【技术实现步骤摘要】
一种图片故障诊断方法、装置及系统
本申请涉及视频监控领域，特别涉及一种图片故障诊断方法、装置及系统。
技术介绍
随着技术的发展和社会经济水平的提高，越来越多的摄像机被应用到道路、楼宇、车站等监控场景。摄像机长时间使用过程中由于人为破坏或其他物理因素可能出现模糊、雪花点、亮度异常、偏色等故障。目前可以对摄像机拍摄的图片进行故障检测，当从摄像机拍摄的图片中检测出故障图片，且故障图片的数目达到一定数目时，可以确定该摄像机故障。然而目前对图片进行故障检测的精度较低。
技术实现思路
为了提高对图片进行故障检测的精度，本申请实施例提供了一种摄像机故障诊断的方法、装置及系统。所述技术方案如下：第一方面，本申请提供了一种图片故障诊断方法，所述方法包括：对M个待检测图片进行故障检测得到N个侯选故障图片，M为大于0的整数，N为大于0且小于或等于M的整数；将所述N个侯选故障图片依次输入第一深度学习网络进行二次检测，得到所述候选故障图片的检测结果，所述检测结果为所述候选故障图片为故障图片或者为正常...
【技术保护点】
1.一种图片故障诊断方法，其特征在于，所述方法包括：/n对M个待检测图片进行故障检测得到N个侯选故障图片，M为大于0的整数，N为大于0且小于或等于M的整数；/n将所述N个侯选故障图片依次输入第一深度学习网络进行二次检测，得到所述候选故障图片的检测结果，所述检测结果为所述候选故障图片为故障图片或者为正常图片，所述第一深度学习网络用于检测输入的所述侯选故障图片是否为故障图片。/n
【技术特征摘要】
1.一种图片故障诊断方法，其特征在于，所述方法包括：
对M个待检测图片进行故障检测得到N个侯选故障图片，M为大于0的整数，N为大于0且小于或等于M的整数；
将所述N个侯选故障图片依次输入第一深度学习网络进行二次检测，得到所述候选故障图片的检测结果，所述检测结果为所述候选故障图片为故障图片或者为正常图片，所述第一深度学习网络用于检测输入的所述侯选故障图片是否为故障图片。
2.如权利要求1所述的方法，其特征在于，所述对M个待检测图片进行故障检测得到N个侯选故障图片，包括：
对每个待检测图片进行模糊检测、亮度异常检测、雪花点检测和偏色检测中的至少一种，得到至少一种图像故障的分数；
在所述至少一种图像故障的分数中存在位于预设分数范围内的分数且每种图像故障的分数均未超过所述预设分数范围的上限值时，将所述待检测图片确定侯选故障图片。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
当所述待检测图片为正常图片时，将所述待检测图片标记为正常图片并进行存储；或者，当候选故障图片二次检测为正常图片时，将所述侯选故障图片标记为正常图片并进行存储；或者，当所述候选故障图片二次检测为故障图片时，发起人工确认流程，在人工确认结果为正常图片时，将所述侯选故障图片标记为正常图片并进行存储；
当所述候选故障图片二次检测为故障图片时，将所述侯选故障图片标记为故障图片并进行存储，或者，当所述候选故障图片二次检测为故障图片时，发起人工确认流程，在人工确认结果为故障图片时，将侯选故障图片标记为故障图片并进行存储。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
当存储数据中标记为故障图片的数量超过设定阈值时，将存储的第一数量的故障图片和第二数量的正常图片作为训练样本，所述训练样本用于对第一深度学习网络进行训练得到第二深度学习网络网络。
5.如权利要求3所述的方法，其特征在于，所述方法还包括：
当来自待检测摄像机的待检测图片中，被标记为故障图片的数量超过第一设定阈值时，确定所述待检测摄像机故障，并确定以及输出所述待检测摄像机的故障类型。
6.如权利要求1所述的方法，其特征在于，所述对M个待检测图片进行故障检测得到N个侯选故障图片之前，还包括：
在所述待检测摄像机为模拟摄像机时，从所述待检测摄像机拍摄的视频中选择M个模拟图片，将所述M个模拟图片转换成数字图片，得到所述M个待检测图片；
在所述待检测摄像机为数字摄像机时，对所述待检测摄像机拍摄的视频码流进行解码得到视频，从所述视频中选择M个数字图片，得到所述M个待检测图片。
7.一种图片故障诊断装置，其特征在于，所述装置包括：
第一检测模块，用于对M个待检测图片进行故障检测得到N个侯选故障图片，M为大于0的整数，N为大于0且小于或等于M的整数；
第二检测模块，用于将所述N个侯选故障图片依次输入第一深度学习网络进行二次检测...
【专利技术属性】
技术研发人员：黄崇基，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。