视频画面检测方法、装置、设备及存储介质与流程

1.本发明涉及视频检测技术领域，尤其涉及一种视频画面检测方法、装置、设备及存储介质。


背景技术：

2.视频画面检测属于视频质量检测的一部分，在对视频画面检测时检测在视频播放的过程中，视频中是否存有黑屏、花屏的现象。现有的视频画面检测方法需要对视频数据进行解码分析，通过解码分析结果来确定视频画面的质量情况，但是，这种检测方式较为复杂，而且检测的准确率不高，无法达到较好的视频画面检测效果。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提出一种视频画面检测方法、装置、设备及存储介质，旨在解决现有技术中的视频画面检测方法较为复杂，而且检测的准确性不高的技术问题。
5.为实现上述目的，本发明提供一种视频画面检测方法，所述视频画面检测方法包括以下步骤：
6.在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点；
7.通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值；
8.根据所述类型概率值确定所述待检测视频文件的目标类型；
9.根据所述目标类型生成所述待检测视频文件对应的视频画面检测结果。
10.可选地，所述通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值之前，还包括：
11.获取初始视频帧数据；
12.对所述初始视频帧数据进行分类处理，以获得多个类别的图像数据集；
13.根据所述图像数据集对预设残差神经网络模型进行训练，以获得预设视频画面检测模型。
14.可选地，所述对所述初始视频帧数据进行分类处理，以获得多个类别的图像数据集，包括：
15.根据所述初始视频帧数据确定待处理视频图像，并获取所述待处理视频图像对应的图像类别；
16.根据所述图像类别生成标记数据；
17.根据所述标记数据对所述待处理视频图像进行标记，以获得待分类视频图像；
18.对所述待分类视频图像进行分类处理，以获得多个类别的图像数据集。
19.可选地，所述根据所述初始视频帧数据确定待处理视频图像，包括：
20.根据所述初始视频帧数据确定初始视频图像；
21.获取所述初始视频图像的图像像素信息；
22.根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像。
23.可选地，所述根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像之前，还包括：
24.将所述图像像素信息与预设像素信息进行比较；
25.在所述图像像素信息与预设像素信息不一致时，执行所述根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像的步骤。
26.可选地，所述将所述图像像素信息与预设像素信息进行比较之后，还包括：
27.在所述图像像素信息与预设像素信息一致时，将所述初始视频图像作为待处理视频图像。
28.可选地，所述根据所述标记数据对所述待处理视频图像进行标记，以获得待分类视频图像，包括：
29.对所述待处理视频图像进行图像检测；
30.根据图像检测结果判断所述待处理视频图像中是否包含干扰噪声数据；
31.在所述待处理视频图像中不包含干扰噪声数据时，根据所述标记数据对所述待处理视频图像进行自动标记，以获得待分类视频图像；
32.在所述待处理视频图像中包含干扰噪声数据时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像。
33.可选地，所述干扰噪声数据包括视频组件文字信息；
34.所述干扰噪声数据包括视频组件文字信息；
35.所述在所述待处理视频图像中包含干扰噪声数据时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像，包括：
36.在所述待处理视频图像中包含视频组件文字信息时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像。
37.可选地，所述根据所述图像数据集对预设残差神经网络模型进行训练，以获得预设视频画面检测模型，包括：
38.将所述图像数据集划分为训练数据集、验证数据集以及测试数据集；
39.根据所述训练数据集对预设残差神经网络模型进行训练，以获得初始视频画面检测模型；
40.通过所述初始视频画面检测模型和验证数据集进行预测，以确定模型准确率；
41.根据所述模型准确率从所述初始视频画面检测模型中选取目标视频画面检测模型；
42.根据所述测试数据集对所述目标视频画面检测模型进行优化，以获得预设视频画面检测模型。
43.可选地，所述在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点，包括：
44.在接收到视频检测指令时，从所述视频检测指令中提取视频检测信息；
45.根据所述视频检测信息确定待检测视频文件；
46.根据所述视频检测指令从待选处理节点中选取目标处理节点。
47.可选地，所述根据所述视频检测指令从待选处理节点中选取目标处理节点之前，还包括：
48.在接收到心跳报文时，根据所述心跳报文确定报文信息；
49.根据所述报文信息确定上报所述心跳报文的待选node端；
50.查找所述待选node端对应的node端信息；
51.根据所述node端信息生成待选处理节点，并建立所述待选处理节点与所述node端之间的对应关系。
52.可选地，所述通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值，包括：
53.根据所述待选处理节点与所述node端之间的对应关系查找所述目标处理节点对应的目标node端；
54.将所述待检测视频文件发送至所述目标node端，以使所述目标node端基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值。
55.可选地，所述根据所述类型概率值确定所述待检测视频文件的目标类型，包括：
56.对所述类型概率值进行排序；
57.根据排序结果从所述类型概率值中选取最大的类型概率值作为目标类型概率值；
58.查找所述目标类型概率值对应的视频画面类型，并根据所述视频画面类型确定所述待检测视频文件的目标类型。
59.可选地，所述视频画面类型包括：正常类型、花屏类型以及黑屏类型；
60.所述根据所述视频画面类型确定所述待检测视频文件的目标类型，包括：
61.在所述视频画面类型为正常类型时，判定所述待检测视频文件的目标类型为正常类型；
62.在所述视频画面类型为花屏类型时，判定所述待检测视频文件的目标类型为花屏类型；
63.在所述视频画面类型为黑屏类型，判定所述待检测视频文件的目标类型为黑屏类型。
64.此外，为实现上述目的，本发明还提出一种视频画面检测装置，所述视频画面检测装置包括：
65.检测指令模块，用于在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点；
66.分类处理模块，用于通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值；
67.类型确定模块，用于根据所述类型概率值确定所述待检测视频文件的目标类型；
68.检测结果模块，用于根据所述目标类型生成所述待检测视频文件对应的视频画面检测结果。
69.可选地，所述视频画面检测装置还包括：
70.模型训练模块，用于获取初始视频帧数据；对所述初始视频帧数据进行分类处理，以获得多个类别的图像数据集；根据所述图像数据集对预设残差神经网络模型进行训练，以获得预设视频画面检测模型。
71.可选地，所述模型训练模块，还用于根据所述初始视频帧数据确定待处理视频图像，并获取所述待处理视频图像对应的图像类别；根据所述图像类别生成标记数据；根据所述标记数据对所述待处理视频图像进行标记，以获得待分类视频图像；对所述待分类视频图像进行分类处理，以获得多个类别的图像数据集。
72.此外，为实现上述目的，本发明还提出一种视频画面检测设备，所述视频画面检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的视频画面检测程序，所述视频画面检测程序被处理器执行时实现如上所述的视频画面检测方法的步骤。
73.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有视频画面检测程序，所述视频画面检测程序被处理器执行时实现如上所述的视频画面检测方法的步骤。
74.本发明提出的视频画面检测方法，通过在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点；通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值；根据所述类型概率值确定所述待检测视频文件的目标类型；根据所述目标类型生成所述待检测视频文件对应的视频画面检测结果。本发明中，通过目标处理节点基于预设视频画面检测模型对待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值以确定目标类型，进而生成对应的视频画面检测结果，从而通过模型进行分类处理的方式对视频画面进行检测，提升了视频画面检测的效率，并且提高了检测的准确性。
附图说明
75.图1是本发明实施例方案涉及的硬件运行环境的视频画面检测设备结构示意图；
76.图2为本发明视频画面检测方法第一实施例的流程示意图；
77.图3为本发明视频画面检测方法第二实施例的流程示意图；
78.图4为本发明视频画面检测方法一实施例的黑屏数据图片示例图；
79.图5为本发明视频画面检测方法一实施例的花屏数据图片示例图；
80.图6为本发明视频画面检测方法第三实施例的流程示意图；
81.图7为本发明视频画面检测方法一实施例的整体框架示意图；
82.图8为本发明视频画面检测装置第一实施例的功能模块示意图。
83.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
84.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
85.参照图1，图1为本发明实施例方案涉及的硬件运行环境的视频画面检测设备结构示意图。
86.如图1所示，该视频画面检测设备可以包括：处理器1001，例如中央处理器
(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速随机存取存储器(random access memory，ram)存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
87.本领域技术人员可以理解，图1中示出的设备结构并不构成对视频画面检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
88.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及视频画面检测程序。
89.在图1所示的视频画面检测设备中，网络接口1004主要用于连接外网，与其他网络设备进行数据通信；用户接口1003主要用于连接用户设备，与所述用户设备进行数据通信；本发明设备通过处理器1001调用存储器1005中存储的视频画面检测程序，并执行本发明实施例提供的视频画面检测方法。
90.基于上述硬件结构，提出本发明视频画面检测方法实施例。
91.参照图2，图2为本发明视频画面检测方法第一实施例的流程示意图。
92.在第一实施例中，所述视频画面检测方法包括以下步骤：
93.步骤s10，在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点。
94.需要说明的是，本实施例的执行主体可为视频画面检测设备，例如服务器设备、web端设备等，还可为其他可实现相同或相似功能的设备，本实施例对此不作限制，在本实施例中，以web端设备为例进行说明。
95.应当理解的是，本方案中分成了两端，分别为web端和node端，其中，web端负责接收请求返回结果，node端负责计算结果，web端和node端之间的通信可采用zmq框架，还可采用其他框架，本实施例对此不作限制。node端可主动上报心跳到web端，链路可为push-pull pub-sub，让web端感知到可以处理请求的节点有哪些。web端在接收到视频检测指令时，可根据随机分配的原则确定目标处理节点来对待检测视频文件进行检测。
96.应当理解的是，视频检测指令可为人工输入的请求，也可为预先设定的请求。例如，用户可在需要对终端设备上播放的视频进行检测时，可输入视频检测请求，此时web端会接收到视频检测指令，并且获取该终端设备上正在播放的待检测视频文件。也可为用户直接将待检测视频文件上传给web端，并请求web端对待检测视频文件进行检测。也可为预先设定一个或多个检测时间，在到达检测时间时触发检测请求，此时web端会接收到视频检测指令，还可为其他方式，本实施例对此不作限制。其中，待检测视频文件可为屏幕截图，也可为视频图片，还可为视频数据文件，还可为其他类型的视频文件，本实施例对此不作限制。
97.步骤s20，通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值。
98.需要说明的是，预设视频画面检测模型可为采用神经网络原理搭建的模型，本实
施例中，以采用残差renet 18原理搭建的模型为例进行说明，还可为根据其他原理搭建的模型，本实施例对此不作限制。
99.应当理解的是，在确定目标处理节点后，可通过目标处理节点基于预设视频画面检测模型对待检测视频文件进行分类处理，可确定多个分类结果对应的类型概率值。其中，分类结果可为花屏、黑屏以及正常三类，还可为其他分类结果以及其他数量的分类结果，本实施例对此不作限制。其中，评分标准可为模糊度、色彩以及图像纹理等信息。本实施例中的预设视频画面检测模型可对数据进行分类，因此可以得到多个分类结果对应的类型概率值，类型概率值用于表示为该分类结果的概率。
100.步骤s30，根据所述类型概率值确定所述待检测视频文件的目标类型。
101.应当理解的是，在确定各分类结果对应的类型概率值后，可根据类型概率值确定各分类结果的概率，可取最大值为目标分类结果，进而根据目标分类结果确定待检测视频文件的目标类型。
102.进一步地，为了更加准确地确定类型概率值中的最大值，提高目标类型的准确性，所述步骤s30，包括：
103.对所述类型概率值进行排序；根据排序结果从所述类型概率值中选取最大的类型概率值作为目标类型概率值；查找所述目标类型概率值对应的视频画面类型，并根据所述视频画面类型确定所述待检测视频文件的目标类型。
104.应当理解的是，可对多个类型概率值进行排序，然后根据排序结果从多个类型概率值中选取最大值作为目标类型概率值，可确定目标类型概率值对应的目标分类结果，查找目标分类结果对应的视频画面类型，进而根据视频画面类型确定待检测视频文件的目标类型。
105.在具体实现中，例如，假设分类结果有三个，分别为分类结果a、分类结果b以及分类结果c，其中，分类结果a对应花屏类型，分类结果b对应黑屏类型，分类结果c对应正常类型。分类结果a的类型概率值a为80％，分类结果b的类型概率值b为15％，分类结果c的类型概率值c为5％。对多个类型概率值按从大到小进行排序，排序结果为：80％、15％、5％，进而可确定最大值为80％，因此，目标类型概率值为80％，且目标类型概率值对应的目标分类结果为分类结果a，其对应的视频画面类型为花屏类型，因此，待检测视频文件的目标类型为花屏类型。
106.进一步地，所述视频画面类型包括：正常类型、花屏类型以及黑屏类型；所述根据所述视频画面类型确定所述待检测视频文件的目标类型，包括：
107.在所述视频画面类型为正常类型时，判定所述待检测视频文件的目标类型为正常类型；在所述视频画面类型为花屏类型时，判定所述待检测视频文件的目标类型为花屏类型；在所述视频画面类型为黑屏类型，判定所述待检测视频文件的目标类型为黑屏类型。
108.应当理解的是，基于常规的视频画面情况，本实施例中可将视频画面类型分为三种情况，分别为正常类型、花屏类型以及黑屏类型，并且视频画面类型与待检测视频文件的类型一一对应。
109.步骤s40，根据所述目标类型生成所述待检测视频文件对应的视频画面检测结果。
110.应当理解的是，在确定待检测视频文件的目标类型后，可根据目标类型生成待检测视频文件对应的视频画面检测结果。例如，在待检测视频文件的目标类型为黑屏类型时，
可生成待检测视频文件对应的视频画面检测结果可为：待检测视频文件中存在黑屏现象。除上述方式外，还可通过其他方式来表述待检测视频文件对应的视频画面检测结果，本实施例对此不作限制。
111.本实施例中通过在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点；通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值；根据所述类型概率值确定所述待检测视频文件的目标类型；根据所述目标类型生成所述待检测视频文件对应的视频画面检测结果。本实施例中，通过目标处理节点基于预设视频画面检测模型对待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值以确定目标类型，进而生成对应的视频画面检测结果，从而通过模型进行分类处理的方式对视频画面进行检测，提升了视频画面检测的效率，并且提高了检测的准确性。
112.在一实施例中，如图3所示，基于第一实施例提出本发明视频画面检测方法第二实施例，所述步骤s20之前，还包括：
113.步骤s001，获取初始视频帧数据。
114.应当理解的是，本实施例可采用残差renet 18原理搭建预设残差神经网络模型，然后通过大量数据对预设残差神经网络模型进行训练，以得到可用于视频画面检测的预设视频画面检测模型。因此，可获取多个用于作为训练样本的初始视频帧数据。
115.步骤s002，对所述初始视频帧数据进行分类处理，以获得多个类别的图像数据集。
116.可以理解的是，可对获取的这些初始视频帧数据进行分类处理，以获得多个类别的图像数据集。例如，假设获取了742条初始视频帧数据，对其进行分类处理后，正常的有336条，花屏的有200条，黑屏的有206条，因此，可建立三个图像数据集，分别为正常图像数据集、花屏图像数据集以及黑屏图像数据集，正常图像数据集中包含正常的336条初始视频帧数据，花屏图像数据集中包含花屏的200条初始视频帧数据，黑屏图像数据集中包含206条初始视频帧数据。
117.进一步地，为了达到更好的分类效果以及模型训练效果，以提高视频画面检测的准确性，所述步骤s002，包括：
118.根据所述初始视频帧数据确定待处理视频图像，并获取所述待处理视频图像对应的图像类别；根据所述图像类别生成标记数据；根据所述标记数据对所述待处理视频图像进行标记，以获得待分类视频图像；对所述待分类视频图像进行分类处理，以获得多个类别的图像数据集。
119.应当理解的是，可先根据初始视频帧数据确定待处理视频图像，并获取待处理视频图像对应的图像类别，其中，图像类别可包括正常、花屏以及黑屏这三类，然后为不同的图像类别设置不同的标记数据，例如，可设置正常图像对应的标记数据为0，花屏图像对应的标记数据为1，黑屏图像对应的标记数据为2。因此，可根据图像类别生成对应的标记数据，并根据标记数据对待处理视频图像进行标记，获得标记后的待分类视频图像，然后再根据标记数据对待分类视频图像进行分类处理，以获得多个类别的图像数据集。从而通过自采集数据，数据人工标注的方式，提高了视频检测的精准度。
120.进一步地，由于初始视频帧数据中可能包括各种尺寸的图像，所述根据所述初始视频帧数据确定待处理视频图像，包括：
121.根据所述初始视频帧数据确定初始视频图像；获取所述初始视频图像的图像像素信息；根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像。
122.应当理解的是，本实施例可以以feature像素360*640的三通道图片信息作为输入图像信息输入模型，label为当前的图片类型，输出节点foftmax概率分类，有三个值，为当前三分类分别的概率值，还可选用其他像素信息的图像，例如800*1000、600*800等，本实施例对此不作限制。
123.可以理解的是，由于图像的尺寸多通过像素信息来表示，因此，可先根据初始视频数据确定初始视频图像，然后获取初始视频图像的图像像素信息，将所述图像像素信息与预设像素信息进行比较；在图像像素信息与预设像素信息不一致时，执行根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像的步骤。在图像像素信息与预设像素信息一致时，将初始视频图像作为待处理视频图像。
124.应当理解的是，预设像素信息可设置为360*640，获取初始视频图像的图像像素信息后，将其与预设像素信息进行比较，如果一致，则说明不需要对初始视频图像进行调整，之间将初始视频图像作为待处理视频图像；如果不一致，则说明需要对初始视频图像进行调整，此时，可将初始视频图像调整至与预设像素信息一致，以获得待处理视频图像。
125.进一步地，所述根据所述标记数据对所述待处理视频图像进行标记，以获得待分类视频图像，包括：
126.对所述待处理视频图像进行图像检测；根据图像检测结果判断所述待处理视频图像中是否包含干扰噪声数据；在所述待处理视频图像中不包含干扰噪声数据时，根据所述标记数据对所述待处理视频图像进行自动标记，以获得待分类视频图像；在所述待处理视频图像中包含干扰噪声数据时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像。
127.应当理解的是，在视频帧数据中，有一些美化一些的图片集，不能和花屏很好的区别，现有的数据集并不能满足视频的检测，数据需要重新进行采集标注。因此，可在标记数据中，可集成大量的屏幕截图和视频图片数据，用来增加模型的兼容性和迁移性问题，因此可采集一些包含干扰声数据的图像生成图像数据集。
128.可以理解的是，由于计算机可较为准确地对不包含干扰噪声数据的图像进行识别，因此，为了提高标记效率，可对待处理视频图像进行图像检测，在待处理视频图像中不包含干扰噪声数据时，根据标记数据对待处理视频图像进行自动标记。而计算机无法较好的对包含干扰噪声数据的图像进行识别，因此，在待处理视频图像中包含干扰声数据时，将待处理视频图像作为目标视频图像，由人工对目标视频图像进行标记。
129.进一步地，所述干扰噪声数据包括视频组件文字信息，所述在所述待处理视频图像中包含干扰噪声数据时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像，包括：
130.在所述待处理视频图像中包含视频组件文字信息时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像。
131.应当理解的是，干扰声数据可包括视频组件文字信息，例如，视频组件和视频的一些文字信息，和一些android组件。例如，如图4所示，图4为黑屏数据图片示例图，图片上包含了一些视频组件和视频的一些文字信息，和一些android组件。如图5所示，图5为花屏数
据图片示例图，图片上包含了一些视频组件和视频的一些文字信息,和一些android组件。通过上述方式，提高了本方案的检测模型的针对性，针对视频中出现的花屏现象，黑屏现象，提高检测的准确率。
132.步骤s003，根据所述图像数据集对预设残差神经网络模型进行训练，以获得预设视频画面检测模型。
133.应当理解的是，在生成图像数据集后，可将图像数据集中的数据传到采用残差renet 18原理搭建的预设残差神经网络模型中进行训练，损失函数可为交叉熵损失函数，优化函数可为adagrad模型，训练精度可为96.4％，训练结束后保存模型，以获得预设视频画面检测模型。
134.进一步地，为了更好的对模型进行训练，得到检测精度更高的视频画面检测模型，所述步骤s003，包括：
135.将所述图像数据集划分为训练数据集、验证数据集以及测试数据集；根据所述训练数据集对预设残差神经网络模型进行训练，以获得初始视频画面检测模型；通过所述初始视频画面检测模型和验证数据集进行预测，以确定模型准确率；根据所述模型准确率从所述初始视频画面检测模型中选取目标视频画面检测模型；根据所述测试数据集对所述目标视频画面检测模型进行优化，以获得预设视频画面检测模型。
136.可以理解的是，可对图像数据集进行划分，将其划分为训练数据集、验证数据集以及测试数据集，占比可为0.7，0.1，0.2，先根据训练集数据对预设残差神经网络模型进行训练，以获得初始视频画面检测模型。然后通过初始视频画面检测模型和验证数据集进行预测，以确定模型准确率，并根据所述模型准确率从初始视频画面检测模型中选取目标视频画面检测模型。再根据测试数据集对目标视频画面检测模型进行优化，以获得精度较高的预设视频画面检测模型。
137.本实施例中通过获取初始视频帧数据；对所述初始视频帧数据进行分类处理，以获得多个类别的图像数据集；根据所述图像数据集对预设残差神经网络模型进行训练，以获得预设视频画面检测模型，从而获得可用于视频画面检测的预设视频画面检测模型，提高了视频画面检测的准确性。
138.在一实施例中，如图6所示，基于第一实施例或第二实施例提出本发明视频画面检测方法第三实施例，在本实施例中，基于第一实施例进行说明，所述步骤s10，包括：
139.步骤s101，在接收到视频检测指令时，从所述视频检测指令中提取视频检测信息。
140.应当理解的是，web端在接收到视频检测指令时，可从视频检测指令中提取视频检测信息。
141.步骤s102，根据所述视频检测信息确定待检测视频文件。
142.可以理解的是，在获得视频检测信息后，可根据视频检测信息确定待检测视频文件，其中，待检测视频文件可为屏幕截图，也可为视频图片，还可为视频数据文件，还可为其他类型的视频文件，本实施例对此不作限制。
143.步骤s103，根据所述视频检测指令从待选处理节点中选取目标处理节点。
144.应当理解的是，web端还可根据视频检测指令从多个待选处理节点中选取一个目标处理节点。可根据随机分配的原则从待选处理节点中选取一个目标处理节点来对待检测视频文件进行检测。除上述方式外，还可为其它选取方式，本实施例对此不作限制。
145.进一步地，所述根据所述视频检测指令从待选处理节点中选取目标处理节点之前，还包括：
146.在接收到心跳报文时，根据所述心跳报文确定报文信息；根据所述报文信息确定上报所述心跳报文的待选node端；查找所述待选node端对应的node端信息；根据所述node端信息生成待选处理节点，并建立所述待选处理节点与所述node端之间的对应关系。
147.进一步地，所述通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值，包括：
148.根据所述待选处理节点与所述node端之间的对应关系查找所述目标处理节点对应的目标node端；将所述待检测视频文件发送至所述目标node端，以使所述目标node端基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值。
149.应当理解的是，如图7所示，图7为整体框架示意图，本方案中分成了两端，分别为web端和node端，其中，web端负责接收请求返回结果，node端负责计算结果，web端和node端之间的通信可采用zmq框架，还可采用其他框架，本实施例对此不作限制。node端可主动上报心跳到web端，链路可为push-pull pub-sub，让web端感知到可以处理请求的节点有哪些。web端在接收到心跳报文时，根据心跳报文的报文信息确定上报心跳报文的待选node端，查找待选node端对应的node端信息，根据node端信息生成待选处理节点，并建立待选处理节点与node端之间的对应关系。其中，每个待选node端都可存储有与预设视频画面检测模型，通过预设视频画面检测模型来对视频文件进行画面检测。
150.web端在接收到视频检测指令时，可根据随机分配的原则确定目标处理节点来对待检测视频文件进行检测，然后根据待选处理节点与node端之间的对应关系查找目标处理节点对应的目标node端，将待检测视频文件发送至所述目标node端，以使目标node端基于预设视频画面检测模型对待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值。可以理解的是，目标node端在处理完成后，可将结果返回到web端，链路可为router-dealer。
151.本实施例中通过在接收到视频检测指令时，从所述视频检测指令中提取视频检测信息；根据所述视频检测信息确定待检测视频文件；根据所述视频检测指令从待选处理节点中选取目标处理节点，从而可根据视频检测指令确定待检测视频文件和目标处理节点，通过目标处理节点对待检测视频文件进行检测，提高了视频画面检测的效率。
152.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有视频画面检测程序，所述视频画面检测程序被处理器执行时实现如上文所述的视频画面检测方法的步骤。
153.由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
154.此外，参照图8，本发明实施例还提出一种视频画面检测装置，所述视频画面检测装置包括：
155.检测指令模块10，用于在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点。
156.分类处理模块20，用于通过所述目标处理节点基于预设视频画面检测模型对所述
待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值。
157.类型确定模块30，用于根据所述类型概率值确定所述待检测视频文件的目标类型。
158.检测结果模块40，用于根据所述目标类型生成所述待检测视频文件对应的视频画面检测结果。
159.本实施例中通过在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点；通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值；根据所述类型概率值确定所述待检测视频文件的目标类型；根据所述目标类型生成所述待检测视频文件对应的视频画面检测结果。本实施例中，通过目标处理节点基于预设视频画面检测模型对待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值以确定目标类型，进而生成对应的视频画面检测结果，从而通过模型进行分类处理的方式对视频画面进行检测，提升了视频画面检测的效率，并且提高了检测的准确性。
160.在一实施例中，所述模型训练模块，还用于根据所述初始视频帧数据确定初始视频图像；获取所述初始视频图像的图像像素信息；根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像。
161.在一实施例中，所述模型训练模块，还用于将所述图像像素信息与预设像素信息进行比较；在所述图像像素信息与预设像素信息不一致时，执行所述根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像的步骤。
162.在一实施例中，所述模型训练模块，还用于在所述图像像素信息与预设像素信息一致时，将所述初始视频图像作为待处理视频图像。
163.在一实施例中，所述模型训练模块，还用于对所述待处理视频图像进行图像检测；根据图像检测结果判断所述待处理视频图像中是否包含干扰噪声数据；在所述待处理视频图像中不包含干扰噪声数据时，根据所述标记数据对所述待处理视频图像进行自动标记，以获得待分类视频图像；在所述待处理视频图像中包含干扰噪声数据时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像。
164.在一实施例中，所述干扰噪声数据包括视频组件文字信息，所述模型训练模块，还用于在所述待处理视频图像中包含视频组件文字信息时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像。
165.在一实施例中，所述模型训练模块，还用于将所述图像数据集划分为训练数据集、验证数据集以及测试数据集；根据所述训练数据集对预设残差神经网络模型进行训练，以获得初始视频画面检测模型；通过所述初始视频画面检测模型和验证数据集进行预测，以确定模型准确率；根据所述模型准确率从所述初始视频画面检测模型中选取目标视频画面检测模型；根据所述测试数据集对所述目标视频画面检测模型进行优化，以获得预设视频画面检测模型。
166.在一实施例中，所述检测指令模块10，还用于在接收到视频检测指令时，从所述视频检测指令中提取视频检测信息；根据所述视频检测信息确定待检测视频文件；根据所述视频检测指令从待选处理节点中选取目标处理节点。
167.在一实施例中，所述视频画面检测装置还包括节点确定模块，用于在接收到心跳
报文时，根据所述心跳报文确定报文信息；根据所述报文信息确定上报所述心跳报文的待选node端；查找所述待选node端对应的node端信息；根据所述node端信息生成待选处理节点，并建立所述待选处理节点与所述node端之间的对应关系。
168.在一实施例中，所述分类处理模块20，还用于根据所述待选处理节点与所述node端之间的对应关系查找所述目标处理节点对应的目标node端；将所述待检测视频文件发送至所述目标node端，以使所述目标node端基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值。
169.在一实施例中，所述类型确定模块30，还用于对所述类型概率值进行排序；根据排序结果从所述类型概率值中选取最大的类型概率值作为目标类型概率值；查找所述目标类型概率值对应的视频画面类型，并根据所述视频画面类型确定所述待检测视频文件的目标类型。
170.在一实施例中，所述视频画面类型包括：正常类型、花屏类型以及黑屏类型，所述类型确定模块30，还用于在所述视频画面类型为正常类型时，判定所述待检测视频文件的目标类型为正常类型；在所述视频画面类型为花屏类型时，判定所述待检测视频文件的目标类型为花屏类型；在所述视频画面类型为黑屏类型，判定所述待检测视频文件的目标类型为黑屏类型。
171.在本发明所述视频画面检测装置的其他实施例或具体实现方法可参照上述各方法实施例，此处不再赘述。
172.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
173.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
174.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该估算机软件产品存储在如上所述的一个估算机可读存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台智能设备(可以是手机，估算机，视频画面检测设备，或者网络视频画面检测设备等)执行本发明各个实施例所述的方法。
175.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
176.本发明公开了a1、一种视频画面检测方法，所述视频画面检测方法包括以下步骤：
177.在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点；
178.通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值；
179.根据所述类型概率值确定所述待检测视频文件的目标类型；
180.根据所述目标类型生成所述待检测视频文件对应的视频画面检测结果。
181.a2、如a1所述的视频画面检测方法，所述通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值之前，还包括：
182.获取初始视频帧数据；
183.对所述初始视频帧数据进行分类处理，以获得多个类别的图像数据集；
184.根据所述图像数据集对预设残差神经网络模型进行训练，以获得预设视频画面检测模型。
185.a3、如a2所述的视频画面检测方法，所述对所述初始视频帧数据进行分类处理，以获得多个类别的图像数据集，包括：
186.根据所述初始视频帧数据确定待处理视频图像，并获取所述待处理视频图像对应的图像类别；
187.根据所述图像类别生成标记数据；
188.根据所述标记数据对所述待处理视频图像进行标记，以获得待分类视频图像；
189.对所述待分类视频图像进行分类处理，以获得多个类别的图像数据集。
190.a4、如a3所述的视频画面检测方法，所述根据所述初始视频帧数据确定待处理视频图像，包括：
191.根据所述初始视频帧数据确定初始视频图像；
192.获取所述初始视频图像的图像像素信息；
193.根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像。
194.a5、如a4所述的视频画面检测方法，所述根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像之前，还包括：
195.将所述图像像素信息与预设像素信息进行比较；
196.在所述图像像素信息与预设像素信息不一致时，执行所述根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像的步骤。
197.a6、如a5所述的视频画面检测方法，所述将所述图像像素信息与预设像素信息进行比较之后，还包括：
198.在所述图像像素信息与预设像素信息一致时，将所述初始视频图像作为待处理视频图像。
199.a7、如a3所述的视频画面检测方法，所述根据所述标记数据对所述待处理视频图像进行标记，以获得待分类视频图像，包括：
200.对所述待处理视频图像进行图像检测；
201.根据图像检测结果判断所述待处理视频图像中是否包含干扰噪声数据；
202.在所述待处理视频图像中不包含干扰噪声数据时，根据所述标记数据对所述待处理视频图像进行自动标记，以获得待分类视频图像；
203.在所述待处理视频图像中包含干扰噪声数据时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像。
204.a8、如a7所述的视频画面检测方法，所述干扰噪声数据包括视频组件文字信息；
205.所述在所述待处理视频图像中包含干扰噪声数据时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像，包括：
206.在所述待处理视频图像中包含视频组件文字信息时，将所述待处理视频图像作为目标视频图像，由人工对所述目标视频图像进行标记，以获得待分类视频图像。
207.a9、如a2所述的视频画面检测方法，所述根据所述图像数据集对预设残差神经网络模型进行训练，以获得预设视频画面检测模型，包括：
208.将所述图像数据集划分为训练数据集、验证数据集以及测试数据集；
209.根据所述训练数据集对预设残差神经网络模型进行训练，以获得初始视频画面检测模型；
210.通过所述初始视频画面检测模型和验证数据集进行预测，以确定模型准确率；
211.根据所述模型准确率从所述初始视频画面检测模型中选取目标视频画面检测模型；
212.根据所述测试数据集对所述目标视频画面检测模型进行优化，以获得预设视频画面检测模型。
213.a10、如a1～a9中任一项所述的视频画面检测方法，所述在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点，包括：
214.在接收到视频检测指令时，从所述视频检测指令中提取视频检测信息；
215.根据所述视频检测信息确定待检测视频文件；
216.根据所述视频检测指令从待选处理节点中选取目标处理节点。
217.a11、如a10所述的视频画面检测方法，所述根据所述视频检测指令从待选处理节点中选取目标处理节点之前，还包括：
218.在接收到心跳报文时，根据所述心跳报文确定报文信息；
219.根据所述报文信息确定上报所述心跳报文的待选node端；
220.查找所述待选node端对应的node端信息；
221.根据所述node端信息生成待选处理节点，并建立所述待选处理节点与所述node端之间的对应关系。
222.a12、如a11所述的视频画面检测方法，所述通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值，包括：
223.根据所述待选处理节点与所述node端之间的对应关系查找所述目标处理节点对应的目标node端；
224.将所述待检测视频文件发送至所述目标node端，以使所述目标node端基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值。
225.a13、如a1～a9中任一项所述的视频画面检测方法，所述根据所述类型概率值确定所述待检测视频文件的目标类型，包括：
226.对所述类型概率值进行排序；
227.根据排序结果从所述类型概率值中选取最大的类型概率值作为目标类型概率值；
228.查找所述目标类型概率值对应的视频画面类型，并根据所述视频画面类型确定所
述待检测视频文件的目标类型。
229.a14、如a13所述的视频画面检测方法，所述视频画面类型包括：正常类型、花屏类型以及黑屏类型；
230.所述根据所述视频画面类型确定所述待检测视频文件的目标类型，包括：
231.在所述视频画面类型为正常类型时，判定所述待检测视频文件的目标类型为正常类型；
232.在所述视频画面类型为花屏类型时，判定所述待检测视频文件的目标类型为花屏类型；
233.在所述视频画面类型为黑屏类型，判定所述待检测视频文件的目标类型为黑屏类型。
234.本发明还公开了b15、一种视频画面检测装置，所述视频画面检测装置包括：
235.检测指令模块，用于在接收到视频检测指令时，根据所述视频检测指令确定待检测视频文件以及目标处理节点；
236.分类处理模块，用于通过所述目标处理节点基于预设视频画面检测模型对所述待检测视频文件进行分类处理，获得多个分类结果对应的类型概率值；
237.类型确定模块，用于根据所述类型概率值确定所述待检测视频文件的目标类型；
238.检测结果模块，用于根据所述目标类型生成所述待检测视频文件对应的视频画面检测结果。
239.b16、如b15所述的视频画面检测装置，所述视频画面检测装置还包括：
240.模型训练模块，用于获取初始视频帧数据；对所述初始视频帧数据进行分类处理，以获得多个类别的图像数据集；根据所述图像数据集对预设残差神经网络模型进行训练，以获得预设视频画面检测模型。
241.b17、如b16所述的视频画面检测装置，所述模型训练模块，还用于根据所述初始视频帧数据确定待处理视频图像，并获取所述待处理视频图像对应的图像类别；根据所述图像类别生成标记数据；根据所述标记数据对所述待处理视频图像进行标记，以获得待分类视频图像；对所述待分类视频图像进行分类处理，以获得多个类别的图像数据集。
242.b18、如b17所述的视频画面检测装置，所述模型训练模块，还用于根据所述初始视频帧数据确定初始视频图像；获取所述初始视频图像的图像像素信息；根据所述图像像素信息对所述初始视频图像进行调整，以获得待处理视频图像。
243.本发明还公开了c19、一种视频画面检测设备，所述视频画面检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的视频画面检测程序，所述视频画面检测程序配置有实现如上所述的视频画面检测方法的步骤。
244.本发明还公开了d20、一种存储介质，所述存储介质上存储有视频画面检测程序，所述视频画面检测程序被处理器执行时实现如上所述的视频画面检测方法的步骤。