CN116503971A - 基于机器识别的音视频设备周期性自动巡检方法及系统 - Google Patents

基于机器识别的音视频设备周期性自动巡检方法及系统 Download PDF

Info

Publication number
CN116503971A
CN116503971A CN202310431340.9A CN202310431340A CN116503971A CN 116503971 A CN116503971 A CN 116503971A CN 202310431340 A CN202310431340 A CN 202310431340A CN 116503971 A CN116503971 A CN 116503971A
Authority
CN
China
Prior art keywords
audio
video equipment
video
equipment
fault
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.)
Pending
Application number
CN202310431340.9A
Other languages
English (en)
Inventor
曹晖
张新成
周红军
张智谋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Golden Bridge Information Technology Co ltd
Original Assignee
Shanghai Golden Bridge Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Golden Bridge Information Technology Co ltd filed Critical Shanghai Golden Bridge Information Technology Co ltd
Priority to CN202310431340.9A priority Critical patent/CN116503971A/zh
Publication of CN116503971A publication Critical patent/CN116503971A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7834—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using audio features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供基于机器识别的音视频设备周期性自动巡检方法及系统，所述方法包括以下步骤：预设对设备进行定期检查的动作，定时执行检查；通过摄像头记录设备行为；调取设备行为的历史记录，对比与当前的设备行为的差异；记录当前的检查操作流程的时间成本和产生结果，对比与历史记录下的时间成本和产生结果的差距；根标定音视频设备的故障严重程度；通过大量的音视频设备故障判断案例优化音视频设备的检查操作流程；判断音视频设备的故障和衰减程度；输出巡检记录。本发明通过远程指令调动设备定期获取设备状态，记录行为，并与历史记录比较，发现问题定位故障，输出高效的巡检记录报告，及时解决存在问题，实现低成本高效率的音视频设备巡检维护。

Description

基于机器识别的音视频设备周期性自动巡检方法及系统
技术领域
本发明涉及音视频巡检技术领域，具体而言，涉及一种基于机器识别的音视频设备周期性自动巡检方法及系统。
背景技术
随着信息化社会的建设，对视频、图像、文字、声音语言信息的交流已提高到了一个新的水平。
对于企业和公司内的音视频会议系统，为满足系统长时间稳定工作，符合系统满负荷运营的安全性和可靠性，对音视频设备的定期维护成为关乎系统运行的重要组成部分。
然而，由于人力、时间等诸多制约因素，在很多情况下会出现设备管理不到位，状态更新不及时，人工管理成本大等问题。
发明内容
鉴于此，本发明的目的在于设计一种基于机器识别从周期性自动化巡检方法，为巡检设备状态、统计设备寿命和定位设备故障等提供高效、可重新和低成本有效的解决方案，及时推送发现的问题并得到高效解决，以达到优化音视频系统的效果，实现巡检操作流程的降本增效。
本发明提供基于机器识别的音视频设备周期性自动巡检方法，包括以下步骤：
S1、预设对音视频设备进行定期检查的动作，并定时执行检查操作；
S2、通过摄像头记录音视频设备行为；
S3、调取音视频设备行为的历史记录，对比与当前的音视频设备行为的差异；
S4、记录当前的检查操作流程依据响应速度、反馈时效和指令效果所得出的时间成本和产生结果，对比与历史记录下的时间成本和产生结果的差距；
S5、根据音视频设备的故障标准，标定音视频设备的故障严重程度；
S6、通过大量的音视频设备故障判断案例，优化音视频设备的检查操作流程；
S7、判断音视频设备的故障和衰减程度；
S8、输出巡检记录，所述巡检记录的内容包括：设备运行状态表、设备衰减报告和故障分析报告。
进一步地，所述S6步骤的优化音视频设备的检查操作流程的方法包括以下步骤：
S61、通过巡检摄像机收集音视频设备的画面和声音及操作记录的原始数据；
S62、分析所述原始数据，计算原始数据中的响应速度、反馈时效和指令效果数据(关键数据)，确定相关系数；
S63、按特征选择对操作动作进行分类，对关键操作对应的变量进行标记；
S64、建立机器学习模型，输入参数和变量，对机器学习模型进行训练；
S65、优化模型参数：通过不断的周期性巡检数据优化模型参数，使得模型参数更精准。
进一步地，所述S63步骤的按特征选择对操作动作进行分类，对关键操作对应的变量进行标记的方法包括：
以开启、关闭、输入音视频信号、切换信号通道、输出音视频的音量和分辨率，划分多种关键操作的分类；标记关键操作的连接状态、响应速度、输出质量结果，与历史记录的连接状态、响应速度、输出质量结果(1、30、100天前等)进行比对，记录结果差距的百分比，3％内为正常、3％-10％为轻微异常，10％以上为异常标记。
进一步地，所述S64步骤的建立机器学习模型的方法包括：
使用卷积神经网络CNN，将收集到的音视频记录转化成图片，对操作动作的结果进行检测，判断执行的操作动作是否符合规定的质量结果，即开关操作是否让设备启动和关闭，对应的指示灯是否亮起熄灭，输出的音频响度分贝效果是否达标，测量仪器显示数据是否达标，例如目标分贝65，实际分贝64等数据特征；
通过池化层逐渐缩小表示的空间的大小，精确定位特征所在位置，提高计算效率；
加入标准化层对数据进行正则化处理，改善神经网络的性能和稳定性；
通过全连接层将一层中的各个神经元与另一层中的所有神经元相连；最终得到输出后的最优化模型。
可以根据输入的设备信息、操作内容和历史记录对比，对设备运行状况、使用健康状况和需要进行的操作建议给出报告。
进一步地，所述S64步骤的输入参数和变量的方法包括：
输入音视频设备的品牌、型号、年限等基本信息，控制发送指令的数量和时间频率。
进一步地，所述S62步骤的计算原始数据中的响应速度的方法包括：
响应速度＝设备健康度/(操作结束时间-操作开始时间)；
设备健康度＝(剩余使用年限/预计可用年限)*品牌可靠系数*型号稳定指数。
音视频设备的响应速度取决于设备的品牌、型号、已用年限等因素。
本发明还提供基于机器识别的音视频设备周期性自动巡检系统，执行如上述所述的基于机器识别的音视频设备周期性自动巡检方法，包括：
远程指令序列执行模块：用于预设对音视频设备进行定期检查的动作，并定时执行检查操作；
巡检摄像采集记录模块：用于通过摄像头记录音视频设备行为；
历史记录比对模块：用于调取音视频设备行为的历史记录，对比与当前的音视频设备行为的差异；
定位差异模块：用于记录当前的检查操作流程依据响应速度、反馈时效和指令效果所得出的时间成本和产生结果，对比与历史记录下的时间成本和产生结果的差距；
标定故障模块：根据音视频设备的故障标准，标定音视频设备的故障严重程度；
机器学习模块：通过大量的音视频设备故障判断案例，优化音视频设备的检查操作流程；
机器判定模块：用于判断音视频设备的故障和衰减程度；
输出报告模块：用于输出巡检记录，所述巡检记录的内容包括：设备运行状态表、设备衰减报告和故障分析报告。
进一步地，所述机器学习模块包括：
数据收集子模块：通过巡检摄像机收集音视频设备的画面和声音及操作记录的原始数据；
数据分析子模块：用于分析所述原始数据，计算原始数据中的响应速度、反馈时效和指令效果数据(关键数据)，确定相关系数；
操作分类子模块：用于按特征选择对操作动作进行分类，对关键操作对应的变量进行标记；
模型训练子模块：用于建立机器学习模型，输入参数和变量，对机器学习模型进行训练；
优化模型子模块：通过不断的周期性巡检数据优化模型参数，使得模型参数更精准。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述所述的基于机器识别的音视频设备周期性自动巡检方法，以及如上述所述的基于机器识别的音视频设备周期性自动巡检系统。
本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于机器识别的音视频设备周期性自动巡检方法，以及如上述所述的基于机器识别的音视频设备周期性自动巡检系统。
与现有技术相比，本发明的有益效果在于：
本发明通过基于机器识别的周期性自动巡检方法对音视频设备进行巡检维护，通过远程指令调动设备，定期获取音视频设备状态，记录行为，并与历史记录比较，发现问题定位故障，输出高效的巡检记录报告，能够及时解决存在的问题，并且有效地判断设备年限，优化采购方案，实现了低成本高效率的音视频设备巡检维护。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
在附图中：
图1为本发明基于机器识别的音视频设备周期性自动巡检方法的流程图；
图2为本发明实施例计算机设备的构成示意图；
图3为本发明实施例自动巡检的流程框图；
图4为本发明实施例S6步骤的优化音视频设备的检查操作流程的方法流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和产品的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图对本发明实施例作进一步详细说明。
本发明实施例提供基于机器识别的音视频设备周期性自动巡检方法，参见图1所示，包括如下步骤：
S1、预设对音视频设备进行定期检查的动作，并定时执行检查操作；
S2、通过摄像头记录音视频设备行为；
S3、调取音视频设备行为的历史记录，对比与当前的音视频设备行为的差异；
S4、记录当前的检查操作流程依据响应速度、反馈时效和指令效果所得出的时间成本和产生结果，对比与历史记录下的时间成本和产生结果的差距；
S5、根据音视频设备的故障标准，标定音视频设备的故障严重程度；
S6、通过大量的音视频设备故障判断案例，优化音视频设备的检查操作流程；
所述优化音视频设备的检查操作流程的方法，参见图4所示，包括以下步骤：
S61、通过巡检摄像机收集音视频设备的画面和声音及操作记录的原始数据；
S62、分析所述原始数据，计算原始数据中的响应速度、反馈时效和指令效果数据(关键数据)，确定相关系数；
所述计算原始数据中的响应速度的方法包括：
响应速度＝设备健康度/(操作结束时间-操作开始时间)；
设备健康度＝(剩余使用年限/预计可用年限)*品牌可靠系数*型号稳定指数。
音视频设备的响应速度取决于设备的品牌、型号、已用年限等因素。
S63、按特征选择对操作动作进行分类，对关键操作对应的变量进行标记；
所述按特征选择对操作动作进行分类，对关键操作对应的变量进行标记的方法包括：
以开启、关闭、输入音视频信号、切换信号通道、输出音视频的音量和分辨率，划分多种关键操作的分类；标记关键操作的连接状态、响应速度、输出质量结果，与历史记录的连接状态、响应速度、输出质量结果(1、30、100天前等)进行比对，记录结果差距的百分比，3％内为正常、3％-10％为轻微异常，10％以上为异常标记。
本实施例通过远程控制设备执行一系列操作，最终表现为音视频显示扩声设备的一系列规定动作，将其记录下来，通过摄像机采集现场执行动作的画面和声音，与历史音视频记录(例如：1、30、100天前)基于人工智能卷积算法cnn，进行机器识别与比对，基于音视频产品检测测试标准GB 8898；IEC/EN 60065，输出报告包含：
(1)音视频系统状态是否正常；
(2)音视频设备的衰减程度；
(3)音视频设备是否有故障。
S64、建立机器学习模型，输入参数和变量，对机器学习模型进行训练；
所述建立机器学习模型的方法包括：
使用卷积神经网络CNN，将收集到的音视频记录转化成图片，对操作动作的结果进行检测，判断执行的操作动作是否符合规定的质量结果，即开关操作是否让设备启动和关闭，对应的指示灯是否亮起熄灭，输出的音频响度分贝效果是否达标，测量仪器显示数据是否达标，例如目标分贝65，实际分贝64等数据特征；
通过池化层逐渐缩小表示的空间的大小，精确定位特征所在位置，提高计算效率；
加入标准化层对数据进行正则化处理，改善神经网络的性能和稳定性；
通过全连接层将一层中的各个神经元与另一层中的所有神经元相连；最终得到输出后的最优化模型。
可以根据输入的设备信息、操作内容和历史记录对比，对设备运行状况、使用健康状况和需要进行的操作建议给出报告。
所述输入参数和变量的方法包括：
输入音视频设备的品牌、型号、年限等基本信息，控制发送指令的数量和时间频率。
S65、优化模型参数：通过不断的周期性巡检数据优化模型参数，使得模型参数更精准。
S7、判断音视频设备的故障和衰减程度；
S8、输出巡检记录，所述巡检记录的内容包括：设备运行状态表、设备衰减报告和故障分析报告。
参见图3所示为本发明实施例自动巡检的流程框图。
本发明实施例还提供基于机器识别的音视频设备周期性自动巡检系统，执行如上述所述的基于机器识别的音视频设备周期性自动巡检方法，包括：
远程指令序列执行模块：用于预设对音视频设备进行定期检查的动作，并定时执行检查操作；
巡检摄像采集记录模块：用于通过摄像头记录音视频设备行为；
历史记录比对模块：用于调取音视频设备行为的历史记录，对比与当前的音视频设备行为的差异；
定位差异模块：用于记录当前的检查操作流程依据响应速度、反馈时效和指令效果所得出的时间成本和产生结果，对比与历史记录下的时间成本和产生结果的差距；
标定故障模块：根据音视频设备的故障标准，标定音视频设备的故障严重程度；
机器学习模块：通过大量的音视频设备故障判断案例，优化音视频设备的检查操作流程；
所述机器学习模块包括：
数据收集子模块：通过巡检摄像机收集音视频设备的画面和声音及操作记录的原始数据；
数据分析子模块：用于分析所述原始数据，计算原始数据中的响应速度、反馈时效和指令效果数据(关键数据)，确定相关系数；
操作分类子模块：用于按特征选择对操作动作进行分类，对关键操作对应的变量进行标记；
模型训练子模块：用于建立机器学习模型，输入参数和变量，对机器学习模型进行训练；
优化模型子模块：通过不断的周期性巡检数据优化模型参数，使得模型参数更精准。
机器判定模块：用于判断音视频设备的故障和衰减程度；
输出报告模块：用于输出巡检记录，所述巡检记录的内容包括：设备运行状态表、设备衰减报告和故障分析报告。
本发明实施例还提供一种计算机设备，图2是本发明实施例提供的一种计算机设备的结构示意图；参见附图图2所示，该计算机设备包括：输入装置23、输出装置24、存储器22和处理器21；所述存储器22，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器21执行，使得所述一个或多个处理器21实现如上述实施例提供的基于机器识别的音视频设备周期性自动巡检方法；其中输入装置23、输出装置24、存储器22和处理器21可以通过总线或者其他方式连接，图2中以通过总线连接为例。
存储器22作为一种计算设备可读写存储介质，可用于存储软件程序、计算机可执行程序，如本发明实施例所述的基于机器识别的音视频设备周期性自动巡检方法对应的程序指令；存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等；此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件；在一些实例中，存储器22可进一步包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置23可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入；输出装置24可包括显示屏等显示设备。
处理器21通过运行存储在存储器22中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于机器识别的音视频设备周期性自动巡检方法。
上述提供的计算机设备可用于执行上述实施例提供的基于机器识别的音视频设备周期性自动巡检方法，具备相应的功能和有益效果。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的基于机器识别的音视频设备周期性自动巡检方法，存储介质是任何的各种类型的存储器设备或存储设备，存储介质包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等；存储介质可以还包括其它类型的存储器或其组合；另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统；第二计算机系统可以提供程序指令给第一计算机用于执行。存储介质包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上实施例所述的基于机器识别的音视频设备周期性自动巡检方法，还可以执行本发明任意实施例所提供的基于机器识别的音视频设备周期性自动巡检方法中的相关操作。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于机器识别的音视频设备周期性自动巡检方法，其特征在于，包括：
S1、预设对音视频设备进行定期检查的动作，并定时执行检查操作；
S2、通过摄像头记录音视频设备行为；
S3、调取音视频设备行为的历史记录，对比与当前的音视频设备行为的差异；
S4、记录当前的检查操作流程依据响应速度、反馈时效和指令效果所得出的时间成本和产生结果，对比与历史记录下的时间成本和产生结果的差距；
S5、根据音视频设备的故障标准，标定音视频设备的故障严重程度；
S6、通过大量的音视频设备故障判断案例，优化音视频设备的检查操作流程；
S7、判断音视频设备的故障和衰减程度；
S8、输出巡检记录，所述巡检记录的内容包括：设备运行状态表、设备衰减报告和故障分析报告。
2.根据权利要求1所述的基于机器识别的音视频设备周期性自动巡检方法，其特征在于，所述S6步骤的优化音视频设备的检查操作流程的方法包括以下步骤：
S61、通过巡检摄像机收集音视频设备的画面和声音及操作记录的原始数据；
S62、分析所述原始数据，计算原始数据中的响应速度、反馈时效和指令效果数据，确定相关系数；
S63、按特征选择对操作动作进行分类，对关键操作对应的变量进行标记；
S64、建立机器学习模型，输入参数和变量，对机器学习模型进行训练；
S65、优化模型参数：通过不断的周期性巡检数据优化模型参数，使得模型参数更精准。
3.根据权利要求2所述的基于机器识别的音视频设备周期性自动巡检方法，其特征在于，所述S63步骤的按特征选择对操作动作进行分类，对关键操作对应的变量进行标记的方法包括：
以开启、关闭、输入音视频信号、切换信号通道、输出音视频的音量和分辨率，划分多种关键操作的分类；标记关键操作的连接状态、响应速度、输出质量结果，与历史记录的连接状态、响应速度、输出质量结果进行比对，记录结果差距的百分比，3％内为正常、3％-10％为轻微异常，10％以上为异常标记。
4.根据权利要求2所述的基于机器识别的音视频设备周期性自动巡检方法，其特征在于，所述S64步骤的建立机器学习模型的方法包括：
使用卷积神经网络CNN，将收集到的音视频记录转化成图片，对操作动作的结果进行检测，判断执行的操作动作是否符合规定的质量结果；
通过池化层逐渐缩小表示的空间的大小，精确定位特征所在位置，提高计算效率；
加入标准化层对数据进行正则化处理，改善神经网络的性能和稳定性；
通过全连接层将一层中的各个神经元与另一层中的所有神经元相连；最终得到输出后的最优化模型。
5.根据权利要求2所述的基于机器识别的音视频设备周期性自动巡检方法，其特征在于，所述S64步骤的输入参数和变量的方法包括：
输入音视频设备的品牌、型号、年限基本信息，控制发送指令的数量和时间频率。
6.根据权利要求2所述的基于机器识别的音视频设备周期性自动巡检方法，其特征在于，所述S62步骤的计算原始数据中的响应速度的方法包括：
响应速度＝设备健康度/(操作结束时间-操作开始时间)；
设备健康度＝(剩余使用年限/预计可用年限)*品牌可靠系数*型号稳定指数。
7.基于机器识别的音视频设备周期性自动巡检系统，其特征在于，执行权利要求1-6任一项所述的基于机器识别的音视频设备周期性自动巡检方法，包括：
远程指令序列执行模块：用于预设对音视频设备进行定期检查的动作，并定时执行检查操作；
巡检摄像采集记录模块：用于通过摄像头记录音视频设备行为；
历史记录比对模块：用于调取音视频设备行为的历史记录，对比与当前的音视频设备行为的差异；
定位差异模块：用于记录当前的检查操作流程依据响应速度、反馈时效和指令效果所得出的时间成本和产生结果，对比与历史记录下的时间成本和产生结果的差距；
标定故障模块：根据音视频设备的故障标准，标定音视频设备的故障严重程度；
机器学习模块：通过大量的音视频设备故障判断案例，优化音视频设备的检查操作流程；
机器判定模块：用于判断音视频设备的故障和衰减程度；
输出报告模块：用于输出巡检记录，所述巡检记录的内容包括：设备运行状态表、设备衰减报告和故障分析报告。
8.根据权利要求7所述的基于机器识别的音视频设备周期性自动巡检方法，其特征在于，所述机器学习模块包括：
数据收集子模块：通过巡检摄像机收集音视频设备的画面和声音及操作记录的原始数据；
数据分析子模块：用于分析所述原始数据，计算原始数据中的响应速度、反馈时效和指令效果数据(关键数据)，确定相关系数；
操作分类子模块：用于按特征选择对操作动作进行分类，对关键操作对应的变量进行标记；
模型训练子模块：用于建立机器学习模型，输入参数和变量，对机器学习模型进行训练；
优化模型子模块：通过不断的周期性巡检数据优化模型参数，使得模型参数更精准。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-6任一项所述的基于机器识别的音视频设备周期性自动巡检方法，以及权利要求7或8所述的基于机器识别的音视频设备周期性自动巡检系统。
10.一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于机器识别的音视频设备周期性自动巡检方法，以及权利要求7或8所述的基于机器识别的音视频设备周期性自动巡检系统。
CN202310431340.9A 2023-04-20 2023-04-20 基于机器识别的音视频设备周期性自动巡检方法及系统 Pending CN116503971A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310431340.9A CN116503971A (zh) 2023-04-20 2023-04-20 基于机器识别的音视频设备周期性自动巡检方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310431340.9A CN116503971A (zh) 2023-04-20 2023-04-20 基于机器识别的音视频设备周期性自动巡检方法及系统

Publications (1)

Publication Number Publication Date
CN116503971A true CN116503971A (zh) 2023-07-28

Family

ID=87327821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310431340.9A Pending CN116503971A (zh) 2023-04-20 2023-04-20 基于机器识别的音视频设备周期性自动巡检方法及系统

Country Status (1)

Country Link
CN (1) CN116503971A (zh)

Similar Documents

Publication Publication Date Title
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
KR102432284B1 (ko) It관리대상의 이벤트 알람이나 장애 문제를 실시간 자동으로 조치하는 시스템 및 그 운용방법
CN114911800A (zh) 电力系统的故障预测方法、装置以及电子设备
US20140278338A1 (en) Stream input reduction through capture and simulation
CN114780810A (zh) 数据处理方法、装置、存储介质及电子设备
CN112463957B (zh) 非结构化文本日志流的摘要提取方法和装置
CN113691801A (zh) 基于视频图像分析的视频监控设备故障监测方法及系统
CN116503971A (zh) 基于机器识别的音视频设备周期性自动巡检方法及系统
CN111338876B (zh) 一种故障模式与影响分析的决策方法、系统及存储介质
CN112128950A (zh) 一种基于多种模型对比的机房温湿度预测方法及系统
KR102222734B1 (ko) 가상센서를 이용한 제어 출력값 제공 시스템
CN114550129B (zh) 一种基于数据集的机器学习模型处理方法和系统
CN115793990A (zh) 存储器健康状态确定方法、装置、电子设备及存储介质
CN112153341B (zh) 一种任务监督方法、装置、系统、电子设备及存储介质
CN112885049A (zh) 基于运行数据的智能电缆预警系统、方法及装置
CN116450632B (zh) 地理样本数据质量评估方法、设备及存储介质
CN112579391A (zh) 一种基于人工智能的分布式数据库自动运维方法及系统
CN111553408A (zh) 视频识别软件自动测试的方法
CN117439899B (zh) 一种基于大数据的通信机房巡检方法及系统
CN116431378B (zh) 一种产品嵌入式系统故障数据分析方法
US20240070130A1 (en) Methods And Systems For Identifying And Correcting Anomalies In A Data Environment
CN115952064B (zh) 一种面向分布式系统的多组件故障解释方法及装置
CN115982622B (zh) 核反应堆冷却剂系统运行瞬态快速识别方法、装置及系统
CN117194049B (zh) 一种基于机器学习算法的云主机智能行为分析方法及系统
US20210303220A1 (en) Information processing system, information processing apparatus, and non-transitory computer readable medium

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