智能化广播电视信号质量检测技术研究

郝延军

（滨州博兴县融媒体中心，山东 滨州 256500）

0 引言

随着广播电视技术的发展，传统的人工监测方式已经难以满足信号质量检测的要求。广播电视信号质量监测一直是保障广电传输与服务质量的重要手段，传统的监测系统依靠人工来测量和评判信号参数，效率较低。近年来，网络电视（Internet Protocol Television，IPTV）、4K超高清等新技术的推出，使广播电视网络种类和节目量激增，对信号质量监测提出了更高要求。同时，大数据和人工智能（Artificial Intelligence，AI）技术得到了长足发展，在图像识别、数据挖掘、智能决策等方面展现出强大的能力。将大数据和AI技术应用于广播电视信号监测，构建智能化信号质量检测体系，实现对海量信号数据的高效管理、多维度分析和智能预测，已成为广播电视监测技术的重要发展方向。

1 大数据和AI技术在信号监测中的应用

1.1 大数据技术在信号监测中的应用

大数据技术主要具有4个特征，即“4V”特征：Volume（海量）、Variety（多样化）、Velocity（生成速度快）和Value（低价值密度）。信号监测过程中会产生海量结构化和非结构化数据，包括视频服务器输出的TS流、编码器输出的码流元数据、调制器输出的调制信号参数、信号分配放大器输出的射频（Radio Frequency Signal，RF）信号参数、信号接收设备输出的信号质量数据、环境监测设备输出的环境参数以及用户终端反馈的质量意见数据等。这些异构数据源输出的多模态数据容量巨大，每日生成的数据可达TB级甚至更高数量级，需要使用Hadoop或Spark等大数据处理框架进行存储，而且这些数据中有效信息的占比不高。因此，需要借助大数据的海量存储和低价值密度处理优势，存储和过滤这些数据，以降低存储成本。同时，信号监测需要对存储数据进行快速处理，以实时监测和预警信号传输质量的变化，可以使用Storm和Flink等大数据实时计算框架，对采集到的视频码流进行实时解复用和解码，快速提取信号参数。此外，还需要应用大数据的聚合分析，综合分析编码器、调制器和放大器等设备输出的数据以及用户反馈的数据关系，准确定位信号质量问题的源头。

1.2 AI技术在信号分析和质量评估中的应用

近年来，AI技术在图像处理、语音识别、自然语言处理等领域取得了一定突破，尤其是具有代表性的机器学习和深度学习技术，在处理图像、语音与视频等信号上展现出强大的分析能力，为广播电视视频信号质量的智能化监测与评估提供了技术支撑[1]。深度学习中的卷积神经网络（Convolutional Neural Networks，CNN）、递归神经网络（Recursive Neural Network，RNN）等模型可用于视频信号的智能化特征提取。使用注意力机制自动学习不同质量影响因素的权重，能够多维度提取复杂视频信号的“注意力+特征”，在特征提取的基础上，可以构建基于深度学习的智能化质量评估模型，如基于CNN的图像质量自动打分模型、基于RNN的编码质量预测模型、集成注意力机制的质量回归模型等，并使用迁移学习、多任务学习等技术不断优化模型，以提高视频信号质量预测的精确度。

2 广播电视信号监测的关键技术

2.1 功率和频谱特征提取算法

对于数字化广播电视信号，质量智能化监测的第1步是特征提取。信号功率和频谱特征直接影响信号质量，因此需要重点开发射频功率检测、频谱分析等算法，用于提取核心特征。相关的信号特征提取算法主要有4种。第一，基于快速傅里叶变换（Fast Fourier Transform，FFT）的频谱分析算法。应用射频包络检波技术，检出信号中包含的视频、声频和数据等信息，计算信号总功率、视频信号功率及音频信号功率，并获得信号的信息功率与噪声功率之比，反映信噪比。第二，采用FFT对信号进行频域分析，获得信号的频谱分布、主载波位置及边带情况，检测信号中是否存在三阶互调失真产物和相邻信道干扰等频谱异物。第三，信号数字化采集后进行数字预畸变，使用数字滤波技术消除信号在传输中出现的线性和非线性畸变，以提高后续特征提取的质量。根据信号类型，选择有限冲激响应（Finite Impulse Response，FIR）滤波、无限脉冲响应（Infinite Impulse Response，IIR）滤波等自适应滤波方案，有针对性地进行降噪处理[2]。第四，基于小波变换的时频分析算法。依赖小波变换的多分辨率解析能力，提取信号的细节和瞬变特征，在时频平面上取得信号的时间-频率矩阵，训练神经网络或支持向量机等模式识别模型，识别数字调制信号的调制方式。

2.2 图像质量智能评估模型

在视频信号质量监测过程中，图像质量的智能评估是关键环节之一。构建自动化图像质量评估模型，能够测定视频信号传输过程中的图像质量，输出可靠的图像质量分数，为整体信号质量监测奠定基础。

常见的图像质量智能评估模型主要包括如下4种。第一，基于浅层网络的传统机器学习评估模型，如全参考型的峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、结构相似性（Structural Similarity，SSIM）以及无参考的图像质量评价（Natural Image Quality Evaluator，NIQE）、无参考图像空间质量评估器（Blind/Referenceless Image Spatial Quality Evaluator，BRISQUE）等，这类模型具有人工设计的特征提取和简单机器学习框架，计算速度较快，但评估效果有限。第二，近年来，基于CNN的深度学习模型成为主流，如CNN、DeepIQ、MEON等。这些模型可以端到端学习图像复杂的非线性特征，评估效果明显优于传统模型，但需要大量数据进行训练。第三，利用生成对抗网络框架的生成图像质量评估（Generated Image Quality Assessment，GIQA）、DisIQ等模型，可以合成不同失真的图像样本，来扩充数据集、增强模型健壮性。第四，基于元学习理念的模型，如MetaSQ、HyperIQA等，可以实现不同图像质量数据集间的知识迁移，具有较强的跨数据集泛化能力。

自动化图像质量评估模型可以实现视频信号传输过程中图像质量的智能化检测，配合信号图像特征提取技术，定量输出图像质量分数，支持整体信号质量的监测与管理。

3 广播电视信号质量监测系统的应用思路

3.1 整体技术路线和系统架构

广播电视信号质量智能化监测系统需要处理海量数据，因此采用模块化、分层的系统架构设计，使用“信号采集—数据存储—智能处理—质量评估—结果展示”的技术路线[3]。在数据采集层，布置分布式的环境传感设备、信号监测设备、网络监控设备等，以实时采集信号链路上的各类数据，包括发射端信号源数据、传输链路中的环境参数、信号重复器与放大器的工作状态数据、信号接收端的质量数据以及返回的用户体验反馈数据等。这些采集节点通过高速网络或无线网络将数据传送至计算中心的分布式数据存储平台。存储平台配备分布式文件系统，以支持大容量的波形存储，并使用分布式数据库存储结构化数据。Spark Streaming等大数据实时计算框架，对并行处理存储的数据进行信号解调、品质因子提取、质量评估等分析，深度学习模型被训练并部署于分布式平台，分析结果以可视化的方式呈现在管理人员的监控终端。监测系统的任务调度模块统一调度各层的工作，保证系统整体协调运转。分布式、分层的架构充分利用了大数据平台的计算和存储优势，使信号监测系统具备可扩展性与高容错性。

3.2 数据处理和分析模块

广播电视信号智能化监测系统中的数据处理与分析模块，需要对采集模块输出的多源异构数据进行清洗、存储和智能分析，实现信号质量评估与预测等核心功能。首先，对采集的原始数据进行清洗，如格式校验、删除异常数据、补充缺失值等，以保证进入分析环节的数据质量，同时使用Hadoop、Spark等大数据分布式存储和计算框架，高效存储不同类型的数据。其次，根据不同的分析目标，对存储的数据进行过滤、聚合、相关特征提取等操作，构建标准化的特征向量，以适应智能算法的输入要求，并使用信号处理、计算机视觉等专业算法进行特征工程，对不同类型的数据进行归一化、离散化等预处理，将其转换为模型可用的输入向量。其次，使用AI算法评估信号传输质量，采用机器学习算法和深度学习模型，建立映射信号特征与质量影响因素的评估与预测模型，在离线阶段使用大量标注数据来训练模型，调优模型超参数后，将其部署在基于图形处理器（Graphics Processing Unit，GPU）和现场可编程逻辑门阵列（Field Programmable Gate Array，FPGA）的分布式深度学习平台上。为降低预测延时，采用混合精度、多卡并行、跨模态压缩等优化手段来提升分析吞吐量。最后，随着新数据的采集，需要定期使用增量学习的方式优化模型，使其性能持续提升[4-5]。

4 结语

广播电视行业的蓬勃发展给信号传输质量带来了新的挑战。人工监测的方法难以应对海量信号数据的处理工作，而大数据分析和人工智能技术在数据存储和建模等方面的优势为信号质量的智能化监测带来了契机。未来，应继续以数据质量以及算法的健壮性与实时性为着力点，依托深度学习等前沿算法，实现信号的特征分析与质量评估，推动监测系统向自动化、智能化、精确化的方向发展。