一种用于电视节目播出异态识别的人工智能模型训练方法_汤冻.pdf
《一种用于电视节目播出异态识别的人工智能模型训练方法_汤冻.pdf》由会员分享,可在线阅读,更多相关《一种用于电视节目播出异态识别的人工智能模型训练方法_汤冻.pdf(5页珍藏版)》请在咨信网上搜索。
1、 电视技术 第 47 卷第 1 期(总第 566 期)61PARTS&DESIGN器件与设计文献引用格式:汤冻,奚晓轶,闫涛.一种用于电视节目播出异态识别的人工智能模型训练方法 J.电视技术,2023,47(1):61-65.TANG D,XI X Y,YAN T.Training method of AI model for television broadcast abnormal image recognitionJ.Video Engineering,2023,47(1):61-65.中图分类号:TN931.3 文献标识码:A DOI:10.16280/j.videoe.2023.01
2、.013一种用于电视节目播出异态识别的人工智能模型训练方法汤 冻,奚晓轶,闫 涛(江苏省广播电视总台,江苏 南京 210013)摘要:提出一种用于电视节目画面播出异态识别的人工智能模型训练方法,解决没有针对广播电视安全播出监看领域图像识别的神经网络模型,以及自有模型训练异态样本量少的问题。最终训练集可以达到 97%的训练精度,实际测试检测准确度超过 90%,可以满足应用需求。关键词:人工智能;图像识别;模型训练Training Method of AI Model for Television Broadcast Abnormal Image RecognitionTANG Dong,XI X
3、iaoyi,YAN Tao(Jiangsu Broadcasting Corporation,Nanjing 210013,China)Abstract:This paper proposes an AI model training method for the recognition of abnormal picture of TV program broadcast,which solves the problem that the number of abnormal samples is small,and there is no neural network model for
4、image recognition in the field of broadcast and television broadcast monitoring.The final training set can reach 97%of the training accuracy,and the actual test detection accuracy exceeds 90%,which can meet the application requirements.Keywords:artificial intelligence;pattern recognition;model train
5、ing0 引 言监听监看是广播电视安全播出的重要环节。播出机房值班人员需同时监看上百个活动画面,存在一定的视觉盲区。长时间监看大量活动画面,人员易产生视觉疲劳,导致注意力下降。部分画面异常现象出现时长可能不足 0.5 s,难以被人眼或监看设备捕捉。如果多个画面异常同时出现,值班人员难以快速准确判断故障原因,可能延误播出故障的及时处理。同时,传统监听监看系统对系统硬件的要求较高。随着人工智能技术的发展,人工智能技术为智能化的异态画面检测提供了新的思路和方法。江苏省广播电视总台研发了一套广播电视异态画面检测系统和分析系统,通过人工智能图像识别技术,实时识别异态画面,提示值班人员关注播出异常。在研发
6、过程中,项目组发现由于广播电视节目画面异态样本少,用一般方法训练的模型的识别精度无法满足需求。本文通过分析广播电视异态画面的故障特征,提出了一种用于电视节目播出异态识别的模型训练方法,解决了样本量少以及准确度低的问题,提高了图像识别的准确度和识别速度,得到适用于广播电视播出应用场景的神经网络 模型。1 模型训练流程为了使系统可以分辨出异态画面和正常画面,并识别出异态画面具体是哪一类异态画面,需要对异态特征进行分析。常用的图像特征有颜色特征、纹理特征、形状特征以及空间关系特征。然而,人工进行图像特征提取很难做到准确,也就导致后续识别的准确度不高。人工智能卷积神经网络(Convolutional
7、Neural Networks,CNN)模型,可实现每一层神经网络学习不同类型的特征,自动组合并给出结果,从而实现对图片的自动特征提取与分类1。62电视技术 第 47 卷第 1 期(总第 566 期)PARTS&DESIGN器件与设计电视播出过程中可能出现的异态画面一般包括视频丢失、黑场、单色场、测试卡及彩条等。在对LeNet、AlexNet、GoogleNet、ResNet2等经典神经网络架构进行测试和比较后,综合考虑样本量、网络结构以及网络深度对模型训练时间和精度的影响,本文最终选定 Caffe 深度学习框架和 AlexNet 神经网络结构,进行网络调试和模型训练。模型训练的流程主要包括数
8、据处理、模型参数调整、模型训练、数据测试以及模型输出等。训练流程如图 1 所示。具体实施过程中,按照广播电视播出中经常出现的异常画面进行图像数据收集并分类;对图像进行尺寸归一化;再对图像进行增强操作,如图像倾斜角度、亮度、对比度调整等操作;对增强后的图像数据创建 LMDB 数据库;根据训练环境定义AlexNet 结构,设置输出分类数量;配置训练过程参数,优化训练速度,防止过度拟合。具体训练步骤如图 2 所示。2 数据处理模型训练需要收集大量数据,输入神经网络中,通过不断调整网络参数,使最终识别结果准确度满足设计需求。现有成熟的图像识别数据库如ImageNet3,MNIST 等,大多是基于数字、
9、动物、植物以及常见物品,而广播电视异态图像并不在通用的图像识别数据库中,数据集量也较少,需要自定义数据集,并通过数据处理,增加样本量,以达到训练要求。数据处理AlexNet模型参数调整模型训练图像识别预测模型输出图 1 模型训练流程准备数据将原始图片进行分类统一图片尺寸调整图片倾角调整图片亮度和验证集将图片分为训练集准备完毕定义神经网络定义输入网络维度定义隐藏层定义完毕定义分类输出网络开始训练定义训练轮次设置损失函数权重其他优化项目如防止过拟合训练完成使用模型预测视频使用OpenCV加载视频并分帧将用户选取的热点区域输入神经网络并进行预测将预测的分类输出完成视频逐帧分类预测图 2 具体训练步骤
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 用于 电视节目 播出 识别 人工智能 模型 训练 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。