CN114120114A - 一种基于相似度匹配的服务器型号识别方法、设备及介质 - Google Patents

Abstract

本说明书实施例公开了一种基于相似度匹配的服务器型号识别方法、设备及介质，方法包括：获取待识别的服务器图像，通过预先构建的特征提取模型，对待识别的服务器图像进行特征提取，得到待识别的服务器特征；将待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征；根据符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。通过特征提取模型对服务器图像进行特征提取，将提取的特征与数据库中的特征进行相似度匹配，得到服务器型号，在此过程中避免了对模型的二次训练，针对训练过程中未识类别的服务器图像，也可以进行识别。

Description

一种基于相似度匹配的服务器型号识别方法、设备及介质

技术领域

本说明书涉及人工智能技术领域，尤其涉及一种基于相似度匹配的服务器型号识别方法、设备及介质。

背景技术

在目前图像分类识别的研究中，大部分是通过神经网络模型进行分类识别，相对于传统的分类方法，目前成熟的神经网络架构可以自主的从训练样本中学习特征，提取出更高维，更抽象的特征，是一种端到端的模型。根据海量的标注样本进行模型训练可以提高识别精确度，但是由于海量数据的标注成本昂贵，若出现罕见的类别或缺少海量数据集，对模型的训练结果会产生较大影响。

随着计算机技术的发展，服务器的种类越来越多，在某些特定的场景下，需要对服务器的型号进行识别，以便于后续对服务器的使用。服务器的种类众多，且更新换代较快，在使用神经网络模型对服务器进行识别时，无法获取大量的服务器数据进行模型训练，导致很难识别训练过程中罕见的未知类服务器。

发明内容

本说明书一个或多个实施例提供了一种基于相似度匹配的服务器型号识别方法、设备及介质，用于解决如下技术问题：在使用神经网络模型对服务器进行识别时，很难识别训练过程中罕见的未知类服务器。

本说明书一个或多个实施例采用下述技术方案：

本说明书一个或多个实施例提供一种基于相似度匹配的服务器型号识别方法，所述方法包括：获取待识别的服务器图像，通过预先构建的特征提取模型，对所述待识别的服务器图像进行特征提取，得到待识别的服务器特征；将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征；根据所述符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。

进一步地，所述通过预先构建的特征提取模型，对待识别的服务器进行特征提取之前，所述方法还包括：构建数据集，其中，所述数据集中包括多种服务器的图像信息和所述多种服务器的型号；将数据集中指定型号服务器的图像信息输入至预先构建的神经网络分类模型中，对所述神经网络模型进行训练，得到训练后的神经网络分类模型，所述神经网络模型为轻量级神经网络分类模型；将数据集中除指定型号服务器之外的其他图像信息输入至所述训练后的神经网络分类模型中，输出其他图像信息对应的服务器型号；根据输出结果与所述数据集中的服务器型号对比，若对比结果在预设误差范围内，则所述训练后的神经网络分类模型为符合要求的神经网络分类模型；根据所述符合要求的神经网络分类模型，构建特征提取模型。

进一步地，所述根据所述符合要求的神经网络分类模型，构建特征提取模型，具体包括：确定所述符合要求的神经网络分类模型的模型权重信息和架构信息；调整所述架构信息，将所述架构信息中的指定层作为所述特征提取模型的输出层，以输出图像特征；按照所述权重信息和调整后的架构信息，构建特征提取模型。

进一步地，所述将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配之前，所述方法还包括：构建特征提取数据集，所述特征提取数据集中包括多种服务器的图像信息和所述多种服务器的型号；将所述多种服务器的图像信息分别输入至所述特征提取模型中，输出每种服务器的服务器特征；根据所述每种服务器的服务器特征与数据集中对应的服务器型号，构建所述指定数据库，所述指定数据库包括多个服务器特征以及所述多个服务器特征对应的服务器类型。

进一步地，所述将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征，具体包括：通过相似度算法，对所述待识别的服务器特征与所述指定数据库中预先存储的服务器特征进行相似度匹配，生成匹配结果；根据所述匹配结果与预设阈值的关系，确定出所述符合要求的服务器特征。

进一步地，所述根据所述匹配结果与预设阈值的关系，确定出所述符合要求的服务器特征，具体包括：确定所述服务器图像的图像参数信息，其中，所述图像参数信息包括图像像素值和图像亮度；根据所述图像像素值和所述图像亮度，确定所述服务器图像的图像质量等级；通过所述图像质量等级确定出所述预设阈值，其中，所述图像质量等级为一级、二级和三级，其中所述一级对应的图像质量高于所述二级对应的图像质量，所述二级对应的图像质量高于所述三级对应的图像质量。

进一步地，所述相似度算法包括：余弦相似度算法、欧几里得距离算法以及曼哈顿距离算法中的任意一项或多项。

进一步地，当所述图像质量等级为一级时，所述预设阈值为第一预设阈值；当所述图像质量等级为二级时，所述预设阈值为第二预设阈值；当所述图像质量等级为三级时，所述预设阈值为第三预设阈值，所述第一预设阈值大于所述第二预设阈值，所述第二预设阈值大于第三预设阈值。

本说明书一个或多个实施例提供一种基于相似度匹配的服务器型号识别设备，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：获取待识别的服务器图像，通过预先构建的特征提取模型，对所述待识别的服务器图像进行特征提取，得到待识别的服务器特征；将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征；根据所述符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。

本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：获取待识别的服务器图像，通过预先构建的特征提取模型，对所述待识别的服务器图像进行特征提取，得到待识别的服务器特征；将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征；根据所述符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过特征提取模型对服务器图像进行特征提取，将提取的特征与数据库中的特征进行相似度匹配，得到服务器型号，在此过程中避免了对模型的二次训练，针对训练过程中未识类别的服务器图像，也可以进行识别。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书实施例提供的一种基于相似度匹配的服务器型号识别方法流程示意图；

图2为本说明书实施例提供的一种基于相似度匹配的服务器型号识别设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

在目前图像分类识别的研究中，大部分是通过神经网络模型进行分类识别，相对于传统的分类方法，目前成熟的神经网络架构可以自主的从训练样本中学习特征，提取出更高维，更抽象的特征，是一种端到端的模型。根据海量的标注样本进行模型训练可以提高识别精确度，但是由于海量数据的标注成本昂贵，若出现罕见的类别或缺少海量数据集，对模型的训练结果会产生较大影响。

随着计算机技术的发展，服务器的种类越来越多，在某些特定的场景下，需要对服务器的型号进行识别，以便于后续对服务器的使用。在使用神经网络模型对服务器进行识别时，由于服务器的种类众多，且更新换代较快，无法获取大量的服务器数据进行模型训练，导致神经网络模型很难识别训练过程中罕见的未知类服务器。若想通过神经网络分类模型对未知类服务器进行识别，需要使用未知类服务器的数据集对模型进行二次训练，费时费力，影响用户的使用体验。

本说明书实施例提供一种基于相似度匹配的服务器型号识别方法，图1为一种基于相似度匹配的服务器型号识别方法流程示意图，需要说明的是，本说明书实施例中的执行主体可以是服务器，也可以是任意具备处理能力的设备，本说明书实施例在此不作具体限定，如图1所示，主要包括如下步骤：

步骤S101，获取待识别的服务器图像，通过预先构建的特征提取模型，对待识别的服务器图像进行特征提取，得到待识别的服务器特征。

随着计算机技术的发展，服务器的种类越来越多，在某些特定的场景下，需要对服务器的型号进行识别，以进行后续使用。在对服务器型号进行识别时，通常是以图片的形式。

在本说明书的一个实施例中，通过图像采集装置采集待识别的服务器图像，需要说明的是，可以通过照相机拍摄服务器图像，拍摄的图像可以是一张图像，也可以是多张图像。采集同一服务器的多张图像可以在多张图像中选择任意一张，也可以对多张图像进行识别，以获取最准确的识别结果。

在对待识别的服务器图像进行识别之前，需要预先构建特征提取模型，而特征提取模型是根据神经网络分类模型得到的。因此，还需要预先构建神经网络分类模型。

在本说明书的一个实施例中，构建数据集，其中，数据集中包括多种服务器的图像信息和多种服务器的型号。将数据集中指定型号服务器的图像信息输入至预先构建的神经网络分类模型中，对神经网络模型进行训练，得到训练后的神经网络分类模型，例如，在构建的数据集中包括9种服务器型号，分别标注为1类、2类、3类……以此类推，将1类、2类……6类，这6种型号的服务器图像作为训练数据，对模型进行迁移学习，得到训练好的神经网络分类模型。需要说明的是，神经网络模型为轻量级神经网络分类模型。轻量级神经网络分类模型可以是SqueezeNet模型，也可以是MobileNet模型，还可以是ShuffleNet模型或者Xception模型。

将数据集中除指定型号服务器之外的其他图像信息输入至训练后的神经网络分类模型中，输出其他图像信息对应的服务器型号。继续沿用上例，也就是说，将7类、8类以及9类的服务器对应的服务器图像输入至训练好的神经网络分类模型中，输出分类结果，根据输出结果与数据集中的服务器型号对比，若对比结果在预设误差范围内，则训练后的神经网络分类模型为符合要求的神经网络分类模型，以便于根据符合要求的神经网络分类模型，构建特征提取模型。

在本说明书的一个实施例中，确定符合要求的神经网络分类模型对应的的模型权重信息和架构信息；调整架构信息，将架构信息中的指定层作为特征提取模型的输出层，以输出图像特征；按照权重信息和调整后的架构信息，构建特征提取模型。在得到符合要求的神经网络分类模型之后，该模型具备了准确的分类功能，也就是说，模型具备了较准确的特征提取能力，因将符合要求的神经网络分类模型对应的的模型权重信息作为特征提取模型的模型权重，将符合要求的神经网络分类模型的倒数第二层作为特征提取模型的输出层，以此得到特征提取模型。特征提取模型是根据符合要求的神经网络分类模型得到的，实现对图像的特征提取。

在构建了特征提取模型之后，将采集到的待识别的服务器图像输入至特征提取模型中，通过预先构建的特征提取模型，对待识别的服务器图像进行特征提取，得到待识别的服务器特征。需要说明的是，此处提取到的待识别的服务器特征可以是向量的形式。

步骤S102，将待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征。

在本说明书的一个实施例中，将提取到的待识别的服务器特征与数据库中的服务器特征进行相似度匹配，得到符合要求的服务器特征。在此步骤之前，需要预先在数据库中存储服务器特征。

在本说明书的一个实施例中，构建特征提取数据集，特征提取数据集中包括多种服务器的图像信息和多种服务器的型号。将特征提取数据集中多种服务器的图像信息分别输入至特征提取模型中，输出每种服务器的服务器特征；根据每种服务器的服务器特征与数据集中对应的服务器型号，构建指定数据库，指定数据库包括多个服务器特征以及多个服务器特征对应的服务器类型。需要说明的是，特征提取数据集中的数据可以与神经网络分类模型训练过程中的数据集相同，也可以是在训练过程中用到的数据集的基础上扩展后的特征提取数据集。

在本说明书的一个实施例中，将待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，可以通过对应的相似度算法，对待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，生成匹配结果。需要说明的是，相似度算法包括余弦相似度算法、欧几里得距离算法以及曼哈顿距离算法中的任意一项或多项。根据匹配结果与预设阈值的关系，确定出符合要求的服务器特征。以余弦相似度算法为例，对待识别的服务器特征和指定数据库中的特征进行计算，得到多个小于1的数值。

在本说明书的一个实施例中，在根据匹配结果与预设阈值的关系，确定出符合要求的服务器特征之前，应先设置预设阈值。

在本说明书的一个实施例中，可以根据用户需求设置预设阈值，例如用户要求服务器识别精度较高，则设置较大的阈值，若用户对服务器的分类仅需要寻找类似的型号即可，则可以设置较小的阈值。另外，还可以根据图像质量设置阈值。

首先是确定服务器图像的图像像素值和图像亮度，根据图像像素值和图像亮度，确定服务器图像的图像质量等级，通过图像质量等级确定出预设阈值。图像质量等级可以分为一级、二级和三级，其中，一级对应的图像质量高于二级对应的图像质量，二级对应的图像质量高于三级对应的图像质量。当图像质量等级为一级时，说明此时拍摄的图像质量较好，相应的应当设置较大的阈值以增强分类精度，设置预设阈值为第一预设阈值；当图像质量等级为二级时，预设阈值为第二预设阈值，此时的图像质量处于中等，可以设置低于第一预设阈值的数值作为第二预设阈值；当图像质量等级为三级时，此时图像质量低于前两个等级，可以将预设阈值设置为低于第二预设阈值的数据，即第三预设阈值。

当使用余弦相似度算法进行相似度计算时，可以将第一阈值设置为0.85，第二预设阈值为0.65，第三预设阈值设为0.55，需要说明的是，第三预设阈值的设置应不低于0.5，以此来保证分类效果。

步骤S103，根据符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。

在本说明书的一个实施例中，得到符合要求的服务器特征之后，根据服务器特征在指定数据库中对应的服务器型号，确定出符合要求的服务器特征对应的服务器型号，将此型号作为待识别的服务器型号。

本说明书提供的实施例中通过特征提取模型对服务器图像进行特征提取，将提取的特征与数据库中的特征进行相似度匹配，得到服务器型号，在此过程中避免了对模型的二次训练，针对训练过程中未识类别的服务器图像，也可以进行识别。

本说明书实施例还提供一种基于相似度匹配的服务器型号识别设备，如图2所示，设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：获取待识别的服务器图像，通过预先构建的特征提取模型，对所述待识别的服务器图像进行特征提取，得到待识别的服务器特征；将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征；根据所述符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。

本说明书实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：获取待识别的服务器图像，通过预先构建的特征提取模型，对所述待识别的服务器图像进行特征提取，得到待识别的服务器特征；将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征；根据所述符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种基于相似度匹配的服务器型号识别方法，其特征在于，所述方法包括：

获取待识别的服务器图像，通过预先构建的特征提取模型，对所述待识别的服务器图像进行特征提取，得到待识别的服务器特征；

将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征；

根据所述符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。

2.根据权利要求1所述的一种基于相似度匹配的服务器型号识别方法，其特征在于，所述通过预先构建的特征提取模型，对待识别的服务器进行特征提取之前，所述方法还包括：

构建数据集，其中，所述数据集中包括多种服务器的图像信息和所述多种服务器的型号；

将数据集中指定型号服务器的图像信息输入至预先构建的神经网络分类模型中，对所述神经网络模型进行训练，得到训练后的神经网络分类模型，所述神经网络模型为轻量级神经网络分类模型；

将数据集中除指定型号服务器之外的其他图像信息输入至所述训练后的神经网络分类模型中，输出其他图像信息对应的服务器型号；

根据输出结果与所述数据集中的服务器型号对比，若对比结果在预设误差范围内，则所述训练后的神经网络分类模型为符合要求的神经网络分类模型；

根据所述符合要求的神经网络分类模型，构建特征提取模型。

3.根据权利要求2所述的一种基于相似度匹配的服务器型号识别方法，其特征在于，所述根据所述符合要求的神经网络分类模型，构建特征提取模型，具体包括：

确定所述符合要求的神经网络分类模型的模型权重信息和架构信息；

调整所述架构信息，将所述架构信息中的指定层作为所述特征提取模型的输出层，以输出图像特征；

按照所述权重信息和调整后的架构信息，构建特征提取模型。

4.根据权利要求1所述的一种基于相似度匹配的服务器型号识别方法，其特征在于，所述将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配之前，所述方法还包括：

构建特征提取数据集，所述特征提取数据集中包括多种服务器的图像信息和所述多种服务器的型号；

将所述多种服务器的图像信息分别输入至所述特征提取模型中，输出每种服务器的服务器特征；

根据所述每种服务器的服务器特征与数据集中对应的服务器型号，构建所述指定数据库，所述指定数据库包括多个服务器特征以及所述多个服务器特征对应的服务器类型。

5.根据权利要求1所述的一种基于相似度匹配的服务器型号识别方法，其特征在于，所述将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征，具体包括：

通过相似度算法，对所述待识别的服务器特征与所述指定数据库中预先存储的服务器特征进行相似度匹配，生成匹配结果；

根据所述匹配结果与预设阈值的关系，确定出所述符合要求的服务器特征。

6.根据权利要求5所述的一种基于相似度匹配的服务器型号识别方法，其特征在于，所述根据所述匹配结果与预设阈值的关系，确定出所述符合要求的服务器特征，具体包括：

确定所述服务器图像的图像参数信息，其中，所述图像参数信息包括图像像素值和图像亮度；

根据所述图像像素值和所述图像亮度，确定所述服务器图像的图像质量等级；

通过所述图像质量等级确定出所述预设阈值，其中，所述图像质量等级为一级、二级和三级，其中所述一级对应的图像质量高于所述二级对应的图像质量，所述二级对应的图像质量高于所述三级对应的图像质量。

7.根据权利要求6所述的一种基于相似度匹配的服务器型号识别方法，其特征在于，所述相似度算法包括：余弦相似度算法、欧几里得距离算法以及曼哈顿距离算法中的任意一项或多项。

8.根据权利要求7所述的一种基于相似度匹配的服务器型号识别方法，其特征在于，当所述图像质量等级为一级时，所述预设阈值为第一预设阈值；

当所述图像质量等级为二级时，所述预设阈值为第二预设阈值；

当所述图像质量等级为三级时，所述预设阈值为第三预设阈值；

所述第一预设阈值大于所述第二预设阈值，所述第二预设阈值大于第三预设阈值。

9.一种基于相似度匹配的服务器型号识别设备，其特征在于，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：

获取待识别的服务器图像，通过预先构建的特征提取模型，对所述待识别的服务器图像进行特征提取，得到待识别的服务器特征；

将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征；

根据所述符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。

10.一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

获取待识别的服务器图像，通过预先构建的特征提取模型，对所述待识别的服务器图像进行特征提取，得到待识别的服务器特征；

将所述待识别的服务器特征与指定数据库中预先存储的服务器特征进行相似度匹配，确定出符合要求的服务器特征；

根据所述符合要求的服务器特征对应的服务器型号，确定出待识别的服务器型号。

Images