一、 分享主题 机房管理作为企业信息化基础运维的关键环节，面临着诸多机遇与挑战。本次分享聚焦于在现有机房条件下，如何运用AI新技术提升维护管理效率，开展了基于YOLO神经网络的机房现场巡检实践。剖析从传统管理模式向智能化巡检的转变过程，探讨其中涉及的技术应用、实施、问题分析及改进方向，旨在为同行提供有益的参考与借鉴。二、背景与需求（一）机房现状 前期大部分机房仍依赖传统纸质巡检表进行管理，不仅工作量巨大，而且管理难度颇高，对于巡检人员是否真实到现场执行操作难以有效监督。在实际操作中，可能存在巡检人员未按要求清理设备防尘网，却在纸质表格上虚假填报的情况。而且由于机房数量较多、分布广泛，若要对所有机房进行全量检查，人力成本将成为沉重负担，这使得机房管理在执行效果和成本控制方面面临两难困境。（二）需求分析 基于上述现状，机房管理迫切需要解决两个核心问题。其一，要确保一线巡检人员能够切实按照规定的周期（如季度或半年）对每个机房进行巡检，即保证巡检的数量和覆盖面。其二，在巡检人员到达现场后，需要一种有效的手段来准确判断其是否真正执行了各项巡检操作，以及操作是否符合规范要求，从而实现对巡检质量的有效把控。三、项目部署（一）技术演进 早期探索（2019 年）：我们利用机房内现有的安防摄像头，针对指针仪表开展识别工作。通过使用开源的计算机视觉库，成功实现了对倾斜拍摄照片的校正，将其转化为可供准确识别的平面图像，进而对仪表内的字符和指针进行识别。这一早期实践为后续技术升级奠定了基础，证明了在机房现有设备条件下实现一定程度智能化管理的可行性。 新技术应用（2023 年）：我们构建了前端小程序与后端识别相结合的技术架构。前端小程序主要负责一线巡检人员在机房现场的打卡操作，以及照片采集工作，为后续的分析提供数据来源，后端使用YOLO计算机视觉承担着复杂的识别任务。 模型训练过程：通过对人工筛选出的 100 多张清晰且符合要求的现场照片进行标注训练，构建模型以实现对机房设备及相关部件的智能识别。对照片中的各类设备及部件，如华为 OTN 设备、防尘网、尾纤、动力端子、ODF 等进行详细标注，使模型能够学习并识别这些元素。当然，训练过程也面临着一些挑战，例如使用普通显卡（2060，8GB 显存）进行训练时，对照片大小有一定限制，否则会出现显存不足的问题，这也提示在实际应用中对于算力平台的选择需要更加谨慎，以满足更高精度和更多模型需求。（二）项目部署 小程序功能设计：开发的小程序集成了全省机房的经纬度等关键信息，通过定位功能确保巡检人员在机房附近（几百米范围内）才能完成巡检打卡操作，有效防止了虚假打卡和照片代传现象。同时，在小程序中明确制定了一系列巡检项目，涵盖 ODF 状态检查、设备标签完整性查看、防尘网清理情况核实等多个方面，为巡检人员提供了详细的操作指南，也为后台的量化评估提供了依据。 存在的问题：在项目执行过程中暴露了一些问题，一方面AI模型识别精度方面存在误识别、漏识别。另一方面AI模型针对场景的训练还不够，比如能够识别出设备防尘网等部件，但对于防尘网是否真正清理干净、尾纤 ODF 是否整齐规范等细节问题难以准确判断。这主要是由于前期样本采集不够全面，对于不同角度、不同状态下的设备部件样本覆盖不足，特别是对于一些特殊情况缺乏足够的缺陷样本进行训练，从而影响了AI模型的效果。四、总结与待改进之处（一）工作阶段回顾 回顾整个机房管理的优化过程，经历了三个重要阶段。第一阶段是从传统的纸质化管理向程序化管理的转变，通过要求地市现场上报巡检情况，实现了一定程度的量化管理，确保了巡检的覆盖面。第二阶段则引入了计算机视觉技术，将智能化手段应用于巡检判断，这是对传统管理模式的重大突破，有望提高巡检质量的评估准确性。然而，目前的方案仍存在诸多不足之处，需要进一步改进。（二）待改进方向 在机房基础管理方面，整体机房的 IT 化程度有待提高，尤其是设备与机房关系的码化管理。目前，机房设备与机房位置关系的记录方式较为传统，未充分利用二维码等现代标识技术实现精细化管理。例如，设备在机柜中的位置、机柜在机房中的位置等信息缺乏有效的数字化标识，这不仅影响了日常管理效率，也制约了智能化技术在机房管理中的深度应用。 在AI视觉模型方面，模型还需要完善与拓展。现有模型在覆盖范围上存在局限性，无法应对机房内一些复杂场景和其他专业相关的检查内容。例如，对于机房地面杂物、设备接地情况、机房设施如蓄电池等方面尚未纳入模型，导致这些潜在问题无法通过智能巡检及时发现。这需要进一步扩大样本采集范围，涵盖更多类型的设备状态和机房场景，以提升模型的泛化能力，使其能够适应多样化的机房环境和管理需求。 在AI 技术融入生产流程方面，目前仍存在较大差距。虽然小程序巡检已切入流程量化，但 AI 识别结果尚未完全纳入考核体系，主要原因是误检和漏检情况时有发生。例如，因照片拍摄不清晰导致防尘网清理情况识别错误，影响了考核的公正性和准确性。未来需要进一步优化算法，提高识别精度，同时建立更加完善的异常处理机制，确保 AI 识别结果能够真实可靠地反映巡检情况，从而实现全流程的智能化管理与考核。 在制度建设方面，机房管理涉及多个专业领域，跨专业协同存在明显壁垒。不同专业之间信息共享不畅，各自为政，如传输专业在进行设备 AI 巡检时，无法及时与动力专业共享设备温度等信息，导致无法实现空调等设备的协同调整。此外，公司制度在如何有效应用 AI 识别结果进行现场考核方面缺乏明确规定，这在一定程度上限制了新技术在提升机房管理效率方面的作用发挥。因此，需要从公司层面加强跨专业协作的统筹规划，建立统一的信息共享平台，打破专业壁垒，同时完善相关制度，明确 AI 识别结果在考核中的地位和应用方式，以推动机房管理向更加高效、智能的方向发展。 综上所述，本次计算机视觉模型在机房运维的应用实践，在提升维护管理效率方面取得了一定进展，但也面临着诸多挑战。未来需要在AI模型优化、流程改进、跨专业协同和制度建设等多个方面持续努力，以实现机房管理的全面数字化、智能化转型，为企业信息化基础设施的稳定运行提供坚实保障。