本文版权为《邮电设计技术》所有,如需转载请联系《邮电设计技术》编辑部
摘要:针对数据中心人工巡检覆盖不足、复杂场景下堆物异常识别准确率偏低的问题,提出一种基于视觉AI的云边端协同异常识别方法。采用结构先验约束的生成式数据增强缓解样本不均衡,通过两阶段迁移学习提升边缘侧目标检出能力,并结合时空约束与多模态大模型开展云端语义研判。实际部署验证结果表明,该方法可将巡检频次提升10倍,异常响应时间由2~4h缩短至5~10min,识别准确率达93.6%,为数据中心极简智能运维提供技术支撑与应用验证。
关键字:异常识别;云边端协同;数据中心;多模态语义理解;智能运维
doi:10.12045/j.issn.1007-3043.2026.10.006
概述
数据中心是支撑数字经济的核心信息基础设施,承载政务服务、企业算力与互联网业务等关键业务,国家及行业规范对其安全防护、运行监测与智能管控提出了明确要求。在实际运维中,数据中心重点区域常出现废旧蓄电池、施工余料、包装箱等物品短时占用或长期滞留的情况,一旦压缩通行宽度甚至阻塞消防通道,将直接威胁高可靠性连续运行场景的安全稳定。然而,当前行业普遍存在“重建设、轻运营”的现象,单园区通常部署数百乃至上千路监控摄像头,但通行安全管控仍主要依赖7×24 h 视频采集、人工值守和事后回放的传统模式,难以满足高频次、全覆盖、快响应的运维要求。因此,借助计算机视觉与人工智能技术提升异常识别能力,已成为数据中心智能运维的重要发展方向。
针对通行空间异物检测问题,国内外研究主要分为背景建模、目标检测和语义理解3 类技术路径。文献[1]系统梳理了视频监控中基于背景减法的静态与遗留目标检测方法,该类方法在受限场景下可通过前景提取识别停留物体,但对光照变化与背景动态更新敏感,在数据中心运维场景下误报率较高。为提升异物检测的准确性与场景适应性,Hu 等人[2]采用改进YOLOv8 构建铁路障碍物入侵检测与风险评估系统,通过多尺度特征融合提升了小目标与远距离障碍物的检出率;郑含博等人[3]针对输电线路隐患样本不足的问题,采用混合数据增强扩充训练集,并结合YOLO-2MCS 模型开展检测。但上述方法仅能判定物体存在,难以结合通行区域约束与运维规则判定是否构成实质性阻塞,且异常样本的长尾分布限制了其跨场景适用性。近年来,相关研究将多模态视觉语言模型应用于施工安全识别、消防合规检查和复杂场景风险研判等任务,表明其在物体关系理解和规则符合性判断方面具有应用潜力[4-6]。但在生产场景中对海量视频帧全量推理仍存在计算开销大、分析效率低与结果不稳定等问题。
综上,针对数据中心通道异物堆放场景中长尾样本稀缺、语义判别割裂以及全量大模型推理成本高等难点,本文提出结构先验引导的可控生成式数据增强策略,增强长尾场景下异物样本的覆盖度与多样性;在此基础上,构建融合轻量检测与多模态语义理解的大小模型协同机制,形成云边端架构下的智能异常识别方案,支撑数据中心从被动人工巡检向主动智能管控的范式转变。








































