基于机器学习算法的红外遥控器学习方法及系统与流程

1.本发明涉及红外遥控学习技术领域，尤其涉及一种基于机器学习算法的红外遥控器学习方法及系统。


背景技术：

2.目前家庭中的电视通常都是外接其他设备如有线电视机顶盒、无线电视机顶盒，卫星电视机顶盒，ott盒子、iptv，录像机，vcd/dvd等来观看电视节目或者影音内容。一般家庭电视都是智能电视，其本身也可以观看网络视频、影音和游戏等，电视有专属遥控器，通常是蓝牙遥控器，具有语音功能等。而电视外接设备(简称外设)也都有专用的遥控器，通常都是红外遥控器。用户在在遥控操作的过程中，需要使用两个不同的遥控器分别控制电视或外设，很容易出现遥控器和设备不对应无法控制的情况，也很容易存在外设遥控器找不到或者损坏后无法遥控操作的问题。
3.在智能电视普及的当代，电视已逐步成为智慧家庭控制中心，利用电视遥控器和其外接红外设备进行交互已成为用户的强需求。即电视遥控器是一个红外设备的通用遥控器。但是电视遥控器控制其它红外设备之前需要进行红外遥控器学习的过程。
4.目前，学习型遥控器如果要具备电视遥控器或者外设遥控器的部分按键功能，通常需要用户通过繁琐复杂的遥控器对码学习，这个红外遥控器学习的过程费时费力，因此需要一种能自动学习并识别电视外接设备的红外遥控器。


技术实现要素：

5.本发明提供了一种基于机器学习算法的红外遥控器学习方法及系统，采用基于人工智能的机器学习多分类算法技术，解决自动识别电视外接设备的红外遥控器的问题。
6.本发明采用的技术方案是：提供基于机器学习算法的红外遥控器学习方法，包括如下步骤：
7.s1、数据收集与etl：采集大量用户的红外遥控器使用行为数据以及外接设备数据；构建红外遥控器型号库、红外遥控协议库；进行数据特征工程处理，构建样本数据集；
8.s2、模型训练：构建用于遥控器识别的多分类的深度神经网络；利用tensorflow以及所述样本数据集对红外遥控器多分类算法网络进行训练、验证，并生成红外遥控器型号识别模型；
9.s3、模型部署：利用tf serving和docker部署红外遥控器型号识别模型的预测服务；
10.s4、外界设备的红外遥控器识别：智能电视终端采集样本特征信息，并请求线上的tensorflow serving服务的红外遥控器型号识别模型。
11.作为基于机器学习算法的红外遥控器学习方法的一种优选方式，所述s1中的红外遥控器使用行为数据包括：
12.红外遥控器的型号、按键信息、按键对应的红外遥控器信号、红外遥控器所使用的
协议信息、红外遥控器的外观图像。
13.作为基于机器学习算法的红外遥控器学习方法的一种优选方式，所述s1中的外接设备数据包括：
14.外接设备开机画面、外接设备菜单、外接设备遥控器按键信号、外接设备输出接口类型、外接设备使用时长、外接设备使用时段信息进行采集、地理位置信息、asn归属地信息。
15.作为基于机器学习算法的红外遥控器学习方法的一种优选方式，所述s1中，构建红外遥控器型号库、红外遥控协议库；进行数据特征工程处理，构建样本数据集具体包括：
16.s1.1、根据红外遥控器型号、红外遥控器所使用的协议信息以及红外遥控器按键信号数据在云端构建红外遥控器型号库、红外遥控协议库以及扫描配置信息；
17.s1.2、在外接设备源下，根据云端的扫描配置，智能电视终端红外接收模块尝试不同的协议，并检测是否有不同按键的红外信号；同时采集这些红外遥控器按键的信号上传到云端，通过红外遥控器型号库获取该红外遥控器型号索引；
18.s1.3、利用hadoop大数据平台进行数据特征工程处理，形成样本数据集，并将样本数据集划分为模型训练集和验证集。
19.作为基于机器学习算法的红外遥控器学习方法的一种优选方式，所述s2包括：
20.s2.1、训练样本数据集转换成tfrecord格式的数据集；
21.s2.2、使用采集到的智能电视外接设备的开机画面、外观图像、红外遥控器外观图像的数据集训练vgg16网络；
22.s2.3、样本数据集的地理位置信息、asn归属地信息、外接设备输出接口类型、外接设备使用时长、外接设备使用时段结合s2.2的特征，通过红外遥控器多分类算法网络结构，训练生成红外遥控器型号识别模型。
23.作为基于机器学习算法的红外遥控器学习方法的一种优选方式，所述s3包括：
24.s3.1、定期同步模型训练的算法服务器上tensorflow平台所生成的红外遥控器型号识别模型到docker服务器上；
25.s3.2、在docker服务器上通过开源的应用容器引擎docker创建一个容器，并在容器中运行tensorflow serving服务，进而将训练好的红外遥控器型号识别模型直接上线并提供服务。
26.作为基于机器学习算法的红外遥控器学习方法的一种优选方式，所述s4包括：
27.s4.1、智能电视终端采集的本机mac、外接设备输入接口、外接设备输入类型、地理位置、asn归属地、外接设备每周使用时长、外接设备常用时段、外接设备开机图像、外接设备外观图像、外接设备遥控器图像；
28.s4.2、对s4.1采集到的的外接设备开机图像、外接设备外观图像、外接设备遥控器图像，通过对应的vgg16网络获取图像编号信息；
29.s4.3、将s4.1和s4.2的特征信息传递给docker服务器的tensorflow serving服务的红外遥控器型号识别模型，获取红外遥控器型号的编号；
30.s4.4、将s4.3获取的红外遥控器型号的编号通过远端服务器的红外遥控器型号库中获取对应的红外遥控器信息；
31.s4.5、智能电视终端的蓝牙遥控器通过s4.4获取的红外遥控器信息，并通过这些
信息控制电视的外接红外设备。
32.本发明还提供一种基于机器学习算法的红外遥控器学习系统，包括人工智能服务器、带摄像头的智能电视、电视遥控器、智能电视外接设备、外接设备遥控器；
33.所述电视遥控为蓝牙遥控器，其上安装了红外信号编码模块、红外信号调制模块、红外信号发射模块；
34.所述智能电视上安装了红外接收接头；
35.所述人工智能服务器包括hadoop大数据平台、tensorflow端到端的开源机器学习平台训练服务器、docker模型预测服务器；
36.所述系统通过上述的基于机器学习算法的红外遥控器学习方法实现智能电视的蓝牙遥控器对智能电视外接红外遥控器的快速自动学习。
37.本发明的有益效果是：本发明通过云端上的人工智能服务器(图像识别、多分类、场景识别等算法)，智能电视，电视遥控器一起配合构建的红外遥控器智能自动学习系统，用户无需通过繁琐复杂的遥控器对码学习过程，系统自动学习智能电视外接设备的红外遥控器的按键编码以及对应的功能，从而无需使用两个不同的遥控器分布控制电视和外设，通过电视遥控器就可以统一的控制和管理电视终端及其连接的外部设备。
附图说明
38.图1为本发明公开的外接设备的红外遥控器识别流程图。
39.图2为本发明公开的样本数据集的示意。
40.图3为本发明公开的红外遥控器识别多分类算法网络结构框图。
41.图4为本发明公开的vgg16网络结构框图。
42.图5为本发明公开的智能电视模块框图。
43.图6为本发明公开的基于机器学习算法的红外遥控器学习系统的系统框图。
44.图7为本发明公开的智能电视的蓝牙遥控器模块框图。
具体实施方式
45.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步详细描述，但本发明的实施方式不限于此。
46.实施例1：
47.参见图1，本实施例提供一种基于机器学习算法的红外遥控器学习方法，包括如下步骤：
48.s1、数据收集与etl：采集大量用户的红外遥控器使用行为数据以及外接设备数据；构建红外遥控器型号库、红外遥控协议库；进行数据特征工程处理，构建样本数据集。
49.其中红外遥控器使用行为数据包括：红外遥控器的型号、按键信息、按键对应的红外遥控器信号、红外遥控器所使用的协议信息、红外遥控器的外观图像。
50.可以通过人工采集、收集各种外接设备的信息，主要是各个城市的广电的stb/iptv机顶盒，或者是各大电信运营商的iptv的盒子的信息，以及各个大厂家的ott的盒子。外接设备数据具体包括：外接设备开机画面、外接设备菜单、外接设备遥控器按键信号、外接设备输出接口类型、外接设备使用时长、外接设备使用时段信息进行采集、地理位置信
息、asn归属地信息。
51.所述s1中，构建红外遥控器型号库、红外遥控协议库；进行数据特征工程处理，构建样本数据集具体包括：
52.s1.1、根据红外遥控器型号、红外遥控器所使用的协议信息以及红外遥控器按键信号数据在云端构建红外遥控器型号库、红外遥控协议库以及扫描配置信息。
53.s1.2、在外接设备源下，根据云端的扫描配置，智能电视终端红外接收模块尝试不同的协议，并检测是否有不同按键的红外信号；同时采集这些红外遥控器按键的信号上传到云端，通过红外遥控器型号库获取该红外遥控器型号索引。
54.s1.3、利用hadoop大数据平台进行数据特征工程处理，形成样本数据集(数据集示例如图2所示)，并将样本数据集划分为模型训练集和验证集。
55.s2、模型训练：构建用于遥控器识别的多分类的深度神经网络；利用tensorflow(端到端的开源机器学习平台)以及所述样本数据集对红外遥控器多分类算法网络进行训练、验证，并生成红外遥控器型号识别模型。红外遥控器多分类算法网络结构如图3所示，图3中v代表权重，x代表向量。
56.所述s2具体包括：
57.s2.1、训练样本数据集转换成tfrecord格式的数据集。
58.s2.2、使用采集到的智能电视外接设备的开机画面、外观图像、红外遥控器外观图像的数据集训练vgg16网络。vgg16网络结构框图如图4所示。
59.s2.3、样本数据集的地理位置信息、asn归属地信息、外接设备输出接口类型、外接设备使用时长、外接设备使用时段结合s2.2的特征，通过红外遥控器多分类算法网络结构，训练生成红外遥控器型号识别模型。
60.s3、模型部署：利用tf serving和docker部署红外遥控器型号识别模型的预测服务。
61.所述s3具体包括：
62.s3.1、定期同步模型训练的算法服务器上tensorflow平台所生成的红外遥控器型号识别模型到docker服务器上。
63.s3.2、在docker服务器上通过开源的应用容器引擎docker创建一个容器，并在容器中运行tensorflow serving服务，进而将训练好的红外遥控器型号识别模型直接上线并提供服务。
64.s4、外界设备的红外遥控器识别：智能电视终端采集样本特征信息，并请求线上的tensorflow serving服务的红外遥控器型号识别模型。
65.所述s4具体包括：
66.s4.1、智能电视终端(包括如图5所示的主要模块)采集的本机mac、外接设备输入接口、外接设备输入类型、地理位置、asn归属地、外接设备每周使用时长、外接设备常用时段、外接设备开机图像、外接设备外观图像、外接设备遥控器图像。
67.s4.2、对s4.1采集到的的外接设备开机图像、外接设备外观图像、外接设备遥控器图像，通过对应的vgg16网络获取图像编号信息。
68.s4.3、将s4.1和s4.2的特征信息传递给docker服务器的tensorflow serving服务的红外遥控器型号识别模型，获取红外遥控器型号的编号。
69.s4.4、将s4.3获取的红外遥控器型号的编号通过远端服务器的红外遥控器型号库中获取对应的红外遥控器信息。
70.s4.5、智能电视终端的蓝牙遥控器通过s4.4获取的红外遥控器信息，并通过这些信息控制电视的外接红外设备。
71.实施例2
72.本实施例公开一种基于机器学习算法的红外遥控器学习系统，如图6所示，包括人工智能服务器、带摄像头的智能电视、电视遥控器、智能电视外接设备(iptv/ott/stb等)、外接设备遥控器(红外遥控器)。
73.所述电视遥控为蓝牙遥控器，其上安装了红外信号编码模块、红外信号调制模块、红外信号发射模块。智能电视蓝牙遥控器模块框图如图7所示。
74.所述智能电视上安装了红外接收接头，智能电视模块框图如图5所示。
75.所述人工智能服务器包括hadoop大数据平台、tensorflow端到端的开源机器学习平台训练服务器、docker模型预测服务器。
76.智能电视的外接设备，如iptv/ott/stb等通常都是使用红外遥控器，智能电视的蓝牙遥控器学习这些外接红外遥控器的具体流程如图1所示。
77.所述系统通过实施例1所述的基于机器学习算法的红外遥控器学习方法实现智能电视的蓝牙遥控器对智能电视外接红外遥控器的快速自动学习。
78.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。