CN114205667B - 一种广播电视播出异态画面识别和故障分析系统 - Google Patents
一种广播电视播出异态画面识别和故障分析系统 Download PDFInfo
- Publication number
- CN114205667B CN114205667B CN202111465405.9A CN202111465405A CN114205667B CN 114205667 B CN114205667 B CN 114205667B CN 202111465405 A CN202111465405 A CN 202111465405A CN 114205667 B CN114205667 B CN 114205667B
- Authority
- CN
- China
- Prior art keywords
- picture
- broadcast
- abnormal
- broadcast television
- data
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 103
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 52
- 238000012360 testing method Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/4425—Monitoring of client processing errors or hardware failure
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种广播电视播出异态画面识别和故障分析系统，由采集模块获取广播电视节目播出监看视频、广播电视节目历史异态画面和广播电视播出链路状态，由处理模块转换成相应的数据，发送至分析模块，由智能检测单元采用人工智能神经网络预测算法，根据广播电视节目历史异态画面数据，建立广播电视异态画面识别模型，识别播出监看视频的异态画面，由智能分析单元根据异态画面识别结果，结合广播电视播出链路状态数据，建立广播电视故障分析模型，得出故障分析结果。
Description
技术领域
本发明属于广播电视技术领域，具体涉及一种播出监控技术。
背景技术
电视播出信号的监听监视是安全播出的重要组成部分，播出单位配备专职人员24小时值班，设置屏幕墙集中显示播出画面。值班人员实时监视画面，依赖人工发现并判断播出异常。随着播出节目增加、监控任务增多，人工监控暴露出一些问题。
现有的播出机房屏幕墙配置10-20个大屏，最多达到30-50个，每个屏幕显示8-16套节目，值班人员监控上百个活动画面，存在视觉盲区，不能同时兼顾，误报漏报多。部分异常画面停留不足0.5秒，难以被人眼捕捉，值班人员长期监看，存在视觉疲劳、注意力下降的现象，无法判断异常原因。部分播出机房配置屏幕录制、码流比对设备，辅助值班人员捕捉异常，基于硬件设备采集码流，系统复杂、成本高、灵活性差；机房现有摄像头监控不具备异态画面识别功能，采集屏幕墙视频时，节目画面并非正对摄像头，受拍摄角度和周边光线影响，对异态画面的识别准确度不高。
随着人工智能技术的发展，图像识别技术在公共安全、生物、工业、农业、交通、医疗等很多领域都有应用。但是少有在广播电视安全播出监看领域中应用人工智能技术，且没有通过人工智能图像识别播出异态画面从而定位和分析故障，不能很好的提高值班监控可靠性。
因此本发明提出了一种广播电视播出异态画面识别和故障分析系统，通过对广播电视历史异态画面数据的收集和处理，建立异态画面识别模型，对播出监看视频中自定义的检测区域，进行异常画面自动识别，并利用智能检测结果，代入故障节点定位模型和故障原因分析模型，辅助值班人员，有效提高值班监控的可靠性。
发明内容
本发明为了解决现有技术存在的问题，提出了一种广播电视播出异态画面识别和故障分析系统，为了实现上述目的，本发明采用了以下技术方案。
本发明提供一种广播电视播出异态画面识别和故障分析系统，采集、分析广播电视历史异态画面，通过训练样本数据，识别播出监看视频流中自定义检测区域中出现的播出异态画面，定位、分析播出故障。
系统包括采集模块、处理模块和分析模块，分析模块包括智能检测单元和智能分析单元；采集模块获取广播电视节目播出监看视频、广播电视节目历史异态画面和广播电视播出链路状态，由处理模块转换成相应的数据，发送至分析模块；智能检测单元采用人工智能神经网络预测算法，根据广播电视节目历史异态画面数据，建立广播电视异态画面识别模型，识别播出监看视频的异态画面；智能分析单元根据异态画面识别结果，结合广播电视播出链路状态数据，建立广播电视故障分析模型，得出故障分析结果。
进一步的，广播电视节目播出监看视频包括实时播出监看视频和录制播出监看视频，广播电视节目历史异态画面包括彩条画面、单色画面、测试卡画面，广播电视播出链路状态包括画面的状态、时间戳及其所在的通道名称、链路级别、通道级别。
具体的，广播电视实时监看视频包括专业摄像头拍摄的视频流、网络摄像头拍摄的视频流和专用广播电视视频采集设备采集的视频流，广播电视录制播出监看视频包括硬盘录像机录制的视频流、广播电视监看设备存储的视频流。
具体的，彩条画面包括50％彩条、75％彩条、100％彩条，单色画面包括黑色画面、灰色画面、绿色画面、白色画面，测试卡包括固定测试卡、内嵌图片测试卡、内嵌视频测试卡。
具体的，通道名称是广播电视各级监看节点的名称，包括信号源主、信号源备、倒换器主、倒换器备、编码器主、编码器备、复用器主、复用器备、发射主、发设备、空收；链路级别是监看节点所在链路的级别，包括信号源级、编码级、复用级、调制级、变频级、发射级、空收级和各级之间的倒换开关；通道级别是监看节点在同一链路级别中的主路、备路、辅路的级别；画面状态数据包括画面正常和画面异常。
用ai，j表示第i链路级别、第j通道级别的画面状态，t表示播出画面在视频中的时间戳表示广播电视播出链路状态数据，链路状态信息Si，j，t用公式表示，ai，j(t)＝0表示第i链路级别、第j通道的画面正常，ai，j(t)＞0表示第i链路级别、第j通道的画面出现彩条、单色或测试卡异常。
进一步的，处理模块转换数据包括图像处理，将播出监看视频分帧，自定义选取单个或多个检测节目区域；数据映射，将选取的检测节目区域和通道名称、通道级别一一对应；数据标注，将历史异态图像标注为彩条、测试卡和单色画面；数据转换，旋转、反转、平移图像，将图片尺寸调整为227*227像素，调节亮度做增强处理，数据归一化；数据记录，存储异态画面、帧序列、检测节目通道名称、时间戳和识别结果。
具体的，广播电视节目播出监看视频的数据处理，从内存中读取一帧监看视频数据，分帧并检查数据有效性，将图像尺寸重新设置为1024*768像素，将图像数据插入共享缓冲堆栈，若堆栈数量超过100，则弹出堆栈并清理内存，循环读取直至内存没有数据。
具体的，将预测结果和异态位置及其对应的通道名称标记在所检测的视频流图像中，标记内容包括正常、彩条不正常、单色画面不正常和测试卡不正常，标记位于每个检测区域的中间，存储异态类型、帧序列、节目通道名称、时间戳和预测结果，录制标记了异态信息的视频，供智能分析单元使用。
进一步的，智能检测单元采用随机数分类，将广播电视历史异态画面数据随机分成训练集和测试集；模型训练，将训练集作为输入数据，建立广播电视播出异态画面识别模型；数据测试，将测试集导入所述广播电视播出异态画面识别模型，检验模型的准确性；异态识别，用检验后的模型检测播出视频中任意节目区域，识别异态画面。
具体的，建立训练集和验证集文件夹，分别从广播电视历史异态画面数据中随机选取彩条、测试卡和单色画面图像，互不重复，训练集的图片数量是验证集的4倍，按照分类名称和编号的格式，从1开始递增，生成训练集标签文件和验证集标签文件，作为神经网络训练所需的LMDB文件，包括训练集数据库和验证集数据库，每个数据库包含data.mdb和lock.mdb两个文件。
具体的，配置训练轮次、损失函数权重和训练快照次数，加载三分类模型协议文件，设定训练批次，若训练轮次达到预设值，则训练进程保存模型快照，防止意外中断，供后继训练使用，若训练轮次达到上限值，保存训练好的模型文件并输出。
具体的，用静态图片、录制视频和实时监控流测试模型的识别准确率，若准确率未达到90％，则重新训练，并计算准确率，否则保存当前模型文件，输出训练模型，供智能检测单元调用。
具体的，智能检测单元加载训练好的异态识别模型文件、协议文件和分类文件，将处理后的数据输入神经网络模型，若大于预设的门限值，则输出异常结果，否则画面正常。
智能分析单元用公式Ei，j，t＝Si，j，t-Si，j，t-1建立广播电视故障分析模型，得到Ei，j，t播出链路状态变化矩阵，若Ei，j，t是零矩阵，则该时间点检测的播出视频无状态变化，否则该时间点、该链路级别、该通道级别的播出视频发生状态变化，判定故障类型或恢复结果。
进一步的，根据非零矩阵Ei，j，t找到发生数值变化的元素Si，j，t-1和Si，j，t，列出Si，j，t-1和Si，j，t对应的链路级别、通道级别、时间戳、帧数，生成播出系统历史记录，若该变化是升值的，则判定故障发生，提示某帧、某时间节点、某通道、某链路发生故障，否则判定故障恢复。
本发明的有益效果：本发明建立广播电视异态画面识别和故障分析系统，收集、分析广播电视历史异态播出画面，依靠高速度、高精度的异态识别模型识别播出画面异态；检测广播电视播出监看视频自定义区域，实时监控并判断多个自由组合画面，提醒值班人员注意；基于智能检测情况，建立故障定位和故障分析模型，快速、准确查找异常原因，提高了播出监管的全面性；填补了人工监管存在的盲区和风险隐患，降低人员疲劳、注意力下降导致的故障判断不及时和不准确的问题；基于广播电视异态画面识别模型进行智能检测，进一步优化检测效率和精度，提高了播出运行状态识别能力，给出智能决策分析，创新了安全播出的监控和管理模式。
附图说明
图1系统结构原理图，图2信息采集流程图，图3数据标注和转换流程图，图4监看视频数据处理流程图，图5异态识别与故障分析流程图，图6随机数分类流程图，图7模型训练流程图，图8模型测试流程图，图9异态识别流程图，图10映射标记流程图，图11智能分析流程图，图12是识别画面效果图，图13是增强图像效果图，图14是播出链路逻辑图。
具体实施方式
以下结合附图对本发明的技术方案做具体的说明。
系统包括采集模块、处理模块和分析模块，如图1所示，采集模块获取信息，由处理模块转换成相应的数据，发送至分析模块的智能检测单元和智能分析单元。
采集广播电视节目播出监看视频、广播电视节目历史异态画面和广播电视播出链路状态，如图2所示，广播电视节目播出监看视频包括实时播出监看视频和录制播出监看视频，广播电视节目历史异态画面包括彩条画面、单色画面、测试卡画面，广播电视播出链路状态包括画面的状态、时间戳及其所在的通道名称、链路级别、通道级别。
将异态图像分类标注为彩条、测试卡和单色画面，旋转、反转、平移图像，将图片尺寸调整为227*227像素，调节亮度做增强处理，数据归一化，如图3所示，提高不同环境下拍摄的画面识别准确度，效果如图13所示。
从内存中读取一帧监看视频数据，分帧并检查数据有效性，将图像尺寸重新设置为1024*768像素，将图像数据插入共享缓冲堆栈，若堆栈数量超过100，则弹出堆栈并清理内存，如图4所示，循环读取直至内存没有数据。
将预测结果和异态位置及其对应的通道名称标记在所检测的视频流图像中，如图10所示，标记内容包括正常、彩条不正常、单色画面不正常和测试卡不正常，标记位于每个检测区域的中间，如图12所示，存储异态类型、帧序列、节目通道名称、时间戳和预测结果，录制标记了异态信息的视频，供智能分析单元使用。
智能检测单元采用人工智能神经网络预测算法，根据广播电视节目历史异态画面数据，建立广播电视异态画面识别模型，识别播出监看视频的异态画面，如图5所示，智能分析单元根据异态画面识别结果，结合广播电视播出链路状态数据，建立广播电视故障分析模型，得出故障分析结果。
智能检测单元建立训练集和验证集文件夹，分别从广播电视历史异态画面数据中随机选取彩条、测试卡和单色画面图像，互不重复，训练集的图片数量是验证集的4倍，如图6所示，按照分类名称和编号的格式，从1开始递增，生成训练集标签文件和验证集标签文件，作为神经网络训练所需的LMDB文件，包括训练集数据库和验证集数据库，每个数据库包含data.mdb和lock.mdb两个文件。
智能检测单元配置训练轮次、损失函数权重和训练快照次数，加载三分类模型协议文件，如图7所示，设定训练批次，若训练轮次达到预设值，则训练进程保存模型快照，防止意外中断，供后继训练使用，若训练轮次达到上限值，保存训练好的模型文件并输出。
智能检测单元用静态图片、录制视频和实时监控流测试模型的识别准确率，如图8所示，若准确率未达到90％，则重新训练，并计算准确率，否则保存当前模型文件，输出训练模型，供智能检测单元调用。
智能检测单元加载训练好的异态识别模型文件、协议文件和分类文件，将处理后的数据输入神经网络模型，如图9所示，若大于预设的门限值，则输出异常结果，否则画面正常。
智能分析单元建立故障分析模型，通过异态画面识别信息、播出链路状态信息，加载输入模型，如图11所示，分析得到异态视频的发生时间、画面所在播出链路的级别、播出通道的级别、异态视频的分类和码流，溯源和定位故障及其发生顺序，通过故障原因分析模型，结合异态画面信息、异态画面类型、通道级别、异态画面时间戳，溯源和定位故障及其发生顺序，结合播出链路逻辑，如图14所示，分析故障原因，对决策步骤提出处理建议。
如下表所示，通道“信号源主”在297帧时分析结果为mono单色画面，“信号源主”链路级别为1，通道级别为1；通道“空收”为系统输出级，在304帧分析结果mono单色画面，链路级别为4，通道级别为1。297帧至304帧之间，倒换主、倒换备、DA主、DA备依据级别，依次输出异态消息。1025帧时“信号源主”恢复正常。
智能分析系统将智能检测系统识别的播出链路状态存入状态矩阵Si，j，t。
第1帧的状态矩阵所有画面状态都是正常，
直到第296帧状态矩阵画面状态都是正常，
第297帧状态矩阵画面状态发生变化，
分析故障矩阵，判定“信号源主”是造成故障起因。
继续分析状态数据，得到第297帧[信号源主]单色画面，引起[倒换主][倒换备][DA主][DA备][空收]单色画面；第708帧[倒换主]恢复，第709帧[倒换备]恢复，第710帧[DA主]恢复，第711帧[DA备]恢复，第712帧[空收]恢复；第1025帧[信号源主]恢复。
分析故障原因：信号源主发生异常，出现单色画面，倒换主、倒换备没有倒换，造成DA主、DA备、空收单色画面，408帧后倒换器动作，故障恢复；信号源主728帧后恢复。
如上表格发生的异常，画面中的异态画面区域和屏幕墙通道一一对应，根据信号流程业务逻辑，通过智能检测系统实时告警提示，并通过智能分析系统分析故障原因，辅助值班运维人员做出处理决策。
上述作为本发明的实施例，并不限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。
Claims (9)
1.一种广播电视播出异态画面识别和故障分析系统，包括：采集模块、处理模块和分析模块，分析模块包括智能检测单元和智能分析单元；采集模块获取广播电视节目播出监看视频、广播电视节目历史异态画面和广播电视播出链路状态，由处理模块转换成相应的数据，发送至分析模块；智能检测单元采用人工智能神经网络预测算法，根据广播电视节目历史异态画面数据，建立广播电视异态画面识别模型，识别播出监看视频的异态画面；智能分析单元根据异态画面识别结果，结合广播电视播出链路状态数据，建立广播电视故障分析模型，得出故障分析结果；
其特征在于，所述广播电视节目播出监看视频包括实时播出监看视频和录制播出监看视频，实时播出监看视频包括专业摄像头拍摄的视频流、网络摄像头拍摄的视频流和专用广播电视视频采集设备采集的视频流，录制播出监看视频包括硬盘录像机录制的视频流、广播电视监看设备存储的视频流；所述广播电视节目历史异态画面包括彩条画面、单色画面、测试卡画面，彩条画面包括50％彩条、75％彩条、100％彩条，单色画面包括黑色画面、灰色画面、绿色画面、白色画面，测试卡包括固定测试卡、内嵌图片测试卡、内嵌视频测试卡；广播电视播出链路状态包括画面的状态、时间戳及其所在的通道名称、链路级别、通道级别，画面状态数据包括画面正常和画面异常，通道名称是广播电视各级监看节点的名称，包括信号源主、信号源备、倒换器主、倒换器备、编码器主、编码器备、复用器主、复用器备、发射主、发设备、空收，链路级别是监看节点所在链路的级别，包括信号源级、编码级、复用级、调制级、变频级、发射级、空收级和各级之间的倒换开关，通道级别是监看节点在同一链路级别中的主路、备路、辅路的级别。
2.根据权利要求1所述的广播电视播出异态画面识别和故障分析系统，其特征在于，所述由处理模块转换成相应的数据，包括：图像处理，将播出监看视频分帧，自定义选取单个或多个检测节目区域；数据映射，将选取的检测节目区域和通道名称、通道级别一一对应；数据标注，将历史异态图像标注为彩条、测试卡和单色画面；数据转换，旋转、反转、平移图像，将图片尺寸调整为227*227像素，调节亮度做增强处理，数据归一化；
数据记录，存储异态画面、帧序列、检测节目通道名称、时间戳和识别结果。
3.根据权利要求2所述的广播电视播出异态画面识别和故障分析系统，其特征在于，所述图像处理，包括：从内存中读取一帧监看视频数据，分帧并检查数据有效性，将图像尺寸重新设置为1024*768像素，将图像数据插入共享缓冲堆栈，若堆栈数量超过100，则弹出堆栈并清理内存，循环读取直至内存没有数据。
4.根据权利要求3所述的广播电视播出异态画面识别和故障分析系统，其特征在于，所述数据映射，包括：将预测结果和异态位置及其对应的通道名称标记在所检测的视频流图像中，标记内容包括正常、彩条不正常、单色画面不正常和测试卡不正常，标记位于每个检测区域的中间，存储异态类型、帧序列、节目通道名称、时间戳和预测结果，录制标记了异态信息的视频，供智能分析单元使用。
5.根据权利要求2至4任一所述的广播电视播出异态画面识别和故障分析系统，其特征在于，所述广播电视播出链路状态数据，包括：用ai,j表示第i链路级别、第j通道级别的画面状态，t表示播出画面在视频中的时间戳，链路状态信息Si,j,t用公式 表示，ai,j(t)＝0表示第i链路级别、第j通道的画面正常，ai,j(t)>0表示第i链路级别、第j通道的画面出现彩条、单色或测试卡异常。
6.根据权利要求2所述的广播电视播出异态画面识别和故障分析系统，其特征在于，所述智能检测单元，包括：随机数分类，将广播电视历史异态画面数据随机分成训练集和测试集；模型训练，将训练集作为输入数据，建立广播电视播出异态画面识别模型；数据测试，将测试集导入所述广播电视播出异态画面识别模型，检验模型的准确性；异态识别，用检验后的模型检测播出视频中任意节目区域，识别异态画面。
7.根据权利要求6所述的广播电视播出异态画面识别和故障分析系统，其特征在于，所述随机数分类包括：建立训练集和验证集文件夹，分别从广播电视历史异态画面数据中随机选取彩条、测试卡和单色画面图像，互不重复，训练集的图片数量是验证集的4倍，按照分类名称和编号的格式，从1开始递增，生成训练集标签文件和验证集标签文件，作为神经网络训练所需的LMDB文件，包括训练集数据库和验证集数据库，每个数据库包含data.mdb和lock.mdb两个文件；所述模型训练包括：配置训练轮次、损失函数权重和训练快照次数，加载三分类模型协议文件，设定训练批次，若训练轮次达到预设值，则训练进程保存模型快照，防止意外中断，供后继训练使用，若训练轮次达到上限值，保存训练好的模型文件并输出；所述数据测试，包括：用静态图片、录制视频和实时监控流测试模型的识别准确率，若准确率未达到90％，则重新训练，并计算准确率，否则保存当前模型文件，输出训练模型，供智能检测单元调用；所述异态识别，包括：加载训练好的异态识别模型文件、协议文件和分类文件，将处理后的数据输入神经网络模型，若大于预设的门限值，则输出异常结果，否则画面正常。
8.根据权利要求5所述的广播电视播出异态画面识别和故障分析系统，其特征在于，所述智能分析单元，包括：用公式Ei,j,t＝Si,j,t-Si,j,t-1建立广播电视故障分析模型，得到Ei,j,t播出链路状态变化矩阵，若Ei,j,t是零矩阵，则时间戳t的播出画面与时间戳t-1的播出画面相比无状态变化，否则两个时间戳相比、该链路级别、该通道级别的播出视频发生状态变化，判定故障类型和恢复结果。
9.根据权利要求8所述的广播电视播出异态画面识别和故障分析系统，其特征在于，所述判定故障类型和恢复结果，包括：根据非零矩阵Ei,j,t找到发生数值变化的元素Si,j,t-1和Si,j,t，列出Si,j,t-1和Si,j,t对应的链路级别、通道级别、时间戳、帧数，生成播出系统历史记录，若该变化是升值的，则判定故障发生，提示某帧、某时间节点、某通道、某链路发生故障，否则判定故障恢复。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465405.9A CN114205667B (zh) | 2021-12-03 | 2021-12-03 | 一种广播电视播出异态画面识别和故障分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465405.9A CN114205667B (zh) | 2021-12-03 | 2021-12-03 | 一种广播电视播出异态画面识别和故障分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114205667A CN114205667A (zh) | 2022-03-18 |
| CN114205667B true CN114205667B (zh) | 2024-01-26 |
Family
ID=80650326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111465405.9A Active CN114205667B (zh) | 2021-12-03 | 2021-12-03 | 一种广播电视播出异态画面识别和故障分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114205667B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101022277A (zh) * | 2007-03-23 | 2007-08-22 | 广州人民广播电台 | 一种广播专家系统 |
| CN205320216U (zh) * | 2016-01-29 | 2016-06-15 | 广西电视台 | 一种全频道链路状态展示和应急切换提示系统 |
| CN110677725A (zh) * | 2019-10-31 | 2020-01-10 | 飞思达技术（北京）有限公司 | 一种基于互联网电视业务的音视频异态检测方法及系统 |
| CN111950494A (zh) * | 2020-08-20 | 2020-11-17 | 宁波广播电视集团 | 基于卷积神经网络的监控方法、装置及系统和可读存储介质 |
| CN113269134A (zh) * | 2021-06-17 | 2021-08-17 | 中国空间技术研究院 | 一种异常广播识别模型及其构建方法和使用方法 |
-
2021
- 2021-12-03 CN CN202111465405.9A patent/CN114205667B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101022277A (zh) * | 2007-03-23 | 2007-08-22 | 广州人民广播电台 | 一种广播专家系统 |
| CN205320216U (zh) * | 2016-01-29 | 2016-06-15 | 广西电视台 | 一种全频道链路状态展示和应急切换提示系统 |
| CN110677725A (zh) * | 2019-10-31 | 2020-01-10 | 飞思达技术（北京）有限公司 | 一种基于互联网电视业务的音视频异态检测方法及系统 |
| CN111950494A (zh) * | 2020-08-20 | 2020-11-17 | 宁波广播电视集团 | 基于卷积神经网络的监控方法、装置及系统和可读存储介质 |
| CN113269134A (zh) * | 2021-06-17 | 2021-08-17 | 中国空间技术研究院 | 一种异常广播识别模型及其构建方法和使用方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习神经网络技术的数字电视监测平台告警模型的研究;韦坚，刘爱娟，唐剑文;广播电视网络(2017年第7期);第78-82页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114205667A (zh) | 2022-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
| CN109980781B (zh) | 一种变电站智能监控系统 | |
| US8577082B2 (en) | Security device and system | |
| CN107959847A (zh) | 视频监控网络的视频诊断和运维管理系统及方法 | |
| CN107272637A (zh) | 一种视频监控系统故障自检自恢复控制系统及方法 | |
| CN110808945A (zh) | 一种基于元学习的小样本场景下网络入侵检测方法 | |
| CN107679471A (zh) | 基于视频监控平台的室内人员空岗检测方法 | |
| CN112583642B (zh) | 异常检测方法、模型、电子设备及计算机可读存储介质 | |
| CN112487891B (zh) | 一种应用于电力作业现场的视觉智能动态识别模型构建方法 | |
| CN108174198B (zh) | 一种视频图像质量诊断分析检测设备及应用系统 | |
| CN115457446A (zh) | 一种基于视频分析的异常行为监管系统 | |
| CN115065798A (zh) | 一种基于大数据的视频分析监控系统 | |
| CN109001210B (zh) | 一种人防门密封胶条老化龟裂检测系统及方法 | |
| CN211184122U (zh) | 铁路作业安全防控和大客流预警联动的智能视频分析系统 | |
| Szczodrak et al. | Behavior analysis and dynamic crowd management in video surveillance system | |
| CN115116004A (zh) | 一种基于深度学习的办公区域异常行为检测系统及方法 | |
| CN112069043A (zh) | 一种终端设备状态检测方法、模型生成方法以及装置 | |
| CN115146726A (zh) | 一种基于机器学习的智能运维中kpi异常预警方法 | |
| CN109151463B (zh) | 一种视频质量诊断系统及视频质量分析方法 | |
| CN114205667B (zh) | 一种广播电视播出异态画面识别和故障分析系统 | |
| KR101876624B1 (ko) | 디스플레이 장치의 표시부 정상상태를 무인 검사하는 방법 및 시스템 | |
| CN108073854A (zh) | 一种现场巡检的检测方法及装置 | |
| CN111062932A (zh) | 一种网络服务程序的监控方法 | |
| CN105187821A (zh) | 一种视频质量智能诊断分析系统 | |
| CN114039279A (zh) | 轨道交通站内的控制柜监控方法及系统 |
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 |