本技术涉及数据处理，特别涉及一种led显示屏的运行监控方法及系统。
背景技术：
1、在现有的led显示屏技术中，显示屏发生故障是一个普遍存在的问题。这些故障往往无法预知，给显示屏的使用带来了诸多不便。显示屏的故障可能由多种因素引起。这些故障不仅影响显示屏的正常运行，还会导致维护成本增加和用户满意度下降。
2、目前，对于显示屏故障的检测主要依赖人工经验和技术支持，由于缺乏有效的故障预测手段，很多故障都是在发生后才被发现，使得led显示屏的维护难度和成本高。
技术实现思路
1、本技术所要解决的技术问题是提供一种led显示屏的运行监控方法及系统，能够准确地获得led显示屏的故障预测概率。具体方案如下：
2、一种led显示屏的运行监控方法，包括：
3、获取待显示的图像；
4、控制led显示屏对所述图像进行显示；
5、利用预设的图像采集设备对所述led显示屏进行拍摄，获得所述led显示屏的图像数据，并采集所述led显示屏在预设时间段内的运行参数；所述运行参数包括温度、电压和电流中的至少一种；
6、利用预先训练好的显示屏异常识别模型基于所述图像数据以及所述运行参数，获得所述led显示屏的异常识别结果；所述异常识别结果包括所述led显示屏的故障预测概率；
7、输出所述led显示屏的异常识别结果。
8、上述的方法，可选的，所述显示屏异常识别模型包括卷积神经网络、时间循环神经网络以及输出模块；
9、所述利用预先训练好的led显示屏异常识别模型基于所述图像数据以及所述运行参数，获得所述led显示屏的异常识别结果，包括：
10、分别对所述图像数据以及所述预设时间段内的运行参数进行预处理；
11、将预处理后的图像数据输入到所述卷积神经网络中，获得所述卷积神经网络输出的第一特征向量；
12、将预处理后的所述预设时间段内的运行参数输入到所述时间循环神经网络，获得时间循环神经网络输出的第二特征向量；
13、将所述第一特征向量以及所述第二特征向量进行合并，获得所述led显示屏对应的特征向量；
14、将所述led显示屏对应的特征向量输入到所述输出模块中，获得所述led显示屏的异常识别结果。
15、上述的方法，可选的，所述显示屏异常识别模型的训练过程，包括：
16、获取训练数据集以及待训练的初始显示屏异常识别模型；所述训练数据集包括多个训练样本以及每个训练样本对应的样本标签；每个所述训练样本包括led显示屏的历史图像数据以及在历史时间段内的历史运行参数，每个训练样本的样本标签用于表示led显示屏是否发生故障；
17、在所述训练数据集中选取出当前用于训练的目标训练样本；
18、将所述目标训练样本输入到所述初始显示屏异常识别模型，获得所述目标训练样本对应的识别结果；
19、基于预设的二元交叉熵损失函数、所述目标训练样本对应的识别结果以及样本标签，计算得到所述初始显示屏异常识别模型的损失函数值；所述损失函数值表征所述目标训练样本对应的识别结果以及样本标签之间的差异程度；
20、据所述损失函数值更新所述初始显示屏异常识别模型的模型参数；
21、在更新模型参数后的初始显示屏异常识别模型未满足预设的训练完成条件的情况下，返回执行在所述训练数据集中选取出当前用于训练的目标训练样本的步骤；
22、在更新模型参数后的初始显示屏异常识别模型满足预设的训练完成条件的情况下，将满足所述训练完成条件的初始显示屏异常识别模型，确定为训练好的显示屏异常识别模型。
23、上述的方法，可选的，所述获得所述led显示屏的异常识别结果之后，还包括：
24、若故障预测概率大于预设的概率阈值，则生成所述led显示屏的故障预警信息；
25、输出所述故障预警信息。
26、上述的方法，可选的，所述生成所述led显示屏的故障预警信息之后，还包括：
27、检测所述led显示屏的温度是否大于预设的温度阈值；
28、在所述led显示屏的温度大于预设的温度阈值的情况下，执行预设的保护操作；所述保护操作包括降低所述led显示屏的亮度和关闭所述led显示屏的部分显示区域中的至少一种。
29、一种led显示屏的运行监控系统，包括：
30、获取单元，用于获取待显示的图像；
31、控制单元，用于控制led显示屏对所述图像进行显示；
32、第一执行单元，用于利用预设的图像采集设备对所述led显示屏进行拍摄，获得所述led显示屏的图像数据，并采集所述led显示屏在预设时间段内的运行参数；所述运行参数包括温度、电压和电流中的至少一种；
33、第二执行单元，用于利用预先训练好的显示屏异常识别模型基于所述图像数据以及所述运行参数，获得所述led显示屏的异常识别结果；所述异常识别结果包括所述led显示屏的故障预测概率；
34、第一输出单元，用于输出所述led显示屏的异常识别结果。
35、上述的系统，可选的，所述显示屏异常识别模型包括卷积神经网络、时间循环神经网络以及输出模块；
36、所述第二执行单元，包括：
37、预处理子单元，用于分别对所述图像数据以及所述预设时间段内的运行参数进行预处理；
38、第一执行子单元，用于将预处理后的图像数据输入到所述卷积神经网络中，获得所述卷积神经网络输出的第一特征向量；
39、第二执行子单元，用于将预处理后的所述预设时间段内的运行参数输入到所述时间循环神经网络，获得时间循环神经网络输出的第二特征向量；
40、第三执行子单元，用于将所述第一特征向量以及所述第二特征向量进行合并，获得所述led显示屏对应的特征向量；
41、第四执行子单元，用于将所述led显示屏对应的特征向量输入到所述输出模块中，获得所述led显示屏的异常识别结果。
42、上述的系统，可选的，所述第二执行单元，包括：
43、获取子单元，用于获取训练数据集以及待训练的初始显示屏异常识别模型；所述训练数据集包括多个训练样本以及每个训练样本对应的样本标签；每个所述训练样本包括led显示屏的历史图像数据以及在历史时间段内的历史运行参数，每个训练样本的样本标签用于表示led显示屏是否发生故障；
44、选取子单元，用于在所述训练数据集中选取出当前用于训练的目标训练样本；
45、识别子单元，用于将所述目标训练样本输入到所述初始显示屏异常识别模型，获得所述目标训练样本对应的识别结果；
46、计算子单元，用于基于预设的二元交叉熵损失函数、所述目标训练样本对应的识别结果以及样本标签，计算得到所述初始显示屏异常识别模型的损失函数值；所述损失函数值表征所述目标训练样本对应的识别结果以及样本标签之间的差异程度；
47、更新子单元，用于据所述损失函数值更新所述初始显示屏异常识别模型的模型参数；
48、第五执行子单元，用于在更新模型参数后的初始显示屏异常识别模型未满足预设的训练完成条件的情况下，触发所述选取子单元重新在所述训练数据集中选取出当前用于训练的目标训练样本；
49、确定子单元，用于在更新模型参数后的初始显示屏异常识别模型满足预设的训练完成条件的情况下，将满足所述训练完成条件的初始显示屏异常识别模型，确定为训练好的显示屏异常识别模型。
50、上述的系统，可选的，还包括：
51、生成单元，用于若故障预测概率大于预设的概率阈值，则生成所述led显示屏的故障预警信息；
52、第二输出单元，用于输出所述故障预警信息。
53、上述的系统，可选的，还包括：
54、检测单元，用于检测所述led显示屏的温度是否大于预设的温度阈值；
55、第三执行单元，用于在所述led显示屏的温度大于预设的温度阈值的情况下，执行预设的保护操作；所述保护操作包括降低所述led显示屏的亮度和关闭所述led显示屏的部分显示区域中的至少一种。
56、基于上述本技术实施提供的一种led显示屏的运行监控方法及系统，所述方法包括：获取待显示的图像；控制led显示屏对所述图像进行显示；利用预设的图像采集设备对所述led显示屏进行拍摄，获得所述led显示屏的图像数据，并采集所述led显示屏在预设时间段内的运行参数；所述运行参数包括温度、电压和电流中的至少一种；利用预先训练好的显示屏异常识别模型基于所述图像数据以及所述运行参数，获得所述led显示屏的异常识别结果；所述异常识别结果包括所述led显示屏的故障预测概率；输出所述led显示屏的异常识别结果。应用本技术实施例提供的方法，能够准确地获得led显示屏的故障预测概率，从而可以帮助用户评估设备的健康状态以及未来可能出现故障的风险，通过预测显示屏可能出现故障的概率，可以使得用户在故障真正发生之前采取预防措施，有效的降低了维护的难度和成本。
1.一种led显示屏的运行监控方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述显示屏异常识别模型包括卷积神经网络、时间循环神经网络以及输出模块；
3.根据权利要求1所述的方法，其特征在于，所述显示屏异常识别模型的训练过程，包括：
4.根据权利要求1所述的方法，其特征在于，所述获得所述led显示屏的异常识别结果之后，还包括：
5.根据权利要求4所述的方法，其特征在于，所述生成所述led显示屏的故障预警信息之后，还包括：
6.一种led显示屏的运行监控系统，其特征在于，包括：
7.根据权利要求6所述的系统，其特征在于，所述显示屏异常识别模型包括卷积神经网络、时间循环神经网络以及输出模块；
8.根据权利要求6所述的系统，其特征在于，所述第二执行单元，包括：
9.根据权利要求6所述的系统，其特征在于，还包括：
10.根据权利要求9所述的系统，其特征在于，还包括：
