面向数据机房指示灯巡检的设备模板匹配算法

随着数字化进程的推进，数据中心及通信机房的规模逐渐扩大。在数据中心的运行与维护中，指示灯巡检工作不可忽视。

传统方法是基于模板照匹配机制，其中模板照包含单个设备各个部件的高质量图像，每个部件的指示灯都被标注并框选为一个矩形框，通过匹配实际巡检时采集到的设备巡检照和模板照的特征描述子从而实现目标检测。

然而，大量的模板照存在配置复杂、难以保存、管理的问题，且该方法泛化性较差，检测性能也不佳。

得益于成像技术和硬件设备的进步，faster-rcnn、yolo以及transformer等基于深度学习的算法被应用到目标检测中，在极大程度上提升了检测性能。

蒙帕在yolov5指示灯检测的基础上，增加巡检设备模板照匹配算法，将设备模板照标注信息与指示灯检测结果进行比对，对检测到的指示灯进行框选，将巡检照的检测结果在模板库中进行查询输出，有利于机房巡检机器人更加精准的识别到不同状态的指示灯。

为解决模板照配置过程中出现的问题，蒙帕从设备级匹配角度出发，收集市面上现存设备照片，进行设备模板标注，逐步建立起更加完备的设备模板库，这种设备模板管理方式也较为科学。

设备模板照使用一对多形式，一个标准设备模板可与机柜上多个相同型号设备进行匹配，模板在巡检过程中的复用率得到提高。为避免环境光亮度影响匹配率，在正式图像匹配前，采取巡检照的预处理，将巡检照的图片色调与模板照保持一致。

匹配过程中，如图1所示，蒙帕采用基于transformer的局部特征变换器直接从设备模板照-巡检照中学习到像素级别的匹配关系，提取特征点匹配对精度较高。

图1

通过计算映射矩阵，特征匹配点被成功映射到巡检照。根据映射框与巡检照指示灯检测框结果进行IoU计算及中心偏移量计算，为每个模板配对出IoU值最大且中心偏移量最小的巡检框。

图2展示出最终匹配结果，共包含匹配成功的指示灯、巡检照中错检的指示灯及巡检照中未检测到的指示灯三种情况。

图2 匹配结果展示

设备模板匹配算法作为yolov5指示灯识别算法的补充，遵循了指示灯巡检工作中“识全识准”原则，两者相结合能够大幅提高机房巡检机器人进行指示灯巡检时的检测性能，从而实现对机房内设备更高效的实时监控。