CN117440018A - 一种基于物联网的网络摄像设备运管平台 - Google Patents
一种基于物联网的网络摄像设备运管平台 Download PDFInfo
- Publication number
- CN117440018A CN117440018A CN202311556478.8A CN202311556478A CN117440018A CN 117440018 A CN117440018 A CN 117440018A CN 202311556478 A CN202311556478 A CN 202311556478A CN 117440018 A CN117440018 A CN 117440018A
- Authority
- CN
- China
- Prior art keywords
- value
- equipment
- quality
- network camera
- network
- 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.)
- Pending
Links
- 230000006855 networking Effects 0.000 title description 2
- 238000012544 monitoring process Methods 0.000 claims abstract description 87
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 238000011156 evaluation Methods 0.000 claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 94
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 39
- 238000007726 management method Methods 0.000 claims description 26
- 238000007689 inspection Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 13
- 238000013500 data storage Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 241000700605 Viruses Species 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 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
- H04L67/01—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/66—Remote control of cameras or camera parts, e.g. by remote control devices
- H04N23/661—Transmitting camera control signals through networks, e.g. control via the Internet
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明属于摄像设备管控技术领域，具体是一种基于物联网的网络摄像设备运管平台，包括服务器、设备管理模块、智能分析识别模块、设备质量精准评估模块与远程监控模块；本发明通过物联网技术实现设备的远程管理和监控，提高了网络摄像设备管理的效率和便利性，且能够对网络摄像设备的监控视频品质和运行稳定状况进行实时合理分析并精准评估其运行质量，方便高效地对网络摄像设备进行运营和管理，保证网络摄像设备后续的安全稳定运行，且在生成运行质量异常信号时将网络摄像设备进行可用性评估分析，方便用户快速作出针对性的处理措施，降低网络摄像设备的运管难度，智能化程度高。
Description
技术领域
本发明涉及摄像设备管控技术领域，具体是一种基于物联网的网络摄像设备运管平台。
背景技术
网络摄像机是一种结合传统摄像机与网络技术所产生的新一代摄像机，可通过互联网或者内部局域网进行视频和音频的传输，随着物联网技术的快速发展，网络摄像设备广泛应用于安全监控、智能家居、交通监控等领域；
但目前无法对网络摄像设备的监控视频品质和运行稳定状况进行实时合理分析并精准评估其运行质量，以及在判断网络摄像设备运行质量异常时无法对其进行可用性分析，难以高效地对网络摄像设备进行运营和管理；
针对上述的技术缺陷，现提出一种解决方案。
发明内容
本发明的目的在于提供一种基于物联网的网络摄像设备运管平台，解决了现有技术无法对网络摄像设备的监控视频品质和运行稳定状况进行实时合理分析并精准评估其运行质量，且在判断网络摄像设备运行质量异常时无法对其进行可用性分析，网络摄像设备运管难度大的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于物联网的网络摄像设备运管平台，包括服务器、设备管理模块、智能分析识别模块、设备质量精准评估模块与远程监控模块；设备管理模块通过物联网技术与网络摄像设备进行通信，用于网络摄像设备的接入、配置、控制和状态监控，实现网络摄像设备的远程管理；远程监控模块允许用户通过互联网远程访问，查看网络摄像设备的状态和视频数据；
智能分析识别模块嵌入至网络摄像设备中，并利用深度学习技术对网络摄像设备的视频数据进行实时分析，通过训练优化的识别模型来自动识别异常行为和事件，且生成相应警报信息并将其经服务器发送至远程监控模块；设备质量精准评估模块用于对网络摄像设备的设备质量进行分析，通过分析判断网络摄像设备的运行质量是否合格，据此生成运行质量异常信号或运行质量正常信号，且将运行质量异常信号或运行质量正常信号经服务器发送至远程监控模块。
进一步的，设备质量精准评估模块的具体运行过程包括：
从服务器调取视频品质异常数据和摄像运稳异常数据，将视频品质异常数据和摄像运稳异常数据与预设视频品质异常数据阈值和预设摄像运稳异常数据阈值分别进行数值比较，若视频品质异常数据或摄像运稳异常数据超过对应预设阈值，则生成网络摄像设备的运行质量异常信号；
若视频品质异常数据或摄像运稳异常数据均未超过对应预设阈值，则采集到单位时间内网络摄像设备的硬件故障频率、软件故障频率和网络连接故障频率，将硬件故障频率、软件故障频率和网络连接故障频率进行求和计算得到摄像故障率数据；且将网络摄像设备的硬件故障、软件故障频率和网络连接故障标记为摄像故障，采集到每次摄像故障的持续时长，将所有持续时长进行求和计算得到摄像故障持时值，且将对应摄像故障的持续时长与相应的预设持续时长阈值进行数值比较，若持续时长超过预设持续时长阈值，则向对应摄像故障分配故障判断符号GP-1；获取到单位时间内网络摄像设备与故障判断符号GP-1所对应的摄像故障的数量并将其标记为标识故障频率，将标识故障频率与摄像故障率数据进行比值计算得到标识故障系数；
将网络摄像设备的标识故障系数、摄像故障持时值和摄像故障率数据进行数值计算得到摄像质检值，将摄像质检值与预设摄像质检阈值进行数值比较，若摄像质检值超过预设摄像质检阈值，则生成网络摄像设备的运行质量异常信号；若摄像质检值未超过预设摄像质检阈值，则生成网络摄像设备的运行质量正常信号。
进一步的，服务器与视频品质检测模块和摄像运稳检测模块均通信连接，视频品质检测模块对网络摄像设备的监控视频的品质进行实时监测，并通过分析获取到网络摄像设备的视频品质异常数据，且将网络摄像设备的视频品质异常数据发送至服务器进行存储；摄像运稳检测数据对网络摄像设备的运行稳定性进行检测，并通过分析获取到网络摄像设备的摄像运稳异常数据，且将网络摄像设备的摄像运稳异常数据发送至服务器进行存储。
进一步的，视频品质检测模块的具体运行过程包括：
通过对网络摄像设备的监控视频画面进行实时检测分析以判断其对应时刻是否处于低质监控状态，获取到单位时间内网络摄像设备处于低质监控状态的时长占比值并将其标记为监控低质系数，以及将单位时间内网络摄像设备的所有视频检测值进行求和计算并取均值以得到视频检异值，且获取到网络摄像设备每次处于低质监控状态的持续时长并将其标记为单次低质持时值，将单次低质持时值与预设单次低质持时阈值进行数值比较，将超过预设单次低质持时阈值的单次低质持时值的数量标记为低质高持续频率；将低质高持续频率、视频检异值和监控低质系数进行数值计算得到视频品质异常数据。
进一步的，低质监控状态的判断分析过程如下：
实时采集到监控视频画面的清晰度检测数据、对比度检测数据、色彩还原度检测数据和画面抖动检测数据，将预设标准对比度范围的最大值和最小值进行均值计算得到对比度判定值，同理获取到色彩还原度判定值，将对比度检测数据与对比度判定值进行差值计算并取绝对值以得到对比度评估值，同理获取到色彩还原度评估值；将清晰度检测数据、对比度评估值、色彩还原度评估值和画面抖动检测数据进行数值计算得到视频检测值；将视频检测值与预设视频检测阈值进行数值比较，若视频检测值超过预设视频检测阈值，则判断网络摄像设备对应时刻处于低质监控状态。
进一步的，摄像运稳检测模块的具体运行过程包括：
在单位时间内设定若干个检测时段，采集到对应检测时段网络摄像设备的图像传输流畅性数据和数据存储速率数据，将图像传输流畅性数据和数据存储速率数据与预设图像传输流畅性数据阈值和预设数据存储速率数据阈值分别进行数值比较，若图像传输流畅性数据和数据存储速率数据均超过对应预设阈值，则将对应检测时段标记为稳运行时段，其余情况则判断对应检测时段为非稳运行时段；
将单位时间内的非稳运行时段的数量与稳运行时段的数量进行比值计算得到摄像非稳检测值，且采集到单位时间内网络摄像设备针对异常行为和事件的监控识别效率数据和监控识别误判率数据，将监控识别效率数据、监控识别误判率数据和摄像非稳检测值进行数值计算以得到摄像运稳异常数据。
进一步的，服务器与设备可用性评估模块通信连接，服务器将网络摄像设备的运行质量异常信号发送至设备可用性评估模块，设备可用性评估模块接收到运行质量异常信号时将其进行可用性评估分析，通过分析生成网络摄像设备的高可用性信号或低可用性信号，且将网络摄像设备的高可用性信号或低可用性信号发送至远程监控模块。
进一步的，可用性评估分析的具体分析过程如下：
从服务器调取网络摄像设备的摄像受损数据，并采集到网络摄像设备在历史运行过程中的监控总时长，以及采集到网络摄像设备在历史运行过程中受到网络病毒攻击的次数并将其标记为网攻致损值；且采集到网络摄像设备的生产间隔时长，从服务器调取已报废的对应类型网络摄像设备的生产日期与报废日期的平均间隔时长并将其标记为报废参考时长，将生产间隔时长与报废参考时长进行比值计算得到报废比析值；
将网络摄像设备的报废比析值、监控总时长、摄像受损数据和网攻致损值进行数值计算得到可用性评估值，将可用性评估值与预设可用性评估阈值进行数值比较，若可用性评估值超过预设可用性评估阈值，则生成网络摄像设备的低可用性信号；若可用性评估值超过预设可用性评估阈值，则生成网络摄像设备的高可用性信号。
进一步的，服务器与运异决策评估模块通信连接，运异决策评估模块实时采集到网络摄像设备中若干个位置处的温度数据并将其进行均值计算，且将均值计算结果标记为摄像温检值；以及采集到网络摄像设备的抖动频率和抖动幅度，将抖动频率和抖动幅度进行乘积计算得到摄像抖检值，将摄像温检值和摄像抖检值进行赋权求和计算得到摄像实况值；
将摄像实况值与预设摄像实况阈值进行数值比较，若摄像实况值超过预设摄像实况阈值，则判断网络摄像设备处于运行受损状态；若摄像实况值未超过预设摄像实况阈值，则采集到网络摄像设备所属环境的环境温湿值和环境污染值，将环境温湿值和环境污染值进行赋权求和计算得到摄像环况值；将摄像环况值与预设摄像环况阈值进行数值比较，若摄像环况值超过预设摄像环况阈值，则判断网络摄像状态处于运行受损状态；获取到网络摄像设备在历史运行过程中处于运行受损状态的总时长，并将其标记为摄像受损数据，且将网络摄像设备的摄像受损数据发送至服务器进行存储。
与现有技术相比，本发明的有益效果是：
1、本发明中，通过物联网技术实现设备的远程管理和监控，提高了网络摄像设备管理的效率和便利性，通过视频品质检测模块对网络摄像设备的监控视频的品质进行实时监测并分析，摄像运稳检测数据对网络摄像设备的运行稳定性进行检测并分析，为设备质量精准评估模块的分析过程提供数据支撑，且通过设备质量精准评估模块对网络摄像设备的设备质量进行分析，以判断网络摄像设备的运行质量是否合格，实现对网络摄像设备运行质量的精准评估并反馈预警，方便高效地对网络摄像设备进行运营和管理，保证网络摄像设备后续的安全稳定运行；
2、本发明中，通过运异决策评估模块进行分析以判断网络摄像设备所受到的损害状况，不仅方便及时作出相应调控或进行原因调查，还能够为设备可用性评估模块的分析过程提供数据支撑，且在生成运行质量异常信号时通过设备可用性评估模块将网络摄像设备进行可用性评估分析，通过分析生成网络摄像设备的高可用性信号或低可用性信号，方便用户快速作出针对性的处理措施，降低网络摄像设备的运管难度，智能化程度高。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明中实施例一的第一***框图；
图2为本发明中实施例一的第二***框图；
图3为本发明中实施例二和实施例三的***框图。
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。
实施例一：如图1-2所示，本发明提出的一种基于物联网的网络摄像设备运管平台，包括服务器、设备管理模块、智能分析识别模块、设备质量精准评估模块与远程监控模块；设备管理模块通过物联网技术(如MQTT协议、CoAP协议等)与网络摄像设备进行通信，主要负责网络摄像设备的接入、配置、控制和状态监控等，实现网络摄像设备的远程管理；远程监控模块允许用户通过互联网远程访问，查看网络摄像设备的状态和视频数据；
通过物联网技术实现设备的远程管理和监控，提高了网络摄像设备管理的效率和便利性；智能分析识别模块嵌入至网络摄像设备中，并利用深度学习技术对网络摄像设备的视频数据进行实时分析，通过训练优化的识别模型来自动识别异常行为和事件，且生成相应警报信息并将其经服务器发送至远程监控模块，能够及时发出警报并通知用户，用户可以更加快速地应对异常情况。
设备质量精准评估模块对网络摄像设备的设备质量进行分析，通过分析判断网络摄像设备的运行质量是否合格，据此生成运行质量异常信号或运行质量正常信号，且将运行质量异常信号或运行质量正常信号经服务器发送至远程监控模块，实现对网络摄像设备运行质量的精准评估并反馈预警，以便用户详细掌握网络摄像设备的运行质量异常状况并及时作出相应优化管理措施，保证网络摄像设备后续的安全高效且稳定运行；设备质量精准评估模块的具体运行过程如下：
从服务器调取视频品质异常数据和摄像运稳异常数据，将视频品质异常数据和摄像运稳异常数据与预设视频品质异常数据阈值和预设摄像运稳异常数据阈值分别进行数值比较，若视频品质异常数据或摄像运稳异常数据超过对应预设阈值，表明网络摄像设备的运行质量较差，需要及时采取相应检查等措施，则生成网络摄像设备的运行质量异常信号；
若视频品质异常数据或摄像运稳异常数据均未超过对应预设阈值，则采集到单位时间内网络摄像设备的硬件故障频率、软件故障频率和网络连接故障频率，将硬件故障频率、软件故障频率和网络连接故障频率进行求和计算得到摄像故障率数据；且将网络摄像设备的硬件故障、软件故障频率和网络连接故障标记为摄像故障，采集到每次摄像故障的持续时长，将所有持续时长进行求和计算得到摄像故障持时值；
且将对应摄像故障的持续时长与相应的预设持续时长阈值进行数值比较，若持续时长超过预设持续时长阈值，则向对应摄像故障分配故障判断符号GP-1；获取到单位时间内网络摄像设备与故障判断符号GP-1所对应的摄像故障的数量并将其标记为标识故障频率，将标识故障频率与摄像故障率数据进行比值计算得到标识故障系数；
通过公式RZ＝kp1*RG+kp2*RQ+kp3*RK将网络摄像设备的标识故障系数RG、摄像故障持时值RQ和摄像故障率数据RK进行数值计算得到摄像质检值RZ，其中，kp1、kp2、kp3为预设比例系数，kp1＞kp3＞kp2＞0；并且，摄像质检值RZ的数值越大，表明网络摄像设备的运行质量越差；将摄像质检值RZ与预设摄像质检阈值进行数值比较，若摄像质检值RZ超过预设摄像质检阈值，表明网络摄像设备的运行质量较差，则生成网络摄像设备的运行质量异常信号；若摄像质检值RZ未超过预设摄像质检阈值，表明网络摄像设备的运行质量较好，则生成网络摄像设备的运行质量正常信号。
进一步而言，服务器与视频品质检测模块和摄像运稳检测模块均通信连接，视频品质检测模块对网络摄像设备的监控视频的品质进行实时监测，并通过分析获取到网络摄像设备的视频品质异常数据，且将网络摄像设备的视频品质异常数据发送至服务器进行存储，不仅能够实时反馈网络摄像设备的监控视频质量状况，以便及时对网络摄像设备进行检查维修，还能够为设备质量精准评估模块的分析过程提供数据支撑；视频品质检测模块的具体运行过程如下：
通过对网络摄像设备的监控视频画面进行实时检测分析以判断其对应时刻是否处于低质监控状态，具体为：实时采集到监控视频画面的清晰度检测数据、对比度检测数据、色彩还原度检测数据和画面抖动检测数据，其中，画面抖动检测数据是表示画面抖动程度大小的数据量值，画面抖动检测数据的数值越大，则表明视频画面越不稳定，画质越差；将预设标准对比度范围的最大值和最小值进行均值计算得到对比度判定值，同理获取到色彩还原度判定值，将对比度检测数据与对比度判定值进行差值计算并取绝对值以得到对比度评估值，同理获取到色彩还原度评估值；
通过公式FY＝(tg2*FQ+tg3*FW+tg4*FK)/(tg1*FR+0.283)将清晰度检测数据FR、对比度评估值FQ、色彩还原度评估值FW和画面抖动检测数据FK进行数值计算得到视频检测值FY；其中，tg1、tg2、tg3、tg4为预设比例系数，且tg1、tg2、tg3、tg4的取值均大于零；并且，视频检测值FY的数值越大，表明对应时刻网络摄像设备的监控视频质量状况越差；将视频检测值FY与预设视频检测阈值进行数值比较，若视频检测值FY超过预设视频检测阈值，则判断网络摄像设备对应时刻处于低质监控状态；
获取到单位时间内网络摄像设备处于低质监控状态的时长占比值并将其标记为监控低质系数，以及将单位时间内网络摄像设备的所有视频检测值进行求和计算并取均值以得到视频检异值，且获取到网络摄像设备每次处于低质监控状态的持续时长并将其标记为单次低质持时值，将单次低质持时值与预设单次低质持时阈值进行数值比较，将超过预设单次低质持时阈值的单次低质持时值的数量标记为低质高持续频率；
通过公式YP＝c1*YK+c2*YF+c3*YG将低质高持续频率YK、视频检异值YF和监控低质系数YG进行数值计算得到视频品质异常数据YP；其中，c1、c2、c3为预设比例系数，c3＞c1＞c2＞0；并且，视频品质异常数据YP的数值越大，表明单位时间内网络摄像设备的视频品质综合而言越差，网络摄像设备存在异常的概率越大，越需要及时对网络摄像设备进行相应的检查维修操作。
摄像运稳检测数据对网络摄像设备的运行稳定性进行检测，并通过分析获取到网络摄像设备的摄像运稳异常数据，且将网络摄像设备的摄像运稳异常数据发送至服务器进行存储，不仅能够实时反馈网络摄像设备的传输、识别稳定性状况，以便及时对网络摄像设备进行检查维修，还能够为设备质量精准评估模块的分析过程提供数据支撑；摄像运稳检测模块的具体运行过程如下：
在单位时间内设定若干个检测时段，采集到对应检测时段网络摄像设备的图像传输流畅性数据和数据存储速率数据，其中，图像传输流畅性数据和数据存储速率数据的数值越大，则表明网络摄像设备的运行状况越好；将图像传输流畅性数据和数据存储速率数据与预设图像传输流畅性数据阈值和预设数据存储速率数据阈值分别进行数值比较，若图像传输流畅性数据和数据存储速率数据均超过对应预设阈值，则将对应检测时段标记为稳运行时段，其余情况则判断对应检测时段为非稳运行时段；
将单位时间内的非稳运行时段的数量与稳运行时段的数量进行比值计算得到摄像非稳检测值，且采集到单位时间内网络摄像设备针对异常行为和事件的监控识别效率数据和监控识别误判率数据，其中，监控识别效率数据是表示识别速率快慢的数据量值，监控识别效率数据的数值越大，则识别速率越快，识别性能越好；监控识别误判率数据是表示识别错误次数占总识别次数的百分比大小的数据量值，监控识别误判率的数值越小，则表明其识别性能越好；
通过公式将监控识别效率数据GM、监控识别误判率数据GB和摄像非稳检测值GW进行数值计算以得到摄像运稳异常数据YW；其中，eq1、eq2、eq3为预设比例系数，eq1、eq2、eq3均为正数；并且，摄像运稳异常数据YW的数值越大，表明单位时间内网络摄像设备的运行状况综合而言越差，网络摄像设备存在异常的概率越大，越需要及时对网络摄像设备进行相应的检查维修操作。
实施例二：如图3所示，本实施例与实施例1的区别在于，服务器与设备可用性评估模块通信连接，服务器将网络摄像设备的运行质量异常信号发送至设备可用性评估模块，设备可用性评估模块接收到运行质量异常信号时将其进行可用性评估分析，通过分析生成网络摄像设备的高可用性信号或低可用性信号，且将网络摄像设备的高可用性信号或低可用性信号发送至远程监控模块，以便用户详细掌握网络摄像设备的可用性状况，并基于此作出针对性的处理措施，比如在接收到低可用性信号时将网络摄像设备报废，降低管理难度并保证后续监控效果；可用性评估分析的具体分析过程如下：
从服务器调取网络摄像设备的摄像受损数据，并采集到网络摄像设备在历史运行过程中的监控总时长，其中，监控总时长是表示网络摄像设备处于监控运行状态的总时长大小的数据量值；以及采集到网络摄像设备在历史运行过程中受到网络病毒攻击的次数并将其标记为网攻致损值；且采集到网络摄像设备的生产间隔时长，从服务器调取已报废的对应类型网络摄像设备的生产日期与报废日期的平均间隔时长并将其标记为报废参考时长，将生产间隔时长与报废参考时长进行比值计算得到报废比析值；其中，报废比析值的数值越大，则表明网络摄像设备越趋向于报废；
通过公式将网络摄像设备的报废比析值KR、监控总时长KS、摄像受损数据KD和网攻致损值KF进行数值计算得到可用性评估值KY，其中，wt1、wt2、wt3、wt4为预设比例系数，wt1＞wt4＞wt2＞wt1＞0；并且，可用性评估值KY的数值越大，表明网络摄像设备的可用性越差，越趋向于报废；将可用性评估值KY与预设可用性评估阈值进行数值比较，若可用性评估值KY超过预设可用性评估阈值，表明网络摄像设备的可用性较差，则生成网络摄像设备的低可用性信号；若可用性评估值KY超过预设可用性评估阈值，表明网络摄像设备的可用性较好，则生成网络摄像设备的高可用性信号。
实施例三：如图3所示，本实施例与实施例1、实施例2的区别在于，服务器与运异决策评估模块通信连接，运异决策评估模块实时采集到网络摄像设备中若干个位置处的温度数据并将其进行均值计算，且将均值计算结果标记为摄像温检值；以及采集到网络摄像设备的抖动频率和抖动幅度，将抖动频率和抖动幅度进行乘积计算得到摄像抖检值，通过公式SY＝a1*SW+a2*SD将摄像温检值SW和摄像抖检值SD进行赋权求和计算得到摄像实况值SY；其中，a1、a2为预设权重系数，a1＞a2＞0.3；并且，摄像实况值SY的数值越大，表明对网络摄像设备造成的损害越大；
将摄像实况值SY与预设摄像实况阈值进行数值比较，若摄像实况值SY超过预设摄像实况阈值，则判断网络摄像设备处于运行受损状态；若摄像实况值SY未超过预设摄像实况阈值，则采集到网络摄像设备所属环境的环境温湿值和环境污染值，其中，环境温湿值是表示环境温度相较于预设温度标准值的偏离值与环境湿度相较于预设湿度标准值的偏离值两者和值大小的数据量值；环境污染值是表示网络摄像设备所处环境中粉尘浓度大小的数据量值；
通过公式SH＝a3*SP+a4*SR将环境温湿值SP和环境污染值SR进行赋权求和计算得到摄像环况值SH；其中，a3、a4为预设权重系数，a4＞a3＞0.5；并且，摄像环况值SH的数值越大，则表明对网络摄像设备造成的损害越大；将摄像环况值SH与预设摄像环况阈值进行数值比较，若摄像环况值SH超过预设摄像环况阈值，则判断网络摄像状态处于运行受损状态，能够准确且实时反馈网络摄像设备的受损状况，以便管理人员及时作出相应调控或进行原因调查，提升网络摄像设备的使用寿命；获取到网络摄像设备在历史运行过程中处于运行受损状态的总时长，并将其标记为摄像受损数据，且将网络摄像设备的摄像受损数据发送至服务器进行存储，为设备可用性评估模块的分析过程提供数据支撑。
本发明的工作原理：使用时，通过物联网技术实现设备的远程管理和监控，提高了网络摄像设备管理的效率和便利性，智能分析识别模块利用深度学习技术对网络摄像设备的视频数据进行实时分析，自动识别异常行为和事件，能够及时发出警报并通知用户；且通过视频品质检测模块对网络摄像设备的监控视频的品质进行实时监测并分析，以实时反馈网络摄像设备的监控视频质量状况，摄像运稳检测数据对网络摄像设备的运行稳定性进行检测并分析，以实时反馈网络摄像设备的传输、识别稳定性状况，为设备质量精准评估模块的分析过程提供数据支撑；以及通过设备质量精准评估模块对网络摄像设备的设备质量进行分析，通过分析判断网络摄像设备的运行质量是否合格，实现对网络摄像设备运行质量的精准评估并反馈预警，方便高效地对网络摄像设备进行运营和管理，保证网络摄像设备后续的安全稳定运行。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种基于物联网的网络摄像设备运管平台，其特征在于，包括服务器、设备管理模块、智能分析识别模块、设备质量精准评估模块与远程监控模块；设备管理模块通过物联网技术与网络摄像设备进行通信，用于网络摄像设备的接入、配置、控制和状态监控，实现网络摄像设备的远程管理；远程监控模块允许用户通过互联网远程访问，查看网络摄像设备的状态和视频数据；
智能分析识别模块嵌入至网络摄像设备中，并利用深度学习技术对网络摄像设备的视频数据进行实时分析，通过训练优化的识别模型来自动识别异常行为和事件，且生成相应警报信息并将其经服务器发送至远程监控模块；设备质量精准评估模块用于对网络摄像设备的设备质量进行分析，通过分析判断网络摄像设备的运行质量是否合格，据此生成运行质量异常信号或运行质量正常信号，且将运行质量异常信号或运行质量正常信号经服务器发送至远程监控模块。
2.根据权利要求1所述的一种基于物联网的网络摄像设备运管平台，其特征在于，设备质量精准评估模块的具体运行过程包括：
从服务器调取视频品质异常数据和摄像运稳异常数据，若视频品质异常数据或摄像运稳异常数据超过对应预设阈值，则生成网络摄像设备的运行质量异常信号；若视频品质异常数据或摄像运稳异常数据均未超过对应预设阈值，则采集到单位时间内网络摄像设备的硬件故障频率、软件故障频率和网络连接故障频率，将硬件故障频率、软件故障频率和网络连接故障频率进行求和计算得到摄像故障率数据；
且将网络摄像设备的硬件故障、软件故障频率和网络连接故障标记为摄像故障，采集到每次摄像故障的持续时长，将所有持续时长进行求和计算得到摄像故障持时值，且将对应摄像故障的持续时长与相应的预设持续时长阈值进行数值比较，若持续时长超过预设持续时长阈值，则向对应摄像故障分配故障判断符号GP-1；获取到单位时间内网络摄像设备与故障判断符号GP-1所对应的摄像故障的数量并将其标记为标识故障频率，将标识故障频率与摄像故障率数据进行比值计算得到标识故障系数；
将网络摄像设备的标识故障系数、摄像故障持时值和摄像故障率数据进行数值计算得到摄像质检值，若摄像质检值超过预设摄像质检阈值，则生成网络摄像设备的运行质量异常信号；若摄像质检值未超过预设摄像质检阈值，则生成网络摄像设备的运行质量正常信号。
3.根据权利要求2所述的一种基于物联网的网络摄像设备运管平台，其特征在于，服务器与视频品质检测模块和摄像运稳检测模块均通信连接，视频品质检测模块对网络摄像设备的监控视频的品质进行实时监测，并通过分析获取到网络摄像设备的视频品质异常数据，且将网络摄像设备的视频品质异常数据发送至服务器进行存储；摄像运稳检测数据对网络摄像设备的运行稳定性进行检测，并通过分析获取到网络摄像设备的摄像运稳异常数据，且将网络摄像设备的摄像运稳异常数据发送至服务器进行存储。
4.根据权利要求3所述的一种基于物联网的网络摄像设备运管平台，其特征在于，视频品质检测模块的具体运行过程包括：
通过对网络摄像设备的监控视频画面进行实时检测分析以判断其对应时刻是否处于低质监控状态，获取到单位时间内网络摄像设备处于低质监控状态的时长占比值并将其标记为监控低质系数，以及将单位时间内网络摄像设备的所有视频检测值进行求和计算并取均值以得到视频检异值，且获取到网络摄像设备每次处于低质监控状态的持续时长并将其标记为单次低质持时值，将超过预设单次低质持时阈值的单次低质持时值的数量标记为低质高持续频率；将低质高持续频率、视频检异值和监控低质系数进行数值计算得到视频品质异常数据。
5.根据权利要求4所述的一种基于物联网的网络摄像设备运管平台，其特征在于，低质监控状态的判断分析过程如下：
实时采集到监控视频画面的清晰度检测数据、对比度检测数据、色彩还原度检测数据和画面抖动检测数据，将预设标准对比度范围的最大值和最小值进行均值计算得到对比度判定值，同理获取到色彩还原度判定值，将对比度检测数据与对比度判定值进行差值计算并取绝对值以得到对比度评估值，同理获取到色彩还原度评估值；将清晰度检测数据、对比度评估值、色彩还原度评估值和画面抖动检测数据进行数值计算得到视频检测值；若视频检测值超过预设视频检测阈值，则判断网络摄像设备对应时刻处于低质监控状态。
6.根据权利要求3所述的一种基于物联网的网络摄像设备运管平台，其特征在于，摄像运稳检测模块的具体运行过程包括：
在单位时间内设定若干个检测时段，采集到对应检测时段网络摄像设备的图像传输流畅性数据和数据存储速率数据，若图像传输流畅性数据和数据存储速率数据均超过对应预设阈值，则将对应检测时段标记为稳运行时段，其余情况则判断对应检测时段为非稳运行时段；
将单位时间内的非稳运行时段的数量与稳运行时段的数量进行比值计算得到摄像非稳检测值，且采集到单位时间内网络摄像设备针对异常行为和事件的监控识别效率数据和监控识别误判率数据，将监控识别效率数据、监控识别误判率数据和摄像非稳检测值进行数值计算以得到摄像运稳异常数据。
7.根据权利要求1所述的一种基于物联网的网络摄像设备运管平台，其特征在于，服务器与设备可用性评估模块通信连接，服务器将网络摄像设备的运行质量异常信号发送至设备可用性评估模块，设备可用性评估模块接收到运行质量异常信号时将其进行可用性评估分析，通过分析生成网络摄像设备的高可用性信号或低可用性信号，且将网络摄像设备的高可用性信号或低可用性信号发送至远程监控模块。
8.根据权利要求7所述的一种基于物联网的网络摄像设备运管平台，其特征在于，可用性评估分析的具体分析过程如下：
从服务器调取网络摄像设备的摄像受损数据，并采集到网络摄像设备在历史运行过程中的监控总时长，以及采集到网络摄像设备在历史运行过程中受到网络病毒攻击的次数并将其标记为网攻致损值；且采集到网络摄像设备的生产间隔时长，从服务器调取已报废的对应类型网络摄像设备的生产日期与报废日期的平均间隔时长并将其标记为报废参考时长，将生产间隔时长与报废参考时长进行比值计算得到报废比析值；
将网络摄像设备的报废比析值、监控总时长、摄像受损数据和网攻致损值进行数值计算得到可用性评估值，若可用性评估值超过预设可用性评估阈值，则生成网络摄像设备的低可用性信号；若可用性评估值超过预设可用性评估阈值，则生成网络摄像设备的高可用性信号。
9.根据权利要求8所述的一种基于物联网的网络摄像设备运管平台，其特征在于，服务器与运异决策评估模块通信连接，运异决策评估模块实时采集到网络摄像设备中若干个位置处的温度数据并将其进行均值计算，且将均值计算结果标记为摄像温检值；以及采集到网络摄像设备的抖动频率和抖动幅度，将抖动频率和抖动幅度进行乘积计算得到摄像抖检值，将摄像温检值和摄像抖检值进行赋权求和计算得到摄像实况值；若摄像实况值超过预设摄像实况阈值，则判断网络摄像设备处于运行受损状态；
若摄像实况值未超过预设摄像实况阈值，则采集到网络摄像设备所属环境的环境温湿值和环境污染值，将环境温湿值和环境污染值进行赋权求和计算得到摄像环况值；若摄像环况值超过预设摄像环况阈值，则判断网络摄像状态处于运行受损状态；获取到网络摄像设备在历史运行过程中处于运行受损状态的总时长，并将其标记为摄像受损数据，且将网络摄像设备的摄像受损数据发送至服务器进行存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311556478.8A CN117440018A (zh) | 2023-11-21 | 2023-11-21 | 一种基于物联网的网络摄像设备运管平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311556478.8A CN117440018A (zh) | 2023-11-21 | 2023-11-21 | 一种基于物联网的网络摄像设备运管平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117440018A true CN117440018A (zh) | 2024-01-23 |
Family
ID=89549767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311556478.8A Pending CN117440018A (zh) | 2023-11-21 | 2023-11-21 | 一种基于物联网的网络摄像设备运管平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117440018A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117669898A (zh) * | 2024-02-01 | 2024-03-08 | 深圳市创泽视科技有限公司 | 基于物联网的智慧安防监控管理*** |
-
2023
- 2023-11-21 CN CN202311556478.8A patent/CN117440018A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117669898A (zh) * | 2024-02-01 | 2024-03-08 | 深圳市创泽视科技有限公司 | 基于物联网的智慧安防监控管理*** |
| CN117669898B (zh) * | 2024-02-01 | 2024-06-04 | 深圳市创泽视科技有限公司 | 基于物联网的智慧安防监控管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582016A (zh) | 基于云边协同深度学习的智能免维护电网监控方法及*** | |
| CN112804302B (zh) | 一种基于云边协同的电力视频图像分析***及方法 | |
| CN107959847A (zh) | 视频监控网络的视频诊断和运维管理***及方法 | |
| CN117440018A (zh) | 一种基于物联网的网络摄像设备运管平台 | |
| JP6823501B2 (ja) | 異常検知装置、異常検知方法及びプログラム | |
| CN112968816B (zh) | 通过流量异常检测筛选物联网设备异常的方法及*** | |
| CN113610788B (zh) | 图像采集装置的故障监测方法、装置、电子设备及存储介质 | |
| CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测*** | |
| CN102984503A (zh) | 一种网络视频存储服务器*** | |
| CN115695541A (zh) | 基于边缘计算的网点巡检监测方法、装置、设备及存储介质 | |
| CN109151463B (zh) | 一种视频质量诊断***及视频质量分析方法 | |
| CN116204386B (zh) | 应用服务关系自动识别及监控方法、***、介质和设备 | |
| CN109977962B (zh) | 一种光缆故障隐患自动识别方法与*** | |
| CN115002448A (zh) | 应用于安防监控的视频图像质量诊断方法及*** | |
| CN116385959A (zh) | 一种基于深度学习的皮带通廊全域烟雾实时检测方法 | |
| CN105187821A (zh) | 一种视频质量智能诊断分析*** | |
| CN111866145B (zh) | 一种健身设备智慧巡检维修运维*** | |
| CN111553497A (zh) | 一种多媒体终端的设备工作状态检测方法及装置 | |
| CN116028258B (zh) | 基于深度学习的设备故障诊断方法及*** | |
| CN117692279B (zh) | 一种物联网前端数据采集网关及数据处理方法 | |
| CN117499272B (zh) | 智能运维云平台控制方法及其控制*** | |
| CN116245962B (zh) | 用于无线传输到区块链服务器的数据提取***及方法 | |
| WO2024018711A1 (ja) | プラント管理システム、および制御プログラム | |
| CN118280054A (zh) | 基于无人机图像分析的森林火灾监测预警*** | |
| CN118114855A (zh) | 一种社区数字化信息智能操控方法及*** |
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 |