识别黑花屏图像的方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及计算机视觉和深度学习领域的识别黑花屏图像的方法、装置、设备及存储介质。


背景技术：

2.随着互联网的发展和监控的普及，摄像头被应用在越来越多的领域。为更好的保障运输时效和快件安全，现有的物流运输也在分拨、网点等办公区域安装了摄像头。但是在实际的监控过程中，可能因为线路故障等原因导致黑花屏现象，造成监控盲区。
3.目前常规的做法是通过人工观察来判断黑花屏现象，这种情况存在漏检率高、人工成本大等问题。为了进一步提高效率，节约成本，现在基于深度学习和计算机视觉技术，通过分类网络模型对监控图像进行分类，实现自动检测黑屏、花屏和正常屏，极大了提高了效率。


技术实现要素：

4.有鉴于此，有必要针对现有人工观察来判断黑花屏现象存在漏检率高、人工成本大的技术问题提供一种识别黑花屏图像的方法、装置、设备及存储介质。
5.一种识别黑花屏图像的方法，包括：获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建densenet网络框架，对所述densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架；将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型；选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。
6.在其中一个实施例中，所述获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集，包括：获取监控视频，所述监控视频包括正常监控视频和历史故障监控视频；截取所述正常监控视频和历史故障监控视频的样本图像，所述样本图像包括正常屏、黑屏和花屏；对所述样本图像进行标记，所述正常屏记为0、所述黑屏记为1、所述花屏记为2；将标记好的所述样本图像分类保存在对应的文件夹中，得到训练数据集。
7.在其中一个实施例中，所述搭建densenet网络框架，对所述densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架，包括：搭建densenet网络框架，定义所述densenet网络框架的主干结构，所述主干结构由5个密集连接的稠密块以及4个过渡层交替拼接而成；在所述稠密块模块中加入了1*1卷积，使得将每一个layer输入的feature map都降为到4k的维度；在所述过渡层模块中加入了压缩率θ参数，将θ设置为0.8；得到优化后的densenet网络框架。
8.在其中一个实施例中，所述将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型，包括：将所述训练数据集按6:4的比例划分为训练集和测试集；将所述训练集输入到所述优化后的densenet网络框架中进行训练；将所述测试集输入到训练后的densenet网络框架中进行测试，输出黑花屏图像识别模型；
9.在其中一个实施例中，所述选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果，包括：随机选取一张待识别监控图像，所述待识别监控图像与所述训练数据集无关；载入所述黑花屏图像识别模型，将待识别监控图像输入到所述黑花屏图像识别模型进行识别；输出所述待识别监控图像的分类标签，当输出结果为1或2时，提示所述待识别监控图像为黑花屏。
10.在其中一个实施例中，所述将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，包括：采用pytorch框架构建所述densenet网络框架，并对所述densenet网络框架进行训练。
11.一种识别黑花屏图像的装置，其特征在于，所述识别黑花屏图像的装置包括：获取模块，用于获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建模块，用于搭建densenet网络框架，对所述densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架；训练模块，用于将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型；输出模块，用于选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。
12.在其中一个实施例中，所述获取模块，包括：获取子模块，用于获取监控视频，所述监控视频包括正常监控视频和历史故障监控视频；截取子模块，用于截取所述正常监控视频和历史故障监控视频的样本图像，所述样本图像包括正常屏、黑屏和花屏；标记子模块，用于对所述样本图像进行标记，所述正常屏记为0、所述黑屏记为1、所述花屏记为2；分类子模块，用于将标记好的所述样本图像分类保存在对应的文件夹中，得到训练数据集。
13.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述识别黑花屏图像的方法的步骤。
14.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述识别黑花屏图像的方法的步骤。
15.上述的识别黑花屏图像的方法、装置、设备及存储介质，获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建densenet网络框架，对所述densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架；将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型；选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。本发明采用上述技术方案后，通过densenet网络模型对监控图像进行分类，实现自动检测黑屏、花屏和正常屏，检测结果为黑屏或者花屏进行告警，通知对应工作人员及时检修，极大了降低了漏检率，同时提高了效率。
附图说明
16.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
17.图1为本发明实施例中识别黑花屏图像的方法的一个实施例示意图；
18.图2为本发明实施例中识别黑花屏图像的方法的一个实施例示意图；
19.图3为本发明实施例中识别黑花屏图像的方法的一个实施例示意图；
20.图4为本发明实施例中识别黑花屏图像的装置的一个实施例示意图；
21.图5为本发明实施例中获取模块的一个实施例示意图。
22.图6为本发明实施例中计算机设备的一个实施例示意图。
具体实施方式
23.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
24.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
25.如图1所示，在一个实施例中，提出了一种识别黑花屏图像的方法，该识别黑花屏图像的方法包括：
26.步骤s101，获取监控视频，截取监控样本图像，对样本图像进行标记分类，得到训练数据集；
27.视频监控，包括前端摄像机、传输线缆、视频监控平台。摄像机可分为网络数字摄像机和模拟摄像机，可作为前端视频图像信号的采集。完整的视频监控系统是由摄像、传输、控制、显示、记录登记5大部分组成。摄像机通过网络线缆或同轴视频电缆将视频图像传输到控制主机，控制主机再将视频信号分配到各监视器及录像设备，同时可将需要传输的语音信号同步录入到录像机内。通过控制主机，操作人员可发出指令，对云台的上、下、左、右的动作进行控制及对镜头进行调焦变倍的操作，并可通过视频矩阵实现在多路摄像机的切换。利用特殊的录像处理模式，可对图像进行录入、回放、调出及储存等操作。
28.获取分拨中心、网点30天内拍摄的监控视频，对多段视频图像进行截取。截取的图像里面包含有正常图像、黑屏图像和花屏图像，将这三种图像进行分类，保存在不同的文件夹中，制作为训练数据集。
29.步骤s102，搭建densenet网络框架，对densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架；
30.densenet的整体结构主要包含稠密块(dense blocks)和过渡层(transition layers)。dense blocks内部必须特征图大小一致，每层的输入是concat连接，而不是resnet的element-wise连接，内部的每一个节点代表bn+relu+conv，每个卷积层都是33k的filter，其中k被称为growth rate。transition layers中包含的pooling层会改变特征图的大小。若每个dense block有12层，输入到该block的feature map数为16，k＝12，则第一个dense block所有输出的concat起来的feature map数是16+1212＝160，transition layer节点由bn-conv-pool组成，卷积由11构成，num_out数保持和输入一致，第二、三个的输出feature map数量分别是160+1212＝304，304+1212＝448。
31.densenet的一个优点是网络更窄，参数更少，很大一部分原因得益于这种dense block的设计，在dense block中每个卷积层的输出feature map的数量都很小(小于100)，
而不是像其他网络一样动不动就几百上千的宽度。同时这种连接方式使得特征和梯度的传递更加有效，网络也就更加容易训练。过梯度消失问题在网络深度越深的时候越容易出现，原因就是输入信息和梯度信息在很多层之间传递导致的，而现在这种dense connection相当于每一层都直接连接input和loss，因此就可以减轻梯度消失现象，这样更深网络不是问题。
32.为了提升网络框架的紧凑性，减少了在过渡层的特征图数量。如果一个稠密块输出了m个特征图，设置过渡层输出的特征图个数为θm。其中θ称之为压缩因子。对网络框架进行调整之后，得到优化后的densenet网络框架。
33.步骤s103，将训练数据集输入到优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型；
34.定义一些模型中所需要的参数，例如batch_size、img_high、img_width、channel、label。然后定义一些仅仅用于densenet的超参，例如growth_k、nb_block。定义输入图像的占位符，调用优化后的densenet架构，显示最后预测的结果。加载训练数据集，对路径下的所有子文件夹中的所有jpg文件进行读取并存入到一个list中，然后返回的img_list转成了np.array的格式，加载数据的时候重新排序，开始接收数据并且训练数据，输出训练结果。
35.步骤s104，选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果；
36.从监控视频中随机截取一张图片，这张图片与之前用来做训练集的图片无关，对图片大小尺寸进行调整，调整成适配模型的输入尺寸。将这张图片输入到黑花屏图像识别模型中进行识别，等待模型输出识别结果。如果输出的识别结果为黑屏、花屏时，显示监控摄像头有故障需要修理。如果输出的识别结果为正常屏，则显示监控摄像头正常。
37.在一个实施例中，如图2所示，获取监控视频，截取监控样本图像，对样本图像进行标记分类，得到训练数据集，包括：
38.步骤s201，获取监控视频，监控视频包括正常监控视频和历史故障监控视频；
39.监控系统的模拟化、数字化、网络化三个阶段都分别出现了不同形态的监控数据存储系统，从早先的vcr到dvr、混合dvr，到nvr和san存储网络，尤其是在现阶段开始大规模部署高清和网络化视频监控系统，以呈现更高品质的视频图像以及精准的智能数据分析和挖掘。在大规模的高清视频监控系统应用中，首先是满足海量高清的视频数据存储，高清视频数据如720p、1080p、5mp、8mp等高分辨率ipc的接入，大路数并发大码流的实时数据读写，对存储的性能也是很大挑战，在海量高清部署的环境下，充分考虑到整体方案中存储性能的影响，需要云存储具备高容量以及可伸缩的容量扩展能力。分拨中心、网点日常拍摄的监控视频，都以云存储的方式保存在云上服务器中，数万个摄像头拍摄的视频按照日期、地点、摄像头编号进行命名保存，例如：“2021/10/16上海分拨中心sxt005”来命名编号为sxt005在2021年10月16日拍摄的视频。在以往人工检查时，就对出现故障监控视频进行了区分，保存在单独的服务器中。所以云存储的监控视频中就包括了正常监控视频和历史故障监控视频。获取多段正常监控视频和历史故障监控视频作为视频样本。
40.步骤s202，截取正常监控视频和历史故障监控视频的样本图像，样本图像包括正常屏、黑屏和花屏；
41.从获取的多段视频样本中提取一段监控视频，例如：“2021/10/16上海分拨中心sxt005”。基于cv2从视频中逐帧提取图片并保存，首先定义一个函数从视频中提取图片的函数，输入参数是视频文件存储的绝对路径，紧接着利用cv2库中的videocaoture类来处理视频，获取视频的帧率和帧数，然后通过一个简单的循环读取视频中的每一帧，设置保存路径，将截取的图片保存在指定位置的文件夹中。例如每隔5秒钟从视频中截取一张监控图片，将截取的图片保存在文件夹中，对其他视频样本也进行同样的截取操作。截取的监控样本图像中就包含了正常屏、黑屏和花屏的图像。
42.步骤s203，对样本图像进行标记，正常屏记为0、黑屏记为1、花屏记为2；
43.在保存样本图像的文件夹中将图像进行分类，将不同的图像标记为不同的数字，正常屏记为0、黑屏记为1、花屏记为2。
44.步骤s204，将标记好的样本图像分类保存在对应的文件夹中，得到训练数据集；
45.将标记好的正常屏、黑屏记、花屏的图像按照分类的数字分开保存，建立三个文件夹分别以数字1、2、3命名，将对应的图像移动到所属数字的文件夹中。例如，将正常屏的图像移动到名称为“1”的文件夹中保存。
46.在一个实施例中，搭建densenet网络框架，对densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架，包括：
47.步骤s301，搭建densenet网络框架，定义densenet网络框架的主干结构，主干结构由5个密集连接的稠密块以及4个过渡层交替拼接而成；
48.densenet网络框架的主干结构分成多个密集连接的稠密块(dense blocks)。密集块之间的层称为过渡层(transition_layer)，它们进行卷积和池化操作。稠密块是由bn+relu+conv(3*3)+dropout组成。bn为批量归一化，bn操作的作用是对输入特征图做批量的归一化处理，网络模型加入bn层可以加快训练速度，这样对我们建立的深度模型可以使用较大的学习率来训练网络。可以更好的提高了网络的泛化能力，并且还可以起到打乱样本顺序的功能。其计算流程为，首先，计算样本均值，其次，计算样本的方差，然后，样本数据标准化处理，最后是进行平移和缩放处理。relu激活函数,即为了增加神经网络模型的非线性，将输入通过激活函数映射到另一端输出，输入值为正数的情况，则原数输出，若输入为负数则变换为零再输出。这种函数也被称为单侧抑制。利用这个特性，神经网络模型中的神经元才有了稀疏性，特别是体现在卷积神经网络中。conv(3*3)为3x3卷积核，卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。dropout在一个复杂的网络模型训练小样本时，被学习的模型易发生过拟合现象，其过拟合现象具体表现为模型在训练集的识别准确率非常高，但是在测试集上的准确率反而较低的现象。所以在训练网络的时候总会出现容易过拟合的问题，dropout技术的提出缓解了过拟合问题，当在训练网络的时候，通过随机减少神经元的个数，可以明显的降低过拟合现象出现的概率，也就是说网络模型在传播过程中，让某些神经单元失去活性，这样可以使模型的泛化能力更强。
49.过渡层是由bn+relu+conv(1*1)(filternum:m)+dropout+pooling(2*2)组成。conv(1*1)是network in network的简称，对于单通道图像，其作用仅是进行线性运算，对于多通道图像，conv(1*1)会遍历图像的所有位置，将每个位置处所有通道的值作为其输入，与1*1卷积核中对应通道的值进行线性运算,本质上可以视为一个全连接神经网络。
pooling为池化层，卷积操作得到特征图的维度很高，特征图的维度越高其计算量就会越大，也就消耗了大量的计算时间，同时也会造成过拟合现象，为解决这个问题提出了下采样技术，也称其为池化，池化层的计算过程就是把特征图的规定区域(3
×
3或5
×
5)用一个值代替，这个值的取值可按照一定的约束设定。例如，平均值池化、最大值池化和最小值池化。因为，池化后的值是由原特征图规定区域计算而得，所以，池化操作还有平移、旋转不变的特性。池化层作用是缩减特征图的大小，提高计算速度，起到降维的作用，有效防止过拟合，提升特征提取鲁棒性和有效性，保持了平移和旋转不变性。
50.步骤s302，在稠密块模块中加入了1*1卷积，使得将每一个layer输入的feature map都降为到4k的维度；
51.在稠密块(dense blocks)模块中加入一个1*1卷积，对稠密块进行优化，将稠密块的结构更新为bn+relu+conv(1*1)(filternum:4k)+dropout+bn+relu+conv(3*3)+dropout，feature map一般指的是卷积网络里面的卷积层的输出。这样使得将每一个layer输入的feature map都降为到4k的维度，大大的减少了计算量，解决在dense block模块中每一层layer输入的feature maps随着层数增加而增大，则需要加入bottleneck模块，降维feature maps到4k维。
52.步骤s303，在过渡层模块中加入了压缩率θ参数，将θ设置为0.8；
53.在过渡层(transition_layer)模块中加入了压缩率θ参数，对过渡层进行优化，将过渡层的结构更新为bn+relu+conv(1*1)(filternum:θm，其中θ＝0.8)+dropout+pooling(2*2)。将θ设置为0.8，这样可将上一个dense block模块的输出feature map维度减少，可以减少算法计算所花费的时间，进而加速整体的识别算法速度。
54.步骤s304，得到优化后的densenet网络框架；
55.将稠密块和过渡层的结构更新之后，得到优化后的densenet网络框架，缓解了消失梯度问题，增强了特征的传播，鼓励了特征的重用，大大减少了参数的数量。
56.在一个实施例中，将训练数据集输入到优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型，包括：
57.步骤s401,将训练数据集按6:4的比例划分为训练集和测试集；
58.采用留出法划分训练数据集，将训练数据集分成互不相交的两部分，一部分是训练集，一部分是测试集，保持数据分布大致一致，类似分层抽样，训练集数据的数量占60％，为了保证随机性，将训练数据集多次随机划分为训练集和测试集，然后在对多次划分结果取平均，得到最终划分好的训练集和测试集。
59.步骤s402,将训练集输入到densenet网络框架中进行训练；
60.将划分好的训练集输入到densenet网络框架中进行训练，上做一次卷积和池化操作，然后进入第一个稠密块(denseblock)，稠密块里面就是在做密集的连接运算。第一个稠密块后是一个过渡层(transition layer)，同样还是一个卷积和池化操作。再往后就是与前面类似的结构，只不过通过卷积得出的特征图尺寸越来越小，深度越来越大，再经过池化层和全连接层输出识别结果。
61.步骤s403,将测试集输入到训练后的densenet网络框架中进行测试，输出黑花屏图像识别模型；
62.将测试集输入到训练后的densenet网络框架中进行测试，当模型的识别性能达到
预期效果，则输出黑花屏图像识别模型；
63.在一个实施例中，选取一张图片，输入到黑花屏图像识别模型中进行识别，输出识别结果，包括：
64.步骤s501，随机选取一张待识别监控图像，待识别监控图像与训练数据集无关；
65.从分拨中心、网点摄像头拍摄的监控视频中随机截取一张图片作为待识别图像，这张图片与之前用来做训练数据集的图片无关，不会干扰模型识别的准确性。
66.步骤s502，载入黑花屏图像识别模型，将待识别监控图像输入到黑花屏图像识别模型进行识别；
67.载入黑花屏图像识别模型，将待识别监控图像的图片尺寸进行调整，使其适配模型的输入要求，输入到模型中进行识别。
68.步骤s503，输出待识别监控图像的分类标签，当输出结果为1或2时，提示待识别监控图像为黑花屏。
69.黑花屏图像识别模型对待识别图像进行识别后，输出该图像的分类标签，正常屏记为0、黑屏记为1、花屏记为2。当输出的结果为1或2时，待识别图像的内容就为黑屏或者花屏，提示待识别监控图像为黑花屏。
70.在一个实施例中，将训练数据集输入到优化后的densenet网络框架中进行训练，包括：
71.步骤s601，采用pytorch框架构建densenet网络框架，并对densenet网络框架进行训练。
72.pytorch是一款强大的动态计算图模式的深度学习框架。大部分框架是静态计算图模式，其应用模型在运行之前就已经确定，而且pytorch支持在运行过程中根据运行参数动态改变应用模型，这使得数据处理变得更高效。此外，动态图机制在调试方面非常方便，调试pytorch类似于编写python程序，通过断点检查就可以高效解决问题。pytorch神经网络构建很容易，主要使用的包是torch.nn这个包进行搭建。
73.在一个实施例中，如图4所示，提供一种识别黑花屏图像的装置包括：获取模块，用于获取监控视频，截取监控样本图像，对样本图像进行标记分类，得到训练数据集；搭建模块，用于搭建densenet网络框架，对densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架；训练模块，用于将训练数据集输入到优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型；输出模块，用于选取一张图片，输入到黑花屏图像识别模型中进行识别，输出识别结果。
74.在一个实施例中，如图5所示，获取模块，包括：获取子模块，用于获取监控视频，监控视频包括正常监控视频和历史故障监控视频；截取子模块，用于截取正常监控视频和历史故障监控视频的样本图像，样本图像包括正常屏、黑屏和花屏；标记子模块，用于对样本图像进行标记，正常屏记为0、黑屏记为1、花屏记为2；分类子模块，用于将标记好的样本图像分类保存在对应的文件夹中，得到训练数据集。
75.在一实施例中，如图6所示，提出了一种计算机设备，该计算机设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和
存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在计算机设备800上执行存储介质830中的一系列指令操作。
76.计算机设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图6示出的计算机设备结构并不构成对计算机设备的限定，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。
77.所述计算机可读指令被所述处理器执行时，使得所述处理器执行所述计算机可读指令时实现以下步骤：获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建densenet网络框架，对所述densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架；将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型；选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。
78.在其中一个实施例中，所述获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集，包括：获取监控视频，所述监控视频包括正常监控视频和历史故障监控视频；截取所述正常监控视频和历史故障监控视频的样本图像，所述样本图像包括正常屏、黑屏和花屏；对所述样本图像进行标记，所述正常屏记为0、所述黑屏记为1、所述花屏记为2；将标记好的所述样本图像分类保存在对应的文件夹中，得到训练数据集。
79.在其中一个实施例中，所述搭建densenet网络框架，对所述densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架，包括：搭建densenet网络框架，定义所述densenet网络框架的主干结构，所述主干结构由5个密集连接的稠密块以及4个过渡层交替拼接而成；在所述稠密块模块中加入了1*1卷积，使得将每一个layer输入的feature map都降为到4k的维度；在所述过渡层模块中加入了压缩率θ参数，将θ设置为0.8；得到优化后的densenet网络框架。
80.在其中一个实施例中，所述将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型，包括：将所述训练数据集按6:4的比例划分为训练集和测试集；将所述训练集输入到所述优化后的densenet网络框架中进行训练；将所述测试集输入到训练后的densenet网络框架中进行测试，输出黑花屏图像识别模型；
81.在其中一个实施例中，所述选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果，包括：随机选取一张待识别监控图像，所述待识别监控图像与所述训练数据集无关；载入所述黑花屏图像识别模型，将待识别监控图像输入到所述黑花屏图像识别模型进行识别；输出所述待识别监控图像的分类标签，当输出结果为1或2时，提示所述待识别监控图像为黑花屏。
82.在其中一个实施例中，所述将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，包括：采用pytorch框架构建所述densenet网络框架，并对所述densenet网络框架进行训练。
83.在一个实施例中，提出了一种存储有计算机可读指令的存储介质，所述计算机可
读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集；搭建densenet网络框架，对所述densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架；将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型；选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果。
84.在其中一个实施例中，所述获取监控视频，截取监控样本图像，对所述样本图像进行标记分类，得到训练数据集，包括：获取监控视频，所述监控视频包括正常监控视频和历史故障监控视频；截取所述正常监控视频和历史故障监控视频的样本图像，所述样本图像包括正常屏、黑屏和花屏；对所述样本图像进行标记，所述正常屏记为0、所述黑屏记为1、所述花屏记为2；将标记好的所述样本图像分类保存在对应的文件夹中，得到训练数据集。
85.在其中一个实施例中，所述搭建densenet网络框架，对所述densenet网络框架进行优化，在过渡层中添加压缩率，得到优化后的densenet网络框架，包括：搭建densenet网络框架，定义所述densenet网络框架的主干结构，所述主干结构由5个密集连接的稠密块以及4个过渡层交替拼接而成；在所述稠密块模块中加入了1*1卷积，使得将每一个layer输入的feature map都降为到4k的维度；在所述过渡层模块中加入了压缩率θ参数，将θ设置为0.8；得到优化后的densenet网络框架。
86.在其中一个实施例中，所述将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，得到黑花屏图像识别模型，包括：将所述训练数据集按6:4的比例划分为训练集和测试集；将所述训练集输入到所述优化后的densenet网络框架中进行训练；将所述测试集输入到训练后的densenet网络框架中进行测试，输出黑花屏图像识别模型；
87.在其中一个实施例中，所述选取一张图片，输入到所述黑花屏图像识别模型中进行识别，输出识别结果，包括：随机选取一张待识别监控图像，所述待识别监控图像与所述训练数据集无关；载入所述黑花屏图像识别模型，将待识别监控图像输入到所述黑花屏图像识别模型进行识别；输出所述待识别监控图像的分类标签，当输出结果为1或2时，提示所述待识别监控图像为黑花屏。
88.在其中一个实施例中，所述将所述训练数据集输入到所述优化后的densenet网络框架中进行训练，包括：采用pytorch框架构建所述densenet网络框架，并对所述densenet网络框架进行训练。
89.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。
90.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(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
91.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。