视频质量诊断和图像质量诊断 视频质量分析算法

       目前我们常说的视频质量诊断应用,主要分两种:

       一种是将视频质量诊断系统设在监控中心,通过中心矩阵或流媒体服务器来获取前端所有摄像机的视频信号,通过轮巡方式对各路视频进行检测。这种方式受限于网络带宽和服务器自身性能,上传画面质量无法保障,非真正意义的视频质量诊断,属于应急的视频检测,如黑屏、恶意破坏、遮挡等行为能及时给予预警,能检测“破坏性”的视频,提醒相关人员采取措施并及时处理。

       另外一种是将视频质量诊断系统设在前端网点,对网点视频故障(如视频清晰度异常、视频干扰、视频亮度异常、视频偏色、视频信号缺失、画面冻结等)进行检测,可对视频进行不间断的循环分析,对出现的故障可以通过平台客户端、手机APP、短信告警等形式予以提示,或者通过运维管理系统对相关故障信息上传中心进行统一管理,这种是以运维为主的视频质量检测,在前端网点检测视频信息不影响带宽资源,检测速度快。今后电信、联通将建视频专网,专网采用流量收费,耗费流量越大、费用越高。因此视频质量诊断系统设在网点,联网中心接收诊断和管理信息,极大节约流量,降低带宽租用成本。

对现有视频质量诊断功能做了整理,总结出14种诊断算法,分别对这14种算法做以下说明:

1-亮度过亮异常检测:

功能说明:       

由于前端摄像机照明异常、增益控制失效、摄像机故障或人为遮挡等引起的画面整体发白(有刺眼感),目标物体轮廓不清晰,整体画面过亮的现象。

算法解决原理:

        把图像先进行灰度处理,之后计算图像的平均亮度即可,亮度大于一定阈值,则报警。      

2-亮度过暗异常检测:

功能说明:       

由于前端摄像机照明异常、增益控制失效、摄像机故障或人为遮挡等引起的画面整体偏黑,目标物体轮廓不清晰,整体画面过暗的现象。

算法解决原理:

        把图像先进行灰度处理,之后计算图像的平均亮度即可,亮度小于一定阈值,则报警。

3-对比度异常检测:

功能说明:       

由于前端摄像机线路故障、参数错误或其他摄像机故障等原因,所引起视频画面整体亮度跨度范围小、颜色饱和度低而造成的对比度异常的现象。

算法解决原理:

        先计算图片在灰度图上的均值和方差,当存在亮度异常时,均值会偏离均值点(可以假设为128),方差也会偏小,通过计算灰度图的均值和方差,就可评估图像是否存在对比度异常情况。

4-偏色异常检测:

功能说明:       

由于前端摄像机线路接触不良、外部干扰或摄像机故障等原因,所引起视频中的画面偏色的现象。

算法解决原理:

        把RGB图像转化成YUV图像,计算U分量和V分量的比值,从而得出色差的偏移量。

  5-清晰度异常检测:

功能说明:       

由于前端摄像机视频中聚焦不当,异物遮挡等原因,所引起的画面视野图像模糊的现象。

算法解决原理:

        把彩色图像转化为灰度图像,对灰度图像的做边缘检测,本文采用sobel算子做处理,计算边缘的平均值,小于一定阈值则认为是清晰度异常。

  6-噪声异常检测:

功能说明:       

由于前端摄像机线路老化,传输故障,接触不良,或者受到电磁干扰,所引起的视频图像中产生速切换变化的噪点,或细微密集网纹状噪声的现象。

算法解决原理:

       把图像划分成16*16块,分别计算每个子块的方差,计算最大方差和最小方差的信噪比,PSNR。

  7-条纹异常检测:

功能说明:       

由于前端摄像机线路老化,传输故障,或者接触不良,或受到电磁干扰,所引起的视频图像画面中混有周期性的彩色、黑白型宽型带状、波纹、网状干扰的现象。

算法解决原理:

       把彩色图像转化为灰度图像,对灰度图像进行边缘检测,并统计大于设定阈值的点数量,分析这些点占整幅图像的面积比值。

  8-冻结异常检测:

功能说明:       

由于前端摄像机视频传输调度系统故障所引起的视频流解码后的画面中,时间标识无变化而形成的画面冻结的现象。

算法解决原理:

       每隔T帧从视频中取一帧(防止相邻帧太相似引起误检),与当前帧做帧差图像DiffImage统计DiffImage大于th阈值的点数量sum,可以设定多个,算法中设置了2个,统计连续N帧点sum都小于一定阈值,则认为是画面冻结。

  9-信号丢失异常检测:

功能说明:       

由于前端摄像机损坏、电源故障或视频传输环节故障,引起的间发性或持续性的画面带有明显无信号表示的信号缺失现象。

算法解决原理:

       把图像划分成16*16的小块进行统计,计算局部小块的均值和方差,对方差进行排序,分别统计20和50(作为参考)对应的方差进行分析,小于一定阈值则认为信号丢失。

10-抖动异常检测:

功能说明:       

由于前端摄像机自身震动或受环境影响引起的画面抖动,所引起的视频现象画面整体呈现周期性平移式振颤或局部范围内不规则视频信号畸变的现象。

算法解决原理:

       每隔N帧取一帧,对取到的每帧进行特征点提取,对检测的相邻2帧进行特征点匹配,得到匹配矩阵,当匹配矩阵大于A时认为这2帧画面有抖动,当抖动帧数大于B时认为画面发生抖动。

11-遮挡异常检测:

功能说明:       

由于前端摄像机受外部因素形成异物遮挡,所引起的视频画面主体区域造成的部分或全部视野受阻,画面监控信息严重缺失的现象。

算法解决原理:

       彩色图像二值化,偏黑的部分为前景,其他部分为背景,对前景进行连通区域检测,求得最大连通区域面积,该面积整幅图像面积的比较即为遮挡率。

12-黑白图像异常检测:

功能说明:       

由于前端摄像机线路接触不良、外部干扰或摄像机故障等原因,所引起视频画面呈现灰度成像,未能还原物体真实色彩的现象。

算法解决原理:

       把彩色图像转化为HSV空间,计算H和S的变化量即可。

13-场景变更异常检测:

功能说明:       

由于前端摄像机视野、角度被人为移动,所引起的视频画面主体区域与其初始场景相比,发生边界偏移或异物遮罩而造成的场景变换现象。

算法解决原理:

       对彩色图像做高斯建模,提取高斯建模的前景图像,计算前景图像的变化量,大于设定值后,则报警

14-场景剧变常检测:

功能说明:       

由于前端摄像机传输故障、外部信号干扰或前端设备故障,所引起的视频画面范围内存在像素块的跳变、叠加,剧烈闪烁等不规则视频信号畸变而造成的场景剧变现象。

算法解决原理:

       对彩色图像做高斯建模,提取高斯建模的前景图像,计算前景图像的变化量,大于设定值后,则报警      

诊断算法界面

 

     

条纹检测结果

     诊断算法demo百度网盘地址:链接:https://pan.baidu.com/s/1zt6WZn-cx3l88XVIif7fOg  提取码:rcyu

     欢迎一起交流学习。

  • 7
    点赞
  • 43
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
### 回答1: CNN-LSTM 故障诊断指的是利用深度学习技术中的卷积神经网络(CNN)和长短期记忆网络(LSTM)对机器设备故障进行诊断。 传统的故障诊断方法主要包括基于规则、统计学和机器学习等方法,但这些方法存在一些问题,例如规则方法需要手动制定规则、统计学方法需要大量数据以及机器学习方法需要人工提取特征等。而 CNN-LSTM 方法则通过利用卷积神经网络对设备图像进行特征提取,再通过长短期记忆网络对已提取的特征进行建模,以实现故障诊断。 具体地,CNN-LSTM 故障诊断的步骤如下: 1. 数据采集:对机器设备进行传感器数据采集,包括温度、湿度、压力等数据。 2. 数据预处理:对采集到的传感器数据进行预处理,包括去除噪声、重采样、归一化等操作。 3. 特征提取:利用卷积神经网络提取设备图像中的特征。 4. 特征建模:利用长短期记忆网络对已提取的特征进行建模,学习设备状态的时序变化。 5. 故障诊断:根据学习到的模型进行故障诊断,并输出诊断结果。 通过 CNN-LSTM 故障诊断方法,可以实现对机器设备故障的快速、准确诊断,从而提高生产效率和降低维护成本。 ### 回答2: CNN-LSTM故障诊断是一种基于卷积神经网络和长短时记忆网络的方法应用于机械故障诊断中。在故障诊断中,通过对机器的振动、温度等传感器数据进行监测,可以实现对机械设备的预测性维护,从而大大降低故障风险和维修成本。 传统的基于频域特征或时域特征的机器故障诊断方法需要人为选取特征,受限于数据的质量和种类,很难覆盖所有的故障场景。而使用CNN-LSTM方法将传感器数据投入到模型中,能够自动地提取特征,适应不同的故障场景。 CNN-LSTM故障诊断方法主要分为四个步骤:数据准备、特征提取、模型训练和故障诊断。 首先,将传感器数据规整,包括去除异常数据、填补缺失数据等,以确保输入的数据质量。然后,使用CNN进行特征提取,捕捉数据中的关键特征。最后,将提取的特征输入到LSTM模型中进行训练,获得分类模型。在故障诊断时,将测试数据输入到模型中进行分类,即可获得机器的状态,以便分析故障原因和采取相应的维修措施。 相较于传统方法,CNN-LSTM故障诊断具有更高的准确率和鲁棒性,可以更好地适应不同的机器故障场景,广泛应用于航空、电力、自动化、交通等各个领域。 ### 回答3: CNN-LSTM 是一种将卷积神经网络和长-短期记忆神经网络结合起来的深度学习模型。它被广泛应用于时间序列数据分析中,如自然语言处理、音频处理以及图像视频处理等领域。在故障诊断方面,CNN-LSTM 可以有效地诊断机器或设备可能出现的故障。 在故障诊断中,CNN-LSTM 能够通过对多维度的传感器数据进行监测,不断地进行时序分析,从而识别机器或设备运行中的异常信号。通过捕捉数据的时间相关性,结合 ALARM 等系统自动化工具,CNN-LSTM 可以迭代地进行数据监测和正常数据建模,从而检测运行过程中的异常行为。通过异常检测,CNN-LSTM 可以对故障行为进行分类,帮助维修工程师有效地诊断机器或设备的故障原因,提高维修效率和修复准确性。 除此之外,CNN-LSTM 还可以结合其他模型和算法,如自编码器、随机森林等,进一步提高故障诊断的精度和效率。同时,CNN-LSTM 也需要注意数据样本的标签质量和特征的选取规则,这些因素都可以影响故障诊断结果的准确性。 总之,CNN-LSTM 作为一种强大的深度学习模型,对于机器和设备的故障诊断有很大的应用前景,但也需要在实践中不断优化和改进,才能发挥其最大的作用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值