本发明专利技术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。本发明专利技术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。的音视频设备巡检维护。的音视频设备巡检维护。
【技术实现步骤摘要】
基于机器识别的音视频设备周期性自动巡检方法及系统
[0001]本专利技术涉及音视频巡检
，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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
技术实现思路
[0005]鉴于此，本专利技术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。
[0006]本专利技术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：
[0007]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；
[0008]S2、通过摄像头记录音视频设备行为；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]S7、判断音视频设备的故障和衰减程度；
[0014]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。
[0015]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：
[0016]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；
[0017]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；
[0018]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；
[0019]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；
[0020]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。
[0021]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：
[0022]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。
[0023]进一步地，所述S64步骤的建立机器学习模型的方法包括：
[0024]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；
[0025]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；
[0026]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；
[0027]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。
[0028]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。
[0029]进一步地，所述S64步骤的输入参数和变量的方法包括：
[0030]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。
[0031]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：
[0032]响应速度＝设备健康度/(操作结束时间
‑
操作开始时间)；
[0033]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。
[0034]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。
[0035]本专利技术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：
[0036]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；
[0037]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；
[0038]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；
[0039]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；
[0040]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；
[0041]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；
[0042]机器判定模块：用于判断音视频设备的故障和衰减程度；
[0043]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。
[0044]进一步地，所述机器学习模块包括：
[0045]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；
[0046]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；
[0047]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；
[0048]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；
[0049]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。
[0050]本专利技术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。
[0051]本专利技术还提供一种计算机设备，所述计算机设备包括存储器、处理器及存储本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：曹晖，张新成，周红军，张智谋，
申请(专利权)人：上海金桥信息科技有限公司，
类型：发明
国别省市：
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。