智能化廣播電視信號(hào)質(zhì)量檢測(cè)技術(shù)研究

郝延軍

（濱州博興縣融媒體中心，山東 濱州 256500）

0 引言

隨著廣播電視技術(shù)的發(fā)展，傳統(tǒng)的人工監(jiān)測(cè)方式已經(jīng)難以滿足信號(hào)質(zhì)量檢測(cè)的要求。廣播電視信號(hào)質(zhì)量監(jiān)測(cè)一直是保障廣電傳輸與服務(wù)質(zhì)量的重要手段，傳統(tǒng)的監(jiān)測(cè)系統(tǒng)依靠人工來測(cè)量和評(píng)判信號(hào)參數(shù)，效率較低。近年來，網(wǎng)絡(luò)電視（Internet Protocol Television，IPTV）、4K超高清等新技術(shù)的推出，使廣播電視網(wǎng)絡(luò)種類和節(jié)目量激增，對(duì)信號(hào)質(zhì)量監(jiān)測(cè)提出了更高要求。同時(shí)，大數(shù)據(jù)和人工智能（Artificial Intelligence，AI）技術(shù)得到了長(zhǎng)足發(fā)展，在圖像識(shí)別、數(shù)據(jù)挖掘、智能決策等方面展現(xiàn)出強(qiáng)大的能力。將大數(shù)據(jù)和AI技術(shù)應(yīng)用于廣播電視信號(hào)監(jiān)測(cè)，構(gòu)建智能化信號(hào)質(zhì)量檢測(cè)體系，實(shí)現(xiàn)對(duì)海量信號(hào)數(shù)據(jù)的高效管理、多維度分析和智能預(yù)測(cè)，已成為廣播電視監(jiān)測(cè)技術(shù)的重要發(fā)展方向。

1 大數(shù)據(jù)和AI技術(shù)在信號(hào)監(jiān)測(cè)中的應(yīng)用

1.1 大數(shù)據(jù)技術(shù)在信號(hào)監(jiān)測(cè)中的應(yīng)用

大數(shù)據(jù)技術(shù)主要具有4個(gè)特征，即“4V”特征：Volume（海量）、Variety（多樣化）、Velocity（生成速度快）和Value（低價(jià)值密度）。信號(hào)監(jiān)測(cè)過程中會(huì)產(chǎn)生海量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，包括視頻服務(wù)器輸出的TS流、編碼器輸出的碼流元數(shù)據(jù)、調(diào)制器輸出的調(diào)制信號(hào)參數(shù)、信號(hào)分配放大器輸出的射頻（Radio Frequency Signal，RF）信號(hào)參數(shù)、信號(hào)接收設(shè)備輸出的信號(hào)質(zhì)量數(shù)據(jù)、環(huán)境監(jiān)測(cè)設(shè)備輸出的環(huán)境參數(shù)以及用戶終端反饋的質(zhì)量意見數(shù)據(jù)等。這些異構(gòu)數(shù)據(jù)源輸出的多模態(tài)數(shù)據(jù)容量巨大，每日生成的數(shù)據(jù)可達(dá)TB級(jí)甚至更高數(shù)量級(jí)，需要使用Hadoop或Spark等大數(shù)據(jù)處理框架進(jìn)行存儲(chǔ)，而且這些數(shù)據(jù)中有效信息的占比不高。因此，需要借助大數(shù)據(jù)的海量存儲(chǔ)和低價(jià)值密度處理優(yōu)勢(shì)，存儲(chǔ)和過濾這些數(shù)據(jù)，以降低存儲(chǔ)成本。同時(shí)，信號(hào)監(jiān)測(cè)需要對(duì)存儲(chǔ)數(shù)據(jù)進(jìn)行快速處理，以實(shí)時(shí)監(jiān)測(cè)和預(yù)警信號(hào)傳輸質(zhì)量的變化，可以使用Storm和Flink等大數(shù)據(jù)實(shí)時(shí)計(jì)算框架，對(duì)采集到的視頻碼流進(jìn)行實(shí)時(shí)解復(fù)用和解碼，快速提取信號(hào)參數(shù)。此外，還需要應(yīng)用大數(shù)據(jù)的聚合分析，綜合分析編碼器、調(diào)制器和放大器等設(shè)備輸出的數(shù)據(jù)以及用戶反饋的數(shù)據(jù)關(guān)系，準(zhǔn)確定位信號(hào)質(zhì)量問題的源頭。

1.2 AI技術(shù)在信號(hào)分析和質(zhì)量評(píng)估中的應(yīng)用

近年來，AI技術(shù)在圖像處理、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得了一定突破，尤其是具有代表性的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，在處理圖像、語(yǔ)音與視頻等信號(hào)上展現(xiàn)出強(qiáng)大的分析能力，為廣播電視視頻信號(hào)質(zhì)量的智能化監(jiān)測(cè)與評(píng)估提供了技術(shù)支撐[1]。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）、遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）等模型可用于視頻信號(hào)的智能化特征提取。使用注意力機(jī)制自動(dòng)學(xué)習(xí)不同質(zhì)量影響因素的權(quán)重，能夠多維度提取復(fù)雜視頻信號(hào)的“注意力+特征”，在特征提取的基礎(chǔ)上，可以構(gòu)建基于深度學(xué)習(xí)的智能化質(zhì)量評(píng)估模型，如基于CNN的圖像質(zhì)量自動(dòng)打分模型、基于RNN的編碼質(zhì)量預(yù)測(cè)模型、集成注意力機(jī)制的質(zhì)量回歸模型等，并使用遷移學(xué)習(xí)、多任務(wù)學(xué)習(xí)等技術(shù)不斷優(yōu)化模型，以提高視頻信號(hào)質(zhì)量預(yù)測(cè)的精確度。

2 廣播電視信號(hào)監(jiān)測(cè)的關(guān)鍵技術(shù)

2.1 功率和頻譜特征提取算法

對(duì)于數(shù)字化廣播電視信號(hào)，質(zhì)量智能化監(jiān)測(cè)的第1步是特征提取。信號(hào)功率和頻譜特征直接影響信號(hào)質(zhì)量，因此需要重點(diǎn)開發(fā)射頻功率檢測(cè)、頻譜分析等算法，用于提取核心特征。相關(guān)的信號(hào)特征提取算法主要有4種。第一，基于快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）的頻譜分析算法。應(yīng)用射頻包絡(luò)檢波技術(shù)，檢出信號(hào)中包含的視頻、聲頻和數(shù)據(jù)等信息，計(jì)算信號(hào)總功率、視頻信號(hào)功率及音頻信號(hào)功率，并獲得信號(hào)的信息功率與噪聲功率之比，反映信噪比。第二，采用FFT對(duì)信號(hào)進(jìn)行頻域分析，獲得信號(hào)的頻譜分布、主載波位置及邊帶情況，檢測(cè)信號(hào)中是否存在三階互調(diào)失真產(chǎn)物和相鄰信道干擾等頻譜異物。第三，信號(hào)數(shù)字化采集后進(jìn)行數(shù)字預(yù)畸變，使用數(shù)字濾波技術(shù)消除信號(hào)在傳輸中出現(xiàn)的線性和非線性畸變，以提高后續(xù)特征提取的質(zhì)量。根據(jù)信號(hào)類型，選擇有限沖激響應(yīng)（Finite Impulse Response，F(xiàn)IR）濾波、無限脈沖響應(yīng)（Infinite Impulse Response，IIR）濾波等自適應(yīng)濾波方案，有針對(duì)性地進(jìn)行降噪處理[2]。第四，基于小波變換的時(shí)頻分析算法。依賴小波變換的多分辨率解析能力，提取信號(hào)的細(xì)節(jié)和瞬變特征，在時(shí)頻平面上取得信號(hào)的時(shí)間-頻率矩陣，訓(xùn)練神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)等模式識(shí)別模型，識(shí)別數(shù)字調(diào)制信號(hào)的調(diào)制方式。

2.2 圖像質(zhì)量智能評(píng)估模型

在視頻信號(hào)質(zhì)量監(jiān)測(cè)過程中，圖像質(zhì)量的智能評(píng)估是關(guān)鍵環(huán)節(jié)之一。構(gòu)建自動(dòng)化圖像質(zhì)量評(píng)估模型，能夠測(cè)定視頻信號(hào)傳輸過程中的圖像質(zhì)量，輸出可靠的圖像質(zhì)量分?jǐn)?shù)，為整體信號(hào)質(zhì)量監(jiān)測(cè)奠定基礎(chǔ)。

常見的圖像質(zhì)量智能評(píng)估模型主要包括如下4種。第一，基于淺層網(wǎng)絡(luò)的傳統(tǒng)機(jī)器學(xué)習(xí)評(píng)估模型，如全參考型的峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、結(jié)構(gòu)相似性（Structural Similarity，SSIM）以及無參考的圖像質(zhì)量評(píng)價(jià)（Natural Image Quality Evaluator，NIQE）、無參考圖像空間質(zhì)量評(píng)估器（Blind/Referenceless Image Spatial Quality Evaluator，BRISQUE）等，這類模型具有人工設(shè)計(jì)的特征提取和簡(jiǎn)單機(jī)器學(xué)習(xí)框架，計(jì)算速度較快，但評(píng)估效果有限。第二，近年來，基于CNN的深度學(xué)習(xí)模型成為主流，如CNN、DeepIQ、MEON等。這些模型可以端到端學(xué)習(xí)圖像復(fù)雜的非線性特征，評(píng)估效果明顯優(yōu)于傳統(tǒng)模型，但需要大量數(shù)據(jù)進(jìn)行訓(xùn)練。第三，利用生成對(duì)抗網(wǎng)絡(luò)框架的生成圖像質(zhì)量評(píng)估（Generated Image Quality Assessment，GIQA）、DisIQ等模型，可以合成不同失真的圖像樣本，來擴(kuò)充數(shù)據(jù)集、增強(qiáng)模型健壯性。第四，基于元學(xué)習(xí)理念的模型，如MetaSQ、HyperIQA等，可以實(shí)現(xiàn)不同圖像質(zhì)量數(shù)據(jù)集間的知識(shí)遷移，具有較強(qiáng)的跨數(shù)據(jù)集泛化能力。

自動(dòng)化圖像質(zhì)量評(píng)估模型可以實(shí)現(xiàn)視頻信號(hào)傳輸過程中圖像質(zhì)量的智能化檢測(cè)，配合信號(hào)圖像特征提取技術(shù)，定量輸出圖像質(zhì)量分?jǐn)?shù)，支持整體信號(hào)質(zhì)量的監(jiān)測(cè)與管理。

3 廣播電視信號(hào)質(zhì)量監(jiān)測(cè)系統(tǒng)的應(yīng)用思路

3.1 整體技術(shù)路線和系統(tǒng)架構(gòu)

廣播電視信號(hào)質(zhì)量智能化監(jiān)測(cè)系統(tǒng)需要處理海量數(shù)據(jù)，因此采用模塊化、分層的系統(tǒng)架構(gòu)設(shè)計(jì)，使用“信號(hào)采集—數(shù)據(jù)存儲(chǔ)—智能處理—質(zhì)量評(píng)估—結(jié)果展示”的技術(shù)路線[3]。在數(shù)據(jù)采集層，布置分布式的環(huán)境傳感設(shè)備、信號(hào)監(jiān)測(cè)設(shè)備、網(wǎng)絡(luò)監(jiān)控設(shè)備等，以實(shí)時(shí)采集信號(hào)鏈路上的各類數(shù)據(jù)，包括發(fā)射端信號(hào)源數(shù)據(jù)、傳輸鏈路中的環(huán)境參數(shù)、信號(hào)重復(fù)器與放大器的工作狀態(tài)數(shù)據(jù)、信號(hào)接收端的質(zhì)量數(shù)據(jù)以及返回的用戶體驗(yàn)反饋數(shù)據(jù)等。這些采集節(jié)點(diǎn)通過高速網(wǎng)絡(luò)或無線網(wǎng)絡(luò)將數(shù)據(jù)傳送至計(jì)算中心的分布式數(shù)據(jù)存儲(chǔ)平臺(tái)。存儲(chǔ)平臺(tái)配備分布式文件系統(tǒng)，以支持大容量的波形存儲(chǔ)，并使用分布式數(shù)據(jù)庫(kù)存儲(chǔ)結(jié)構(gòu)化數(shù)據(jù)。Spark Streaming等大數(shù)據(jù)實(shí)時(shí)計(jì)算框架，對(duì)并行處理存儲(chǔ)的數(shù)據(jù)進(jìn)行信號(hào)解調(diào)、品質(zhì)因子提取、質(zhì)量評(píng)估等分析，深度學(xué)習(xí)模型被訓(xùn)練并部署于分布式平臺(tái)，分析結(jié)果以可視化的方式呈現(xiàn)在管理人員的監(jiān)控終端。監(jiān)測(cè)系統(tǒng)的任務(wù)調(diào)度模塊統(tǒng)一調(diào)度各層的工作，保證系統(tǒng)整體協(xié)調(diào)運(yùn)轉(zhuǎn)。分布式、分層的架構(gòu)充分利用了大數(shù)據(jù)平臺(tái)的計(jì)算和存儲(chǔ)優(yōu)勢(shì)，使信號(hào)監(jiān)測(cè)系統(tǒng)具備可擴(kuò)展性與高容錯(cuò)性。

3.2 數(shù)據(jù)處理和分析模塊

廣播電視信號(hào)智能化監(jiān)測(cè)系統(tǒng)中的數(shù)據(jù)處理與分析模塊，需要對(duì)采集模塊輸出的多源異構(gòu)數(shù)據(jù)進(jìn)行清洗、存儲(chǔ)和智能分析，實(shí)現(xiàn)信號(hào)質(zhì)量評(píng)估與預(yù)測(cè)等核心功能。首先，對(duì)采集的原始數(shù)據(jù)進(jìn)行清洗，如格式校驗(yàn)、刪除異常數(shù)據(jù)、補(bǔ)充缺失值等，以保證進(jìn)入分析環(huán)節(jié)的數(shù)據(jù)質(zhì)量，同時(shí)使用Hadoop、Spark等大數(shù)據(jù)分布式存儲(chǔ)和計(jì)算框架，高效存儲(chǔ)不同類型的數(shù)據(jù)。其次，根據(jù)不同的分析目標(biāo)，對(duì)存儲(chǔ)的數(shù)據(jù)進(jìn)行過濾、聚合、相關(guān)特征提取等操作，構(gòu)建標(biāo)準(zhǔn)化的特征向量，以適應(yīng)智能算法的輸入要求，并使用信號(hào)處理、計(jì)算機(jī)視覺等專業(yè)算法進(jìn)行特征工程，對(duì)不同類型的數(shù)據(jù)進(jìn)行歸一化、離散化等預(yù)處理，將其轉(zhuǎn)換為模型可用的輸入向量。其次，使用AI算法評(píng)估信號(hào)傳輸質(zhì)量，采用機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)模型，建立映射信號(hào)特征與質(zhì)量影響因素的評(píng)估與預(yù)測(cè)模型，在離線階段使用大量標(biāo)注數(shù)據(jù)來訓(xùn)練模型，調(diào)優(yōu)模型超參數(shù)后，將其部署在基于圖形處理器（Graphics Processing Unit，GPU）和現(xiàn)場(chǎng)可編程邏輯門陣列（Field Programmable Gate Array，F(xiàn)PGA）的分布式深度學(xué)習(xí)平臺(tái)上。為降低預(yù)測(cè)延時(shí)，采用混合精度、多卡并行、跨模態(tài)壓縮等優(yōu)化手段來提升分析吞吐量。最后，隨著新數(shù)據(jù)的采集，需要定期使用增量學(xué)習(xí)的方式優(yōu)化模型，使其性能持續(xù)提升[4-5]。

4 結(jié)語(yǔ)

廣播電視行業(yè)的蓬勃發(fā)展給信號(hào)傳輸質(zhì)量帶來了新的挑戰(zhàn)。人工監(jiān)測(cè)的方法難以應(yīng)對(duì)海量信號(hào)數(shù)據(jù)的處理工作，而大數(shù)據(jù)分析和人工智能技術(shù)在數(shù)據(jù)存儲(chǔ)和建模等方面的優(yōu)勢(shì)為信號(hào)質(zhì)量的智能化監(jiān)測(cè)帶來了契機(jī)。未來，應(yīng)繼續(xù)以數(shù)據(jù)質(zhì)量以及算法的健壯性與實(shí)時(shí)性為著力點(diǎn)，依托深度學(xué)習(xí)等前沿算法，實(shí)現(xiàn)信號(hào)的特征分析與質(zhì)量評(píng)估，推動(dòng)監(jiān)測(cè)系統(tǒng)向自動(dòng)化、智能化、精確化的方向發(fā)展。