基于3D卷积神经网络的视频质检

最新推荐文章于 2025-05-10 13:37:33 发布

JRRG

最新推荐文章于 2025-05-10 13:37:33 发布

阅读量2.3k

点赞数 2

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/step_forward_ML/article/details/95164952

版权

本文介绍了基于3D卷积神经网络的视频质量检查项目，通过深度学习提升抖动和模糊检测的准确率。文章详细讨论了视频抖动的光流法检测和视频模糊的Laplacian方法检测，以及3D CNN在提取时空特征方面的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前段时间接了视频质检的项目，采用了传统的图像处理方法检测视频的抖动和模糊，检测准确率在86%左右。目前针对收集的大量珍贵视频数据，采用了深度卷积网络的方法进一步提升了检测准确率。

视频监控系统，体积小且工作稳定，不仅为生产带来方便，如在一些较为恶劣的环境下可以代替人力进行监视控制，能节省大量人力资源成本；而且不会产生视觉疲劳等生理缺陷，正常情况下保证生产安全，提供客观性指导。而视频监控技术在各类各行领域得到日益广泛的应用，成为现代企业科学管理、节能降耗、减员增效的有力工具。随着计算机信息技术在电力行业越来越广泛的应用以及各种智能化设备的接入，使得更加方便的监视和控制电力生产和供应过程成为可能。
针对各行业应用，视频监控能为各种重要的电力设备提供全时监控，并结合智能化算法给出准确且智能的决策。然而，视频监控设备在图像采集过程中，难免会到各种外界干扰因素的影响。比如，在风吹动或其它不可抗拒因素造成的摄像头抖动，而引起的画质抖动和模糊等。这种图像的降质将会给后续算法模块带来巨大的挑战，从而给出错误决策。

本项目将深入研究视频降质机理，分析大量抖动、模糊或其它异常(比如场景中出现烟火等)的视频数据，充分挖掘这些异常视频和正常视频的不同特性，提出相应的特征表示，实现有效的异常视频检测。算法模块将利用经典的角点检测、光流技术及拉普拉斯变换等技术，突破外在因素的束缚，进而给予后续模块可靠的数据，并最终运用在生产级部署中。