基于RGBMR特征及DBN網絡的服務器檢測研究

孫亞非 郭盛 李可

關鍵詞： 服務器; 狀態檢測; RGBMR特征; 機器學習; DBN; 無監督訓練

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

隨著電力系統信息化程度的不斷加深，其機房設備的種類和數量越來越多。設計一套高效便捷的智能化機房巡查系統，及時準確地監測各個機房設備的運行狀態對電力企業內各系統高效安全地運行至關重要。易健翔等人 針對無線傳感器網絡技術在環境監測中的應用，研究并開發了基于無線傳感器網絡的電力信息機房監測系統[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據，設計了一種基于B/S架構的嵌入式機房遠程監測系統[2]。

監測機房設備運行情況的一個核心任務是準確識別工業相機捕獲的各系統服務器信號燈狀態圖像。目前國內外學者對信號燈識別的研究主要側重于：

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） 機器學習模式識別。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，是識別信號燈狀態的重點研究內容。趙樹恩等針對復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技術的交通信號燈辨識系統[6]。蔡自興等將彩色圖像RGB特征轉換到YCbCr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，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，所以感知其狀態信息更為困難。國網麗水公司開發的信息機房巡視系統需要對設備狀態指示燈狀態進行人工采集，再用后臺系統進行智能化分析，其人員工作強度大且效率低。而目前國內外在該領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，運用深度置信網絡（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中，設計研究出一種智能化機房安全巡查系統，大量的應用實驗證明了本方法的有效性。

1 ?系統概述

本巡查系統主要由硬件系統和軟件系統兩部分構成。硬件系統主要根據巡查安排，完成機房設備的自動巡查作業，實時捕獲受監測服務器的信號燈狀態，其主要包含軌道車裝置、云臺、工業相機、無線AP、交換機等。軟件系統基于Windows平臺進行開發，采用B/S三層架構，嵌入在控制中心系統中，能對機房現場進行遠程監視并發送指令控制硬件系統動作，根據需要對監控相機捕獲到的數字圖像進行分析、處理和識別。其構架如圖1所示。

2 ?信號燈圖像識別算法流程

2.1 ?提取圖像RGBMR特征

機房服務器設備的信號燈主要有綠燈、紅燈及黃燈三種狀態，其分別對應設備處于運行正常、故障及有待檢查三種情況，所以判斷設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。但服務器信號燈一方面其本身較小并發光，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信息較為困難。鑒于現有的利用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，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習模型，其可以有效地通過各種非線性變換和近似的復雜非線性函數從原始數據中捕獲重要信息，適用于分類和評估。

2.2.1 ?DBN的結構

DBN通過逐層堆疊一系列的限制玻爾茲曼機（RBM）來進行構建，如圖2所示。第1層（輸入層V）和第2層（隱含層H1）構成了RBM1，第2層（隱含層H1）和第3層（隱含層H2）構成了RBM2，以此往復。每個RBM由一個隱含層和一個可視層構成，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單元相連接。可視單元與隱含單元的一個連接節的能量可以定義為：

[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。

輸入節點數、隱含節點數、隱層數和輸出節點數是DBN模型最重要的參數。在本文中，DBN模型的體系結構定義如下[10]：

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

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

2.2.2 ?DBN訓練

DBN的獨特結構使得其能夠應用對比散度（CD）算法通過訓練一系列的RBMs而得到訓練。初級訓練過程可以概括為：每個RBM層是用子網RBM的激活概率作為輸入訓練數據進行訓練，而它的輸出作為下一RBM層的輸入。在無監督的預訓練后，第一層RBM被原始輸入數據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，給出參數的更新規則如下：

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

式中，[εw]， [εa] 和 [εb]分別代表權值、隱含層偏置及可見層偏置的學習速率。具體的訓練過程參閱文獻[11]。

對于服務器信號燈圖像識別而言，在生成性的預訓練后，將結合其他的判別、學習等能夠有效微調權重值的關鍵步驟來改進DBN的性能。

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

鑒于綠燈為正常狀態且數量最多，這里提取較大量綠燈圖像的RGBMR特征構成訓練數據集[NL]，來對初始化的DBN模型進行無監督訓練以得到標準的DBN模型。

2.3 ?評估識別

DBN的特定結構和非線性的學習過程使它能夠非常有效地從海量數據中獲取其本質特征。獲得標準的DBN模型后，再分別提取一定數量的綠、紅、黃色信號燈圖像的RGBMR特征來構成測試數據集[ML]，將[ML]輸入到第2.2節中訓練完成的標準DBN模型中進行評估分類，即可識別出每組數據各自對應的圖像的信號燈狀態。

3 ?實驗研究

3.1 ?信號燈識別實驗

3.1.1 ?提取RGBMR數據集

實驗在國網青島供電公司的信息機房內進行，該機房內有50套機柜，設備類型和數量繁多。搭建信號燈識別實驗系統如圖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相機等裝置。實驗中，向云臺發送自動巡查指令，其沿著軌道自由移動并上下升降，帶動工業相機拍攝各個服務器信號燈的狀態圖像。實驗中工業相機共捕獲了89張距離及光強亮度不一的服務器圖像，每張圖像中包含數個至數十個處于不同狀態信號燈。采用Kalman跟蹤算法提取圖像中包含信號燈的圖像區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。提取訓練樣本RGBMR特征構成[200×3]的訓練數據集[NL]，提取測試樣本RGBMR特征構成[300×3]的測試數據集[ML]。圖5為綠紅黃燈圖像RGBMR平均值分布圖。由圖5可以發現，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。可見，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模型輸入節點的數目與RGMMR 數據集的維數相對應，其值為3。由于模型用于圖像的評估識別，輸出節點設置為1。DBN從輸入數據獲取有用信息的能力是由隱層節點的數量所決定，太少的隱含節點通常無法給數據塑形，而太多的隱含節點則可能會導致過度擬合的問題，甚至最后導致評估性能的惡化。所以，將[NL]和[ML]分別作為訓練數據集與測試數據集輸入到初DBN模型中，在一系列的實驗研究分析后，得到具有平穩、清晰且合理的評估結果的DBN模型構造為：[DBN13;100，100，50，10;1]。

本文方法檢測結果如圖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DBN評估值來對圖像樣本進行信號燈顏色分類識別，經分析給出判定標準：

[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個樣本出現分類識別錯誤，其余樣本均獲得了正確結果。

3.2 ?對比研究實驗

本文提出用RGBMR特征及DBN網絡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，被廣泛地應用于圖像的分類和識別領域。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，構造適合于該類特征的DBN模型為[DBN24;100，100，50，50，10;1]。其識別結果如圖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間內[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，成為數字圖像、信號處理的一個重要方向，現已成功地應用于模式識別、故障診斷以及狀態評估等領域。與DBN模型的無監督訓練不同，HMM需要進行有監督訓練，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果，既提取本文提出的RGNMR特征，也提取第3.2.1節中所述的HSV特征進行對比研究。每種狀態圖像樣本的前100組特征值用于HMM模型的有監督訓練，后100組特征用于測試。訓練完成后，用參數優化的HMM模型進行檢測分析，其識別結果如表1所示。可見，RGBMR特征結合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 ?語

本文提出一套智能化機房服務器檢測方法及系統。在識別服務器信號燈狀態方面，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，而目前國內外在這方面的研究也較少。本文提出一種新的信號燈狀態圖像特征：RGBMR，在提取該特征數據之后運用DBN網絡模型對信號燈圖像進行評估檢測。經過大量的實驗分析，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，結果表明，本文所提算法可以有效地應用于檢測機房服務器的運行狀態。大量的應用實驗結果證明了本方法的有效性。接下來的研究中，需要對系統和算法進行優化，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的電力信息機房監測系統的設計[J].計算機與數字工程，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的機房遠程監測系統研究[J].微計算機應用，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技術的交通信號燈辨識系統設計[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.城市環境中交通信號燈準確識別與狀態估計[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.復雜背景下的交通信號燈綜合識別方法[J].山東大學學報（工學版），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.