CN113727092A - 基于决策树的视频监控质量巡检方法及装置 - Google Patents
基于决策树的视频监控质量巡检方法及装置 Download PDFInfo
- Publication number
- CN113727092A CN113727092A CN202110879237.1A CN202110879237A CN113727092A CN 113727092 A CN113727092 A CN 113727092A CN 202110879237 A CN202110879237 A CN 202110879237A CN 113727092 A CN113727092 A CN 113727092A
- Authority
- CN
- China
- Prior art keywords
- inspection
- decision tree
- target monitoring
- parameters
- monitoring device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 177
- 238000012544 monitoring process Methods 0.000 title claims abstract description 139
- 238000003066 decision tree Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012806 monitoring device Methods 0.000 claims abstract description 126
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000013468 resource allocation Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 24
- 238000001514 detection method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种基于决策树的视频监控质量巡检方法，该方法包括获取目标监控设备的设备参数，其中，所述设备参数包括所述目标监控设备的位置区域、调用频率、调用时长、录像调用频次以及调整频率中的至少一个；根据所述设备参数以及预设决策树模型确定所述目标监控设备对应的设备等级；根据所述设备等级对应的巡检参数对所述目标监控设备进行巡检，以获取所述目标监控设备的运行状态，其中，不同设备等级对应的巡检参数不同。本发明还公开了一种基于决策树的视频监控质量巡检装置以及计算机可读存储介质。根据监控设备的设备参数采用对应的巡检参数进行巡检，解决了大型视频监控系统对监控设备进行视频质量检测时需要大量的时间成本和计算成本。
Description
技术领域
本发明涉及网络视频技术领域，尤其涉及基于决策树的视频监控质量巡检方法、装置及计算机可读存储介质。
背景技术
随着视频监控网络规模的不断扩大，监控点和摄像头的数量也在急剧增加，网络设备和摄像头故障率也在大幅提高。及时发现和排查网络设备故障和摄像机故障，成为亟需解决的问题。现有技术中通过建立视频监控质量巡检系统获取视频数据，根据所述视频数据通过图像分析算法分析视频质量，但现有技术中通过视频流的方式传输视频数据，随着监控点和摄像头的数量不断急剧增加，所传输的视频数据占用的带宽也越来越大，传统的视频监控质量巡检方法为在每次巡检时对每个监控点进行统一检测，基于监控点的数量庞大，一次完整的巡检需要投入大量的时间成本以及计算成本。
发明内容
本发明的主要目的在于提供一种基于决策树的视频监控质量巡检方法、装置及计算机可读存储介质，旨在解决传统的视频监控质量巡检方法需要耗费大量的时间成本的问题。
为实现上述目的，本发明提供一种基于决策树的视频监控质量巡检方法，所述基于决策树的视频监控质量巡检方法的步骤包括：
获取目标监控设备的设备参数，其中，所述设备参数包括所述目标监控设备的位置区域、调用频率、调用时长、录像调用频次以及调整频率中的至少一个；
根据所述设备参数以及预设决策树算法模型确定所述目标监控设备对应的巡检等级；
根据所述巡检等级对应的巡检参数对所述目标监控设备进行巡检，以获取所述目标监控设备的运行状态，其中，所述巡检参数包括巡检频率、巡检的监控设备数量、巡检类型以及单路超时时间的至少一个，不同巡检等级对应的巡检参数不同。
可选地，所述所述根据所述设备参数参数确定所述目标监控设备对应的巡检等级的步骤包括：
将所述设备参数输入所述预设决策树算法模型中进行轮询分组，并获取分组结果；
根据所述分组结果确定所述目标监控设备的巡检等级。
可选地，所述预设决策树算法模型对所述设备参数进行轮询分组，输出分组结果的方式包括：
在所述预设决策树算法模型的各个分组中确定所述设备参数满足分组条件的目标分组；
将所述目标分组作为所述分组结果，输出所述分组结果。
可选地，所述根据所述巡检等级对应的巡检参数对所述目标监控设备进行巡检的步骤包括：
根据所述巡检参数获取所述目标监控设备对应的视频图像信息；
根据预设的视频图像质量评价方法对所述视频图像信息进行评估；
获取对应的评估结果并根据所述评估结果确定所述目标监控设备的运行状态。
可选地，所述根据所述巡检参数获取所述目标监控设备对应的视频图像的步骤包括：
根据所述巡检参数对应的巡检频率获取所述目标监控设备对应的视频图像信息。
可选地，所述根据所述巡检等级对应的巡检参数对所述目标监控设备进行巡检的步骤之后还包括：
记录并更新所述目标监控设备的设备参数。
可选地，所述实时记录并更新所述目标监控设备的设备参数的步骤之后，还包括：
获取预设时间时长内采集到的设备参数；
根据所述设备参数调整所述预设决策树算法模型内分组的分组条件。
可选地，所述根据所述设备参数参数确定所述目标监控设备对应的巡检等级的步骤之后，还包括：
根据所述巡检等级对应的分配优先级确定所述目标监控设备对应的分配参数，其中，所述分配参数包括带宽分配参数以及CPU资源分配参数，不同的巡检等级对应的分配参数不同；
按照所述分配参数向所述目标监控设备分配带宽以及CPU资源。
此外，为实现上述目的，本发明还提供一种基于决策树的视频监控质量巡检装置，所述基于决策树的视频监控质量巡检装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于决策树的视频监控质量巡检程序，所述基于决策树的视频监控质量巡检程序被所述处理器执行时实现如上所述的基于决策树的视频监控质量巡检方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于决策树的视频监控质量巡检程序，所述基于决策树的视频监控质量巡检程序被处理器执行时实现如上所述的基于决策树的视频监控质量巡检方法的步骤。
本发明实施例提出的一种基于决策树的视频监控质量巡检方法、装置及计算机可读存储介质，通过获取目标监控设备的设备参数，所述设备参数用于表示所述目标监控设备的使用数据以及所述目标监控设备的位置区域，进而根据所述设备参数确定所述目标监控设备的巡检等级，所述巡检等级用于表示所述目标监控设备的重要程度，进而根据所述目标监控设备的巡检等级采用对应的巡检参数对所述目标监控设备进行巡检，通过为不同巡检等级的监控设备匹配不同的巡检参数，对于重要程度高的监控设备采用更高的巡检频率且可以通过直播视频图像信息进行巡检，对于重要程度低的监控设备采用较低的巡检频率或可以通过录播视频图像信息进行巡检，而无需对所有的监控设备均采用同样的巡检参数进行巡检，减少了巡检时长并减少了计算成本。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明基于决策树的视频监控质量巡检方法第一实施例的流程示意图；
图3为本发明预设决策树算法模型的示例图；
图4为本发明基于决策树的视频监控质量巡检方法第二实施例步骤S20的细化流程示意图；
图5为本发明基于决策树的视频监控质量巡检方法第三实施例步骤S21的细化流程示意图；
图6为本发明基于决策树的视频监控质量巡检方法第四实施例步骤S30的细化流程示意图；
图7为本发明基于决策树的视频监控质量巡检方法第五实施例的流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：获取目标监控设备的设备参数，其中，所述设备参数包括所述目标监控设备的位置区域、调用频率、调用时长、录像调用频次以及调整频率中的至少一个；根据所述设备参数以及预设决策树算法模型中确定所述目标监控设备对应的巡检等级；根据所述巡检等级对应的巡检参数对所述目标监控设备进行巡检，以获取所述目标监控设备的运行状态，其中，所述巡检参数包括巡检频率、巡检的监控设备数量、巡检类型以及单路超时时间的至少一个，不同巡检等级对应的巡检参数不同。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例涉及的基于决策树的视频监控质量巡检方法主要应用于终端，所述终端可以是PC、便携计算机、移动终端等具有处理功能的设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于决策树的视频监控质量巡检程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于决策树的视频监控质量巡检程序，并执行以下操作：
获取目标监控设备的设备参数，其中，所述设备参数包括所述目标监控设备的位置区域、调用频率、调用时长、录像调用频次以及调整频率中的至少一个；
根据所述设备参数以及预设决策树算法模型确定所述目标监控设备对应的巡检等级；
根据所述巡检等级对应的巡检参数对所述目标监控设备进行巡检，以获取所述目标监控设备的运行状态，其中，所述巡检参数包括巡检频率、巡检的监控设备数量、巡检类型以及单路超时时间的至少一个，不同巡检等级对应的巡检参数不同。
进一步地，处理器1001可以调用存储器1005中存储的基于决策树的视频监控质量巡检程序，还执行以下操作：
将所述设备参数输入所述预设决策树算法模型中进行轮询分组，并获取分组结果；
根据所述分组结果确定所述目标监控设备的巡检等级。
进一步地，处理器1001可以调用存储器1005中存储的基于决策树的视频监控质量巡检程序，还执行以下操作：
在所述预设决策树算法模型的各个分组中确定所述设备参数满足分组条件的目标分组；
将所述目标分组作为所述分组结果，输出所述分组结果。
进一步地，处理器1001可以调用存储器1005中存储的基于决策树的视频监控质量巡检程序，还执行以下操作：
根据所述巡检参数获取所述目标监控设备对应的视频图像信息；
根据预设的视频图像质量评价方法对所述视频图像信息进行评估；
获取对应的评估结果并根据所述评估结果确定所述目标监控设备的运行状态。
进一步地，处理器1001可以调用存储器1005中存储的基于决策树的视频监控质量巡检程序，还执行以下操作：
根据所述巡检参数对应的巡检频率获取所述目标监控设备对应的视频图像信息。
进一步地，处理器1001可以调用存储器1005中存储的基于决策树的视频监控质量巡检程序，还执行以下操作：
记录并更新预设时间间隔内所述目标监控设备的设备参数。
进一步地，处理器1001可以调用存储器1005中存储的基于决策树的视频监控质量巡检程序，还执行以下操作：
根据更新后的所述设备参数调整所述预设决策树算法模型对应的判断条件。
进一步地，处理器1001可以调用存储器1005中存储的基于决策树的视频监控质量巡检程序，还执行以下操作：
根据所述巡检等级对应的分配优先级确定所述目标监控设备对应的分配参数，其中，所述分配参数包括带宽分配参数以及CPU资源分配参数，不同的巡检等级对应的分配参数不同；
按照所述分配参数向所述目标监控设备分配带宽以及CPU资源。
参照图2，本发明第一实施例提供一种基于决策树的视频监控质量巡检方法，所述基于决策树的视频监控质量巡检方法包括：
步骤S10，获取目标监控设备的设备参数，其中，所述设备参数包括所述目标监控设备的位置区域、调用频率、调用时长、录像调用频次以及调整频率中的至少一个；
步骤S20，根据所述设备参数以及预设决策树算法确定所述目标监控设备对应的巡检等级；
步骤S30，根据所述巡检等级对应的巡检参数对所述目标监控设备进行巡检，以获取所述目标监控设备的运行状态，其中，所述巡检参数包括巡检频率、巡检的监控设备数量、巡检类型以及单路超时时间的至少一个，不同巡检等级对应的巡检参数不同。
在本实施例中，所述设备参数包括所述目标监控设备的位置区域，还包括所述目标监控设备的使用数据，所述使用数据为用户在调用所述目标监控设备时产生的使用数据，进而将所述使用数据记录并保存在处理器中，以待所述处理器根据所述使用数据确定所述目标监控设备的巡检等级。
可选地，所述设备参数包括所述目标监控设备的位置区域，所述位置区域用于判断所述目标监控设备是否处于重点区域，所述重点区域即重要程度高的区域。所述设备参数还包括调用频率，所述调用频率用于表示所述目标监控设备被用户调用的频繁程度，在调用频率低时，代表所述目标监控设备对应的频繁程度低，在调用频率高时，代表所述目标监控设备对应的频繁程度高；所述设备参数还包括调用时长，所述调用时长用于表示所述目标监控设备被用户调用时，用户对所述目标监控设备的直播视频图像信息的浏览时长，浏览时长越高，则调用时长越高，代表所述目标监控设备的重要程度越高；所述设备参数还包括录像调用频次，所述录像调用频次用于表示所述目标监控设备被用户调用时，用户对所述目标监控设备的录像视频图像信息的调用频次，调用频次越高，所述目标监控设备的重要程度越高；所述生产数还包括调整频率，所述调整频率用于表示所述目标监控设备对应的云台的调整频率，调整频率越高，所述目标监控设备的重要程度越高。
可以理解的是，所述设备参数包括但不限于所述目标监控设备的位置区域、调用频率、调用时长、录像调用频次以及调整频率。
可选地，在获取所述设备参数后，根据所述设备参数获取所述目标监控设备对应的巡检等级，所述巡检等级用于表示所述目标监控设备对用户的重要性程度，巡检等级越高，重要性程度越高，不同的监控设备对应的巡检等级可以相同，也可以相同。其中，所述巡检等级可以包括第一等级，第二等级，第三等级，第四等级···以此类推，在实际使用中，获取监控设备的巡检等级，进而将同一巡检等级对应的所述目标监控设备归于所述同一巡检等级对应的类别中。
可选地，所述根据所述设备参数确定所述目标监控设备对应的巡检等级的方式可以是预设各个巡检等级对应的判断条件，进而根据所述判断条件与所述目标监控设备的设备参数进行比对，根据比对结果确定所述目标设备对应的巡检等级。例如，所述第一等级对应的判断条件为监控设备的位置区域处于重要区域，监控设备的调用频率大于40次/天，所述第二等级对应的判断条件为监控设备的调用频率大于30次/天，待巡检的目标监控设备A的位置区域为重要区域，所述目标监控设备对应的调用频率表为80次/天，待巡检的目标监控设备B的位置区域不属于重点区域，所述目标监控设备B的调用频率为31次/天，将所述目标监控设备A与所述目标监控设备B的设备参数与所述判断条件进行比对，则确定所述目标监控设备A对应的巡检等级为第一等级，所述目标监控设备B对应的巡检等级为第二等级。
可选地，所述根据所述设备参数确定所述目标监控设备对应的巡检等级的方式还可以是根据所述设备参数以及预设决策树算法模型确定所述目标监控设备对应的巡检等级，具体地，将所述设备参数输入预设决策树算法模型中进行轮询分组，进而获取到分组结果，进而根据所述分组结果确定所述目标监控设备对应的巡检等级。
可选地，所述预设决策树算法模型的构建方式包括以下步骤：
获取决策树训练样本；
根据所述训练样本提取样本特征，其中，所述样本特征包括位置区域，监控设备调用频率，监控设备调用时长，录像调用频次以及监控设备的调整频率的至少一个；
根据所述样本特征确定每一层级对应的分组条件，以生成预设决策树算法模型。
可选地，所述决策树训练样本包括监控设备的历史使用数据，各个所述历史使用数据用于表征监控设备的设备参数，所述决策树训练样本用于构建预设决策树算法模型。
可选地，在获取所述决策树训练样本，根据所述决策树训练样本获取对应的样本特征，所述样本特征包括并不限于监控设备的位置区域、调用频率、调用时长、录像调用频次以及调整频率。
可选地，在获取对应的样本特征后，根据所述样本特征确定所述所述样本特征对应的分组条件，进而根据各个所述样本特征对应的分组条件作为预设决策树算法模型每一层级的节点，进而根据各个所述节点生成对应的预设决策树算法模型。
可选地，在获取决策树每一层级的节点后，根据所述节点对应的样本特征对应的预设权重，进而根据所述预设权重确定所述预设决策树算法模型对应的各个节点的排列顺序，进而将各个所述节点根据所述预设权重以大到小的排列顺序进行排列，以生成对应的预设决策树算法模型，其中，所述预设权重可以是预设决策树算法模型的构建人员自行配置。
基于此，参照图3，图3为所述预设决策树算法模型的示例图。例如，所述监控设备的位置区域对应的分组条件为“位置区域是否位于重点区域”，所述调用频率对应的分组条件为“调用频率大于50次/天”,所述调用时长对应的分组条件为“调用时长大于10分钟/次”，所述录用调用频次对应的分组条件为“录像调用频次大于10次/天”，所述调整频率对应的分组条件为“调整频率大于10次/天”。
可以理解是，图3为所述预设决策树算法模型的其中一个实施例，图3中示出的预设决策树算法模型的示例图并不构成对所述预设决策树算法模型的限定，可以包括比图示更多或更少的层级，或者组合某些层级，或者不同的分组条件。
在实际操作过程中，在获取所述目标监控设备的设备参数后，根据所述设备参数输入到所述预设决策树算法模型中，以供所述预设决策树算法模型根据所述设备参数进行轮询分组，进而获取对应的分组结果，进而将所述分组结果确定为所述目标监控设备对应的巡检等级。
可选地，在获取所述目标监控设备对应的巡检等级后，所述步骤S20之后还包括：
根据所述巡检等级对应的分配优先级确定所述目标监控设备对应的分配参数，其中，所述分配参数包括带宽分配参数以及CPU资源分配参数，不同的巡检等级对应的分配参数不同；
按照所述分配参数向所述目标监控设备分配带宽以及CPU资源。
在本申请实施例中，所述终端存储有巡检等级与分配优先级的对应关系，在获取所述目标监控设备对应的巡检等级后，根据所述对应关系获取所述巡检等级对应的分配优先级，进而根据所述分配优先级确定所述目标监控设备对应的分配参数，其中，所述分配参数用于表征所述目标监控设备待分配的带宽与CPU资源，可以理解的是，分配优先级越高，待分配的带宽更大，待分配的CPU资源更多。在确定所述分配参数后，根据所述分配参数向所述目标监控设备分配对应的带宽以及CPU资源。
可选地，根据不同的巡检等级对应的分配优先级为所述目标监控设备分配对应的带宽和CPU资源，避免带宽以及CPU资源的浪费，提高了带宽以及CPU资源的利用率。
可选地，在根据所述目标监控设备的设备参数确定所述目标监控设备对应的巡检等级后，根据所述所述巡检等级对应的巡检参数对所述目标监控设备进行巡检，其中，所述巡检参数包括巡检频率，所述巡检频率用于表征特定的巡检频率检测所述目标监控设备，例如，所述巡检频率可以是1分钟一次；所述巡检参数包括巡检的监控设备数量，所述巡检的监控设备数量用于表征在同一巡检等级中对应的监控设备的个数；所述巡检参数还包括巡检类型，所述巡检类型用于表征所述目标监控设备的视频图像信息的类型，具体可以包括直播视频图像信息以及录像视频图像信息；所述巡检参数还包括单路超时时间，所述单路超时时间用于表征所述目标监控设备的数据发送时长。
可选地，不同的巡检等级对应的巡检参数不同。
在本申请实施例中，通过获取目标监控设备的设备参数，所述设备参数用于表示所述目标监控设备的使用习惯数据，进而根据所述设备参数确定所述目标监控设备的巡检等级，所述巡检等级用于表示所述目标监控设备的重要程度，进而根据所述目标监控设备的巡检等级采用对应的巡检参数对所述目标监控设备进行巡检，通过为不同巡检等级的监控设备匹配不同的巡检参数，对于重要程度高的监控设备采用更高的巡检频率且可以通过直播视频图像信息进行巡检，对于重要程度低的监控设备采用较低的巡检频率或可以通过录播视频图像信息进行巡检，而无需对所有的监控设备均采用同样的巡检参数进行巡检，解决了现有的视频监控质量巡检方法需对每个监控点进行统一检测而导致需要耗费大量的时间成本的问题，同时还可以对重要程度性低的监控设备采用录播视频图像信息进行巡检，从而减少数据的运算量，减少对CPU的占用量。
可选地，基于第一实施例，参照图4，所述步骤S20包括：
步骤S21，将所述设备参数输入所述预设决策树算法模型中进行轮询分组，并获取分组结果；
步骤S22，根据所述分组结果确定所述目标监控设备的巡检等级。
在本申请实施例中，在获取所述目标监控设备的设备参数后，调用预设决策树算法模型，将所述设备参数输入到所述预设决策树算法模型中，以供所述预设决策树算法模型根据所述设备参数进行轮询分组，进而输出对应的分组结果。
具体地，在得到一个层级对应的判断结果，分析所述判断结果，根据所述判断结果判断是否获取对应的叶子节点，若是，将所述叶子节点对应的分组结果作为所述目标监控设备的巡检等级；若否，继续对下一层级进行判断，直至获取对应的叶子节点。例如，基于图3所述的预设决策树算法模型示例图，所述预设决策树算法模型的第一层级对应的分组条件为“位置区域是否处于重点区域”，在所述目标监控设备对应的位置区域为重点区域时，说明所述目标监控设备满足所述分组条件，进而获取对应的叶子节点“分组1”，进而根据所述叶子节点对应的分组结果确定所述目标监控设备的巡检等级在所述目标监控设备对应的位置区域不属于重要区域区域时，说明所述目标监控设备不满足所述分组条件，进而进入下一层级的判断，直至获取到对应的叶子节点，即分组结果。
可选地，在获取所述预设决策树算法模型输出的分组结果后，根据所述分组结果确定所述目标监控设备的巡检等级，在具体实际操作过程中，提前预设了所述分组结果和巡检等级的对应关系，在获取对应的分组结果后，根据所述对应关系获取所述目标监控设备的巡检等级。
可选地，在又一实施例，在获取所述目标监控设备对应的设备参数后，将所述设备参数输入到所述预设决策树算法模型中，以供所述预设决策树算法模型根据所述设备参数执行决策树条件判断，进而获取对应的判断结果，进而根据所述判断结果获取对应的叶子节点，其中，所述叶子节点用于表征所述目标监控设备对应的巡检等级，进而根据所述叶子节点对应的巡检等级确定为所述目标监控设备对应的巡检等级。
在本申请实施例中，通过调用预设决策树算法模型，并将所述目标监控设备的设备参数输入到所述预设决策树算法模型中，以供所述预设决策树算法模型根据所述设备参数进行轮询分组，进而获取对应的分组结果，进而根据所述分组结果确定所述目标监控设备对应的巡检等级。本发明实施例提出的技术方案基于预设决策树算法模型确定巡检等级，将设备参数作为所述预设决策树算法模型的输入，进而获取对应的分组结果，进而根据所述分组结果确定对应的巡检等级，所述终端收集到所述目标监控设备的设备参数后直接参数逻辑运算，并且基于所述预设决策树算法模型进行逻辑判断，使得巡检等级的确定过程更加简单且方便。
可选地，基于第二实施例，参照图5，所述步骤S21包括：
步骤S211，在所述预设决策树算法模型的各个分组中确定所述设备参数满足分组条件的目标分组；
步骤S212，将所述目标分组作为所述分组结果，输出所述分组结果。
在本申请实施中，所述预设决策树算法模型中包括多个叶子节点，所述叶子节点用于表征对应的分组，即所述预设决策树算法模型包括多个分组。所述各个分组包括对应的分组条件，不同的分组对应的分组条件不同。例如，所述预设决策树算法模型中包括分组1，分组2，分组2，分组4，所述分组1对应的分组条件可以是“位置区域位于重点区域或调用频率大于50次/天或调用时长大于10分钟/次”，所述分组2对应的分组条件可以“位置区域不位于重点区域，调用频率大于40次/天，调用时长大于8分钟/次”，在所述目标监控设备的设备参数为位置区域位于重点区域时，可确定所述目标监控设备满足所述分组1的分组条件，进而将所述分组1确定为所述目标监控设备对应的目标分组。
可选地，确定所述目标分组后，基于所述目标分组确定分组结果，进而输出所述分组结果，以供所述终端根据所述分组结果确定所述目标监控设备的巡检等级。
在本申请实施例中，通过预设不同分组的分组条件，进而根据所述目标监控设备的设备参数获取对应的目标分组，即所述目标监控设备的设备参数满足所述目标分组对应的分组条件，本申请实施例基于所述预设决策树算法模型对应的分组条件进行逻辑判断，使得巡检等级的确定过程更加简单且方便。
可选地，基于上述所有实施例，参照图6，在获取所述目标监控设备对应的巡检等级后，所述步骤S30包括：
步骤S31，根据所述巡检参数获取所述目标监控设备对应的视频图像信息；
步骤S32，根据预设的视频图像质量评价方法对所述视频图像信息进行评估；
步骤S33，获取对应的评估结果并根据所述评估结果确定所述目标监控设备的运行状态。
在本申请实施例中，在获取所述目标监控设备对应的巡检等级后，根据所述巡检等级确定对应的巡检参数，以供终端根据所述巡检参数对所述目标监控设备进行巡检。
可选地，在获取所述巡检参数后，根据所述巡检参数获取所述目标监控设备对应的视频图像信息，其中，所述步骤S31还包括：
根据所述巡检参数对应的巡检频率获取所述目标监控设备对应的视频图像信息。
可选地，所述巡检参数包括巡检频率，在获取到所述巡检频率后，根据所述巡检频率周期性地获取所述目标监控设备对应的视频图像信息。可选地，所述巡检参数还包括巡检类型，在确定所述巡检类型后，判断所述巡检类型为直播巡检还是录播巡检，在所述巡检类型为录播巡检时，根据所述巡检频率周期性地获取所述目标监控设备对应的录播视频图像信息。可选地，所述巡检参数还包括巡检的监控设备数量，在相同的所述巡检等级对应的监控设备数量超过所述巡检的监控设备数量时，将超出的监控设备分配在下一分组中，例如，第一巡检等级对应的所述巡检的监控设备数量为50时，在对60台目标监控设备进行巡检等级的划分时，所述60台目标监控设备均属于第一巡检等级，即超出了所述巡检的监控设备数量，进而将所述60台的监控设备其中的50台确定为第一巡检等级，将除50台的监控设备之外的10台监控设备确定为第二巡检等级，并输出预警信息，以供后续根据所述预警信息调整所述巡检等级对应的巡检参数。可选地，所述巡检参数还包括单路超时时间。
可选地，在获取对应的视频图像信息后，根据预设的视频图像质量评价方法对所述视频图像信息进行评估，其中，所述预设的视频图像质量评价方法包括信号丢失检测方法、亮度异常检测方法、信号冻结检测方法、偏色检测方法、噪声干扰检测方法、清晰度检测方法、摄像头干扰检测方法和PTZ运动检测方法的至少一个。
可选地，不同的巡检等级对应的预设的视频图像质量评价方法可以相同，也可以不同。所述预设的视频图像质量评价方法可以是上述提及的视频图像质量评价方法的其中一种或多种。
可选地，在根据所述预设的视频图像质量评价进行评估后，获取对应的评估结果，所述评估结果可以包括合格或不合格，进而根据所述评估结果确定所述目标监控设备是否正常运行。若评估结果为合格时，所述目标监控设备正常运行，若所述评估结果为不合格时，所述目标监控设备不能正常运行，进而根据所述评估结果确定所述目标监控设备对应的故障原因，以供检修人员根据所述故障原因对所述目标监控设备进行维修。
本申请实施例中，通过预设的视频图像质量方法对所述目标监控设备对应的视频图像信息进行评估，进而获取对应的评估结果，进而根据所述评估结果快速确定所述目标监控设备的故障原因，提升了监控设备巡检的效率。
可选地，基于上述所有实施例，参照图7，所述步骤S30之后还包括：
步骤S40，记录并更新所述目标监控设备的设备参数。
步骤S50，获取预设时间时长内采集到的设备参数；
步骤S60，根据所述设备参数调整所述预设决策树算法模型内分组的分组条件。
在具体实施过程中，所述目标监控设备对应的设备参数参数可能会基于用户对所述目标监控设备的使用数据而产生变化，进而根据所述目标监控设备的设备参数确定所述目标监控设备对应的目标分组时，会出现目标分组对应的监控设备的数量偏少或是偏多的情况，例如，所述目标监控设备对应的目标分组为分组1，,在所述目标监控设备参数由调用频率50次/天变化为调用频率30次/天后，所述目标监控设备不再满足所述分组1的判断条件，进而导致分配到所述分组1的监控设备的数量减少，从而导致所述分组1对应的带宽以及CPU资源得不到充分利用。
基于此，在本申请实施例中，通过实时记录用户调用所述目标监控设备时所产生的设备参数，基于所述实时产生的设备参数实时更新所述目标监控设备对应的设备参数，例如，所述目标监控设备A当前的调用频率为50次/天，在获取所述当前的调用频率后，根据所述当前的调用频率更新所述目标监控设备A对应的调用频率为50次/天。
在获取更新后的设备参数后，获取预设时间时长内采集到的设备参数，根据所述设备参数调整所述预设决策树算法模型内分组的分组条件。所述调整所述预设决策树算法模型内分组的分组条件的具体实施方式可以是将增加或降低所述分组条件对应的条件阈值，所述具体实施方式还可以是调整所述分组条件对应的节点在所述预设决策树算法模型中的排列顺序。例如，所述预设决策树算法模型对应的原有的分组条件为“调用频率大于50次/天”，所述原有的分组条件对应的阈值为50次/天，可将所述阈值调整为40次/天，进而将所述分组条件更新为“调整频率大于40次/天”，又如，所述预设决策树算法模型对应的各个节点的排列顺序为“调用频率大于40次/天-调整频率大于10次/天”，在预设时间间隔内记录到所述目标监控设备对应的设备参数中的调整频率远大于之前的调整频率时，但调用频率远小于之前的调用频率时，可将所述预设决策树算法模型对应的各个节点的排列顺序调整为“调整频率大于10次/天-调用频率大于40次/天”。
在本申请实施例中，通过记录并更新预设时间间隔内的设备参数，进而基于所述更新后的设备参数调整所述预设决策树算法模型对应的判断条件，以使所述目标监控设备对应的分组更加合理，从而提高带宽以及CPU资源的利用率，避免资源的浪费。
此外，本发明实施例还提出一种基于决策树的视频监控质量巡检装置，所述基于决策树的视频监控质量巡检装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于决策树的视频监控质量巡检程序，所述基于决策树的视频监控质量巡检程序被所述处理器执行时实现如上所述的所有实施例的步骤。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于决策树的视频监控质量巡检程序，所述基于决策树的视频监控质量巡检程序被处理器执行时实现如上所述的所有实施例的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于决策树的视频监控质量巡检方法，其特征在于，所述基于决策树的视频监控质量巡检方法的步骤包括：
获取目标监控设备的设备参数，其中，所述设备参数包括所述目标监控设备的位置区域、调用频率、调用时长、录像调用频次以及调整频率中的至少一个；
根据所述设备参数以及预设决策树算法模型确定所述目标监控设备对应的巡检等级；
根据所述巡检等级对应的巡检参数对所述目标监控设备进行巡检，以获取所述目标监控设备的运行状态，其中，所述巡检参数包括巡检频率、巡检的监控设备数量、巡检类型以及单路超时时间的至少一个，不同巡检等级对应的巡检参数不同。
2.如权利要求1所述的基于决策树的视频监控质量巡检方法，其特征在于，所述根据所述设备参数以及预设决策树算法模型确定所述目标监控设备对应的巡检等级的步骤包括：
将所述设备参数输入所述预设决策树算法模型中进行轮询分组，并获取分组结果；
根据所述分组结果确定所述目标监控设备的巡检等级。
3.如权利要求2所述的基于决策树的视频监控质量巡检方法，其特征在于，所述预设决策树算法模型对所述设备参数进行轮询分组，输出分组结果的方式包括：
在所述预设决策树算法模型的各个分组中确定所述设备参数满足分组条件的目标分组；
将所述目标分组作为所述分组结果，输出所述分组结果。
4.如权利要求1所述的基于决策树的视频监控质量巡检方法，其特征在于，所述根据所述巡检等级对应的巡检参数对所述目标监控设备进行巡检的步骤包括：
根据所述巡检参数获取所述目标监控设备对应的视频图像信息；
根据预设的视频图像质量评价方法对所述视频图像信息进行评估；
获取对应的评估结果并根据所述评估结果确定所述目标监控设备的运行状态。
5.如权利要求4所述的基于决策树的视频监控质量巡检方法，其特征在于，所述根据所述巡检参数获取所述目标监控设备对应的视频图像的步骤包括：
根据所述巡检参数对应的巡检频率获取所述目标监控设备对应的视频图像信息。
6.如权利要求1所述的基于决策树的视频监控质量巡检方法，其特征在于，所述根据所述巡检等级对应的巡检参数对所述目标监控设备进行巡检的步骤之后还包括：
记录并更新所述目标监控设备的设备参数。
7.如权利要求6所述的基于决策树的视频监控质量巡检方法，其特征在于，所述记录并更新所述目标监控设备的设备参数的步骤之后，还包括：
获取预设时间时长内采集到的设备参数；
根据所述设备参数调整所述预设决策树算法模型内分组的分组条件。
8.如权利要求1至7任一项所述的基于决策树的视频监控质量巡检方法，其特征在于，所述根据所述设备参数确定所述目标监控设备对应的巡检等级的步骤之后，还包括：
根据所述设备等级对应的分配优先级确定所述目标监控设备对应的分配参数，其中，所述分配参数包括带宽分配参数以及CPU资源分配参数，不同的设备等级对应的分配参数不同；
按照所述分配参数向所述目标监控设备分配带宽以及CPU资源。
9.一种基于决策树的视频监控质量巡检装置，其特征在于，所述基于决策树的视频监控质量巡检装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于决策树的视频监控质量巡检程序，所述基于决策树的视频监控质量巡检程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于决策树的视频监控质量巡检方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于决策树的视频监控质量巡检程序，所述基于决策树的视频监控质量巡检程序被处理器执行时实现如权利要求1至8中任一项所述的基于决策树的视频监控质量巡检方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879237.1A CN113727092B (zh) | 2021-07-30 | 2021-07-30 | 基于决策树的视频监控质量巡检方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879237.1A CN113727092B (zh) | 2021-07-30 | 2021-07-30 | 基于决策树的视频监控质量巡检方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113727092A true CN113727092A (zh) | 2021-11-30 |
| CN113727092B CN113727092B (zh) | 2024-04-16 |
Family
ID=78674584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110879237.1A Active CN113727092B (zh) | 2021-07-30 | 2021-07-30 | 基于决策树的视频监控质量巡检方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113727092B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114550068A (zh) * | 2022-02-28 | 2022-05-27 | 北京掌尚信控科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN115103161A (zh) * | 2022-06-22 | 2022-09-23 | 重庆紫光华山智安科技有限公司 | 基于视频推进的巡防方法、系统、设备及介质 |
| CN118509581A (zh) * | 2024-07-22 | 2024-08-16 | 中电桑达电子设备(江苏)有限公司 | 视频监控质量巡检与故障预警方法和系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102932935A (zh) * | 2011-08-12 | 2013-02-13 | 中国移动通信集团公司 | 一种数据传输方法及移动终端 |
| CN103731643A (zh) * | 2014-01-17 | 2014-04-16 | 公安部第三研究所 | 一种视频监控网络质量巡检方法及系统 |
| CN106529771A (zh) * | 2016-10-19 | 2017-03-22 | 京能世纪物联网技术（北京）有限公司 | 配电室的巡检调度设备及配电室的运维管理系统 |
| CN107612847A (zh) * | 2016-07-12 | 2018-01-19 | 杭州萤石网络有限公司 | 一种带宽分配方法、装置及视频监控系统 |
| US20180202940A1 (en) * | 2011-01-26 | 2018-07-19 | Seescan Inc. | Self-leveling inspection systems and methods |
| CN108694420A (zh) * | 2017-04-06 | 2018-10-23 | 深圳市深水宝安水务集团有限公司 | 一种水厂巡检系统及方法 |
| CN110889565A (zh) * | 2019-12-19 | 2020-03-17 | 云南电网有限责任公司信息中心 | 一种基于多维矩阵决策的配网巡检周期计算方法 |
| CN111193904A (zh) * | 2019-12-17 | 2020-05-22 | 视联动力信息技术股份有限公司 | 巡检控制方法、装置及可读存储介质 |
| CN111355927A (zh) * | 2020-02-12 | 2020-06-30 | 视联动力信息技术股份有限公司 | 基于视联网的监控设备确定方法、装置、设备及存储介质 |
| CN111586350A (zh) * | 2020-04-19 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于带宽、优先级和无操作时间等参数调节码率的方法 |
| WO2020233155A1 (zh) * | 2019-05-23 | 2020-11-26 | 中国银联股份有限公司 | 一种巡检设备的方法及装置 |
| CN112437265A (zh) * | 2020-11-13 | 2021-03-02 | 杭州四方博瑞科技股份有限公司 | 适用于安防监控网络及其智能故障处理方法 |
| CN112598343A (zh) * | 2021-03-08 | 2021-04-02 | 上海有孚智数云创数字科技有限公司 | 一种对数据中心的风险巡检方法、装置、设备及存储介质 |
| CN115912621A (zh) * | 2022-10-26 | 2023-04-04 | 中铁第四勘察设计院集团有限公司 | 一种轨道交通变电所巡检方法及应用 |
-
2021
- 2021-07-30 CN CN202110879237.1A patent/CN113727092B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180202940A1 (en) * | 2011-01-26 | 2018-07-19 | Seescan Inc. | Self-leveling inspection systems and methods |
| CN102932935A (zh) * | 2011-08-12 | 2013-02-13 | 中国移动通信集团公司 | 一种数据传输方法及移动终端 |
| CN103731643A (zh) * | 2014-01-17 | 2014-04-16 | 公安部第三研究所 | 一种视频监控网络质量巡检方法及系统 |
| CN107612847A (zh) * | 2016-07-12 | 2018-01-19 | 杭州萤石网络有限公司 | 一种带宽分配方法、装置及视频监控系统 |
| CN106529771A (zh) * | 2016-10-19 | 2017-03-22 | 京能世纪物联网技术（北京）有限公司 | 配电室的巡检调度设备及配电室的运维管理系统 |
| CN108694420A (zh) * | 2017-04-06 | 2018-10-23 | 深圳市深水宝安水务集团有限公司 | 一种水厂巡检系统及方法 |
| WO2020233155A1 (zh) * | 2019-05-23 | 2020-11-26 | 中国银联股份有限公司 | 一种巡检设备的方法及装置 |
| CN111193904A (zh) * | 2019-12-17 | 2020-05-22 | 视联动力信息技术股份有限公司 | 巡检控制方法、装置及可读存储介质 |
| CN110889565A (zh) * | 2019-12-19 | 2020-03-17 | 云南电网有限责任公司信息中心 | 一种基于多维矩阵决策的配网巡检周期计算方法 |
| CN111355927A (zh) * | 2020-02-12 | 2020-06-30 | 视联动力信息技术股份有限公司 | 基于视联网的监控设备确定方法、装置、设备及存储介质 |
| CN111586350A (zh) * | 2020-04-19 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于带宽、优先级和无操作时间等参数调节码率的方法 |
| CN112437265A (zh) * | 2020-11-13 | 2021-03-02 | 杭州四方博瑞科技股份有限公司 | 适用于安防监控网络及其智能故障处理方法 |
| CN112598343A (zh) * | 2021-03-08 | 2021-04-02 | 上海有孚智数云创数字科技有限公司 | 一种对数据中心的风险巡检方法、装置、设备及存储介质 |
| CN115912621A (zh) * | 2022-10-26 | 2023-04-04 | 中铁第四勘察设计院集团有限公司 | 一种轨道交通变电所巡检方法及应用 |
Non-Patent Citations (1)
| Title |
|---|
| 卢光旭;: "巡检机器人在井场上的应用", 中国新技术新产品, no. 11, 10 June 2020 (2020-06-10) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114550068A (zh) * | 2022-02-28 | 2022-05-27 | 北京掌尚信控科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN115103161A (zh) * | 2022-06-22 | 2022-09-23 | 重庆紫光华山智安科技有限公司 | 基于视频推进的巡防方法、系统、设备及介质 |
| CN115103161B (zh) * | 2022-06-22 | 2024-08-16 | 重庆紫光华山智安科技有限公司 | 基于视频推进的巡防方法、系统、设备及介质 |
| CN118509581A (zh) * | 2024-07-22 | 2024-08-16 | 中电桑达电子设备(江苏)有限公司 | 视频监控质量巡检与故障预警方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113727092B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113727092A (zh) | 基于决策树的视频监控质量巡检方法及装置 | |
| CN109005556B (zh) | 一种基于用户话单的4g网络质量优化方法与系统 | |
| Picoreti et al. | Multilevel observability in cloud orchestration | |
| CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
| US10397844B2 (en) | Access point selection | |
| CN112650656B (zh) | 性能监控方法、装置、设备、服务器及存储介质 | |
| Xu et al. | Lightweight and adaptive service api performance monitoring in highly dynamic cloud environment | |
| CN112884159B (zh) | 模型更新系统、模型更新方法及相关设备 | |
| CN114430383B (zh) | 探测节点筛选方法、装置、电子设备和存储介质 | |
| CN105917625A (zh) | 使用附加数据的检测到的网络异常的分类 | |
| WO2024066331A1 (zh) | 网络异常检测方法、装置、电子设备及存储介质 | |
| CN114697618A (zh) | 一种基于移动终端的楼宇控制方法及系统 | |
| CN117093461A (zh) | 一种时延检测分析的方法、系统、设备和存储介质 | |
| CN112491719A (zh) | 网络节点的选择方法、设备及存储介质 | |
| CN114071232A (zh) | 音视频质量可视化方法及其装置、设备、介质、产品 | |
| WO2024165893A1 (en) | Recursive anomaly detection in communication networks | |
| JP2012186667A (ja) | ネットワーク障害検出装置、ネットワーク障害検出装置のネットワーク障害検出方法およびネットワーク障害検出プログラム | |
| CN114071233A (zh) | 音视频质量评价方法及其装置、设备、介质、产品 | |
| CN108063764B (zh) | 一种网络流量处理方法和装置 | |
| TWI510109B (zh) | 遞迴式異常網路流量偵測方法 | |
| CN114640600A (zh) | 网络服务质量分析方法、系统以及存储介质 | |
| CN113411236A (zh) | 质差路由器检测方法、装置、设备及存储介质 | |
| CN115082911A (zh) | 一种视频分析方法、装置及视频处理设备 | |
| Baneshi et al. | Analyzing Per-Application Energy Consumption in a Multi-Application Computing Continuum | |
| US11985048B2 (en) | Computerized system and method for an improved self organizing network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 518061 901, block a, building 2, Shenzhen Bay innovation and technology center, No. 3156, Keyuan South Road, community, high tech Zone, Yuehai street, Nanshan District, Shenzhen, Guangdong Patentee after: SHENZHEN ZNV TECHNOLOGY Co.,Ltd. Country or region after: China Patentee after: Nanjing Liwei Zhilian Technology Co.,Ltd. Address before: 518061 901, block a, building 2, Shenzhen Bay innovation and technology center, No. 3156, Keyuan South Road, community, high tech Zone, Yuehai street, Nanshan District, Shenzhen, Guangdong Patentee before: SHENZHEN ZNV TECHNOLOGY Co.,Ltd. Country or region before: China Patentee before: NANJING ZNV SOFTWARE Co.,Ltd. |