CN117834724B - 一种基于大数据分析的视频学习资源管理系统 - Google Patents
一种基于大数据分析的视频学习资源管理系统 Download PDFInfo
- Publication number
- CN117834724B CN117834724B CN202410240820.1A CN202410240820A CN117834724B CN 117834724 B CN117834724 B CN 117834724B CN 202410240820 A CN202410240820 A CN 202410240820A CN 117834724 B CN117834724 B CN 117834724B
- Authority
- CN
- China
- Prior art keywords
- information
- data
- video
- module
- target
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000002372 labelling Methods 0.000 claims description 59
- 238000007726 management method Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012098 association analyses Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2181—Source of audio or video content, e.g. local disk arrays comprising remotely distributed storage units, e.g. when movies are replicated over a plurality of video servers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据分析技术领域，公开了一种基于大数据分析的视频学习资源管理系统，包括多个视频分析装置内的边缘计算服务器获取模块、集成的边缘计算模块、调度管理模块、边缘计算服务器和终端设备模块，其中，边缘计算模块对视频数据进行计算处理，进行关联和影响度的综合分析后，通过调度管理模块进行动态调整资源策略，并融合推送至终端设备，本发明基于边缘计算技术，实现了视频学习资源数据和目标标注信息的处理与分析，使得推送管理更加精准，提升了该系统的视频资源分类学习资源数据以及标注数据推送的准确性和丰富度，且提高了数据处理的效率，可以实现快速、实时的分析和响应，能大大提高了用户使用视频学习的体验。
Description
技术领域
本发明涉及数据分析技术领域，特别是一种基于大数据分析的视频学习资源管理系统。
背景技术
随着互联网视频、网络直播进行在线学习的教育方式的流行，在逐渐成为主流学习传播方式的当下，目前进行视频学习资源的处理往往采用云计算的处理方式是将所有数据上传至计算资源集中的云端数据中心或服务器处理，任何需要访问该信息的请求都必须上送云端处理，这样一来降低了云端数据处理的效率；随着机器学习在视频学习资源种类分类上的应用也越来越广泛，但是目前用户在进行视频学习资源学习时，需要在视频播放的同时进行标记或记录相关信息，用来加深知识点的关联、理解和记忆等事宜，现阶段缺少边缘计算对于视频学习用户标记行为的特征处理以及应用，从而使得现有的视频推送内容丰富度不够，推送不够精准，难以满足视频学习用户的学习需求，为此，我们提出一种基于边缘计算的大数据分析视频学习资源管理系统。
发明内容
鉴于上述现有的视频学习中存在的问题，提出了本发明。
因此，本发明提供一种基于大数据分析的视频学习资源管理系统，其基于边缘计算技术，实现了视频学习资源数据和目标标注信息的处理与分析，可完成相同类别视频学习资源数据中多个目标标注信息的分析以及融合影响度进行动态推送，使得推送管理更加精准，且推送内容包括相关联的标注信息，即本发明的关联分析推送方法，提升了该系统的视频资源分类学习资源数据以及标注数据推送的准确性和丰富度，大大提高了用户使用视频学习的体验。
为解决上述技术问题，本发明提供如下技术方案：包括：
边缘计算服务器，用于控制视频采集设备对学习目标区域数据和视频学习资源数据进行实时视频采集，并控制所述视频采集设备将采集的所述学习目标区域数据和视频学习资源数据反馈至边缘计算服务器获取模块，所述视频学习资源数据包括视频学习科目类别信息，所述学习目标区域数据包括在所述视频学习资源数据中的位置标注信息和内容标注信息形成目标标注信息；
边缘计算模块，用于响应边缘计算服务器获取模块的视频学习资源信息和学习目标区域信息并进行计算处理，包括识别所述视频学习资源信息以及所匹配的目标标注信息经视频流的处理后，进行所述目标标注信息的特征提取和相关性比对，即对学习目标区域数据和/或视频学习资源数据进行关联性分析，同时分析所述目标标注信息在相应视频学习资源数据中的影响度，并传输至数据调度管理模块；所述边缘计算模块包括关联分析模块和影响度分析模块；
所述影响度分析模块包括用于获取相同视频学习科目类别中位置标注信息和内容标注信息的获取单元、用于获取单元所获取目标标注信息数据进行标准化处理的数据处理单元、用于目标标注信息影响度分析的分析单元，以及用于响应关联分析模块和影响度分析模块数据后构建视频学习资源推送系数模型，并融合计算生成视频学习资源推送系数的融合处理单元；
所述数据处理单元通过式（1）进行目标标注信息数据的标准化处理，如下：
（1）；
其中，为第i个目标标注样本的第j个指标值，/>为第i个目标标注样本的第j个指标的标准值；
所述分析单元通过式（2）计算第j个指标的标准值下第i个目标标注样本占该样本的比重值，以及通过式（3）计算目标标注信息影响度，如下：
（2）；
其中，n为第i个目标标注样本的总数量；通过比重值计算得到第j个目标标注数量的权重/>；
（3）；
其中，为第i个目标标注样本的影响度；/>为第j个指标的权重值，/>为第j个指标值的总数量；
所述融合处理单元根据目标标注样本的影响度和关联度构建视频学习资源推送系数模型并融合计算生成视频学习资源推送系数计算公式如式（4）所示：
（4）；
其中，为第k时刻视频学习资源推送系数；/>为同类别视频学习资源数量；/>为第k时刻视频学习资源基数，即第k时刻存在的视频学习资源数据关联列表；/>为第k时刻潜在学习内容推送资源基数，即第k时刻存在的目标标注样本的影响度列表；/>为第k时刻目标标注样本影响度在同类别视频学习资源数量推送状态下的权重系数；T为第k时刻的时间序列总数量；
数据调度管理模块，用于接收调度信息，并响应所述视频学习资源推送系数，对各个边缘计算模块进行动态调整视频学习资源信息以及所匹配的目标标注信息，并上传至大数据处理模块；
大数据处理模块，用于获取当前学习目标区域数据和视频学习资源数据，并根据位置标注信息和内容标注信息，生成视频学习推荐信息，将视频学习推荐信息推送传输至终端设备模块，供所述终端设备模块的用户查阅。
数据调度管理模块，用于接收调度信息，并基于所述视频学习资源推送系数，对各个边缘计算模块进行动态调整视频学习资源信息以及所匹配的目标标注信息，并上传至大数据处理模块。
优选地，所述边缘计算模块识别视频学习资源数据，具体地通过边缘计算服务器初始化完成后，采集现场视频，并以视频流的方式转发至边缘计算模块；
边缘计算模块对视频流进行取帧处理，使用深度学习算法，对所取帧图像进行轻度卷积计算，并定位目标标准位置信息和内容标注信息，具体地分析视频学习科目类别信息、目标标准位置信息和内容标注信息，并将分析结果传输至数据调度管理模块；所述边缘计算模块还包括帧处理模块和特征提取模块；
所述帧处理模块用于所述边缘计算服务器针对所述视频采集数据进行帧处理，获取所述视频学习资源数据对应的帧图像；
所述特征提取模块用于对每个帧图像进行位置标注特征和内容标注特征的提取，同时通过关联分析模块对视频流进行视频资源类别关联分析得到相应的视频学习科目类别信息，进而获得视频学习科目类别信息和目标标注信息。
优选地，所述数据处理单元还用于构建所述获取单元所获取目标标注信息数据的置信度，具体地根据位置标注信息和内容标注信息将标注信息分类，构建标注信息集合，根据位置标注信息和内容标注信息，计算目标标注信息的综合置信度，并引入比例惩罚系数的非极大值抑制算法，根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数偏低的预测框，并经过筛选得到优选数据。
优选地，所述帧处理模块包括降噪处理单元，所述降噪处理单元用于对所述目标标注信息中图像数据的降噪处理，如下：
首先获得原始数据矩阵；
使用均值滤波对原始数据矩阵进行降噪处理，即对待处理的当前原始数据矩阵（x，y），选择一个模板，求模板中所有原始数据矩阵（x，y）的均值，再把得到的均值赋予当前原始数据矩阵（x，y），作为处理后图像在该点上的图像信号，如式（5）所示：
（5）；
其中，为图像信号，/>为给定原始图像信号，m为所述模板中包含当前原始数据矩阵在内的数据总个数；
然后使用拉普拉斯Laplacian算子，得到过滤矩阵；即判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度，反之降低中心像素的灰度；
再通过梯度运算的结果对像素灰度进行调整；
最后完成边缘检测的降噪处理。
优选地，所述视频学习科目类别信息分类为学科分类、适用对象分类和格式分类。
优选地，所述终端设备模块通过HTTP、TCP、FTP或RTSP协议对数据信息进行接收，并显示在多种终端设备上，终端设备包括手机、平板电脑、PDA或计算机其中的一种。
优选地，所述边缘计算服务器为高性能服务器集群，将处理前后的数据进行保存，并将处理后的数据进行加密传输。
本发明的有益效果：本发明基于边缘计算技术，实现了视频学习资源数据和目标标注信息的处理与分析，可完成相同类别视频学习资源数据中多个目标标注信息的分析以及融合影响度进行动态推送，使得推送管理更加精准，且推送内容包括相关联的标注信息，即本发明的关联分析推送方法，提升了该系统的视频资源分类学习资源数据以及标注数据推送的准确性和丰富度，大大提高了用户使用视频学习的体验；同时本发明结合边缘计算，提供了标准的视频学习资源数据计算能力和IT服务，在本地就近部署，提高了数据处理的效率，可以实现快速、实时的分析和响应，能够提高对学习视频资源的机器处理效果，并且有利于进行管理操作，此外，增加了对视频图像数据处理过程中置信度和降噪处理，进一步地提高了数据处理的效果和推送准确性，有利于用户使用视频学习的体验。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明实施例中大数据分析的视频学习资源管理系统的应用场景图；
图2为本发明实施例中大数据分析的视频学习资源管理系统的模块化结构示意图；
图3为本发明实施例中影响度分析模块的模块化结构示意图。
图中标号：10、边缘计算服务器；101、边缘计算服务器获取模块；102、边缘计算模块；1021、关联分析模块；1022、影响度分析模块；10221、获取单元；10222、数据处理单元；10223、分析单元；10224、融合处理单元；1023、帧处理模块；1024、特征提取模块；103、调度管理模块；104、大数据处理模块；105、终端设备模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
参照图1-图3，为本发明的一个实施例，该实施例提供了一种基于大数据分析的视频学习资源管理系统，如图1和图2所示，包括多个视频分析装置、集成的边缘计算模块102、调度管理模块103、边缘计算服务器10和终端设备模块105，视频分析装置集成有依次连接的边缘计算服务器获取模块101、接口自适应匹配模块和边缘计算模块102；其中，接口自适应匹配模块可选RJ45接口适配器，能够自动识别对应接口所连设备，即自动识别边缘计算服务器获取模块101设备接口并分配IP地址，边缘计算服务器获取模块101获取视频数据传输至边缘计算模块102，边缘计算模块102对视频数据进行计算处理，识别后传输至调度管理模块103，调度管理模块103对各个边缘计算模块102进行动态调整资源策略，最终经大数据处理模块104的筛选调整，将分析生成的视频学习推荐信息上传并将其传输至终端设备模块105，以供查阅。本实施例具体如下：
边缘计算服务器10，用于控制视频采集设备对学习目标区域数据和视频学习资源数据进行实时视频采集，并控制视频采集设备将采集的学习目标区域数据和视频学习资源数据反馈至边缘计算服务器获取模块101，视频学习资源数据包括视频学习科目类别信息，学习目标区域数据包括在视频学习资源数据中的位置标注信息和内容标注信息形成目标标注信息。
边缘计算模块102，用于响应边缘计算服务器获取模块101的视频学习资源信息和学习目标区域信息并进行计算处理，包括识别视频学习资源信息以及所匹配的目标标注信息经视频流的处理后，进行目标标注信息的特征提取和相关性比对，即对学习目标区域数据和/或视频学习资源数据进行关联性分析，同时分析目标标注信息在相应视频学习资源数据中的影响度，并传输至数据调度管理模块103，边缘计算模块102包括关联分析模块1021和影响度分析模块1022。
其中融合处理单元10224根据目标标注样本的影响度和关联度构建视频学习资源推送系数模型，融合计算生成视频学习资源推送系数；
数据调度管理模块103，用于接收调度信息，并响应视频学习资源推送系数，对各个边缘计算模块102进行动态调整视频学习资源信息以及所匹配的目标标注信息，并上传至大数据处理模块104；
大数据处理模块104，用于获取当前学习目标区域数据和视频学习资源数据，并根据位置标注信息和内容标注信息，生成视频学习推荐信息，将视频学习推荐信息推送传输至终端设备模块105，供终端设备模块105的用户查阅。具体地，终端设备模块105通过HTTP、TCP、FTP或RTSP协议对数据信息进行接收，并显示在多种终端设备上，终端设备包括手机、平板电脑、PDA或计算机其中的一种。
具体地，视频学习科目类别信息分类为学科分类、适用对象分类和格式分类。同时，边缘计算服务器10为高性能服务器集群，将处理前后的数据进行保存，并将处理后的数据进行加密传输。
本实施例进一步说明的，该边缘计算模块102识别视频学习资源数据，具体地通过边缘计算服务器10初始化完成后，采集现场视频，并以视频流的方式转发至边缘计算模块102；
边缘计算模块102对视频流进行取帧处理，使用深度学习算法，对所取帧图像进行轻度卷积计算，并定位目标标准位置信息和内容标注信息，具体地分析视频学习科目类别信息、目标标准位置信息和内容标注信息，并将分析结果传输至数据调度管理模块103；边缘计算模块102还包括帧处理模块1023和特征提取模块1024；
帧处理模块1023用于边缘计算服务器10针对视频采集数据进行帧处理，获取视频学习资源数据对应的帧图像；
特征提取模块1024用于对每个帧图像进行位置标注特征和内容标注特征的提取，同时通过关联分析模块1021对视频流进行视频资源类别关联分析得到相应的视频学习科目类别信息，进而获得视频学习科目类别信息和目标标注信息。
参照图3，需要强调的是本实施例中的影响度分析模块1022包括用于获取相同视频学习科目类别中位置标注信息和内容标注信息的获取单元10221、用于获取单元10221所获取目标标注信息数据进行标准化处理的数据处理单元10222、用于目标标注信息影响度分析的分析单元10223以及融合处理单元10224；
数据处理单元10222通过式（1）进行目标标注信息数据的标准化处理，如下：
（1）；
其中，为第i个目标标注样本的第j个指标值，/>为第i个目标标注样本的第j个指标的标准值；
分析单元10223通过式（2）计算第j个指标的标准值下第i个目标标注样本占该样本的比重值，以及通过式（3）计算目标标注信息影响度，如下：
（2）；
其中，n为第i个目标标注样本的总数量；通过比重值计算得到第j个目标标注数量的权重/>；
（3）；
其中，为第i个目标标注样本的影响度；/>为第j个指标的权重值，/>为第j个指标值的总数量；
融合处理单元10224根据目标标注样本的影响度和关联度构建视频学习资源推送系数模型并融合计算生成视频学习资源推送系数计算公式如式（4）所示：
（4）；
其中，为第k时刻视频学习资源推送系数；/>为同类别视频学习资源数量；/>为第k时刻视频学习资源基数，即第k时刻存在的视频学习资源数据关联列表；/>为第k时刻潜在学习内容推送资源基数，即第k时刻存在的目标标注样本的影响度列表；/>为第k时刻目标标注样本影响度在同类别视频学习资源数量推送状态下的权重系数；T为第k时刻的时间序列总数量。
数据调度管理模块103，用于接收调度信息，并基于视频学习资源推送系数，对各个边缘计算模块102进行动态调整视频学习资源信息以及所匹配的目标标注信息，并上传至大数据处理模块104，基于上述内容和图2可知，本实施例采用上述计算分析过程，实现了视频学习资源数据和目标标注信息的处理与分析，可完成相同类别视频学习资源数据中多个目标标注信息的分析以及融合影响度进行动态推送，使得推送管理更加精准，且推送内容包括相关联的标注信息，即本发明的关联分析推送方法，提升了该系统的视频资源分类学习资源数据以及标注数据推送的准确性和丰富度，大大提高了用户使用视频学习的体验。
此外，数据处理单元10222还用于构建获取单元10221所获取目标标注信息数据的置信度，具体地根据位置标注信息和内容标注信息将标注信息分类，构建标注信息集合，根据位置标注信息和内容标注信息，计算目标标注信息的综合置信度，并引入比例惩罚系数的非极大值抑制算法，根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数偏低的预测框，并经过筛选得到优选数据。进一步说明的，帧处理模块1023包括降噪处理单元，降噪处理单元用于对目标标注信息中图像数据的降噪处理，如下：
首先获得原始数据矩阵；
使用均值滤波对原始数据矩阵进行降噪处理，即对待处理的当前原始数据矩阵（x，y），选择一个模板，求模板中所有原始数据矩阵（x，y）的均值，再把得到的均值赋予当前原始数据矩阵（x，y），作为处理后图像在该点上的图像信号，如式（5）所示：
（5）；
其中，为图像信号，/>为给定原始图像信号，m为所述模板中包含当前原始数据矩阵在内的数据总个数；
然后使用拉普拉斯Laplacian算子，得到过滤矩阵；即判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度，反之降低中心像素的灰度；
再通过梯度运算的结果对像素灰度进行调整；
最后完成边缘检测的降噪处理。基于上述可知，本实施例采用上述计算分析过程，能够提高对学习视频资源的机器处理效果，并且有利于进行管理操作，此外，增加了对视频图像数据处理过程中置信度和降噪处理，进一步地提高了数据处理的效果和推送准确性，具有很好的图像处理效果，并且应用在目标区域标注信息的图像数据处理上。
综上，本发明的效果在于：
1、基于边缘计算技术，实现了视频学习资源数据和目标标注信息的处理与分析，可完成相同类别视频学习资源数据中多个目标标注信息的分析以及融合影响度进行动态推送，使得推送管理更加精准，且推送内容包括相关联的标注信息，即本发明的关联分析推送方法，提升了该系统的视频资源分类学习资源数据以及标注数据推送的准确性和丰富度，大大提高了用户使用视频学习的体验。
2、本发明结合边缘计算，提供了标准的视频学习资源数据计算能力和IT服务，在本地就近部署，提高了数据处理的效率，可以实现快速、实时的分析和响应，能够提高对学习视频资源的机器处理效果，并且有利于进行管理操作，此外，增加了对视频图像数据处理过程中置信度和降噪处理，进一步地提高了数据处理的效果和推送准确性，有利于用户使用视频学习的体验。
应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于大数据分析的视频学习资源管理系统，其特征在于，包括：
边缘计算服务器（10），用于控制视频采集设备对学习目标区域数据和视频学习资源数据进行实时视频采集，并控制所述视频采集设备将采集的所述学习目标区域数据和视频学习资源数据反馈至边缘计算服务器获取模块（101），所述视频学习资源数据包括视频学习科目类别信息，所述学习目标区域数据包括在所述视频学习资源数据中的位置标注信息和内容标注信息形成目标标注信息；
边缘计算模块（102），用于响应边缘计算服务器获取模块（101）的视频学习资源信息和学习目标区域信息并进行计算处理，包括识别所述视频学习资源信息以及所匹配的目标标注信息经视频流的处理后，进行所述目标标注信息的特征提取和相关性比对，即对学习目标区域数据和/或视频学习资源数据进行关联性分析，同时分析所述目标标注信息在相应视频学习资源数据中的影响度，并传输至数据调度管理模块（103）；所述边缘计算模块（102）包括关联分析模块（1021）和影响度分析模块（1022）；所述影响度分析模块（1022）包括用于获取相同视频学习科目类别中位置标注信息和内容标注信息的获取单元（10221）、用于获取单元（10221）所获取目标标注信息数据进行标准化处理的数据处理单元（10222）、用于目标标注信息影响度分析的分析单元（10223），以及用于响应关联分析模块（1021）和影响度分析模块（1022）数据后构建视频学习资源推送系数模型，并融合计算生成视频学习资源推送系数的融合处理单元（10224），所述数据处理单元（10222）通过式（1）进行目标标注信息数据的标准化处理，如下：
（1）；
其中，为第i个目标标注样本的第j个指标值，/>为第i个目标标注样本的第j个指标的标准值；
所述分析单元（10223）通过式（2）计算第j个指标的标准值下第i个目标标注样本占该样本的比重值，以及通过式（3）计算目标标注信息影响度，如下：
（2）；
其中，n为第i个目标标注样本的总数量；通过比重值计算得到第j个目标标注数量的权重/>；
（3）；
其中，为第i个目标标注样本的影响度；/>为第j个指标的权重值，U为第j个指标值的总数量；
所述融合处理单元（10224）根据目标标注样本的影响度和关联度构建视频学习资源推送系数模型并融合计算生成视频学习资源推送系数计算公式如式（4）所示：
（4）；
其中，为第k时刻视频学习资源推送系数；/>为同类别视频学习资源数量；/>为第k时刻视频学习资源基数，即第k时刻存在的视频学习资源数据关联列表；/>为第k时刻潜在学习内容推送资源基数，即第k时刻存在的目标标注样本的影响度列表；/>为第k时刻目标标注样本影响度在同类别视频学习资源数量推送状态下的权重系数；T为第k时刻的时间序列总数量；
数据调度管理模块（103），用于接收调度信息，并基于所述视频学习资源推送系数，对各个边缘计算模块（102）进行动态调整视频学习资源信息以及所匹配的目标标注信息，并上传至大数据处理模块（104）；
数据调度管理模块（103），用于接收调度信息，并响应所述视频学习资源推送系数，对各个边缘计算模块（102）进行动态调整视频学习资源信息以及所匹配的目标标注信息，并上传至大数据处理模块（104）；
大数据处理模块（104），用于获取当前学习目标区域数据和视频学习资源数据，并根据位置标注信息和内容标注信息，生成视频学习推荐信息，将视频学习推荐信息推送传输至终端设备模块（105），供所述终端设备模块（105）的用户查阅。
2.如权利要求1所述的一种基于大数据分析的视频学习资源管理系统，其特征在于，所述边缘计算模块（102）识别视频学习资源数据，具体地通过边缘计算服务器（10）初始化完成后，采集现场视频，并以视频流的方式转发至边缘计算模块（102）；
边缘计算模块（102）对视频流进行取帧处理，使用深度学习算法，对所取帧图像进行轻度卷积计算，并定位目标标准位置信息和内容标注信息，具体地分析视频学习科目类别信息、目标标准位置信息和内容标注信息，并将分析结果传输至数据调度管理模块（103）；所述边缘计算模块（102）还包括帧处理模块（1023）和特征提取模块（1024）；
所述帧处理模块（1023）用于所述边缘计算服务器（10）针对所述视频采集数据进行帧处理，获取所述视频学习资源数据对应的帧图像；
所述特征提取模块（1024）用于对每个帧图像进行位置标注特征和内容标注特征的提取，同时通过关联分析模块（1021）对视频流进行视频资源类别关联分析得到相应的视频学习科目类别信息，进而获得视频学习科目类别信息和目标标注信息。
3.如权利要求1所述的一种基于大数据分析的视频学习资源管理系统，其特征在于，所述数据处理单元（10222）还用于构建所述获取单元（10221）所获取目标标注信息数据的置信度，具体地根据位置标注信息和内容标注信息将标注信息分类，构建标注信息集合，根据位置标注信息和内容标注信息，计算目标标注信息的综合置信度，并引入比例惩罚系数的非极大值抑制算法，根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数偏低的预测框，并经过筛选得到优选数据。
4.如权利要求2所述的一种基于大数据分析的视频学习资源管理系统，其特征在于，所述帧处理模块（1023）包括降噪处理单元，所述降噪处理单元用于对所述目标标注信息中图像数据的降噪处理，如下：
首先获得原始数据矩阵；
使用均值滤波对原始数据矩阵进行降噪处理，即对待处理的当前原始数据矩阵，选择一个模板，求模板中所有原始数据矩阵/>的均值，再把得到的均值赋予当前原始数据矩阵/>，作为处理后图像在该点上的图像信号/>，如式（5）所示：
（5）；
其中，为图像信号，/>为给定原始图像信号，m为所述模板中包含当前原始数据矩阵在内的数据总个数；
然后使用拉普拉斯Laplacian算子，得到过滤矩阵；即判断图像中心像素灰度值与它周围其他像素的灰度值，如果中心像素的灰度更高，则提升中心像素的灰度，反之降低中心像素的灰度；
再通过梯度运算的结果对像素灰度进行调整；
最后完成边缘检测的降噪处理。
5.如权利要求1所述的一种基于大数据分析的视频学习资源管理系统，其特征在于，所述视频学习科目类别信息分类为学科分类、适用对象分类和格式分类。
6.如权利要求1所述的一种基于大数据分析的视频学习资源管理系统，其特征在于，所述终端设备模块（105）通过HTTP、TCP、FTP或RTSP协议对数据信息进行接收，并显示在多种终端设备上，终端设备包括手机、PDA或计算机其中的一种。
7.如权利要求1所述的一种基于大数据分析的视频学习资源管理系统，其特征在于，所述边缘计算服务器（10）为高性能服务器集群，将处理前后的数据进行保存，并将处理后的数据进行加密传输。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240820.1A CN117834724B (zh) | 2024-03-04 | 2024-03-04 | 一种基于大数据分析的视频学习资源管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240820.1A CN117834724B (zh) | 2024-03-04 | 2024-03-04 | 一种基于大数据分析的视频学习资源管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117834724A CN117834724A (zh) | 2024-04-05 |
| CN117834724B true CN117834724B (zh) | 2024-04-30 |
Family
ID=90521110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410240820.1A Active CN117834724B (zh) | 2024-03-04 | 2024-03-04 | 一种基于大数据分析的视频学习资源管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117834724B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135332A (zh) * | 2024-04-22 | 2024-06-04 | 泉州景瀚科技有限公司 | 基于互联网的学习资源共享管理方法、装置和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110364049A (zh) * | 2019-07-17 | 2019-10-22 | 石虹 | 一种具有偏离度自动反馈数据闭环纠偏控制的专业技能实训辅助教学系统及辅助教学方法 |
| WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
| WO2023131361A2 (zh) * | 2022-07-18 | 2023-07-13 | 华北理工大学 | 一种基于大数据的教学规划方法及系统 |
| CN117238458A (zh) * | 2023-09-14 | 2023-12-15 | 广东省第二人民医院（广东省卫生应急医院） | 基于云计算的重症护理跨机构协同平台系统 |
-
2024
- 2024-03-04 CN CN202410240820.1A patent/CN117834724B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110364049A (zh) * | 2019-07-17 | 2019-10-22 | 石虹 | 一种具有偏离度自动反馈数据闭环纠偏控制的专业技能实训辅助教学系统及辅助教学方法 |
| WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
| WO2023131361A2 (zh) * | 2022-07-18 | 2023-07-13 | 华北理工大学 | 一种基于大数据的教学规划方法及系统 |
| CN117238458A (zh) * | 2023-09-14 | 2023-12-15 | 广东省第二人民医院（广东省卫生应急医院） | 基于云计算的重症护理跨机构协同平台系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117834724A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12094209B2 (en) | Video data processing method and apparatus, device, and medium | |
| CN107481327B (zh) | 关于增强现实场景的处理方法、装置、终端设备及系统 | |
| CN111062871B (zh) | 一种图像处理方法、装置、计算机设备及可读存储介质 | |
| CN117834724B (zh) | 一种基于大数据分析的视频学习资源管理系统 | |
| JP6994588B2 (ja) | 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体 | |
| CN112183166B (zh) | 确定训练样本的方法、装置和电子设备 | |
| CN109145828B (zh) | 用于生成视频类别检测模型的方法和装置 | |
| CN110366043B (zh) | 视频处理方法、装置、电子设备及可读介质 | |
| CN110796098B (zh) | 内容审核模型的训练及审核方法、装置、设备和存储介质 | |
| CN111950723A (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
| CN109902681B (zh) | 用户群体关系确定方法、装置、设备及存储介质 | |
| CN111784776A (zh) | 视觉定位方法及装置、计算机可读介质和电子设备 | |
| JP7502570B2 (ja) | 酒製品位置決め方法、酒製品情報管理方法及びその装置、デバイス及び記憶媒体 | |
| CN113033677A (zh) | 视频分类方法、装置、电子设备和存储介质 | |
| CN109063790A (zh) | 对象识别模型优化方法、装置和电子设备 | |
| CN111611973B (zh) | 目标用户识别的方法、装置及存储介质 | |
| CN114461853A (zh) | 视频场景分类模型的训练样本生成方法、装置及设备 | |
| CN111444364B (zh) | 一种图像检测方法和装置 | |
| WO2023086398A1 (en) | 3d rendering networks based on refractive neural radiance fields | |
| CN111353330A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111797790B (zh) | 图像处理方法和装置、存储介质和电子设备 | |
| CN115424039A (zh) | 一种图片的主题色确定方法、模型训练方法及装置 | |
| CN114079777B (zh) | 视频处理方法和装置 | |
| CN111143688B (zh) | 一种基于移动新闻客户端的评估方法及其系统 | |
| CN113705309A (zh) | 一种景别类型判断方法、装置、电子设备和存储介质 |
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 |