CN117676093A - 一种基于云服务的远程无线视频监控系统 - Google Patents
一种基于云服务的远程无线视频监控系统 Download PDFInfo
- Publication number
- CN117676093A CN117676093A CN202311746351.2A CN202311746351A CN117676093A CN 117676093 A CN117676093 A CN 117676093A CN 202311746351 A CN202311746351 A CN 202311746351A CN 117676093 A CN117676093 A CN 117676093A
- Authority
- CN
- China
- Prior art keywords
- value
- monitoring
- definition
- illumination intensity
- sub
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 227
- 239000000523 sample Substances 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 238000005286 illumination Methods 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000001276 controlling effect Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000000630 rising effect Effects 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及视频监控技术领域,本发明公开了一种基于云服务的远程无线视频监控系统;包括采集监控探头的历史训练数据集合,训练预测出画面分辨率的机器学习模型,判定是否生成清晰度预警提示,基于实时的画面分辨率与预测的画面分辨率,获得分辨率差值,生成清晰度级别,基于清晰度级别,生成监控调控指令,根据监控调控指令,控制监控探头优化运行或停机维护;相对于现有技术,能够及时的发现视频监控系统的异常数据并预警,在预警的基础上制定与异常数据相适应的优化调控措施,提高监控探头的视频监控画面清晰度,避免视频监控画面出现模糊不清的现象,极大的提高了视频监控系统的视频监控质量。
Description
技术领域
本发明涉及视频监控技术领域,更具体地说,本发明涉及一种基于云服务的远程无线视频监控系统。
背景技术
视频监控是安全防范系统的重要组成部分,它是一种防范能力较强的综合系统,视频监控以其直观、准确、及时和信息内容丰富而广泛应用于许多场合,随着视频监控技术的不断发展,用户对视频监控的要求也越来越高,从而开始将云服务技术与视频监控系统进行整合,实现远程无线视频监控的效果,满足用户需求。
申请公开号为CN101753993A的中国专利公开了一种结合无线传感器网络的远程视频监控系统,其采用Z igbee无线传感器网络技术,构建低功耗,自组织,自恢复的无线监控网络,避免了传统电缆布线监控网络布置困难,系统成本高,安装维护难度大的缺点,无线传感器节点采用两节5号电池供电,既适用于一般的家居安防监测环境,也适用于一些工作人员无法长期滞留的监测环境,使得该监控系统具有更广泛的应用;
现有技术存在以下不足:
目前的视频监控系统需要依靠终端的监控探头对视频监控画面进行采集,由于监控探头通常直接安装在外界环境中,在长时间运行使用后,使得监控探头的画面清晰度容易受到光照和污渍等外部的负面影响,且监控探头自身内部的温度变化也会对画面清晰度造成内部的负面影响,导致视频监控系统无法获取到高分辨率的清晰视频监控画面,无法对视频监控系统的实际视频监控质量进行分析评估,不能及时的发现异常情况,进而降低了视频监控系统的监控质量。
鉴于此,本发明提出一种基于云服务的远程无线视频监控系统以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,为实现上述目的,本发明提供如下技术方案:一种基于云服务的远程无线视频监控系统,应用于云服务器,包括:
数据采集模块,采集监控探头的历史训练数据集合,历史训练数据集合包括综合监控参数和画面分辨率;
模型训练模块,基于历史训练数据集合,训练预测出画面分辨率的机器学习模型;
预警提示模块,采集实时的综合故障参数,并基于训练完成的机器学习模型预测出实时的画面分辨率,判定是否生成清晰度预警提示;
级别划分模块,基于实时的画面分辨率与预测的画面分辨率,获得分辨率差值,根据分辨率差值,生成清晰度级别;
指令控制模块,基于清晰度级别,生成监控调控指令;根据监控调控指令,控制监控探头优化运行或停机维护。
进一步的,综合监控参数包括额定分辨率、光照强度误差值、镜头污渍占比值和传感器温度波动值;
光照强度误差值的获取方法包括:
通过监控探头的设计参数表获取额定分辨率对应的标准光照强度值;
通过监控探头上安装的光照强度传感器采集连续i个时间点对应的实际光照强度值;
将i个时间点对应的实际光照强度值逐一与标准光照强度值进行差值比较,获得i个误差值;
误差值的表达式为:
GZwci=|GZsji-GZbz|;
式中,GZwci为第i个误差值,GZsji为第i个实际光照强度值,GZbz为标准光照强度值;
将第i个误差值与第i-1个误差值进行差值比较,获得i-1个子误差值;
子误差值的表达式为:
GZzi-1=|GZwci-GZwci-1|;
式中,GZzi-1为第i-1个子误差值,GZwci-1为第i-1个误差值;
去除i-1个子误差值中的最大值和最小值,将余下的i-3个子误差值累加后求平均,获得光照强度误差值;
光照强度误差值的表达式为:
式中,GZqd为光照强度误差值,GZza为第a个子误差值。
进一步的,镜头污渍占比值的获取方法包括:
将监控探头拍摄的监控视频截取一帧后,获得实时图像;
通过云服务器内部署的OpenCV计算机视觉库识别斑点,并基于边缘检测技术获取实时图像中的斑点位置;
沿斑点位置的边界描绘获得封闭的斑点区域,并在斑点区域内标记所有的像素点所在位置;
将实时图像按照预设长度和宽度划分为w个小方格,并统计每一个小方格内的像素点数量;
将像素点数量大于等于预设像素点阈值的小方格记为有效小方格,有效小方格的面积记为子污渍面积;
遍历w个小方格,获得p个子污渍面积,p小于w,将p个子污渍面积累加后,获得污渍总面积;
污渍总面积的表达式为:
式中,WZmj为污渍总面积,WZzb为第b个子污渍面积;
通过监控探头的设计参数表获取镜头总面积,并将镜头总面积与污渍总面积比较,获得镜头污渍占比值;
镜头污渍占比值的表达式为:
式中,WZzb为镜头污渍占比值,JTmj为镜头总面积。
进一步的,传感器温度波动值的获取方法包括:
预设单位监测周期,记录单位监测周期的时间跨度值,并标记单位监测周期的起点和终点;
通过监控探头内的温度传感器获取k个单位监测周期的起点和终点的工作温度,分别记为起点温度值和终点温度值;
将终点温度值大于起点温度值的单位监测周期记为有效周期,获得v个有效周期,v小于k;
将v个有效周期的终点温度值与起点温度值相减,并与单位监测周期的时间跨度值比较后,获得v个子波动值;
子波动值的表达式为:
式中,BDzv为第v个子波动值,WDzdv为第v个终点温度值,WDqdv第v个起点温度值,SJkd为单位监测周期的时间跨度值;
将v个子波动值依次升序编号,并选择编号为偶数的n个子波动值,n小于v,将n个子波动值累加后求平均,获得传感器温度波动值;
传感器温度波动值的表达式为:
式中,WDbd为传感器温度波动值,BDzc为第c个子波动值。
进一步的,预测出画面分辨率的机器学习模型的训练方法包括:
将采集到的历史训练数据集合转换为对应的一组特征向量;
将每组特征向量作为所述机器学习模型的输入,所述机器学习模型以每组综合监控参数对应的画面分辨率作为输出,以每组综合监控参数实际对应的画面分辨率作为预测目标,以最小化所述机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练。
进一步的,是否生成清晰度预警提示的判定方法包括:
将预测的画面分辨率FBLyc与实时的画面分辨率FBLss差值比较;
当FBLyc大于FBLss时,判定生成清晰度预警提示;
当FBLyc小于等于FBLss时,判定不生成清晰度预警提示。
进一步的,分辨率差值的表达式为:
FBLcz=FBLyc-FBLss;
式中,FBLcz为分辨率差值。
进一步的,清晰度级别包括一级清晰度级别和二级清晰度级别;
一级清晰度级别和二级清晰度级别的生成方法包括:
将分辨率差值FBLcz与预设的差值阈值FBLyz差值比较,FBLyz大于0;
当FBLcz小于FBLyz时,生成一级清晰度级别;
当FBLcz大于等于FBLyz时,生成二级清晰度级别。
进一步的,监控调控指令包括降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令以及停机维护指令;
降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令以及停机维护指令的生成方法包括:
当清晰度级别为一级清晰度级别时,生成降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令;
当清晰度级别为二级清晰度级别时,生成停机维护指令。
进一步的,控制监控探头优化运行的方法包括:
预设传感器温度波动值的最小值、镜头污渍占比值的最小值和光照强度误差值的最小值;
当清晰度级别为一级清晰度级别时,首先降低传感器温度波动值,直至不生成清晰度预警提示;
当清晰度级别为一级清晰度级别时,且传感器温度波动值降低到最小值时,其次降低镜头污渍占比值,直至不生成清晰度预警提示;
当清晰度级别为一级清晰度级别时,且传感器温度波动值和镜头污渍占比值均降低到最小值时,最后降低光照强度误差值,直至不生成清晰度预警提示;
当传感器温度波动值、镜头污渍占比值和光照强度误差值均降低到最小值时,不生成清晰度预警提示;
控制监控探头停机维护的方法包括:
当清晰度级别为二级清晰度级别时,控制监控探头停机维护。
本发明一种基于云服务的远程无线视频监控系统的技术效果和优点:
本发明通过在实验环境下,采集监控探头的历史训练数据集合,基于历史训练数据集合,训练预测出画面分辨率的机器学习模型,并基于训练完成的机器学习模型预测出实时的画面分辨率,判定是否生成清晰度预警提示,基于实时的画面分辨率与预测的画面分辨率,获得分辨率差值,根据分辨率差值,生成清晰度级别,基于清晰度级别,生成监控调控指令;根据监控调控指令,控制监控探头优化运行或停机维护;相对于现有技术,能够及时且准确的发现视频监控系统出现的异常数据,并基于异常数据对监控探头进行分析和预警,并在预警的基础上制定与异常数据相适应的优化调控措施,以提高监控探头的视频监控画面清晰度,避免视频监控画面出现模糊不清的现象,极大的提高了视频监控系统的视频监控质量。
附图说明
图1为本发明实施例1提供的一种基于云服务的远程无线视频监控系统的示意图;
图2为本发明实施例2提供的一种基于云服务的远程无线视频监控方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:请参阅图1所示,本实施例所述一种基于云服务的远程无线视频监控系统,应用于云服务器,包括:
数据采集模块,在实验环境下,采集监控探头的历史训练数据集合,历史训练数据集合包括综合监控参数和画面分辨率;
综合监控参数是指能够对远程无线视频监控系统中监控探头拍摄的视频监控画面的分辨率造成影响的综合数据,通过采集综合监控参数,可以准确的了解这些综合数据的大小和变化情况,从而为后续监控探头的优化调整提供原始数据支持;
综合监控参数包括额定分辨率、光照强度误差值、镜头污渍占比值和传感器温度波动值;
额定分辨率是指监控探头在出厂时视频监控画面的最佳分辨率,由于监控探头处于环境中,而环境中会出现不特定的影响,导致视频监控画面的分辨率达不到最佳分辨率,因此,实际的画面分辨率通常小于额定分辨率;额定分辨率通过监控探头的设计参数表获取;
光照强度误差值是指监控探头所处环境的光照强度与监控探头最佳分辨率对应的标准光照强度的差距,当环境光照强度数值过大或过小时,都会对监控探头的实际分辨率造成影响,导致画面分辨率变低,降低了视频监控画面的清晰度;
光照强度误差值的获取方法包括:
通过监控探头的设计参数表获取额定分辨率对应的标准光照强度值;
通过监控探头上安装的光照强度传感器采集连续i个时间点对应的实际光照强度值;通过采集连续采集的方式,可以确保i个实际光照强度值能够保持相互的粘连性,使得i个实际光照强度值之间能够准确的代表监控探头实际所处环境的真实光照强度情况,进而提高后续光照强度误差值的计算精度;
将i个时间点对应的实际光照强度值逐一与标准光照强度值进行差值比较,获得i个误差值;
误差值的表达式为:
GZwci=|GZsji–GZbz|;
式中,GZwci为第i个误差值,GZsji为第i个实际光照强度值,GZbz为标准光照强度值;
将第i个误差值与第i-1个误差值进行差值比较,获得i-1个子误差值;
子误差值的表达式为:
GZzi-1=|GZwci-GZwci-1|;
式中,GZzi-1为第i-1个子误差值,GZwci-1为第i-1个误差值;
去除i-1个子误差值中的最大值和最小值,将余下的i-3个子误差值累加后求平均,获得光照强度误差值;去掉子误差值中的最大值和最小值,可以将因监控探头所处环境瞬间突变或因光照传感器数据采集失准而导致的数据异常增大或减小的情况排除,从而确保余下的多个子误差值具有普遍性和真实性,不会对计算结果造成负面影响;
光照强度误差值的表达式为:
式中,GZqd为光照强度误差值,GZza为第a个子误差值;
镜头污渍占比值是指监控探头的镜头上被污渍污染的面积与镜头总面积的占比,由于监控探头长时间暴露在环境中,使得镜头上容易发生污渍聚集污染的现象,当镜头污渍占比值越大时,会导致监控探头的实际画面分辨率越小,进而降低视频监控画面的清晰度;
镜头污渍占比值的获取方法包括:
将监控探头拍摄的监控视频截取一帧后,获得实时图像;
通过云服务器内部署的OpenCV计算机视觉库识别斑点,并基于边缘检测技术获取实时图像中的斑点位置;
沿斑点位置的边界描绘获得封闭的斑点区域,并在斑点区域内标记所有的像素点所在位置;
将实时图像按照预设长度和宽度划分为w个小方格,并统计每一个小方格内的像素点数量;预设长度和宽度形成的小方格的面积,能够完整的包含至少四个像素点所占据的区域面积,从而能够将整体式的实时图像进行分割处理,既降低每一个小方格的面积,也便于后续对斑点区域面积的计算,预设长度和宽通过采集历史大量的能够包含四个像素点所占据区域小方格面积后,通过系数优化后得到的;
将像素点数量大于等于预设像素点阈值的小方格记为有效小方格,有效小方格的面积记为子污渍面积;预设像素点阈值是用于对小方格内斑点面积进行大小区分的依据,当斑点区域对应的像素点数量大于等于预设像素点阈值时,说明小方格内斑点面积较大,则可以判定这个小方格的面积均为污渍面积,预设像素点阈值通过采集历史大量的被记为有效小方格中斑点对应的像素点数量后,通过系数优化后得到的;示例性的,当小方格内最大能够容纳的像素点数量为100时,预设的像素点阈值为75,此时小方格内的斑点对应的像素点需要大于等于75,才能够将该小方格记为有效小方格;
遍历w个小方格,获得p个子污渍面积,p小于w,将p个子污渍面积累加后,获得污渍总面积;子污渍面积即为小方格的面积,而小方格的面积通过预设长度乘以预设宽度获得,小方格的面积计算公式为公知常识;
污渍总面积的表达式为:
式中,WZmj为污渍总面积,WZzb为第b个子污渍面积;
通过监控探头的设计参数表获取镜头总面积,并将镜头总面积与污渍总面积比较,获得镜头污渍占比值;
镜头污渍占比值的表达式为:
式中,WZzb为镜头污渍占比值,JTmj为镜头总面积;
传感器温度波动值是指监控探头中的图像传感器在运行时工作温度的上升速率,当传感器温度波动值越大时,说明图像传感器的工作温度上升变化程度越严重,则图像传感器对于视频监控画面的分辨率影响越大,会导致画面分辨率越小;
传感器温度波动值的获取方法包括:
预设单位监测周期,记录单位监测周期的时间跨度值,并标记单位监测周期的起点和终点;起点对应单位监测周期的起始时刻,终点对应单位监测周期的终端时刻,预设单位监测周期是指能够满足图像传感器温度上升变化的最短时间跨度值,在经过一个单位监测周期时,可以满足图像传感器的工作温度发生上升变化的最小时间跨度值需求,单位监测周期对应的时间跨度值通过采集历史大量的监控探头中图像传感器工作温度上升变化时对应的时间跨度值,通过系数优化后得到的;
通过监控探头内的温度传感器获取k个单位监测周期的起点和终点的工作温度,分别记为起点温度值和终点温度值;
将终点温度值大于起点温度值的单位监测周期记为有效周期,获得v个有效周期,v小于k;
将v个有效周期的终点温度值与起点温度值相减,并与单位监测周期的时间跨度值比较后,获得v个子波动值;
子波动值的表达式为:
式中,BDzv为第v个子波动值,WDzdv为第v个终点温度值,WDqdv第v个起点温度值,SJkd为单位监测周期的时间跨度值;
将v个子波动值依次升序编号,并选择编号为偶数的n个子波动值,n小于v,将n个子波动值累加后求平均,获得传感器温度波动值;通过将v个子波动值编号,并选择偶数编号的子波动值,可以对较多的子波动值进行进一步的筛选,既能够降低数据的计算量,减少数据计算时间,也能够确保每一个子波动值之间不存在关联性,确保每一个子波动值的独立性,进而提高计算精度;
传感器温度波动值的表达式为:
式中,WDbd为传感器温度波动值,BDzc为第c个子波动值;
画面分辨率是指视频监控系统中监控探头实际拍摄到的画面的分辨率,画面分辨率越大,说明视频监控系统中视频监控画面的清晰度越高;画面分辨率通过OpenCV计算机视觉库检测并获取;
模型训练模块,基于历史训练数据集合,训练预测出画面分辨率的机器学习模型;
预测出画面分辨率的机器学习模型的训练方法包括:
将采集到的历史训练数据集合转换为对应的一组特征向量;
将每组特征向量作为所述机器学习模型的输入,所述机器学习模型以每组综合监控参数对应的画面分辨率作为输出,以每组综合监控参数实际对应的画面分辨率作为预测目标,以最小化所述机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练;
所述机器学习模型损失函数值为均方误差;均方误差是常用的损失函数之一,通过将损失函数公式为:最小化为目标来训练模型,使得所述机器学习模型更好地拟合数据,从而提高模型的性能和准确率;
损失函数中MSE为机器学习模型损失函数值,x为特征向量组号;m为特征向量组数;yx为第x组特征向量所对应的画面分辨率,为第x组特征向量实际所对应的画面分辨率;
所述机器学习模型的其他模型参数,目标损失值、优化算法、训练集测试集验证集比例以及损失函数的优化等均通过实际的工程实现,不断地进行实验调优后获得;
预警提示模块,采集实时的综合故障参数,并基于训练完成的机器学习模型预测出实时的画面分辨率,判定是否生成清晰度预警提示;
通过上述方法采集实时的综合故障参数,经由机器学习模型预测出实时的画面分辨率,从而能够对监控探头的实时画面分辨率进行不间断的自动预测,无需进行人工手动干预;
是否生成清晰度预警提示的判定方法包括:
将预测的画面分辨率FBLyc与实时的画面分辨率FBLss差值比较;
当FBLyc大于FBLss时,说明预测的画面分辨率大于实时的画面分辨率,此时监控探头的清晰度差,则判定生成清晰度预警提示;
当FBLyc小于等于FBLss时,说明预测的画面分辨率小于等于实时的画面分辨率,此时监控探头的清晰度好,则判定不生成清晰度预警提示;
级别划分模块,基于实时的画面分辨率与预测的画面分辨率,获得分辨率差值,根据分辨率差值,生成清晰度级别;
分辨率差值是指在生成清晰度预警提示的情况下,实时的画面分辨率与预测的画面分辨率之间的差距大小,当分辨率差值越大时,说明实时的画面分辨率与预测的画面分辨率之间的差距越大,则视频监控画面的清晰度越低;
分辨率差值的表达式为:
FBLcz=FBLyc-FBLss;
式中,FBLcz为分辨率差值;
清晰度级别是用于对监控视频画面清晰度高低进行区分的依据,从而对视频监控画面的清晰度进行相应的级别划分,并依据清晰度级别,为后续监控探头的调整操作提供数据支持;
清晰度级别包括一级清晰度级别和二级清晰度级别,且一级清晰度级别的视频画面清晰度高于二级清晰度级别的视频画面清晰度;
一级清晰度级别和二级清晰度级别的生成方法包括:
将分辨率差值FBLcz与预设的差值阈值FBLyz差值比较,FBLyz大于0;预设的差值阈值是用于将视频画面清晰度进行高低区分的数值体现,使得视频画面清晰度可以被区分为两个不同的清晰度级别,预设的差值阈值通过采集历史大量的高低清晰度级别对应的分辨率差值后,通过系数优化后得到的;
当FBLcz小于FBLyz时,说明分辨率差值小于预设的差值阈值,则实时的画面分辨率与预测的画面分辨率之间的差距较小,监控视频画面的清晰度中等,生成一级清晰度级别;
当FBLcz大于等于FBLyz时,说明分辨率差值大于等于预设的差值阈值,则实时的画面分辨率与预测的画面分辨率之间的差距较大,监控视频画面的清晰度低下,生成二级清晰度级别;
指令控制模块,基于清晰度级别,生成监控调控指令;根据监控调控指令,控制监控探头优化运行或停机维护;
监控调控指令是根据清晰度级别而制定的用于对视频监控系统进行优化调整控制的措施,通过优化调控指令可以对监控探头的运行状态进行优化调整与控制,从而实现提高实时的画面分辨率的效果,进而增强视频监控画面的清晰度;
监控调控指令包括降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令以及停机维护指令;
降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令以及停机维护指令的生成方法包括:
当清晰度级别为一级清晰度级别时,生成降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令;
当清晰度级别为二级清晰度级别时,生成停机维护指令;
当生成降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令时,说明需要对监控探头进行优化调控,以降低负面因素对监控探头的画面分辨率的影响,从而增强视频监控系统的清晰度,而对监控探头优化调控的措施需要从降低光照强度误差值、降低传感器温度波动值和降低镜头污渍占比值这三个角度入手,由于传感器温度波动值受到监控探头内的图像传感器工作温度的直接影响,图像传感器作为处理图像的主要参与硬件,对于画面分辨率的影响程度最大,因此,降低传感器温度波动值的优先级最高,而光照强度误差值受到外界光照环境的影响,光照强度的变化幅度和次数也最多,对光照强度误差值优化调控的操作存在一定的局限性,因此,降低光照强度误差值的优先级最低;
综上,当需要对监控探头进行优化维护时,首先降低传感器温度波动值,其次降低镜头污渍占比值,最后降低光照强度误差值;
控制监控探头优化运行的方法包括:
预设传感器温度波动值的最小值、镜头污渍占比值的最小值和光照强度误差值的最小值;通过设置最小值,可以限制传感器温度波动值、镜头污渍占比值和光照强度误差值的调整幅度,并且在传感器温度波动值、镜头污渍占比值和光照强度误差值达到最小值时,监控探头不受到负面因素的影响,使得监控探头实际的画面分辨率能够大于等于预测的画面分辨率,从而确保视频监控画面的清晰度;
当清晰度级别为一级清晰度级别时,首先降低传感器温度波动值,直至不生成清晰度预警提示;
当清晰度级别为一级清晰度级别时,且传感器温度波动值降低到最小值时,其次降低镜头污渍占比值,直至不生成清晰度预警提示;
当清晰度级别为一级清晰度级别时,且传感器温度波动值和镜头污渍占比值均降低到最小值时,最后降低光照强度误差值,直至不生成清晰度预警提示;
当传感器温度波动值、镜头污渍占比值和光照强度误差值均降低到最小值时,不生成清晰度预警提示;
示例性的,当需要降低传感器温度波动值,云服务器向监控探头的控制器发出指令,此时监控探头的控制器控制散热风扇增加转速,即可增大散热速率,从而降低图像传感器的工作温度,降低传感器温度波动值;当需要降低镜头污渍占比值时,云服务器向监控探头的控制器发出指令,此时监控探头的控制器控制毛刷马达启动,使得毛刷马达控制毛刷旋转,将镜头表面的污渍清刷干净,从而降低镜头污渍占比值;当需要降低光照强度误差值时,云服务器向监控探头的控制器发出指令,此时监控探头的控制器控制偏光滤镜马达启动,使得偏光滤镜马达驱动偏光滤镜旋转,从而对镜头组件起到遮挡作用,进而降低光照强度误差值;
当清晰度级别为二级清晰度级别时,说明实时的画面分辨率与预测的画面分辨率之间的差距较大,通过调控传感器温度波动值、镜头污渍占比值和光照强度误差值也无法将二级清晰度级别转换为一级清晰度级别,此时监控探头拍摄到的视频画面难以辨别,无法起到有效的视频监控效果,则需要对监控探头进行停机维护;
控制监控探头停机维护的方法包括:
当清晰度级别为二级清晰度级别时,控制监控探头停机维护;
示例性的,当需要控制监控探头停机维护时,云服务器向监控探头的控制器发出指令,此时控制器控制与监控探头电性连接的继电开关断开,即可实现监控探头的停机维护目的。
本实施例中,通过在实验环境下,采集监控探头的历史训练数据集合,基于历史训练数据集合,训练预测出画面分辨率的机器学习模型,并基于训练完成的机器学习模型预测出实时的画面分辨率,判定是否生成清晰度预警提示,基于实时的画面分辨率与预测的画面分辨率,获得分辨率差值,根据分辨率差值,生成清晰度级别,基于清晰度级别,生成监控调控指令;根据监控调控指令,控制监控探头优化运行或停机维护;相对于现有技术,能够及时且准确的发现视频监控系统出现的异常数据,并基于异常数据对监控探头进行分析和预警,并在预警的基础上制定与异常数据相适应的优化调控措施,以提高监控探头的视频监控画面清晰度,避免视频监控画面出现模糊不清的现象,极大的提高了视频监控系统的视频监控质量。
实施例2:请参阅图2所示,本实施例未详细叙述部分见实施例2描述内容,提供一种基于云服务的远程无线视频监控方法,应用于云服务器,基于一种基于云服务的远程无线视频监控系统实现,包括:
S1:采集监控探头的历史训练数据集合,历史训练数据集合包括综合监控参数和画面分辨率;
S2:基于历史训练数据集合,训练预测出画面分辨率的机器学习模型;
S3:采集实时的综合故障参数,并基于训练完成的机器学习模型预测出实时的画面分辨率,判定是否生成清晰度预警提示;若生成清晰度预警提示,则执行S4-S5;若不生成清晰度预警提示,则重复执行S3;
S4:基于实时的画面分辨率与预测的画面分辨率,获得分辨率差值,根据分辨率差值,生成清晰度级别;
S5:基于清晰度级别,生成监控调控指令;根据监控调控指令,控制监控探头优化运行或停机维护。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于云服务的远程无线视频监控系统,应用于云服务器,其特征在于,包括:
数据采集模块,采集监控探头的历史训练数据集合,历史训练数据集合包括综合监控参数和画面分辨率;
模型训练模块,基于历史训练数据集合,训练预测出画面分辨率的机器学习模型;
预警提示模块,采集实时的综合故障参数,并基于训练完成的机器学习模型预测出实时的画面分辨率,判定是否生成清晰度预警提示;
级别划分模块,基于实时的画面分辨率与预测的画面分辨率,获得分辨率差值,根据分辨率差值,生成清晰度级别;
指令控制模块,基于清晰度级别,生成监控调控指令;根据监控调控指令,控制监控探头优化运行或停机维护。
2.根据权利要求1所述的一种基于云服务的远程无线视频监控系统,其特征在于,所述综合监控参数包括额定分辨率、光照强度误差值、镜头污渍占比值和传感器温度波动值;
光照强度误差值的获取方法包括:
通过监控探头的设计参数表获取额定分辨率对应的标准光照强度值;
通过监控探头上安装的光照强度传感器采集连续i个时间点对应的实际光照强度值;
将i个时间点对应的实际光照强度值逐一与标准光照强度值进行差值比较,获得i个误差值;
误差值的表达式为:
GZwci=|GZsji-GZbz|;
式中,GZwci为第i个误差值,GZsji为第i个实际光照强度值,GZbz为标准光照强度值;
将第i个误差值与第i-1个误差值进行差值比较,获得i-1个子误差值;
子误差值的表达式为:
GZzi-1=|GZwci-GZwci-1|;
式中,GZzi-1为第i-1个子误差值,GZwci-1为第i-1个误差值;
去除i-1个子误差值中的最大值和最小值,将余下的i-3个子误差值累加后求平均,获得光照强度误差值;
光照强度误差值的表达式为:
式中,GZqd为光照强度误差值,GZza为第a个子误差值。
3.根据权利要求2所述的一种基于云服务的远程无线视频监控系统,其特征在于,所述镜头污渍占比值的获取方法包括:
将监控探头拍摄的监控视频截取一帧后,获得实时图像;
通过云服务器内部署的OpenOV计算机视觉库识别斑点,并基于边缘检测技术获取实时图像中的斑点位置;
沿斑点位置的边界描绘获得封闭的斑点区域,并在斑点区域内标记所有的像素点所在位置;
将实时图像按照预设长度和宽度划分为w个小方格,并统计每一个小方格内的像素点数量;
将像素点数量大于等于预设像素点阈值的小方格记为有效小方格,有效小方格的面积记为子污渍面积;
遍历w个小方格,获得p个子污渍面积,p小于w,将p个子污渍面积累加后,获得污渍总面积;
污渍总面积的表达式为:
式中,WZmj为污渍总面积,WZzb为第b个子污渍面积;
通过监控探头的设计参数表获取镜头总面积,并将镜头总面积与污渍总面积比较,获得镜头污渍占比值;
镜头污渍占比值的表达式为:
式中,WZzb为镜头污渍占比值,JTmj为镜头总面积。
4.根据权利要求3所述的一种基于云服务的远程无线视频监控系统,其特征在于,所述传感器温度波动值的获取方法包括:
预设单位监测周期,记录单位监测周期的时间跨度值,并标记单位监测周期的起点和终点;
通过监控探头内的温度传感器获取k个单位监测周期的起点和终点的工作温度,分别记为起点温度值和终点温度值;
将终点温度值大于起点温度值的单位监测周期记为有效周期,获得v个有效周期,v小于k;
将v个有效周期的终点温度值与起点温度值相减,并与单位监测周期的时间跨度值比较后,获得v个子波动值;
子波动值的表达式为:
式中,BDzv为第v个子波动值,WDzdv为第v个终点温度值,WDqdv第v个起点温度值,SJkd为单位监测周期的时间跨度值;
将v个子波动值依次升序编号,并选择编号为偶数的n个子波动值,n小于v,将n个子波动值累加后求平均,获得传感器温度波动值;
传感器温度波动值的表达式为:
式中,WDbd为传感器温度波动值,BDzc为第c个子波动值。
5.根据权利要求4所述的一种基于云服务的远程无线视频监控系统,其特征在于,所述预测出画面分辨率的机器学习模型的训练方法包括:
将采集到的历史训练数据集合转换为对应的一组特征向量;
将每组特征向量作为所述机器学习模型的输入,所述机器学习模型以每组综合监控参数对应的画面分辨率作为输出,以每组综合监控参数实际对应的画面分辨率作为预测目标,以最小化所述机器学习模型损失函数值作为训练目标;当机器学习模型损失函数值小于等于预设的目标损失值时停止训练。
6.根据权利要求5所述的一种基于云服务的远程无线视频监控系统,其特征在于,所述是否生成清晰度预警提示的判定方法包括:
将预测的画面分辨率FBLyc与实时的画面分辨率FBLss差值比较;
当FBLyc大于FBLss时,判定生成清晰度预警提示;
当FBLyc小于等于FBLss时,判定不生成清晰度预警提示。
7.根据权利要求6所述的一种基于云服务的远程无线视频监控系统,其特征在于,所述分辨率差值的表达式为:
FBLcz=FBLyc-FBLss;
式中,FBLcz为分辨率差值。
8.根据权利要求7所述的一种基于云服务的远程无线视频监控系统,其特征在于,所述清晰度级别包括一级清晰度级别和二级清晰度级别;
一级清晰度级别和二级清晰度级别的生成方法包括:
将分辨率差值FBLcz与预设的差值阈值FBLyz差值比较,FBLyz大于0;
当FBLcz小于FBLyz时,生成一级清晰度级别;
当FBLcz大于等于FBLyz时,生成二级清晰度级别。
9.根据权利要求8所述的一种基于云服务的远程无线视频监控系统,其特征在于,所述监控调控指令包括降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令以及停机维护指令;
降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令以及停机维护指令的生成方法包括:
当清晰度级别为一级清晰度级别时,生成降低光照强度误差值指令、降低传感器温度波动值指令和降低镜头污渍占比值指令;
当清晰度级别为二级清晰度级别时,生成停机维护指令。
10.根据权利要求9所述的一种基于云服务的远程无线视频监控系统,其特征在于,所述控制监控探头优化运行的方法包括:
预设传感器温度波动值的最小值、镜头污渍占比值的最小值和光照强度误差值的最小值;
当清晰度级别为一级清晰度级别时,首先降低传感器温度波动值,直至不生成清晰度预警提示;
当清晰度级别为一级清晰度级别时,且传感器温度波动值降低到最小值时,其次降低镜头污渍占比值,直至不生成清晰度预警提示;
当清晰度级别为一级清晰度级别时,且传感器温度波动值和镜头污渍占比值均降低到最小值时,最后降低光照强度误差值,直至不生成清晰度预警提示;
当传感器温度波动值、镜头污渍占比值和光照强度误差值均降低到最小值时,不生成清晰度预警提示;
控制监控探头停机维护的方法包括:
当清晰度级别为二级清晰度级别时,控制监控探头停机维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746351.2A CN117676093B (zh) | 2023-12-19 | 2023-12-19 | 一种基于云服务的远程无线视频监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746351.2A CN117676093B (zh) | 2023-12-19 | 2023-12-19 | 一种基于云服务的远程无线视频监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117676093A true CN117676093A (zh) | 2024-03-08 |
CN117676093B CN117676093B (zh) | 2024-07-09 |
Family
ID=90075055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311746351.2A Active CN117676093B (zh) | 2023-12-19 | 2023-12-19 | 一种基于云服务的远程无线视频监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117676093B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080129475A1 (en) * | 2000-09-08 | 2008-06-05 | Automotive Technologies International, Inc. | System and Method for In-Vehicle Communications |
CN101750152A (zh) * | 2009-12-17 | 2010-06-23 | 昆明理工大学 | 一种表征和诊断燃烧不稳定性的方法 |
CN201657126U (zh) * | 2010-05-24 | 2010-11-24 | 北京世纪诚致科技有限公司 | 一种节能监控摄像机 |
EP2352816A1 (en) * | 2008-11-07 | 2011-08-10 | Sunnybrook Health Sciences Centre | Human progenitor t-cells |
CN203968273U (zh) * | 2014-07-30 | 2014-11-26 | 北京华戎京盾科技有限公司 | 一种用于高速公路的视频故障监控系统 |
CN105336081A (zh) * | 2015-11-26 | 2016-02-17 | 电子科技大学中山学院 | 一种基于模糊神经网络的电气火灾监控终端及其处理步骤 |
CN109359593A (zh) * | 2018-10-17 | 2019-02-19 | 安徽超远信息技术有限公司 | 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法 |
CN109560610A (zh) * | 2018-11-20 | 2019-04-02 | 海南电网有限责任公司 | 一种变电站视频及环境监控系统 |
CN111523660A (zh) * | 2020-04-15 | 2020-08-11 | 南京清然能源科技有限公司 | 一种基于人工智能的音视热一体化异常检测报警方法 |
AU2020103307A4 (en) * | 2020-11-09 | 2021-01-14 | T.J. Deepika | Machine Learning-Based Power Quality Improvement System For Micro-Grid |
WO2022016563A1 (zh) * | 2020-07-23 | 2022-01-27 | 南京科沃信息技术有限公司 | 一种植保无人机地面监控系统及其监控方法 |
WO2022183902A1 (zh) * | 2021-03-02 | 2022-09-09 | 百果园技术(新加坡)有限公司 | 图像清晰度确定方法、装置、设备及存储介质 |
CN115761668A (zh) * | 2022-11-09 | 2023-03-07 | 长城汽车股份有限公司 | 摄像头的污渍识别方法、装置、车辆及存储介质 |
CN116456075A (zh) * | 2023-04-27 | 2023-07-18 | 成都双流国际机场股份有限公司 | 监控视频质量自动巡检系统 |
-
2023
- 2023-12-19 CN CN202311746351.2A patent/CN117676093B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080129475A1 (en) * | 2000-09-08 | 2008-06-05 | Automotive Technologies International, Inc. | System and Method for In-Vehicle Communications |
EP2352816A1 (en) * | 2008-11-07 | 2011-08-10 | Sunnybrook Health Sciences Centre | Human progenitor t-cells |
CN101750152A (zh) * | 2009-12-17 | 2010-06-23 | 昆明理工大学 | 一种表征和诊断燃烧不稳定性的方法 |
CN201657126U (zh) * | 2010-05-24 | 2010-11-24 | 北京世纪诚致科技有限公司 | 一种节能监控摄像机 |
CN203968273U (zh) * | 2014-07-30 | 2014-11-26 | 北京华戎京盾科技有限公司 | 一种用于高速公路的视频故障监控系统 |
CN105336081A (zh) * | 2015-11-26 | 2016-02-17 | 电子科技大学中山学院 | 一种基于模糊神经网络的电气火灾监控终端及其处理步骤 |
CN109359593A (zh) * | 2018-10-17 | 2019-02-19 | 安徽超远信息技术有限公司 | 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法 |
CN109560610A (zh) * | 2018-11-20 | 2019-04-02 | 海南电网有限责任公司 | 一种变电站视频及环境监控系统 |
CN111523660A (zh) * | 2020-04-15 | 2020-08-11 | 南京清然能源科技有限公司 | 一种基于人工智能的音视热一体化异常检测报警方法 |
WO2022016563A1 (zh) * | 2020-07-23 | 2022-01-27 | 南京科沃信息技术有限公司 | 一种植保无人机地面监控系统及其监控方法 |
AU2020103307A4 (en) * | 2020-11-09 | 2021-01-14 | T.J. Deepika | Machine Learning-Based Power Quality Improvement System For Micro-Grid |
WO2022183902A1 (zh) * | 2021-03-02 | 2022-09-09 | 百果园技术(新加坡)有限公司 | 图像清晰度确定方法、装置、设备及存储介质 |
CN115761668A (zh) * | 2022-11-09 | 2023-03-07 | 长城汽车股份有限公司 | 摄像头的污渍识别方法、装置、车辆及存储介质 |
CN116456075A (zh) * | 2023-04-27 | 2023-07-18 | 成都双流国际机场股份有限公司 | 监控视频质量自动巡检系统 |
Non-Patent Citations (3)
Title |
---|
SHUANGCHANG FENG: "Research on elevator intelligent monitoring and grading warning system", 2021 IEEE INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE, ELECTRONIC INFORMATION ENGINEERING AND INTELLIGENT CONTROL TECHNOLOGY (CEI), 25 March 2022 (2022-03-25) * |
刘志强;孙益彤;杨文良;: "基于智能图像分析的视频质量诊断系统关键技术研究", 信息通信, no. 12, 15 December 2015 (2015-12-15) * |
李垚: "基于大数据的变电站在线智能巡视系统的研究", 电力大数据, 21 November 2022 (2022-11-21) * |
Also Published As
Publication number | Publication date |
---|---|
CN117676093B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331521B (zh) | 基于图像处理的变电设备异常自动识别方法 | |
JP4718253B2 (ja) | 監視カメラの画像異常検出装置 | |
CN102410880A (zh) | 基于积分时间调整的红外焦平面阵列盲元检测方法 | |
CN116520915B (zh) | 基于热红外图像的网络中心机房温度预警控制系统 | |
CN104408459A (zh) | 电力设备监控中使用的图像识别方法 | |
CN105743223B (zh) | 基于goose联动的二次设备预制舱视频巡查方法 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
CN117676093B (zh) | 一种基于云服务的远程无线视频监控系统 | |
US20230043666A1 (en) | Information processing device and machine tool | |
CN116054417A (zh) | 一种变电站用的监控系统及方法 | |
CN117555258B (zh) | 一种基于人工智能的电动上叠门智能控制管理系统 | |
CN116668859B (zh) | 一种gis设备机房环境监控装置 | |
CN108965749B (zh) | 基于纹理识别的缺陷像素检测和校正装置及方法 | |
CN111783900B (zh) | 油烟浓度检测模型的训练方法以及烟机档位的控制方法 | |
CN111833346B (zh) | 基于紫外成像法的绝缘子缺陷检测识别方法 | |
Lin et al. | A fault detection method of high speed train pantograph based on deep learning | |
CN111996556B (zh) | 一种铝电解槽能量平衡的控制系统 | |
US20220182511A1 (en) | Remove vertical streak in scanned images based on server | |
JP2021193347A (ja) | 絶縁耐性診断装置及び絶縁耐性診断方法 | |
CN117292101B (zh) | 基于计算机视觉的智能除尘系统 | |
CN117111661B (zh) | 生产车间集中控制系统及方法 | |
CN117970013B (zh) | 一种通信机柜智能化监控管理方法及系统 | |
CN118261890A (zh) | 基于Gamma-WMA Filter技术的变电站故障检测方法 | |
CN118396929A (zh) | 盾尾间隙智能监测装置的镜头污渍检测与清洁方法及装置 | |
CN117870871A (zh) | 一种基于红外检测的瓷绝缘子劣化诊断方法及系统 |
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 |