基于深度学习的三维机房设备信息采集系统的研究与实现

发布时间：2021-12-29 23:16

　　在计算机机房的日常资产管理工作中,机器设备信息采集和管理维护占有很大一部分工作量,机房管理人员对于资产信息的记录通常采用传统的书面日志形式,不方便查询和统计,而且靠人力统计记录容易造成遗漏和误差。随着机房管理工作的日益烦琐,对设计一套计算机机房资产管理应用软件的需求十分迫切,机房信息维护软件在机器维护中的应用也越来越广。本文针对机房设备信息采集过程中,设备信息采集耗时长、可靠性低、成本高、资产异地管理难度大等问题,将卷积神经网络引入机房设备信息自动化采集领域,提出了基于卷积神经网络的设备分类器和设备位置信息采集器,将两种信息自动采集的卷积模型应用于机房设备信息的自动化采集过程中,实现在移动终端进行机房设备信息自动化采集存储,省去了人工管理和维护的麻烦。另外,本系统采用服务端和客户端相分离的架构,设计实现移动端APP应用系统和服务器端数据系统,能快速稳定地运行在终端。为了给管理人员提供更好的资产管理服务,本文在移动端APP系统中提供了资产管理接口和基于WebGL的设备三维可视化接口,方便管理人员随时随地编辑机房资产信息,查看设备的视觉详情。实验结果表明,该系统拥有良好的信息在线采集和数据... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：95 页

【学位级别】：硕士

【部分图文】：

图２－２卷积过程??ａ（ｉ，ｊ）?＋?ｂ?＝泣：必?＊?＋?ｂ?（２－１）??

＾?＝?＾ａｅｃｌｙｅｐｏｅ＾Ｏ?（２＿１９）??其中ｄｅｃａｙ指每次更新后的学习率衰减值，ｅｐｏｃｈ指训练过程中总的迭代次??，ｎｏ指初始的学习率，仏第ｔ个迭代时的学习率的值。??．２．３卷积神经网络应用概述??随着ＣＮＮ的日益发展，使得机器视觉在ＩＬＳＶＲＣ的比赛中屡创佳绩，比赛??也涌现了?一大批经典的神经网络结构，比如ＡｌｅｘＮｅｔ［２２］、ＶＧＧ［２３］、ＲｅｓＮｅｔ［２４＿，??在达到最高的分类准确率。ＩＬＳＶＲＣ?２０１７已是最后一届举办，２０１７年??ＳＶＲＣ的图像识别ｔｏｐ－５错误率己经达到约２．２５１％，远远超越人类（５．１％）。??如今，ＣＮＮ已经广泛应用于图像识别、图像分类、目标检测、目标定位等??个领域，并且都有了突破性进展。利用卷积神经网络，将整理好的训练集数据??为输入，训练集数据在隐藏层进行卷积计算检测目标，提取图片中的特征，识??图片内容，输出到输出层，达到识别分类的目的。??３０?ｊ－??

图３－２超级用户用例图??３．３系统详细功能需求分析??

【参考文献】：
期刊论文
[1]基于卷积神经网络的物品识别系统设计与实现[J]. 严圣军,吴谨.  计算机应用与软件. 2017(11)
[2]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃.  自动化学报. 2017(08)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[4]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[5]HTML5——下一代Web开发标准研究[J]. 刘华星,杨庚.  计算机技术与发展. 2011(08)

硕士论文
[1]基于webGL的交互绘制应用研究[D]. 龚旭超.浙江大学 2015



本文编号：3557024