广播电视监测监管平台中的人工智能应用

许津子

摘 要：人工智能的快速发展将改变各行业的发展格局，将其应用于广播电视监测监管平台的开发和建设，能够有效地推动广播电视行业的发展。文章结合目前人工智能在广播电视行业的应用情况，讨论了监测监管系统中人工智能的应用前景，分析了应用人工智能需要注意的关键技术问题。

关键词：人工智能;监测;监管;AI

0 引言

作为新一轮产业变革、科学技术革命的重要驱动力量，人工智能的快速发展将改变各行业的发展格局，人类的生活也将发生颠覆性的变化。目前，人工智能在全球范围内的竞争发展态势日趋激烈，欧盟各国家和地区陆续出台相关指导政策，加快推进人工智能的发展。近几年，我国也十分重视发展人工智能领域，《促进新一代人工智能产业发展三年行动计划（2018—2020年）》《新一代人工智能发展规划》等政策规划的颁布与实施，围绕新一代人工智能技术的产业化和集成应用，聚焦新一代人工智能关键技术，并把它应用到广播电视监测监管平台中，将赋能广播电视行业的持续健康发展。

1   人工智能在监测监管中的应用分析

1.1 监测监管系统中人工智能（AI）特征分析

人工智能起源于1956年，达特茅斯人工智能夏季研究计划（The Dartmouth Artificial Intelligence Summer Research Project）开启了人工智能领域的研究，自此以后新一代的科学家开始了探寻与人类媲美的智慧信息技术。

人工智能包罗万象，包括自然语言处理、知识表达、智能搜索、规划、机器学习、人工神经网络复杂系统、数据挖掘、遗传算法、模糊控制等。人工智能的目标是创建可以与人类思维相媲美的计算机软件系统和（或）硬件系统。适用于人工智能来求解的问题主要有3个特征：（1）人工智能问题往往是大型的问题。（2）在计算上非常复杂，并且不能通过简单的计算解答。（3）人工智能问题及其领域倾向于收录大量的人类专门知识，特别是通过模拟人类智能行为，使用与人类相同的方法解决问题。

1.2 人工智能（AI）有利于提高内容智能分析效率

计算机视觉、深度学习和自然语言处理等人工智能技术提高了监测监管的效率，主要表现在新媒体监测监管领域内容智能分析的效率。

1.2.1 计算机视觉

计算机的一双眼睛称为计算机视觉，主要应用包括视频分割、光流、目标追踪、图像识别、目标监测、图像分割、图像生成等。目前常见的计算机视觉工具包有：OpenCV， MATLAB Computer Vision System Toolbox，SimpleCV， CCV，VLfeat，VXL。

1.2.2 深度学习

深度学习是机器学习的一个分支，根植于计算机科学、数学和神经科学。60年前，数字计算机在人工智能的萌芽期问世，深度学习革命的种子也在那时被播种。深度学习与传统的学习方法相比，深度学习方法预设了更多的模型参数，因此模型训练难度更大，根据统计学习的一般规律，模型参数越多，需要参与训练的数据量也越大。深度学习与深度神经网络密切关联。通过多元神经网络，DNN（深度神经网络）分为多层，可以“自动”产生自适应的特征，最后提供一个人们预期值。寻找“特征工程”的过程非常烦琐，深度神经网络也分解成许多不同的网络拓扑结构，所以有了CNN（卷积神经网络）、RNN（递归神经网络）、LSTM（长期短期记忆）、GAN（生成敵对网络）、转移学习、注意模型（Attention Model）等，所有的这些被统称为深度学习（Deep Learning）[1]。

1.2.3 自然语言处理（NLP）

自然语言处理是人工智能中一个核心的部分。自然语言处理（NLP）涉及人工智能、计算机科学、语言学等学科，研究的领域是计算机和人类（自然）语言之间的相互作用。

2 监测监管平台中应用的人工智能技术

人工智能主要应用详情如表1所示。

2.1 监测监管平台中的人工智能

广播电视监测监管事业的跨越式发展，以全媒体综合监测监管平台为依托。近几年，河南广播电视台以“河南广播电视全媒体融合监管平台”建设为抓手，以实现监测监管平台内各业务系统的无缝对接，为广播电视监管部门提供有力的技术支撑和保障。全媒体融合监测监管平台总体架构设计遵循“五个层次”的逻辑关系，即基础层、数据采集层、业务层、应用层和展现层。

2.1.1 基础层

基础层包括3部分：物理资源、监测设备和虚拟资源。基础层采用虚拟化技术、池化技术搭建平台的底层服务。通过虚拟化技术实现对整个软硬件环境的调度、部署和管理，从而降低服务器数量，提高硬件服务器利用率，加强网络资源的综合管理建设。通过池化技术，打通原有不同类型节目信号监测板卡不同造成的通信和管理壁垒，提高通道冗余、故障应急处理能力。根据处理内容量、计算量、吞吐量的不同，自动为各业务、各监测前端分配资源。可通过统一配置服务对全局资源进行配置、查看、变更，平台内的所有物理设备、虚拟化设备均具有网管监控功能，平台自动记录设备的运行信息。

2.1.2 数据采集层

数据采集层是根据基础层提供的硬件和软件资源，获取监测监管业务所需的初始数据。

2.1.3 业务处理层

业务处理层主要从传统的广播电视传输信号的质量监测、视听节目内容监测以及网络安全监测3个方面。

2.1.4 应用层

应用层实现广播电视和新媒体监测监管业务，为监测管理、值班运维、汇报展示业务提供支撑。通过业务系统可以实现对自身负责业务的监管、研判和处理。同时，平台具备了业务报告定制和工作流定制的功能，负责人可以根据自身需求，设置平台内的业务处理和工作分发。

2.1.5 展现层

该层主要是综合展示，可根据需要，将不同业务、不同模块进行配置展示，支持多类业务在大屏上进行统一展示。

2.2  AI深度学习研判库方案

AI深度学习研判库将上报的基础报警进行综合研判，推导出报警可能的故障节点以及故障原因，结合节目播出链路信息准确定位故障单位以及故障设备。目前，新媒体监测监管业务需要抓取海量的数据，数据经过数据清洗，数据排重、一致性判断等步骤，集成在大数据平台中，最终达到高效利用。监测监管数据种类繁杂，一方面包含传统的广播、电视、报纸，另一方面包括互联网新媒体内容如：网络新闻、视频、音频、图片等，可用价值密度低，可以把人工智能技术与大数据技术二者优势结合紧密起来。

通过大数据分析对各个监测前端上报的报警数据、信道指标数据、码流分析数据、频谱分析数据、码流录制数据进行数据分析，结合AI深度学习研判功能将上报的基础报警进行综合研判，推导出报警可能的故障节点以及故障原因，结合节目播出链路信息准确定位故障单位以及故障設备[2]。

2.3 AI深度学习推理机

AI深度学习推理机主要用于根据监测监管知识库的相关数据将基础报警推导出综合报警结果。AI深度学习推理机具备将多层面的监测监管报警包括信道层面、码流层面、音视频层面的报警，将这些报警相互关联，并对这些关系数据进行汇总分析，推断出产生报警的根本原因，缩短值班人员的处理时间。

依据监测监管平台产生的基本报警信息包括：信道失锁、误码率过高、功率过低、信号中断、解码异常、同步丢失、同步字节错、连续计数错误、静帧、黑场、无伴音报警。利用广播电视监测监管平台中实时的报警数据、信道指标数据、频谱数据、码流分析数据、录像数据、节目运行图数据，第三方系统提供的运行维护数据、日凌信息以及知识库中的规则数据、历史报警数据等。从信道层面、码流层面和节目层面进行综合分析，推断出引起系统报警可能的故障环节和发生概率。

3 结语

广播电视监测监管平台发展迅速，面对无形而又庞大的视频、文字、图片等各类型资料的快速发展，依靠肉眼监测监管已经不能满足于业务发展的需要，相信在不久的将来，人工智能的技术优势将在广播电视监测监管领域中得以充分发挥，提高广播电视的监测监管效率，为广播电视监测监管技术系统提供有力的技术支撑，为新时代智慧广电的全面发展提供强有力的保障。

[参考文献]

[1]特伦斯·塞诺斯基.深度学习革命[M].姜悦兵，译.北京：中信出版社，2019.

[2]周志华.机器学习[M].北京：清华大学出版社，2015.

（编辑 王雪芬）