CN108332948A - 待检设备的检测系统及检测方法 - Google Patents
待检设备的检测系统及检测方法 Download PDFInfo
- Publication number
- CN108332948A CN108332948A CN201810046650.8A CN201810046650A CN108332948A CN 108332948 A CN108332948 A CN 108332948A CN 201810046650 A CN201810046650 A CN 201810046650A CN 108332948 A CN108332948 A CN 108332948A
- Authority
- CN
- China
- Prior art keywords
- image
- checked
- equipment
- described image
- detecting system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种待检设备检测系统,包括图像采集装置,用于捕获包含有待检设备的图像;图像检测装置,与所述图像采集装置连接,用于从所述图像采集装置接收所述图像并通过存储单元存储的卷积神经网络模型对接收到的图像进行处理以获得感兴趣区域图像,处理单元对感兴趣区域图像进行检测分析后输出结果。还公开了一种待检设备检测方法,通过上述方式,本发明能够避免个体以及环境差异对待检设备检测结果带来的影响,提高待检设备检测结果的可靠性。
Description
技术领域
本发明涉及计算机视觉领域,特别是涉及一种待检设备的检测系统和检测方法。
背景技术
目前显示屏出厂前需要检测员人眼确认显示效果与性能,不同人眼在瞳距、视力、色觉等个差异以及周围环境光线的差异,对检测结果可靠性带来很大的影响。显示装置越来越多的应用于人们生活和工作的各个方面,如何高效而准确地对显示屏质量做出检测判断是各厂家急需解决的问题。深度学习和现代电子信息技术的结合,采用计算机代替人类去捕获图像,构建计算机深度学习模型模拟人的判别去理解和识别图像,从而达到分析和提取图像特征的目的,这方面的应用在电子设备检测行业还未见较多的报道。
发明内容
本发明主要解决的技术问题是提供一种待检设备检测系统和检测方法,避免个体以及环境差异对检测结果带来的影响,提高检测结果的可靠性。
为解决上述技术问题,本发明采用的一个技术方案是:
提供一种待检设备检测系统,包括:
图像采集装置,用于捕获包含有待检设备的图像;
图像检测装置,与所述图像采集装置连接,用于从所述图像采集装置接收所述图像并通过存储单元存储的卷积神经网络模型对接收到的图像进行识别以获得感兴趣区域图像,处理单元对感兴趣区域图像进行检测分析后输出结果。
为解决上述技术问题,本发明采用的另一个技术方案是:
提供一种待检设备的检测方法,包括:
设置图像采集装置于待检设备前方的检测区域内;
通过所述图像检测装置捕获包含有待检设备的图像;
传输所述图像采集装置捕获到的图像至图像检测装置;
通过卷积神经网络模型对图像进行识别,得到感兴趣区域图像;
图像检测装置对得到的感兴趣区域图像进行检测分析;及
输出检测结果。
本发明的有益效果是:区别于现有技术的情况,本发明通过图像检测装置存储单元存储的卷积神经网络模型对图像采集装置捕获到的图像进行处理以获得感兴趣区域图像,图像检测装置处理单元对感兴趣区域图像进行检测分析后输出结果,通过上述方式能够避免个体以及环境差异对待检设备检测结果带来的影响,提高待检设备检测结果的可靠性。
附图说明
图1是本发明待检设备图像检测系统结构示意图;
图2是本发明第一实施例显示屏图像检测系统中图像检测装置的结构示意图;
图3是本发明第二实施例显示屏图像检测系统中图像检测装置的结构示意图;
图4是本发明第三实施例显示屏图像检测系统中图像检测装置的结构示意图;
图5是本发明待检设备检测方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的说明。
请参阅图1,是本发明待检设备的检测系统结构示意图。所述待检设备检测系统包括图像采集装置100,用于捕获包含有待检设备的图像;图像检测装置200,与所述图像采集装置100连接,用于从所述图像采集装置100接收所述图像并通过存储单元存储的卷积神经网络模型210对接收到的图像进行识别以获得感兴趣区域图像,处理单元220对感兴趣区域图像进行检测分析后输出结果。
其中,在所述图像检测装置100通过卷积神经网络模型210对接收到的图像进行识别以获得感兴趣区域图像之前包括:对卷积神经网络模型210进行训练。
具体的,对卷积神经网络模型210进行训练包括:捕获包含待检设备的图像样本;对捕获到的图像样本中的感兴趣区域图像进行标记;获取所述感兴趣区域图像若干位置的标记图案与标记坐标,并处理分析后获得卷积核和检测正确率。
具体的,所述待检设备为显示屏,所述感兴趣图像若干位置为所述显示屏的四个顶角位置。
具体的,所述卷积神经网络模型210采用LeNet-5模型。
具体的,所述图像采集装置100与所述图像检测装置200通过数据线连接,所述图像检测装置100为电脑。
请参阅图2,是本发明第一实施例显示屏检测系统中图像采集装置的结构示意图。包括支架110,与所述支架110一端相连的固定部120,一摄像头130设置在所述支架110的远离所述固定部120的一端,通过所述固定部120将所述图像采集装置100固定在头上。
本实施例中图像采集装置100可用于捕获普通平面显示图像。
请参阅图3,是本发明第二实施例显示屏检测系统中图像采集装置的结构示意图。包括两平行设置的支架111和112,与所述两支架一端相连的调节部140,与所述调节部140相连的固定部120,两摄像头131和132(在本实施例中设置为两个摄像头,其他实施例中不限制)分别设置在所述两支架111和112的远离所述调节部140的一端,所述调节部140上设置有调节旋钮141,通过所述调节按钮141控制所述两支架111和112相对移动以调节所述摄像头131和132的间距,通过所述固定部120将所述图像采集装置100固定在头上。
本实施例中图像采集装置100可用于捕获裸眼3D显示图像,通过所述采集装置100上的两摄像头131和132捕获左右两不同视角下的图像,经图像检测装置对捕获到的两不同视角下的图像分析处理合成裸眼3D图像。
请参阅图4,是发明第三实施例显示屏检测系统中图像采集装置的结构示意图。所述第三实施例的显示屏检测系统中的图像采集装置100与所述第一实施例及第二实施例中的的区别之处在于:所述图像采集装置100的所述固定部120内设置红外发射器121,所述红外发射器121与跟踪式立体显示器中设置的红外接收器通信,捕获包含有待检设备的图像。
本实施例中图像采集装置100可用于捕获3D显示图像,适用于检测跟踪式立体显示器(内含红外接收器及处理单元,红外接收器与处理单元连接),通过所述图像采集装置100固定部120上的红外发射器121发射红外信号,跟踪式立体显示器内红外接收器接收所发射的红外信号,将红外信号传输至处理单元,处理单元根据所接收信息(如红外发射器与红外接收器的位置角度信息)追踪红外发射器121(图像采集装置100),对所要显示的图像进行适应性调整处理,以针对红外发射器121(图像采集装置100)显示出更好的3D显示效果,以使图像采集装置100捕获包含有待检设备的3D显示图像。
请参阅图5,是发明待检设备检测方法的流程示意图,步骤包括:
步骤S1:设置图像采集装置于待检设备前方的检测区域内。
图像采集人员佩戴本发明图像采集装置100(本方法实施例中采用第二实施例中图像采集装置,其他方法中可采用其他装置实施例中的图像采集装置)站在屏幕前既定的观看区域内,通过调节按钮141调节摄像头131和132的间距以适应瞳距位置,保证摄像头131和132与图像采集人员双眼位置相同,保持观看待检测屏幕。
具体的,所述待检设备为显示屏。
步骤S2:通过所述图像检测装置捕获包含有待检设备的图像。
通过本实施例中图像采集装置100上的两摄像头131和132捕获左右两不同视角下包含有待检测显示屏的图像,经图像检测装置200对捕获到的两不同视角下的图像分析处理合成裸眼3D图像。
所述图像检测装置100捕获包含有待检显示屏的图像包括静态图像(如图片)和/或动态图像(如视频)。
步骤S3:传输所述图像采集装置捕获到的图像至图像检测装置。
通过数据线(本方法中采数据线的连接方式,如通过设置USB接口并通过数据线连接,其他方法中可采用其他连接方式)将图像采集装置100和图像检测装置200连接,将摄像头131和132拍摄到的图像传输至图像检测装置200,如PC(personal computer,个人计算机)中(也可为其他图像检测装置,如手机等);
步骤S4:通过卷积神经网络模型对图像进行识别,得到感兴趣区域图像。
在通过卷积神经网络模型210对图像进行识别之前需要对其进行训练,只有经过大量针对性数据训练,模型收敛达到稳定,才能得出最终所需的模型参数,才能应用于识别感兴趣区域图像。在本实施例中采用LeNet-5模型(其他实施例中可采用其他卷积神经网络训练模型),网络结构为8层。卷积层CONV-n,池化层POOL-n,全连接层FC-n,整体结构为INPUT+CONV-1+POOL-2+CONV-3+POOL-4+FC-5+FC-6+FC-7+OUTPUT。
卷积、池化层、过滤器(Filter)结构:
对于CONV-1,Filter采用尺寸为5x5,深度为6,步长为1,不使用全0填充;
对于POOL-2,Filter采用尺寸为2x2,步长为2,最大池化;
对于CONV-3,Filter采用尺寸为5x5,深度为12,步长为1,不使用全0填充;
对于POOL-4,Filter采用尺寸为2x2,步长为2,最大池化。
通过摄像头131和132拍摄默认640*480*3像素的图像(两摄像头拍摄后处理得到的一图像)作为输入训练样本(Sample),对每张训练样本RIO(region of interest,感兴趣区域)图像均手动进行标记,具体的,所述待检设备为显示屏,在本实施例中即针对显示屏区域进行手动标记,提取显示屏区域四个顶点附近10*10像素的标记图案与标记坐标(Label),Sample与Label文件一一对应。
训练时,对N张样本进行训练,保存1次卷积核(Kernel),例如,给定输入图像,在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均,其中权值由一个函数定义,这个函数就是卷积核,Sample为输入图像,Label为目标输出图像,即给定输入N张Sample,N张目标输出Label,Sample与Label文件一一对应,已知目标Label为Sample中四个顶点区域的10*10像素的卷积核,可简单理解卷积核为Sample与Label之间的函数关系,并打印出此次训练的检测正确率,即实际输出图像与目标输出图像之间的正确占比关系,以此记作1次训练。重复进行M次训练,当检测正确率收敛到一个稳定值后,停止训练,产生最终Kernel,卷积神经网络模型训练完成。
再将传输至图像检测装置200的待检测图像样本通过训练的卷积神经网络模型210进行识别,得到感兴趣区域图像,在本实施例中即为得到显示屏区域。
步骤5:图像检测设备对所得到的感兴趣区域图像进行分析处理。
经图像检测装置200中处理单元220对所得到的的对感兴趣区域图像即显示屏进行显示性能分析,如立体分光性能、画面亮度、色彩度等显示性能。
步骤S6:输出检测结果。
根据所得显示性能分析结果结合裸眼3D显示图案(其他实施例还包括普通显示图案,3D显示图案等)显示器评判标准得出该显示屏检测样本的检测结果。
本发明显示屏检测系统中的图像采集装置包括两平行设置的支架,与所述两支架一端相连的调节部,与所述调节部相连的固定部,至少两摄像头分别设置在所述两支架的远离所述调节部的一端,所述调节部上设置有调节旋钮,通过该图像采集装置捕获包含有待检显示屏的图像,再通过图像检测装置存储单元中的卷积神经网络模型对图像采集装置所捕获的图像进行识别,得到感兴趣区域图像,进而通过图像检测装置处理单元对所感兴趣区域图像进行检测分析得出显示屏检测结果,以避免人为检测因个体差异以及环境差异对显示屏检测结果带来的影响,从而提高显示屏检测结果的可靠性。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种待检设备的检测系统,其特征在于,包括:
图像采集装置,用于捕获包含有待检设备的图像;
图像检测装置,与所述图像采集装置连接,用于从所述图像采集装置接收所述图像并通过存储单元存储的卷积神经网络模型对接收到的图像进行识别以获得感兴趣区域图像,处理单元对感兴趣区域图像进行检测分析后输出结果。
2.根据权利要求1所述检测系统,其特征在于,所述图像采集装置包括支架,与所述支架一端相连的固定部,一摄像头设置在所述支架的远离所述固定部的一端,通过所述固定部将所述图像采集装置固定在头上。
3.根据权利要求1所述检测系统,其特征在于,所述图像采集装置包括两平行设置的支架,与所述两支架一端相连的调节部,与所述调节部相连的固定部,至少两摄像头分别设置在所述两支架的远离所述调节部的一端,所述调节部上设置有调节旋钮,通过所述调节按钮控制所述两支架相对移动以调节所述摄像头的间距,通过所述固定部将所述图像采集装置固定在头上。
4.根据权利要求2或3所述检测系统,其特征在于,所述图像采集装置还包括红外发射器,以发射信号给待检设备的红外接收器来捕获包含有待检设备的图像。
5.根据权利要求1所述检测系统,其特征在于,在所述图像检测装置通过卷积神经网络模型对接收到的图像进行识别以获得感兴趣区域图像之前包括:对卷积神经网络模型进行训练。
6.根据权利要求5所述检测系统,其特征在于,对卷积神经网络模型进行训练包括:捕获包含待检设备的图像样本;对捕获到的图像样本中的感兴趣区域图像进行标记;获取所述感兴趣区域图像若干位置的标记图案与标记坐标,并处理分析后获得卷积核和检测正确率。
7.根据权利要求6所述检测系统,其特征在于,所述待检设备为显示屏,所述感兴趣图像若干位置为所述显示屏的四个顶角位置。
8.根据权利要求1所述检测系统,其特征在于,所述卷积神经网络模型采用LeNet-5模型。
9.根据权利要求1所述检测系统,其特征在于,所述图像采集装置与所述图像检测装置通过数据线连接,所述图像检测装置为电脑。
10.一种待检设备的检测方法,其特征在于,包括:
设置图像采集装置于待检设备前方的检测区域内;
通过所述图像检测装置捕获包含有待检设备的图像;
传输所述图像采集装置捕获到的图像至图像检测装置;
通过卷积神经网络模型对图像进行识别,得到感兴趣区域图像;
图像检测装置对得到的感兴趣区域图像进行检测分析;及
输出检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810046650.8A CN108332948A (zh) | 2018-01-17 | 2018-01-17 | 待检设备的检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810046650.8A CN108332948A (zh) | 2018-01-17 | 2018-01-17 | 待检设备的检测系统及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108332948A true CN108332948A (zh) | 2018-07-27 |
Family
ID=62926171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810046650.8A Pending CN108332948A (zh) | 2018-01-17 | 2018-01-17 | 待检设备的检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108332948A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101666923A (zh) * | 2008-09-02 | 2010-03-10 | 北京京东方光电科技有限公司 | 液晶显示面板缺陷的处理方法、处理系统和维修设备 |
CN103384308A (zh) * | 2013-07-01 | 2013-11-06 | 浙江铭众生物医学创业投资有限公司 | 一种基于激光标定的头戴式摄像装置 |
CN103674495A (zh) * | 2013-12-19 | 2014-03-26 | 京东方科技集团股份有限公司 | 一种显示面板色域值测试系统 |
CN104166239A (zh) * | 2014-08-25 | 2014-11-26 | 成都贝思达光电科技有限公司 | 一种用于高清摄像机的头戴式视频眼镜取景装置 |
CN104977313A (zh) * | 2014-04-09 | 2015-10-14 | 四川省特种设备检验研究院 | 一种焊缝x射线图像缺陷检测与识别方法和装置 |
CN106596073A (zh) * | 2016-12-28 | 2017-04-26 | 歌尔科技有限公司 | 一种检测光学系统像质的方法和系统及一种测试标板 |
CN107515104A (zh) * | 2017-09-19 | 2017-12-26 | 华勤通讯技术有限公司 | 像质测量装置、系统及方法 |
-
2018
- 2018-01-17 CN CN201810046650.8A patent/CN108332948A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101666923A (zh) * | 2008-09-02 | 2010-03-10 | 北京京东方光电科技有限公司 | 液晶显示面板缺陷的处理方法、处理系统和维修设备 |
CN103384308A (zh) * | 2013-07-01 | 2013-11-06 | 浙江铭众生物医学创业投资有限公司 | 一种基于激光标定的头戴式摄像装置 |
CN103674495A (zh) * | 2013-12-19 | 2014-03-26 | 京东方科技集团股份有限公司 | 一种显示面板色域值测试系统 |
CN104977313A (zh) * | 2014-04-09 | 2015-10-14 | 四川省特种设备检验研究院 | 一种焊缝x射线图像缺陷检测与识别方法和装置 |
CN104166239A (zh) * | 2014-08-25 | 2014-11-26 | 成都贝思达光电科技有限公司 | 一种用于高清摄像机的头戴式视频眼镜取景装置 |
CN106596073A (zh) * | 2016-12-28 | 2017-04-26 | 歌尔科技有限公司 | 一种检测光学系统像质的方法和系统及一种测试标板 |
CN107515104A (zh) * | 2017-09-19 | 2017-12-26 | 华勤通讯技术有限公司 | 像质测量装置、系统及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197169B (zh) | 一种非接触式的学习状态监测系统及学习状态检测方法 | |
CN107909061B (zh) | 一种基于不完备特征的头部姿态跟踪装置及方法 | |
US10939034B2 (en) | Imaging system and method for producing images via gaze-based control | |
CN103099602B (zh) | 基于光学识别的体质检测方法与系统 | |
CN104427252B (zh) | 用于合成图像的方法及其电子设备 | |
CN101576771B (zh) | 基于非均匀样本插值的眼动仪定标方法 | |
CN103024281A (zh) | 红外与可见光视频融合系统 | |
CN104023229B (zh) | 非接触式影像系统性能检测方法及系统 | |
CN203966475U (zh) | 具有多个摄像头的led显示系统 | |
CN110991266A (zh) | 一种双目人脸活体检测方法及装置 | |
CN106851263A (zh) | 基于定时自学习模块的视频质量诊断方法及系统 | |
CN105959667A (zh) | 一种三维图像采集装置及系统 | |
CN109528156A (zh) | 一种自助式智能化视功能筛查系统 | |
CN103618891A (zh) | 一种立体相机微距会聚拍摄质量客观评价方法 | |
CN108332948A (zh) | 待检设备的检测系统及检测方法 | |
CN109859216A (zh) | 基于深度学习的测距方法、装置、设备及存储介质 | |
CN114067172A (zh) | 一种仿真图像生成方法、仿真图像生成装置及电子设备 | |
CN111161399B (zh) | 基于二维影像生成三维模型的数据处理方法及组件 | |
CN107734223B (zh) | 基于图像识别的定位装置 | |
CN108389182A (zh) | 一种基于深度神经网络的图像质量检测方法及装置 | |
CN112288876A (zh) | 远距离ar识别服务器及系统 | |
CN110321782A (zh) | 一种检测人体特征信号的系统 | |
CN116109974A (zh) | 体积视频展示方法以及相关设备 | |
CN209748700U (zh) | 一种异地视频会议系统 | |
CN106846302B (zh) | 一种工具正确取件的检测方法及基于此方法的考核台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |
|
RJ01 | Rejection of invention patent application after publication |