teager?Kaiser energy operator and deep belief networks [J]. Expert systems with applications， 2014， 41（9）： 4113?4122.