基于RGBMR特征及DBN网络的服务器检测研究
孙亚非 郭盛 李可
关键词： 服务器; 状态检测; RGBMR特征; 机器学习; DBN; 无监督训练
中图分类号： TN711?34; TP391 ? ? ? ? ? ? ? ? 文献标识码： A ? ? ? ? ? ? ? ? ? ?文章编号： 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 training0 ?引 ?言
随着电力系统信息化程度的不断加深，其机房设备的种类和数量越来越多。设计一套高效便捷的智能化机房巡查系统，及时准确地监测各个机房设备的运行状态对电力企业内各系统高效安全地运行至关重要。易健翔等人 针对无线传感器网络技术在环境监测中的应用，研究并开发了基于无线传感器网络的电力信息机房监测系统[1]。陈潜等人通过传感器采集并远程传输机房温度和图像数据，设计了一种基于B/S架构的嵌入式机房远程监测系统[2]。
监测机房设备运行情况的一个核心任务是准确识别工业相机捕获的各系统服务器信号灯状态图像。目前国内外学者对信号灯识别的研究主要侧重于：
1） 信号灯的特征，主要包括信号灯的颜色特征和形状特征;
2） 机器学习模式识别。颜色特征，如：基于HSV颜色空间[3]、RGB颜色空间[4]、HSI颜色空间[5]等，是识别信号灯状态的重点研究内容。赵树恩等针对复杂场景下交通灯信号的采集和辨识问题，提出了一种基于ZigBee技术的交通信号灯辨识系统[6]。蔡自兴等将彩色图像RGB特征转换到YCbCr空间并将其送入最近邻分类器分类信号灯的类型，然后建立隐马尔科夫模型来识别信号灯图像[7]。Salti等从信号灯图像的感兴趣区域中提取RGB颜等特征，建立一套检测和识别交通信号灯的系统，但是其识别效率和准确度均有待提高[8]。
在识别交通信号灯状态方面，目前常用的算法大多是利用其不同的方向形状和颜色信息进行检测[9]。但与交通信號灯不同，服务器信号灯没有可用的形状特征，并且其更小分布更加密集，所以感知其状态信息更为困难。国网丽水公司开发的信息机房巡视系统需要对设备状态指示灯状态进行人工采集，再用后台系统进行智能化分析，其人员工作强度大且效率低。而目前国内外在该领域自动识别方面的研究较少，国外电力公司对机房信号灯的监测大多采用的仍然是HIS分析等用于交通信号灯识别的方法，其识别准确率较低[7?8]。本文提出一种基于图像RGB极大比值（RGBMR）特征提取，运用深度置信网络（DBN）进行评估识别的信号灯图像识别新算法，并将该算法嵌入到硬件系统中，设计研究出一种智能化机房安全巡查系统，大量的应用实验证明了本方法的有效性。1 ?系统概述
本巡查系统主要由硬件系统和软件系统两部分构成。硬件系统主要根据巡查安排，完成机房设备的自动巡查作业，实时捕获受监测服务器的信号灯状态，其主要包含轨道车装置、云台、工业相机、无线AP、交换机等。软件系统基于Windows平台进行开发，采用B/S三层架构，嵌入在控制中心系统中，能对机房现场进行远程监视并发送指令控制硬件系统动作，根据需要对监控相机捕获到的数字图像进行分析、处理和识别。其构架如图1所示。
2 ?信号灯图像识别算法流程
2.1 ?提取图像RGBMR特征
机房服务器设备的信号灯主要有绿灯、红灯及黄灯三种状态，其分别对应设备处于运行正常、故障及有待检查三种情况，所以判断设备运行情况的主要途径就是准确识别这3 种颜色信号灯的亮与灭。但服务器信号灯一方面其本身较小并发光，会对拍摄图像形成很大干扰;另一方面，在一幅拍摄的图像中往往分布有多个信号灯，拍摄时无法聚焦，造成其成像色彩对外部光线的变化非常敏感，所以从图像中感知其状态信息较为困难。鉴于现有的利用RGB特征值、HSV與HSI颜色空间特征值及颜色直方图来识别信号灯的方法存在很大不足，本文提出了一种新的信号灯图像颜色特征：RGB极大比值（RGBMR）。在信号灯图像去噪后，其RGBMR特征的提取算法流程如下：
1） 运用Kalman跟踪算法提取并分割出图像中包含有信号灯的各个感兴趣区域（IR），每个IR中仅包含一个信号灯;
2） 计算彩色IR的像素点个数，并读取其RGB三基色8位亮度值（0～255）;
3） 分别将各个像素的RGB三基色亮度值按从大到小的排序，读取其前10%的RGB极大值，分别记为序列[RM10]，[GM10]，[BM10];
4） 分别计算前10%的RGB极大值序列[RM10]，[GM10]，[BM10]的平均值，结果分别记为[RMa]，[GMa]，[BMa];
5） 分别计算各极大平均值[RMa]，[GMa]，[BMa]的相对比值，即得到该IR的RGB极大比值，分别记为[MRr]，[MRg]，[MRb]，即：
[MRr=RMaRMa+GMa+BMaMRg=GMaRMa+GMa+BMaMRb=BMaRMa+GMa+BMa] （1）
2.2 ?DBN识别算法
DBN是一种基于概率生成的深度学习模型，其可以有效地通过各种非线性变换和近似的复杂非线性函数从原始数据中捕获重要信息，适用于分类和评估。
2.2.1 ?DBN的结构
DBN通过逐层堆叠一系列的限制玻尔兹曼机（RBM）来进行构建，如图2所示。第1层（输入层V）和第2层（隐含层H1）构成了RBM1，第2层（隐含层H1）和第3层（隐含层H2）构成了RBM2，以此往复。每个RBM由一个隐含层和一个可视层构成，每层都是由二进制随机单元组成，这些单元只与不同层的单元相连接而不与同层内单元相连接。可视单元与隐含单元的一个连接节的能量可以定义为：
[Ev，h;θ=-i=1Vj=1Hwijvihj-i=1Vbivi-j=1Haihj] （2）
式中：矩阵[w]表示可视层与隐含层之间的权重值;向量[a]和[b]分别是隐含单元 [hj]与可视单元[vi]的偏置;[θ=w，b，a]代表模型参数。
输入节点数、隐含节点数、隐层数和输出节点数是DBN模型最重要的参数。在本文中，DBN模型的体系结构定义如下[10]：
[DBNparam1;param21，…，param2i;param3] ?（3）
式中：[param1]代表输入节点数;[param2i]代表第[i]隐含层的隐含节点数;[param3]表示输出节点数。
2.2.2 ?DBN训练
DBN的独特结构使得其能够应用对比散度（CD）算法通过训练一系列的RBMs而得到训练。初级训练过程可以概括为：每个RBM层是用子网RBM的激活概率作为输入训练数据进行训练，而它的输出作为下一RBM层的输入。在无监督的预训练后，第一层RBM被原始输入数据所填充并作为实值输入的GB?RBM，而其他层则为二进制的或Bernoulli?Bernoulli RBM。最后，给出参数的更新规则如下：
[w←w+εwvihj0-vihj1a←a+εahj0-hj1b←b+εbvi0-vi1] （4）
式中，[εw]， [εa] 和 [εb]分别代表权值、隐含层偏置及可见层偏置的学习速率。具体的训练过程参阅文献[11]。
对于服务器信号灯图像识别而言，在生成性的预训练后，将结合其他的判别、学习等能够有效微调权重值的关键步骤来改进DBN的性能。
一个已被证明非常有效的进行判别性微调的方法是在最后的RBM层之后加一个变量层，这个变量层内的参数代表着期望标签值。因此，引入类似于标准反向传播神经网络（BPNN）的BP算法来调整所有的DBN网络权值。以工业相机在巡查机房时采集到的大量包含红、绿、黄三种状态信号灯的图像作为分析对象。
鉴于绿灯为正常状态且数量最多，这里提取较大量绿灯图像的RGBMR特征构成训练数据集[NL]，来对初始化的DBN模型进行无监督训练以得到标准的DBN模型。
2.3 ?评估识别
DBN的特定结构和非线性的学习过程使它能够非常有效地从海量数据中获取其本质特征。获得标准的DBN模型后，再分别提取一定数量的绿、红、黄色信号灯图像的RGBMR特征来构成测试数据集[ML]，将[ML]输入到第2.2节中训练完成的标准DBN模型中进行评估分类，即可识别出每组数据各自对应的图像的信号灯状态。
3 ?实验研究
3.1 ?信号灯识别实验
3.1.1 ?提取RGBMR數据集
实验在国网青岛供电公司的信息机房内进行，该机房内有50套机柜，设备类型和数量繁多。搭建信号灯识别实验系统如图3所示，主要包含固定在机房顶部的轨道、轨道车，安装在轨道车上的云台及工业相机等装置。实验中，向云台发送自动巡查指令，其沿着轨道自由移动并上下升降，带动工业相机拍摄各个服务器信号灯的状态图像。实验中工业相机共捕获了89张距离及光强亮度不一的服务器图像，每张图像中包含数个至数十个处于不同状态信号灯。采用Kalman跟踪算法提取图像中包含信号灯的图像区域并将其单独切割出来，这些分离出的信号灯图像颜色、亮度、距离、大小等均有差异，与实际巡查情况相符合，其部分图像如图4所示。
从分离出的单个信号灯图像中随机选取200张绿灯图像作为训练样本，再分别选取100张绿、红及黄灯图像作为测试样本。提取训练样本RGBMR特征构成[200×3]的训练数据集[NL]，提取测试样本RGBMR特征构成[300×3]的测试数据集[ML]。图5为绿红黄灯图像RGBMR平均值分布图。由图5可以发现，绿灯图像的RGBMR值差异较大，其[MRr]，[MRg]，[MRb]均值分别为0.311，0.484及0.205;红灯图像的各值差异很小，均为0.33左右;黄灯图像的[MRr]，[MRg]均值非常接近，均为0.36左右，但其[MRb]均值明显较小，为0.269。可见，这三类图像的RGBMR值分布情况差异较大，利用该特征能较容易地区分这三类图像。
3.1.2 ?DBN建立及评估识别
本文中，DBN模型输入节点的数目与RGMMR 数据集的维数相对应，其值为3。由于模型用于图像的评估识别，输出节点设置为1。DBN从输入数据获取有用信息的能力是由隐层节点的数量所决定，太少的隐含节点通常无法给数据塑形，而太多的隐含节点则可能会导致过度拟合的问题，甚至最后导致评估性能的恶化。所以，将[NL]和[ML]分别作为训练数据集与测试数据集输入到初DBN模型中，在一系列的实验研究分析后，得到具有平稳、清晰且合理的评估结果的DBN模型构造为：[DBN13;100，100，50，10;1]。
本文方法检测结果如图6所示，绿、红、黄灯三类图像样本被明显地分出类来，绿灯样本的DBN评估值集中在0.8附近，红灯评估值集中在0.4附近，而黄灯评估值则集中在0.5附近。根据DBN评估值来对图像样本进行信号灯颜色分类识别，经分析给出判定标准：
[Color=Green， DBNvalue∈0.75， 0.85Red， DBNvalue∈0.35， 0.45Yellow， DBNvalue∈0.45， 0.55Unrecognized， Other DBNvalues]
由此可知，如图6中小红圈标记，在300个测试样本中，只有两个绿灯、一个红灯及三个黄灯共计6个样本出现分类识别错误，其余样本均获得了正确结果。
3.2 ?对比研究实验
本文提出用RGBMR特征及DBN网络模型进行信号灯图像识别取得了良好的效果。为了进一步证明本方法的优越性，分别进行与图像HSV特征及隐马尔可夫模型（HMM）的对比研究实验。
3.2.1 ?与HSV特征对比分析
HSV（色相、饱和度和亮度）颜色空间适合人类的视觉特性，被广泛地应用于图像的分类和识别领域。然而对于不同的信号灯图像，其HSV空间中的V值差异并不大，所以只提取H，S特征的均值和方差来用以识别研究。在一系列的实验对比后，构造适合于该类特征的DBN模型为[DBN24;100，100，50，50，10;1]。其识别结果如图7所示。图7表明，该方法能有效地把绿灯图像识别出来并且准确率在93%左右，但是其黄灯和红灯的评估值却位于同一个区间内[0.9，1.2]，表明该方法无法有效地将红灯和黄灯识别出来。
3.2.2 ?与HMM模型对比分析
隐马尔可夫模型（HMM）是一种统计分析模型，其具有很强的时序模式分类能力和可靠的计算性能，成为数字图像、信号处理的一个重要方向，现已成功地应用于模式识别、故障诊断以及状态评估等领域。与DBN模型的无监督训练不同，HMM需要进行有监督训练，所以需要更多的样本。实验中选取600例信号灯图像样本，其中绿、红、黄灯各200例，为了得到更有说服力的实验结果，既提取本文提出的RGNMR特征，也提取第3.2.1节中所述的HSV特征进行对比研究。每种状态图像样本的前100组特征值用于HMM模型的有监督训练，后100组特征用于测试。训练完成后，用参数优化的HMM模型进行检测分析，其识别结果如表1所示。可见，RGBMR特征结合HMM模型的方法对于黄灯的识别效果稍差，而对绿灯及红灯的识别准确度均在90%以上;HSV特征结合HMM模型对绿灯的识别率尚可，但对红灯及黄灯的识别率却较低，其综合识别率也只有81.3%;而本文所提RGBMR特征结合DBN的方法的各项识别率均最高，对信号灯图像的综合识别率达到98%。
4 ?结 ?语
本文提出一套智能化机房服务器检测方法及系统。在识别服务器信号灯状态方面，分析了目前较为普遍的利用不同形状和颜色信息进行检测算法的不足，而目前国内外在这方面的研究也较少。本文提出一种新的信号灯状态图像特征：RGBMR，在提取该特征数据之后运用DBN网络模型对信号灯图像进行评估检测。经过大量的实验分析，并与常用的图像HSV空间特征及HMM模型检测效果做了对比研究，结果表明，本文所提算法可以有效地应用于检测机房服务器的运行状态。大量的应用实验结果证明了本方法的有效性。接下来的研究中，需要对系统和算法进行优化，使其能更快速准确地进行在线实时检测。
参考文献
[1] 易健翔，秦肖臻，汪秉文.基于WSN的电力信息机房监测系统的设计[J].计算机与数字工程，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] 陈潜，刘云，高利娟.基于嵌入式Linux的机房远程监测系统研究[J].微计算机应用，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] 赵树恩，张沙沙.基于ZigBee技术的交通信号灯辨识系统设计[J].计算机测量与控制，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] 蔡自兴，谷明琴.城市环境中交通信号灯准确识别与状态估计[J].控制与决策，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，朱文兴，沙永贺.复杂背景下的交通信号灯综合识别方法[J].山东大学学报（工学版），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.
关键词： 服务器; 状态检测; RGBMR特征; 机器学习; DBN; 无监督训练
中图分类号： TN711?34; TP391 ? ? ? ? ? ? ? ? 文献标识码： A ? ? ? ? ? ? ? ? ? ?文章编号： 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 training0 ?引 ?言
随着电力系统信息化程度的不断加深，其机房设备的种类和数量越来越多。设计一套高效便捷的智能化机房巡查系统，及时准确地监测各个机房设备的运行状态对电力企业内各系统高效安全地运行至关重要。易健翔等人 针对无线传感器网络技术在环境监测中的应用，研究并开发了基于无线传感器网络的电力信息机房监测系统[1]。陈潜等人通过传感器采集并远程传输机房温度和图像数据，设计了一种基于B/S架构的嵌入式机房远程监测系统[2]。
监测机房设备运行情况的一个核心任务是准确识别工业相机捕获的各系统服务器信号灯状态图像。目前国内外学者对信号灯识别的研究主要侧重于：
1） 信号灯的特征，主要包括信号灯的颜色特征和形状特征;
2） 机器学习模式识别。颜色特征，如：基于HSV颜色空间[3]、RGB颜色空间[4]、HSI颜色空间[5]等，是识别信号灯状态的重点研究内容。赵树恩等针对复杂场景下交通灯信号的采集和辨识问题，提出了一种基于ZigBee技术的交通信号灯辨识系统[6]。蔡自兴等将彩色图像RGB特征转换到YCbCr空间并将其送入最近邻分类器分类信号灯的类型，然后建立隐马尔科夫模型来识别信号灯图像[7]。Salti等从信号灯图像的感兴趣区域中提取RGB颜等特征，建立一套检测和识别交通信号灯的系统，但是其识别效率和准确度均有待提高[8]。
在识别交通信号灯状态方面，目前常用的算法大多是利用其不同的方向形状和颜色信息进行检测[9]。但与交通信號灯不同，服务器信号灯没有可用的形状特征，并且其更小分布更加密集，所以感知其状态信息更为困难。国网丽水公司开发的信息机房巡视系统需要对设备状态指示灯状态进行人工采集，再用后台系统进行智能化分析，其人员工作强度大且效率低。而目前国内外在该领域自动识别方面的研究较少，国外电力公司对机房信号灯的监测大多采用的仍然是HIS分析等用于交通信号灯识别的方法，其识别准确率较低[7?8]。本文提出一种基于图像RGB极大比值（RGBMR）特征提取，运用深度置信网络（DBN）进行评估识别的信号灯图像识别新算法，并将该算法嵌入到硬件系统中，设计研究出一种智能化机房安全巡查系统，大量的应用实验证明了本方法的有效性。1 ?系统概述
本巡查系统主要由硬件系统和软件系统两部分构成。硬件系统主要根据巡查安排，完成机房设备的自动巡查作业，实时捕获受监测服务器的信号灯状态，其主要包含轨道车装置、云台、工业相机、无线AP、交换机等。软件系统基于Windows平台进行开发，采用B/S三层架构，嵌入在控制中心系统中，能对机房现场进行远程监视并发送指令控制硬件系统动作，根据需要对监控相机捕获到的数字图像进行分析、处理和识别。其构架如图1所示。
2 ?信号灯图像识别算法流程
2.1 ?提取图像RGBMR特征
机房服务器设备的信号灯主要有绿灯、红灯及黄灯三种状态，其分别对应设备处于运行正常、故障及有待检查三种情况，所以判断设备运行情况的主要途径就是准确识别这3 种颜色信号灯的亮与灭。但服务器信号灯一方面其本身较小并发光，会对拍摄图像形成很大干扰;另一方面，在一幅拍摄的图像中往往分布有多个信号灯，拍摄时无法聚焦，造成其成像色彩对外部光线的变化非常敏感，所以从图像中感知其状态信息较为困难。鉴于现有的利用RGB特征值、HSV與HSI颜色空间特征值及颜色直方图来识别信号灯的方法存在很大不足，本文提出了一种新的信号灯图像颜色特征：RGB极大比值（RGBMR）。在信号灯图像去噪后，其RGBMR特征的提取算法流程如下：
1） 运用Kalman跟踪算法提取并分割出图像中包含有信号灯的各个感兴趣区域（IR），每个IR中仅包含一个信号灯;
2） 计算彩色IR的像素点个数，并读取其RGB三基色8位亮度值（0～255）;
3） 分别将各个像素的RGB三基色亮度值按从大到小的排序，读取其前10%的RGB极大值，分别记为序列[RM10]，[GM10]，[BM10];
4） 分别计算前10%的RGB极大值序列[RM10]，[GM10]，[BM10]的平均值，结果分别记为[RMa]，[GMa]，[BMa];
5） 分别计算各极大平均值[RMa]，[GMa]，[BMa]的相对比值，即得到该IR的RGB极大比值，分别记为[MRr]，[MRg]，[MRb]，即：
[MRr=RMaRMa+GMa+BMaMRg=GMaRMa+GMa+BMaMRb=BMaRMa+GMa+BMa] （1）
2.2 ?DBN识别算法
DBN是一种基于概率生成的深度学习模型，其可以有效地通过各种非线性变换和近似的复杂非线性函数从原始数据中捕获重要信息，适用于分类和评估。
2.2.1 ?DBN的结构
DBN通过逐层堆叠一系列的限制玻尔兹曼机（RBM）来进行构建，如图2所示。第1层（输入层V）和第2层（隐含层H1）构成了RBM1，第2层（隐含层H1）和第3层（隐含层H2）构成了RBM2，以此往复。每个RBM由一个隐含层和一个可视层构成，每层都是由二进制随机单元组成，这些单元只与不同层的单元相连接而不与同层内单元相连接。可视单元与隐含单元的一个连接节的能量可以定义为：
[Ev，h;θ=-i=1Vj=1Hwijvihj-i=1Vbivi-j=1Haihj] （2）
式中：矩阵[w]表示可视层与隐含层之间的权重值;向量[a]和[b]分别是隐含单元 [hj]与可视单元[vi]的偏置;[θ=w，b，a]代表模型参数。
输入节点数、隐含节点数、隐层数和输出节点数是DBN模型最重要的参数。在本文中，DBN模型的体系结构定义如下[10]：
[DBNparam1;param21，…，param2i;param3] ?（3）
式中：[param1]代表输入节点数;[param2i]代表第[i]隐含层的隐含节点数;[param3]表示输出节点数。
2.2.2 ?DBN训练
DBN的独特结构使得其能够应用对比散度（CD）算法通过训练一系列的RBMs而得到训练。初级训练过程可以概括为：每个RBM层是用子网RBM的激活概率作为输入训练数据进行训练，而它的输出作为下一RBM层的输入。在无监督的预训练后，第一层RBM被原始输入数据所填充并作为实值输入的GB?RBM，而其他层则为二进制的或Bernoulli?Bernoulli RBM。最后，给出参数的更新规则如下：
[w←w+εwvihj0-vihj1a←a+εahj0-hj1b←b+εbvi0-vi1] （4）
式中，[εw]， [εa] 和 [εb]分别代表权值、隐含层偏置及可见层偏置的学习速率。具体的训练过程参阅文献[11]。
对于服务器信号灯图像识别而言，在生成性的预训练后，将结合其他的判别、学习等能够有效微调权重值的关键步骤来改进DBN的性能。
一个已被证明非常有效的进行判别性微调的方法是在最后的RBM层之后加一个变量层，这个变量层内的参数代表着期望标签值。因此，引入类似于标准反向传播神经网络（BPNN）的BP算法来调整所有的DBN网络权值。以工业相机在巡查机房时采集到的大量包含红、绿、黄三种状态信号灯的图像作为分析对象。
鉴于绿灯为正常状态且数量最多，这里提取较大量绿灯图像的RGBMR特征构成训练数据集[NL]，来对初始化的DBN模型进行无监督训练以得到标准的DBN模型。
2.3 ?评估识别
DBN的特定结构和非线性的学习过程使它能够非常有效地从海量数据中获取其本质特征。获得标准的DBN模型后，再分别提取一定数量的绿、红、黄色信号灯图像的RGBMR特征来构成测试数据集[ML]，将[ML]输入到第2.2节中训练完成的标准DBN模型中进行评估分类，即可识别出每组数据各自对应的图像的信号灯状态。
3 ?实验研究
3.1 ?信号灯识别实验
3.1.1 ?提取RGBMR數据集
实验在国网青岛供电公司的信息机房内进行，该机房内有50套机柜，设备类型和数量繁多。搭建信号灯识别实验系统如图3所示，主要包含固定在机房顶部的轨道、轨道车，安装在轨道车上的云台及工业相机等装置。实验中，向云台发送自动巡查指令，其沿着轨道自由移动并上下升降，带动工业相机拍摄各个服务器信号灯的状态图像。实验中工业相机共捕获了89张距离及光强亮度不一的服务器图像，每张图像中包含数个至数十个处于不同状态信号灯。采用Kalman跟踪算法提取图像中包含信号灯的图像区域并将其单独切割出来，这些分离出的信号灯图像颜色、亮度、距离、大小等均有差异，与实际巡查情况相符合，其部分图像如图4所示。
从分离出的单个信号灯图像中随机选取200张绿灯图像作为训练样本，再分别选取100张绿、红及黄灯图像作为测试样本。提取训练样本RGBMR特征构成[200×3]的训练数据集[NL]，提取测试样本RGBMR特征构成[300×3]的测试数据集[ML]。图5为绿红黄灯图像RGBMR平均值分布图。由图5可以发现，绿灯图像的RGBMR值差异较大，其[MRr]，[MRg]，[MRb]均值分别为0.311，0.484及0.205;红灯图像的各值差异很小，均为0.33左右;黄灯图像的[MRr]，[MRg]均值非常接近，均为0.36左右，但其[MRb]均值明显较小，为0.269。可见，这三类图像的RGBMR值分布情况差异较大，利用该特征能较容易地区分这三类图像。3.1.2 ?DBN建立及评估识别
本文中，DBN模型输入节点的数目与RGMMR 数据集的维数相对应，其值为3。由于模型用于图像的评估识别，输出节点设置为1。DBN从输入数据获取有用信息的能力是由隐层节点的数量所决定，太少的隐含节点通常无法给数据塑形，而太多的隐含节点则可能会导致过度拟合的问题，甚至最后导致评估性能的恶化。所以，将[NL]和[ML]分别作为训练数据集与测试数据集输入到初DBN模型中，在一系列的实验研究分析后，得到具有平稳、清晰且合理的评估结果的DBN模型构造为：[DBN13;100，100，50，10;1]。
本文方法检测结果如图6所示，绿、红、黄灯三类图像样本被明显地分出类来，绿灯样本的DBN评估值集中在0.8附近，红灯评估值集中在0.4附近，而黄灯评估值则集中在0.5附近。根据DBN评估值来对图像样本进行信号灯颜色分类识别，经分析给出判定标准：
[Color=Green， DBNvalue∈0.75， 0.85Red， DBNvalue∈0.35， 0.45Yellow， DBNvalue∈0.45， 0.55Unrecognized， Other DBNvalues]
由此可知，如图6中小红圈标记，在300个测试样本中，只有两个绿灯、一个红灯及三个黄灯共计6个样本出现分类识别错误，其余样本均获得了正确结果。
3.2 ?对比研究实验
本文提出用RGBMR特征及DBN网络模型进行信号灯图像识别取得了良好的效果。为了进一步证明本方法的优越性，分别进行与图像HSV特征及隐马尔可夫模型（HMM）的对比研究实验。
3.2.1 ?与HSV特征对比分析
HSV（色相、饱和度和亮度）颜色空间适合人类的视觉特性，被广泛地应用于图像的分类和识别领域。然而对于不同的信号灯图像，其HSV空间中的V值差异并不大，所以只提取H，S特征的均值和方差来用以识别研究。在一系列的实验对比后，构造适合于该类特征的DBN模型为[DBN24;100，100，50，50，10;1]。其识别结果如图7所示。图7表明，该方法能有效地把绿灯图像识别出来并且准确率在93%左右，但是其黄灯和红灯的评估值却位于同一个区间内[0.9，1.2]，表明该方法无法有效地将红灯和黄灯识别出来。
3.2.2 ?与HMM模型对比分析隐马尔可夫模型（HMM）是一种统计分析模型，其具有很强的时序模式分类能力和可靠的计算性能，成为数字图像、信号处理的一个重要方向，现已成功地应用于模式识别、故障诊断以及状态评估等领域。与DBN模型的无监督训练不同，HMM需要进行有监督训练，所以需要更多的样本。实验中选取600例信号灯图像样本，其中绿、红、黄灯各200例，为了得到更有说服力的实验结果，既提取本文提出的RGNMR特征，也提取第3.2.1节中所述的HSV特征进行对比研究。每种状态图像样本的前100组特征值用于HMM模型的有监督训练，后100组特征用于测试。训练完成后，用参数优化的HMM模型进行检测分析，其识别结果如表1所示。可见，RGBMR特征结合HMM模型的方法对于黄灯的识别效果稍差，而对绿灯及红灯的识别准确度均在90%以上;HSV特征结合HMM模型对绿灯的识别率尚可，但对红灯及黄灯的识别率却较低，其综合识别率也只有81.3%;而本文所提RGBMR特征结合DBN的方法的各项识别率均最高，对信号灯图像的综合识别率达到98%。
4 ?结 ?语
本文提出一套智能化机房服务器检测方法及系统。在识别服务器信号灯状态方面，分析了目前较为普遍的利用不同形状和颜色信息进行检测算法的不足，而目前国内外在这方面的研究也较少。本文提出一种新的信号灯状态图像特征：RGBMR，在提取该特征数据之后运用DBN网络模型对信号灯图像进行评估检测。经过大量的实验分析，并与常用的图像HSV空间特征及HMM模型检测效果做了对比研究，结果表明，本文所提算法可以有效地应用于检测机房服务器的运行状态。大量的应用实验结果证明了本方法的有效性。接下来的研究中，需要对系统和算法进行优化，使其能更快速准确地进行在线实时检测。
参考文献
[1] 易健翔，秦肖臻，汪秉文.基于WSN的电力信息机房监测系统的设计[J].计算机与数字工程，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] 陈潜，刘云，高利娟.基于嵌入式Linux的机房远程监测系统研究[J].微计算机应用，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] 赵树恩，张沙沙.基于ZigBee技术的交通信号灯辨识系统设计[J].计算机测量与控制，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] 蔡自兴，谷明琴.城市环境中交通信号灯准确识别与状态估计[J].控制与决策，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，朱文兴，沙永贺.复杂背景下的交通信号灯综合识别方法[J].山东大学学报（工学版），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.
