【技術實現步驟摘要】
本專利技術涉及網絡安全監測及圖像處理領域，尤其涉及一種基于機器視覺的安全監測系統及監測方法。
技術介紹
1、隨著數據中心和云計算技術的快速發展，服務器硬件的安全監測變得日益重要。在數據中心中，服務器硬件的監控是確保系統穩定運行的重要環節。以前服務器硬件的監控主要依賴于人工檢查和基本的硬件監控工具，存在監控不及時、誤報率高等問題。隨著技術的發展，一些基于機器視覺的服務器硬件安全監測系統被應用于實際場景。
2、然而，現有的基于機器視覺的服務器硬件安全監測系統仍存在一些不足之處。首先，這些系統在處理服務器機柜內部復雜環境下的圖像時，往往難以有效地分離和抑制來自服務器設備運作、機柜內部光線變化等多種噪聲源的干擾，導致硬件狀態檢測結果易受噪聲影響，產生誤報或漏報。其次，在服務器硬件異常檢測和維護操作分析方面，現有系統難以有效識別出復雜的硬件故障模式或潛在的危險維護操作，特別是在多服務器、高密度部署的場景中，系統的性能往往無法滿足實際需求。再者，許多系統未能充分利用來自服務器內部不同傳感器的數據進行多模態融合，導致對服務器運行狀態的風險評估不夠全面，可能忽略某些潛在的硬件故障或安全隱患?，F有系統的預警機制往往缺乏靈活性，導致在實際應用中對服務器異常狀態的響應速度滯后或響應措施不夠精準，最終影響數據中心的安全運營效果。
技術實現思路
1、本專利技術提供一種基于機器視覺的安全監測系統及監測方法，以解決無法有效地分離和抑制來自設備運作、環境光變化等多種噪聲源的干擾，導致檢測結果易受噪聲影
2、本專利技術的一種基于機器視覺的安全監測系統及監測方法，具體包括以下技術方案：
3、一種基于機器視覺的安全監測方法，包括以下步驟：
4、s1、實時采集服務器硬件的視覺圖像數據，通過廣義傅里葉-貝塞爾變換對視覺圖像數據進行多頻域分解，得到不同頻域的信號；對不同頻域的信號進行自適應非線性濾波處理，得到濾波處理后的頻域信號；基于濾波處理后的頻域信號，生成去噪后的重構圖像；
5、s2、基于去噪后的重構圖像，通過高階多項式非線性疊加的深度網絡，得到全局特征表示；基于全局特征表示構建時空圖，并進行行為分析，得到綜合時空特征表示；將綜合時空特征表示與傳感器數據進行融合處理，得到融合后的模糊決策數據；基于融合后的模糊決策數據，進行風險評估，生成預警策略。
6、優選的，所述s1，具體包括：
7、通過引入非線性變換，對不同頻域的信號進行自適應非線性濾波處理，得到濾波處理后的頻域信號。
8、優選的，所述s1，具體包括：
9、將濾波處理后的頻域信號通過加權融合進行重新組合，得到去噪后的重構圖像。
10、優選的，所述s2，具體包括：
11、基于去噪后的重構圖像，引入高階多項式非線性疊加的深度網絡，提取深度網絡的每一層特征表示，并對深度網絡所有層的特征表示進行加權融合，得到全局特征表示。
12、優選的，所述s2，具體包括：
13、基于全局特征表示，構建時空圖；引入高階貝塞爾函數和拉普拉斯算子聯合變換，對時空圖進行分析，得到時空特征表示；基于時空特征表示，進行卷積操作，聚合不同時刻的時空特征信息，得到綜合時空特征表示。
14、優選的，所述s2，具體包括：
15、通過模糊邏輯和卷積積分，對綜合時空特征表示和傳感器數據進行融合處理，得到融合后的模糊決策數據。
16、優選的，所述s2，具體包括：
17、基于融合后的模糊決策數據進行風險評估，得到風險評估結果；基于風險評估結果，通過非線性映射和模糊推理模型生成預警策略。
18、一種基于機器視覺的安全監測系統，包括以下部分：
19、圖像采集模塊、數據預處理模塊、目標檢測模塊、行為分析模塊、預警響應模塊、數據庫；
20、圖像采集模塊，實時捕獲服務器硬件的視覺圖像數據，并將采集到的視覺圖像數據傳輸至數據預處理模塊；
21、數據預處理模塊，通過廣義傅里葉-貝塞爾變換對視覺圖像數據進行多頻域分解，得到不同頻域的信號；對不同頻域的信號進行自適應非線性濾波處理，得到濾波處理后的頻域信號；基于濾波處理后的頻域信號，通過加權融合重構圖像，生成去噪后的重構圖像；將去噪后的重構圖像傳輸至目標檢測模塊、數據庫；
22、目標檢測模塊，基于高階多項式非線性疊加的深度網絡，從去噪后的重構圖像中提取深度網絡的每一層特征表示，并對深度網絡所有層的特征表示進行加權融合，得到全局特征表示；將全局特征表示傳輸至行為分析模塊、數據庫；
23、行為分析模塊，基于全局特征表示，利用高階貝塞爾變換網絡構建時空圖，并提取時空特征表示，通過卷積操作聚合時空特征，形成綜合時空特征表示；將綜合時空特征表示傳輸至預警響應模塊、數據庫；
24、預警響應模塊，將綜合時空特征表示與傳感器數據進行融合處理，得到融合后的模糊決策數據；基于融合后的模糊決策數據，進行風險評估，得到風險評估結果；基于風險評估結果，通過非線性映射和模糊推理模型，生成預警策略；
25、數據庫，用于存儲數據預處理模塊、目標檢測模塊、行為分析模塊傳遞的數據。
26、本專利技術的技術方案的有益效果是：
27、1、通過廣義傅里葉-貝塞爾變換和自適應非線性濾波的結合，有效地分離和抑制環境噪聲，同時保留了關鍵的視覺圖像特征，自適應非線性濾波過程不僅考慮了局部噪聲的特性，還通過非線性變換增強了視覺圖像信號的對比度，從而提高了視覺圖像處理的準確性和魯棒性，確保后續目標檢測的可靠性；
28、2、利用高階多項式非線性疊加的深度網絡對去噪后的重構圖像進行多層次的特征提取和融合，有效捕捉去噪后的重構圖像中的復雜特征，特別是高階特征；多層特征的疊加和全局特征的生成，使得機器視覺系統能夠準確地檢測出潛在的危險目標或異常設備狀態；
29、3、通過構建時空圖，并結合高階貝塞爾函數和拉普拉斯算子聯合變換，機器視覺系統能夠在時空維度上準確捕捉目標對象的行為模式和相互關系；時空特征的聚合進一步增強了機器視覺系統在分析目標行為和識別異常操作方面的能力，能夠有效地檢測出潛在的安全風險；
30、4、本專利技術不僅依賴于機器視覺系統的數據，還結合了來自多種傳感器(如溫度、壓力、振動等)的數據，通過模糊邏輯和卷積積分的方式將這些多模態數據進行融合處理，形成統一的風險評估數據；提高了機器視覺系統對環境狀態的綜合判斷能力，使得風險評估更加全面和準確；
31、5、基于融合后的模糊決策數據，機器視覺系統通過二階導數分析實現了對風險的動態評估，并根據風險評估結果觸發不同級別的預警響本文檔來自技高網...
【技術保護點】
1.一種基于機器視覺的安全監測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于機器視覺的安全監測方法，其特征在于，所述S1，具體包括：
3.根據權利要求2所述的一種基于機器視覺的安全監測方法，其特征在于，在所述S1中，還包括：
4.根據權利要求1所述的一種基于機器視覺的安全監測方法，其特征在于，所述S2，具體包括：
5.根據權利要求4所述的一種基于機器視覺的安全監測方法，其特征在于，在所述S2中，還包括：
6.根據權利要求5所述的一種基于機器視覺的安全監測方法，其特征在于，在所述S2中，還包括：
7.根據權利要求6所述的一種基于機器視覺的安全監測方法，其特征在于，在所述S2中，還包括：
8.一種基于機器視覺的安全監測系統，應用于如權利要求1所述的一種基于機器視覺的安全監測方法，其特征在于，包括以下部分：
【技術特征摘要】
1.一種基于機器視覺的安全監測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于機器視覺的安全監測方法，其特征在于，所述s1，具體包括：
3.根據權利要求2所述的一種基于機器視覺的安全監測方法，其特征在于，在所述s1中，還包括：
4.根據權利要求1所述的一種基于機器視覺的安全監測方法，其特征在于，所述s2，具體包括：
5.根據權利要求4所述的...
【專利技術屬性】
技術研發人員：金濤，莊會富，
申請(專利權)人：中國科學院昆明植物研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。