一种基于机器学习的DLP系统的制作方法

本发明涉及DLP系统技术领域，尤其涉及一种基于机器学习的DLP系统。

背景技术：

DLP是“Digital Light Processing”的缩写，即为数字光处理，也就是说这种技术要先把影像信号经过数字处理，然后再把光投影出来。它是基于TI(美国德州仪器)公司开发的数字微镜元件——DMD(Digital Micromirror Device)来完成可视数字信息显示的技术。说得具体点，就是DLP投影技术应用了数字微镜晶片(DMD)来作为主要关键处理元件以实现数字光学处理过程。

其原理是将通过UHP灯泡发射出的冷光源通过冷凝透镜，通过Rod(光棒)将光均匀化，经过处理后的光通过一个色轮(Color Wheel)，将光分成RGB三色(或者RGBW等更多色),有一些厂家利用BSV液晶拼接技术镜片过滤光线传导，再将色彩由透镜投射在DMD芯片上，最后反射经过投影镜头在投影屏幕上成像。

DLP显示墙是一套非常庞大的系统，里面采用大量的芯片以及传感器器件，共同支撑着整个系统的运行，其开发以及后期的维护难度可想而知，导致了DLP显示系统的管理非常难的技术问题。

技术实现要素：

本发明实施例提供的一种基于机器学习的DLP系统，解决了目前的DLP显示墙是一套非常庞大的系统，里面采用大量的芯片以及传感器器件，共同支撑着整个系统的运行，其开发以及后期的维护难度可想而知，导致的DLP显示系统的管理非常难的技术问题。

本发明实施例提供的一种基于机器学习的DLP系统，包括：

信号采集端、网络交换端、显示端和机器学习模块；

所述信号采集端、所述显示端和所述机器学习模块与所述网络交换端通信连接；

其中，所述机器学习模块通过所述网络交换端获取到所述信号采集端、所述显示端的所有数据流，所述机器学习模块根据预置的监控指标参数的阈值设定与所述数据流对应的数据标签，形成多层学习网络，所述数据流包括待监控的关键性能参数。

优选地，所述信号采集端为至少2个。

优选地，所述信号采集端包括：

信号源视频采集模块、视频前端处理模块、IP编码模块和网络发送模块；

所述信号源视频采集模块、所述视频前端处理模块、所述IP编码模块和所述网络发送模块依次通信连接。

优选地，所述显示端为至少2个。

优选地，所述显示端包括：

网络接收模块、IP解码模块、视频信号处理模块和机芯驱动显示模块；

所述网络接收模块、所述IP解码模块、所述视频信号处理模块和所述机芯驱动显示模块依次通信连接。

优选地，基于机器学习的DLP系统还包括：

信号调度平台，与所述网络交换端通信连接。

优选地，基于机器学习的DLP系统还包括：

网络存储模块，与所述网络交换端通信连接。

优选地，基于机器学习的DLP系统还包括：

PC转码集群，与所述网络交换端通信连接。

优选地，基于机器学习的DLP系统还包括：

光机，与所述显示端通信连接。

优选地，所述多层学习网络为神经网络。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例提供的一种基于机器学习的DLP系统，包括：信号采集端、网络交换端、显示端和机器学习模块；信号采集端、显示端和机器学习模块与网络交换端通信连接；其中，机器学习模块通过网络交换端获取到信号采集端、显示端的所有数据流，机器学习模块根据预置的监控指标参数的阈值设定与数据流对应的数据标签，形成多层学习网络，数据流包括待监控的关键性能参数。本实施例中，通过机器学习模块通过网络交换端获取到信号采集端、显示端的所有数据流，机器学习模块根据预置的监控指标参数的阈值设定与数据流对应的数据标签，形成多层学习网络，数据流包括待监控的关键性能参数，解决了目前的DLP显示墙是一套非常庞大的系统，里面采用大量的芯片以及传感器器件，共同支撑着整个系统的运行，其开发以及后期的维护难度可想而知，导致的DLP显示系统的管理非常难的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种基于机器学习的DLP系统的一个实施例的结构示意图；

图2为图1的应用例示意图。

具体实施方式

本发明实施例提供的一种基于机器学习的DLP系统，解决了目前的DLP显示墙是一套非常庞大的系统，里面采用大量的芯片以及传感器器件，共同支撑着整个系统的运行，其开发以及后期的维护难度可想而知，导致的DLP显示系统的管理非常难的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供的一种基于机器学习的DLP系统的一个实施例包括：

信号采集端1、网络交换端2、显示端3和机器学习模块4；

所述信号采集端1、所述显示端2和所述机器学习模块3与所述网络交换端4通信连接；

其中，所述机器学习模块4通过所述网络交换端2获取到所述信号采集端1、所述显示端3的所有数据流，机器学习模块4根据预置的监控指标参数的阈值设定与数据流对应的数据标签，形成多层学习网络，数据流包括待监控的关键性能参数(如：显示端光机的温度，交换网络的网速等影响系统整体性能的各重要器件的参数)。

进一步地，所述信号采集端1为至少2个。

进一步地，所述信号采集端1包括：

信号源视频采集模块、视频前端处理模块、IP编码模块和网络发送模块；

所述信号源视频采集模块、所述视频前端处理模块、所述IP编码模块和所述网络发送模块依次通信连接。

进一步地，所述显示端3为至少2个。

进一步地，所述显示端3包括：

网络接收模块、IP解码模块、视频信号处理模块和机芯驱动显示模块；

所述网络接收模块、所述IP解码模块、所述视频信号处理模块和所述机芯驱动显示模块依次通信连接。

进一步地，基于机器学习的DLP系统还包括：

信号调度平台5，与所述网络交换端通信连接。

进一步地，基于机器学习的DLP系统还包括：

网络存储模块6，与所述网络交换端通信连接。

进一步地，基于机器学习的DLP系统还包括：

PC转码集群7，与所述网络交换端通信连接。

进一步地，基于机器学习的DLP系统还包括：

光机8，与所述显示端通信连接。

进一步地，所述多层学习网络为神经网络。

下面以一具体应用场景进行描述，如图2所示，应用例包括：

在系统整体架构的基础上加入机器学习功能模块，见说明书附图中的图2的黄色背景的模块。首先，该功能模块可以实时收集并监测影响系统整体性能的各重要器件的参数，当这些参数出现异常，记录对这些数据进行初步的标注，记录log文件，形成第一层学习网络，然后继续根据第一层网络的学习的标记作为输入，构建第二层“学习网络”，以此类推，就有助于深入理解系统出现异常的更深层次的因素。

假设“8186芯片温度”、“灯泡亮度”以及“网络数据传输速度”分别为：T、L、V三个维度为系统的监测对象，分别地，允许波动的阈值范围分别为：Td,Ld,Vd,对应地标签为Tag_t,Tag_l,Tag_v(可设“1”标识正常，“0”标识异常)。

数据流通过网络汇聚到“机器学习”模块，该模块会根据之前监控指标参数的阈值设定对相应的数据进行标签，所以得到的“数据元”是这种格式：[T+-Td,L+-Ld,V+-Vd,Tag_t,Tag_l,Tag_v]，而网络的层数可以对应的是标签的个数，该网络的最终输出是系统正常运行或者出现问题，出现问题的时候，就可以反向追踪关键器件是哪里出现问题最有可能的地方。

在该简易的神经网络当中，当系统出现问题时，我们可查询当前“数据元”的标签，若为：[T+-Td,L+-Ld,V+-Vd,0,0,1]，就可以确认系统出现该问题的原因是8186芯片温度(T)和灯泡亮度(L)异常所导致，还可以往上一层追溯：查看Tag_t和Tag_l相互之间是否有先后的因果关系而导致异常的。这样就能很好的确认问题产生的深层次的原因。

本实施例中，通过机器学习模块通过网络交换端获取到信号采集端、显示端的所有数据流，机器学习模块根据预置的监控指标参数的阈值设定对应的数据标签，形成多层学习网络，解决了目前的DLP显示墙是一套非常庞大的系统，里面采用大量的芯片以及传感器器件，共同支撑着整个系统的运行，其开发以及后期的维护难度可想而知，导致的DLP显示系统的管理非常难的技术问题。可最大程度降低开发成本；可使得整个系统达到整体性能的优化，有助于提高系统的自适应能力；深层次地提高系统测试给产品所能带来的价值。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。