一种基于双光谱图像的加固计算机风扇控制系统的制作方法

1.本发明属于计算机和人工智能的交叉应用领域，特别的涉及一种基于双光谱图像的神经网络的加固计算机散热性能控制系统。


背景技术：

2.目前航天、航空、航海、野战等军事领域中的各种应用系统中对于高性能服务器和存储设备的需求越来越大，同时对于设备功耗优化的要求也越来越高，由于这些军用系统基本上都工作在恶劣的、复杂的机械干扰和电磁干扰环境中，需要面对高温、低温、潮湿、霉菌、沙尘、强烈振动、盐雾等恶劣状况。当结构本身不能有效地克服因机械力引起的材料疲劳、结构谐振等对电气性能的影响时，其可靠性将无从保证。针对以上复杂环境高性能特殊要求研制的抗恶劣环境计算机，即通常简称的“加固机”。
3.目前行业内对“加固机”服务器产品的环境适应性、运算性能及扩展性能要求越来越高，其中散热性能是重要性能指标之一。由于计算机各模块置于密闭加固机箱中，各模块工作都会发热，如果产生的热量无法及时排出，各模块就会长期工作在高温环境下，导致计算错误、死机甚至火灾事故。对加固计算机内部及其周围环境工作温度的实时监控、采取适当散热控制措施是提高加固计算机散热性能的有效和必要手段。
4.而且“加固机”其由于材料、工艺、组装结构等与传统计算机不同，因此其热效应也与传统计算机差异较大。因此导致目前常用的红外检测算法，或红外图像神经网络模型都无法准确检测加固机的温度情况，特别是对其温度变化趋势的识别准确度较差。为此，急需一种能够快捷、准确、专门对加固机散热性能进行识别，并相应进行控制的方法。


技术实现要素：

5.为解决上述一个或多个技术问题，本发明提出一种基于神经网络的加固计算机散热性能控制方法，利用摄像机无接触的采集加固计算机机身及附近环境的红外图像，构建神经网络学习模型对加固计算机正常工作的机箱表面图像分布特性和变化规律进行建模，自动分析加固计算机自身及工作环境温度是否存在异常；如果判断出现异常，则控制散热系统加大功率运转，并发出警告指示，起到性能预警、自动控制和节能增效的作用。
6.一种基于双光谱图像的加固计算机风扇控制系统，包括摄像机、处理装置和风扇；处理装置中实施如下步骤：步骤1：同轴采集计算机可见光图像和红外图像，利用可见光图像确定机箱区域，并根据该区域在红外图像中确定红外规范子图；步骤2：按固定帧率采集次，获得对图像，并计算得到张红外规范子图，张红外规范子图组成一个三维数组，其中表示红外规范子图的采集顺序，表示第
张规范子图中的空间像素坐标；建立神经网络模型，输入层数据为三维数组；输出层为二值分类输出，表示与输入层数据对应的散热器控制信号是否应激活；第一隐藏层为：第一隐藏层为：表示神经网络模型的第一个隐藏层的输出，其输入是输入层；表示与输入对应的高斯卷积窗口，分别表示三个输入维度上的偏移量，为控制变量，控制高斯卷积窗的大小；表示偏离参数；高斯卷积窗口定义如下：下：其中表示与高斯卷积窗口对应的协方差矩阵；为前述矩阵的逆矩阵，表示矩阵对应的行列式的值；角标表示转置，表示与高斯卷积窗口对应的分布均值；设置第二隐藏层提取输入数据与输出之间的非线性特征；设置第三隐藏层建立空间、时序不同维度之间的非线性关系；输出层为：输出层为：表示神经网络模型的输出，是第三隐藏层输出，表示输出与输入之间的线性权值，表示线性偏置参数；代价函数为：其中参数用于防止学习过程中过快陷入局部极值，表示训练样本的分类真实值。
7.当时，表示控制信号不激活。
8.当时，表示控制信号应激活。
9.输入层数据表示一段时间内机箱表面图像分布的变化。
10.通过检测一段时间内机箱表面图像分布的变化判别是否需要给出散热控制信号；机箱表面图像分布的变化反映了机箱的散热情况。
11.当机箱散热不畅时，内部会产生热聚集，体现在机箱表面图像的局部集中分布，通过检测这一分布变化判断是否需要给出散热控制信号，即启动辅助散热风扇，实现对加固计算机散热性能控制。
12.当机箱散热正常时，辅助散热风扇关闭。
13.所述处理装置为现场处理器。
14.所述处理装置为远程服务器。
15.上述方法在现场或远程实施。
16.本发明的发明点及技术效果：1、本发明创新的提出一种基于神经网络的加固计算机散热性能控制方法，通过拍摄图像获取机箱表面的热分布状态的变化，通过建立空间与时序结合的神经网络模型预测是否需要启动辅助散热风扇，实现加固计算机散热性能控制；该方法对机箱无接触，不会破坏机箱固有结构，且安装简易，易于实施。
17.2、优化了神经网络模型结构（包括激励函数、代价函数、卷积窗口形式等），使其更适合检测加固计算机机箱散热的性能，比传统神经网络模型检测更加快捷、准确。
18.3、通过同轴可见光和红外光采集，并优化算法，准确获得机箱区域，从而能够准确切割得到红外子图像。由此得到的子图像时间序列和优化的神经网络模型相互配合，能够更加准确获得加固计算机独特的热分布变化。通过时序子图与神经网络模型的相互配合，能够区分出温度的时间变化情况，区分出温度递增和温度波动的情况。
附图说明
19.图1为控制系统原理图。
具体实施方式
20.控制系统控制系统包括摄像机1、处理器4、风扇5。
21.摄像机1用于采集加固计算机机箱2表面聚集的热量，特别是热量聚集区3，并将采集图像传输至处理器4。摄像机1为红外、可见光同轴摄像机，其中摄像机的红外传感器用于采集红外波段的图像信息，反映拍摄范围内物体的温度，摄像机的可见光传感器用于采集可见光波段的图像信息，用于提取加固计算机在图像中的位置；对红外摄像机、可见光摄像机采集的图像进行分析预处理，获得反映加固计算机箱体温度分布的特征数据。
22.处理器4用于根据收到的图像按照步骤1、2进行处理，并利用处理结果按照步骤3控制风扇5。通过检测热量分布变化判断是否需要给出散热控制信号，即启动辅助散热风扇，实现对加固计算机散热性能控制；当散热正常时，辅助散热风扇关闭，实现节能和静音效果，当散热不畅时，通过上述方法实时检测给出控制信号，启动辅助散热达到更好的散热效果。
23.风扇5用于接收控制信号进行启动或关闭，实现对机箱2内部吹风散热。
24.控制方法：步骤1加固计算机顶面图像的采集和预处理方法在被检测的加固计算机上方安装垂直于机箱面向下拍摄的红外、可见光同轴摄像机，其中摄像机的红外传感器用于采集红外波段的图像信息，反映拍摄范围内物体的温度，摄像机的可见光传感器用于采集可见光波段的图像信息，用于提取加固计算机在图像中的位置；对红外摄像机、可见光摄像机采集的图像进行分析预处理，获得反映加固计算机箱体温度分布的特征数据。
25.所述红外、可见光同轴摄像机，采用同样尺寸的图像传感器；由可见光传感器采集的图像，称为可见光图像；由红外传感器采集的图像，称为红外图像；可见光图像、红外图像经标定后共享相同的成像坐标系，使采集的红外、可见光图像可视范围重合；且每次采集的红外、可见光图像一一匹配。
26.获得可见光传感器采集的图像，称为可见光图像，在可见光图像中分析提取出加固计算机所在位置和面积。方法如下。
27.11、对可见光图像进行求导计算，获得其在图像二维平面上的导数图像、。
28.其中，表示在可见光图像位置处的像素值。定义的梯度图像。
29.梯度图像反映了原可见光图像的变化程度，机箱边缘处的图像像素值差异较大，因此其梯度图像像素值较大，可借此提取出机箱的边缘位置。
30.进一步的，求取梯度图像的高斯滤波图像。
31.其中符号表示卷积运算，表示高斯核。对梯度图像进行高斯滤波可以降低图像中存在的椒盐噪声，突出边缘部分，提高图像的信噪比。
32.在本例中机箱表面图像亮度分布较为集中，由于可见光传感器造成的椒盐噪声是影响图像质量的主要噪声源，对梯度图像进行高斯滤波，而不是对原图像进行高斯滤波，可以更好的去除原图像中的椒盐噪声，获得更好的边缘提取效果。
33.设置阈值，将高斯滤波图像中大于阈值的像素标记为边缘像素，获得边缘图像。中像素值为1的，表示相应位置为边缘像素，像素取值为0的表示相应位置为非边缘像素。
34.12、对上述标记为边缘像素的像素集合进行形态学处理。
35.其中表示边缘图像位置在处像素的值，该值为1或0；表示以处为中心的一个局部邻域，本例中。式(4)右边表示边缘图像以处为中心周围范围内所有像素的最小值，为0或1.式(5)右边表示式(4)的输出值以处为中心周围范围内所有像素的最大值，本例中.采用上述(4)、(5)的形态学处理方法，采用不同的局部处理邻域，有助于去除边缘上的形态毛刺，将局部断开的边缘像素联通，可以提高边缘形态的完整性，有助于更好提取机箱边缘的范围。
36.13、采用霍夫变换方法在中搜索最大的矩形，矩形所围成的范围记为机箱表面范围，记录其位置和面积。
37.根据上述在可见光图像中提取的位置和面积在与之对应的红外图像中找出对应的位置和面积，为原红外图像的子图，记为。
38.为规范图像的大小，将缩放为行、列的图像，记为。
39.步骤2加固计算机图像的神经网络时序特征模型表示方法根据每次采集的一对可见光、红外图像，提取红外图像中与机箱表面对应的红外规范子图，即；设定帧率，将连续的采集结果作为时序图像特征，并为其建立神经网络模型。
40.根据步骤1，每次采集成对的可见光图像、红外图像，根据步骤1所述计算红外规范子图；按固定帧率采集次，获得对图像，并计算得到张红外规范子图。
41.张红外规范子图组成一个三维数组，其中表示红外规范子图的采集顺序，表示第张规范子图中的空间像素坐标。
42.建立神经网络模型，由输入层、隐藏层、输出层组成。输入层为前文所述三维时序数组；输出层为二值分类输出，表示与输入层数据对应的散热器控制信号是否应激活，当时，表示控制信号不激活，当时，表示控制信号应激活；输入层数据表示一段时间内机箱表面图像分布的变化，通过本发明所述神经网络模型建立图像分布变化与散热控制信号的关系，实现加固计算机散热性能控制；上述关系由隐藏层确定，所述神经网络的隐藏层定义如下。
43.表示神经网络模型的第一个隐藏层的输出，其输入是输入层。表示与输入对应的高斯卷积窗口，分别表示三个输入维度上的偏移量，为控制变量，控制高斯卷积窗的大小；表示偏离参数。高斯卷积窗口定义如下：下：上式中，表示圆周率，符号表示自然指数函数，表示与高斯卷积窗口对应的协方差矩阵，在本案例中，将协方差矩阵简化为对角矩阵，提高计算效率；为前述矩阵的逆矩阵，表示矩阵对应的行列式的值；角标表示向量或矩阵的转置，表示与高斯卷积窗口对应的分布均值。
44.上述神经网络模型的第一个隐藏层采用如上模型对输入数据的分布建模，提取输入数据的高斯分布特征，减少参数量，提高神经网络模型的计算性能；为了提高模型的拟合精度，采用混合高斯模型，即取多个选项，在本例中取。
45.进一步的，定义：进一步的，定义：表示神经网络模型的第二个隐藏层的输出，其输入是第一个隐藏层，表示与输入对应的局部线性卷积窗口，分别表示三个输入维度上的偏移量；表示线性偏离参数。为一非线性函数，使模型可拟合非线性可分的数据集合。非线性函数定义如下：定义如下：表示自然指数函数；该分段非线性函数在本例中能够提高对数据噪声的
鲁棒性。
46.第二个隐藏层在第一个隐藏层的高斯分布模型的基础上，用于进一步提取输入数据与输出之间的非线性特征。
47.进一步的，定义：进一步的，定义：表示神经网络模型的第三个隐藏层的输出，其输入是第二个隐藏层，表示输出与输入之间的线性权值；表示线性偏离参数。定义同式(9)。
48.第三个隐藏层进一步建立了空间、时序不同维度之间的非线性关系。
49.进一步的，定义神经网络的输出：进一步的，定义神经网络的输出：表示神经网络模型的输出，其输入是第三个隐藏层，表示输出与输入之间的线性权值，表示线性偏置参数，定义同式(9)。
50.需对上述神经网络模型进行学习，获得模型中各参数。
51.采集散热正常时的图像序列、和散热不畅时的图像序列，分别作为神经网络模型的分类训练样本，分别对应于控制信号不激活、控制信号激活。根据代价函数对上述分类训练样本数据进行迭代学习：其中参数用于防止学习过程中过快陷入局部极值，优选。表示训练样本的分类真实值，表示根据神经网络模型(6-11)获得的输出值，采用bp算法计算所述神经网络模型的高斯模型参数、，线性卷积窗口参数，及各层中的线性权值和线性偏置参数。
52.步骤3基于神经网络模型的散热性能控制方法根据神经网络模型定义式(6-11)，建立输入数据与输出的关系模型。通过检测一段时间内机箱表面图像分布的变化判别是否需要给出散热控制信号。机箱表面图像分布的变化反映了机箱的散热情况，当机箱散热不畅时，内部会产生热聚集，体现在机箱表面图像的局部集中分布，通过检测这一分布变化判断是否需要给出散热控制信号，即启动辅助散热风扇，实现对加固计算机散热性能控制；当散热正常时，辅助散热风扇关闭，实现节能和静音效果，当散热不畅时，通过上述方法实时检测给出控制信号，启动辅助散热达到更好的散热效果。
53.本发明提出一种基于神经网络的加固计算机散热性能控制方法，通过拍摄图像获
取机箱表面的热分布状态，通过建立空间与时序结合的神经网络模型预测是否需要启动辅助散热风扇，实现加固计算机散热性能控制。表1给出了本发明方法的应用指标和测试结果，上述测试结果表面本发明方法达到应用指标要求，可以有效实现加固计算机散热性能自动控制。
54.表1应用评价指标指标范围测试（平均）值启动响应时间小于或等于30秒11.3秒平均降噪水平大于30%43.2%平均节能水平大于0.1千瓦时/天/台0.13千瓦时/天/台表2给出了本发明算法与一般计算机算法间的差异。
55.表2技术手段响应时间归一化准确度传统红外图像处理算法67.7秒0.53一般计算机神经网络模型37.4秒0.87本发明加固机专用模型11.3秒1本发明的上述方法可以在处理器、服务器中进行。即可以将检测与数据算法处理均布置在现场，根据处理结果实时对风扇等散热装置进行控制。此外还可以将检测数据发送至远程服务器，利用服务器强大的运算能力进行算法处理，后将控制结果发送回现场进行控制。
56.以上各种实施例仅为有限列举，由于篇幅无法穷举，因此不作为对权利保护范围的 限定，所有和上述产品、方法类似的技术方案均在本技术保护范围之内。