实时检测内容的投屏装置的制作方法

1.本发明涉及视频处理领域，尤其涉及一种提升投屏内容安全性的装置。


背景技术：

2.现在的投屏产品，无论是专业usb投屏器，还是手机自带的投屏功能，都只能原封不动的把内容投出去，并不具备对内容的检测和内容的过滤的功能。如果投屏的内容出现恐怖，血腥，色情的内容，将会造成严重的社会影响。同时也不利于观看者的身心健康。


技术实现要素：

3.为此，需要提供一种能够进行图像处理的装置方法，能够达到避免经过投屏装置投出的画面有非正常画面的技术效果。
4.为实现上述目的，发明人提供了一种实时检测内容的投屏装置，所述投屏装置用于接收待投屏画面，投屏装置可与显示装置数据传输连接，投屏装置用于将待投屏画面发送至显示装置进行显示，
5.所述投屏装置还包括深度学习检测模块，所述深度学习检测模块用于对待投屏画面进行检测，并在检测到预设的内容时将对应的内容屏蔽或不发送对应的内容至显示装置。
6.具体地，所述待投屏画面为视频流，所述深度学习检测模块用于对所述视频流进行逐帧检测。
7.具体地，在检测到预设的内容时将对应的内容替换为预设图片。
8.具体地，所述深度学习检测模块用于加载训练好的深度学习检测算法模型，利用深度学习检测算法模型对待投屏画面进行检测。
9.可选地，所述深度学习检测算法模型为inception
‑
v4算法模型。
10.可选地，还包括网络模块，所述网络模块用于从服务器接收深度学习检测算法模型，并更新至深度学习检测模块。
11.可选地，所述网络模块还用于接收待检测画面，所述网络模块还用于将待投屏画面发送至显示装置进行显示。
12.通过上述方案，利用投屏器中集成机器学习算法的技术方案，能够让投屏器中经过的视频流都经过内容检测，从而让视频流中的非正常画面能够被过滤，屏蔽非正常的画面被显示装置显示的数据流通路。
附图说明
13.图1为本发明一实施方式所述的实时检测内容的投屏装置模块图；
14.图2为本发明一实施方式所述的inceptionv4架构示意图；
15.图3为本发明一实施方式所述的stem示意图；
16.图4为本发明一实施方式所述的inception块示意图；
17.图5为本发明一实施方式所述的reduction块示意图。
具体实施方式
18.为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
19.如图1所示，为一种实时检测内容的投屏装置1，投屏装置1用于接收待投屏画面，投屏装置1可与显示装置2数据传输连接，所述投屏装置1用于将待投屏画面发送至显示装置2进行显示，所述投屏装置1还包括深度学习检测模块100，所述深度学习检测模块100用于对待投屏画面进行检测，并在检测到预设的内容时将对应的内容屏蔽或不发送对应的内容至显示装置2。
20.这里的投屏装置1可以是电视盒子，可以是移动智能终端如手机，投屏装置1可以于显示装置2连接，也可以与产生画面内容的上位机连接，通过对上位机产生的待投屏画面进行检测之后，再投送到显示装置2，能够更好地完成对非正常画面的把关屏蔽。
21.在具体的实施例中，所述待投屏画面为视频流，所述深度学习检测模块100用于对所述视频流进行逐帧检测。通过对上位机产生的视频流进行逐帧检测，能够完成对视频流的检测屏蔽动作。
22.为了更好地达到屏蔽效果，我们的技术方案还进行步骤，在检测到预设的内容时将对应的内容替换为预设图片。这里的对应的内容可以是深度学习算法识别出的非正常帧画面的全部，也可以是识别出的非正常帧画面的带有非正常内容的像素区块。可以仅将非正常帧画面的带有非正常内容的像素区块部分替换成预设图片，也可以将整个帧画面都替换成帧画面，再将替换后的视频流送入投屏装置1，进行投屏显示。
23.在具体的实施例中，所述深度学习检测模块100用于加载训练好的深度学习检测算法模型，利用深度学习检测算法模型对待投屏画面进行检测。这里的深度学习检测算法模型是用于检测预设画面内容的检测算法模型。算法模型的训练方法可以按照现有技术，输入含有预设画面内容的训练集进行训练即可。训练好的深度学习检测算法模型可以通过服务器下载获得。
24.在某些可选的实施例中，所述深度学习检测算法模型为inception
‑
v4算法模型，该算法模型的整体架构可以参照图2所示，在softmax层之前，使用了keep prob为0.8的drop out来防止过拟合。具体在如图3所示的实施例中，stem模块：stem中使用了并行结构、不对称卷积核结构，可以在保证信息损失足够小的情况下，使得计算量降低。结构中1*1的卷积核也用来降维，并且也增加了非线性。图中带v的标记说明该卷积核使用valid padding，其余的使用same padding，数字代表通道数。输出的feature map为35*35*384。在图4所示的实施例中展示了inception
‑
a、inception
‑
b和inception
‑
c：所有的inceptionblock在实现的时候通过参数控制，方便以后自己使用时调整内部结构。inception v4的三种inception block的个数分别为4(inception
‑
a)、7(inception
‑
b)、3个(inception
‑
c)，因此inception层次更深、结构更复杂，特征图的通道更多。avg pooling的kernel_size为3，padding为1，stride为1。在如图5所示的实施例中，展示了reduction
‑
a和reduction
‑
b：inception v4引入了专用的「缩减块」(reductionblock)，它被用于改变网格的宽度和高度。reduction
‑
a和reduction
‑
b的结构分别放在inception
‑
a和inception
‑
b
后面，用来降低计算量。卷积的步长(stride)为2，并且都是用了validpadding，来降低特阵图的尺寸。结构中同样是用并行、不对称卷积和1*1的卷积来降低计算量。reduction
‑
a(从35x35到17x17的尺寸缩减)和reduction
‑
b(从17x17到8x8的尺寸缩减)。
25.在可选的实施例中，我们的投屏装置1还包括网络模块102，所述网络模块102用于从服务器接收深度学习检测算法模型，并更新至深度学习检测模块100。通过网络模块102建立与云端服务器的联系，还能够更好的进行非正常内容的实时更新，使投屏装置1始终保持在最新的算法模型更新状态。
26.另一些可选的实施例中，所述网络模块102还用于与上位机建立网络传输协议，接收待检测画面，还可以设置网络模块102与现实装置建立网络传输协议，所述网络模块102还用于将待投屏画面发送至显示装置2进行显示。网络模块102传输待检测画面的视频流能够节省布线占用的空间，并节省投屏装置1外部的硬件接口，因而也节省了投屏装置1的设计体积。
27.需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或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，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。