CN109451304B - 一种摄像头模组批量对焦测试方法及系统 - Google Patents
一种摄像头模组批量对焦测试方法及系统 Download PDFInfo
- Publication number
- CN109451304B CN109451304B CN201811654775.5A CN201811654775A CN109451304B CN 109451304 B CN109451304 B CN 109451304B CN 201811654775 A CN201811654775 A CN 201811654775A CN 109451304 B CN109451304 B CN 109451304B
- Authority
- CN
- China
- Prior art keywords
- verification
- focusing test
- relation model
- camera module
- motor position
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Studio Devices (AREA)
- Automatic Focus Adjustment (AREA)
Abstract
本发明适用于光学成像测试领域,提供了一种摄像头模组批量对焦测试方法及系统,该方法包括:控制训练组的摄像头模组进行自动对焦测试,根据对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型;控制验证组的摄像头模组进行自动对焦测试,验证关系模型是否通过达标率;若否,则根据验证组的对焦测试数据更新所述关系模型;若是,则控制测试组的摄像头模组进行单次对焦测试,通过单次对焦测试数据和关系模型预测最佳马达位置,验证最佳马达位置的MTF曲线。本发明在批量测试前期选取少量的测试数据通过神经网络建立关系模型,利用关系模型预测最佳调焦位置批量测试,极大减少了批量测试的采样测试点,提高测试效率。
Description
技术领域
本发明属于光学成像测试领域,尤其涉及一种摄像头模组批量对焦测试方法及系统。
背景技术
目前,以摄像头模组为代表的光学成像系统是智能手机、摄录机、无人机航拍、汽车电子等应用领域的必要组成部件。根据市场需求,当前的大部分摄像头模组都设有自动对焦功能,自动对焦是指通过照相机中的对焦机构(马达)变动物距和相距的位置,使被拍物体的成像清晰的过程。为了方便客户使用,带有自动对焦功能的摄像头模组在生产过程时,需要根据终端客户需求,将摄像头模组拍摄图像最清晰时对应的马达位置,保存到摄像头模组的存储器中,供终端客户软件读取使用。
业内通用的判断对焦是否准确的办法为测量拍摄图像的调制传递函数(Modulation Transfer Function,MTF)曲线,若MTF满足预设指标,则认为对焦成功。然而,对于生产厂商而言,每颗摄像头模组在出厂前的自动对焦测试环节,都需要测量大量的采样点,而摄像头模组生产厂商日出货量一般可达到十万件以上,因此逐个进行重复的自动对焦测试是极为耗时的出厂检测环节,导致生产测试效率低下。
发明内容
本发明的目的在于提供一种摄像头模组批量对焦测试方法及系统,旨在解决现有摄像头模组批量对焦测试大量重复测试采样点,造成生产测试效率低的问题。
本发明提供一种摄像头模组批量对焦测试方法,所述方法包括以下步骤:
控制训练组的摄像头模组进行自动对焦测试,并根据获取的对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型;
控制验证组的摄像头模组进行自动对焦测试,根据获取的对焦测试数据验证所述关系模型是否通过达标率;
若否,则根据验证组的对焦测试数据更新所述关系模型,并返回执行所述控制验证组的摄像头模组进行自动对焦测试的步骤;
若是,则控制测试组的摄像头模组进行单次对焦测试,通过获取的单次对焦测试数据和所述关系模型预测最佳马达位置,并验证最佳马达位置的MTF曲线以完成批量对焦测试。
本发明实施例的另一目的在于提供一种摄像头模组批量对焦测试系统,所述系统包括:
关系模型训练单元,用于控制训练组的摄像头模组进行自动对焦测试,并根据获取的对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型;
关系模型验证单元,控制验证组的摄像头模组进行自动对焦测试,根据获取的对焦测试数据验证所述关系模型是否通过达标率,并在所述关系模型未通过达标率时,根据验证组的对焦测试数据更新所述关系模型;
关系模型测试单元,用于在所述关系模型通过达标率时,控制测试组的摄像头模组进行单次对焦测试,通过获取的单次对焦测试数据和所述关系模型预测最佳马达位置,并验证最佳马达位置的MTF曲线以完成批量对焦测试。
本发明实施例提供的摄像头模组批量对焦测试方法在批量测试的前期,选取少量的摄像头模组测试数据通过神经网络建立关系模型,并再次通过一定数量的摄像头模组数据测试该关系模型的可靠性,进而在该关系模型通过验证后,大量采用建立的关系模型预测最佳调焦位置,极大地减少了单个摄像头模组的采样测试点,进而在大批量的工业测试中,能够减少七成以上的测试工作量,极大地提高了生产测试效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的摄像头模组批量对焦测试方法的实现的流程图;
图2是本发明实施例二提供的摄像头模组批量对焦测试方法的实现的流程图;
图3是本发明实施例三提供的摄像头模组批量对焦测试方法的实现的流程图;
图4是本发明提供的摄像头模组批量对焦测试系统的较优实施例的测试结构示意图;
图5是本发明提供的基于神经网络的关系模型结构示意图;
图6是本发明实施例四提供的摄像头模组批量对焦测试系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种摄像头模组批量对焦测试方法,所述方法包括以下步骤:
控制训练组的摄像头模组进行自动对焦测试,并根据获取的对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型;
控制验证组的摄像头模组进行自动对焦测试,根据获取的对焦测试数据验证所述关系模型是否通过达标率;
若否,则根据验证组的对焦测试数据更新所述关系模型,并返回执行所述控制验证组的摄像头模组进行自动对焦测试的步骤;
若是,则控制测试组的摄像头模组进行单次对焦测试,通过获取的单次对焦测试数据和所述关系模型预测最佳马达位置,并验证最佳马达位置的MTF曲线以完成批量对焦测试。
同时,本发明还提供了一种摄像头模组批量对焦测试系统,所述系统包括:
关系模型训练单元,用于控制训练组的摄像头模组进行自动对焦测试,并根据获取的对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型;
关系模型验证单元,控制验证组的摄像头模组进行自动对焦测试,根据获取的对焦测试数据验证所述关系模型是否通过达标率,并在所述关系模型未通过达标率时,根据验证组的对焦测试数据更新所述关系模型;
关系模型测试单元,用于在所述关系模型通过达标率时,控制测试组的摄像头模组进行单次对焦测试,通过获取的单次对焦测试数据和所述关系模型预测最佳马达位置,并验证最佳马达位置的MTF曲线以完成批量对焦测试。
本发明实施例提供的摄像头模组批量对焦测试方法在批量测试的前期,选取少量的摄像头模组测试数据通过神经网络建立关系模型,并再次通过一定数量的摄像头模组数据测试该关系模型的可靠性,进而在该关系模型通过验证后,大量采用建立的关系模型预测最佳调焦位置,极大地减少了单个摄像头模组的采样测试点,进而在大批量的工业测试中,能够减少七成以上的测试工作量,极大地提高了生产测试效率。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
图1示出了本发明实施例一提供的摄像头模组批量对焦测试方法的实现的流程图。
本发明提供的摄像头模组批量对焦测试方法主要包括以下步骤:
步骤S101,控制训练组的摄像头模组进行自动对焦测试,并根据获取的对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型;
在本发明实施例中,可以将同一批次待测摄像头模组划分为:训练组、验证组和测试组,其中训练组和验证组的摄像头模组数量都远小于测试组,训练组的数量可以根据所选取的神经网络的精细程度设定,验证组的数量可以根据对测试数据的精确度设定。
举例说明,一批待测摄像头模组的数量为10万件,可以将训练组、验证组及测试组的数量分别设置为5000、3000、99200。通过少量的训练和验证后,大量使用建立的关系模型进行合理预测对焦位置,进行对焦测试,从而大量减少测试组中摄像头模组的测试次数,极大地提高了测试效率。
在本发明实施例中,可以通过控制命令控制单个或多个摄像头模组测试装置对训练组的摄像头模组进行自动对焦测试,根据选取单摄、双摄或三摄的摄像头模组测试装置的功能不同,一摄像头模组测试装置可以依次测试单个摄像头模组,也可以同时测试两个摄像头模组或更多摄像头模组,进行单通道、双通道或多通道的自动对焦测试,同时生成对应的对焦测试数据也可以采用并行的方式传输。
在本发明实施例中,每一摄像头模组在进行自动对焦测试时,可以根据设置电流间距、步进量变化、搜索边界,或模糊修正等方式设置较多个采样节点,在每一采样节点均进行单次对焦测试,生成一组对焦测试数据,因此一摄像头模组在自动对焦测试过程中需要生成多组对焦测试数据,每组对焦测试数据包括但不限于MTF曲线、马达位置和MTF曲线验证结果。
值得说明的是,该摄像头模组测试装置既可以是基于ARM架构的盒体测试仪器,也可以是PC机。
请结合参阅图4,作为本发明一优选实施例,该摄像头模组批量对焦测试方法还可以同时控制多个摄像头模组测试装置2分别进行自动对焦测试,尤其是针对同时测试多个摄像头模组3的摄像头模组测试装置2,对于获取的大量对焦测试数据可以通过并行或分割的方式传输、处理,以降低运行时间,提高测试效率。
在本发明实施例中,获取对焦测试数据的数量既可以将生成的对焦测试数据全部获取,也可以根据神经网络的敏感度获取部分对焦测试数据。
通过获取训练组的对焦测试数据进行学习训练后,在摄像头模组批量对焦测试系统内可以构建出不同MTF曲线与马达位置之间的关系模型。
步骤S102,控制验证组的摄像头模组进行自动对焦测试,根据获取的对焦测试数据,验证关系模型是否通过达标率;
若否,则执行步骤S103,根据验证组的对焦测试数据更新所述关系模型,并返回执行步骤S102;
若是,则执行步骤S104,控制测试组的摄像头模组进行进行单次对焦测试,通过获取的单次对焦测试数据和关系模型预测最佳马达位置,并验证最佳马达位置的MTF曲线以完成批量对焦测试。
在步骤S102中,通过控制命令控制单个或多个摄像头模组测试装置对验证组的摄像头模组进行自动对焦测试,同样,每一摄像头模组测试装置可以依次测试单个摄像头模组,或同时测试多个摄像头模组。针对每一测试中的摄像头模组,设置多个验证样点,获取每一验证样点对应的对焦测试数据,根据每组对焦测试数据中的MTF曲线分别预测最佳马达位置,并根据实际自动对焦测试数据中的最佳马达位置验证各定点预测的准确性。再通过多个摄像头模组的验证结果统计该关系模型的达标率。
在本发明实施例中,验证样点的选取可以通过等步长对焦位置设定,也可以选取部分采样节点作为验证样点。将各验证样点处预测的最佳马达位置与实际最佳马达位置比较确定预测是否达标,并统计验证组多个预测的达标率。
在步骤S103中,若该关系模型未通过达标率,那么将获取到的验证组的对焦测试数据补充至关系模型中进行学习训练,更新关系模型。同时从测试组中划取与原验证组相同数量的摄像头模组作为新的验证组摄像头模组,返回执行步骤S102,重新验证关系模型的达标率,直到该关系模型通过达标率。
优选地,还可以进一步获取验证组所有摄像头模组的自动对焦测试数据,将其补充至关系模型中进行学习训练,进一步更新关系模型。
在步骤S104中,若该关系模型通过达标率,那么控制单个或多个摄像头模组测试装置对测试组的摄像头模组进行单次对焦测试,同样,每一摄像头模组测试装置可以依次测试单个摄像头模组,或同时测试多个摄像头模组。
针对每一待测摄像头模组,获取单次对焦测试数据,根据对焦测试数据中的MTF曲线预测最佳马达位置,再测试最佳马达位置的MTF曲线,并将最佳马达位置的MTF曲线与标定曲线匹配,当匹配程度高于预设误差,则通过验证,反馈MTF曲线验证结果,完成当前摄像头模组的对焦测试,当匹配程度不高于预设误差,则反馈MTF曲线验证结果后,根据当前对焦测试数据和关系模型再次预测最佳马达位置,再次验证最佳马达位置的MTF曲线,直到通过验证。通过一个或多个摄像头模组测试装置完成测试组的所有待测摄像头模组的对焦测试,从而完成批量对焦测试。
在本发明实施例中,可以通过获取或查找验证组摄像头模组生成的对焦测试数据确定标定曲线,即实际最佳马达位置。
本发明实施例根据同一批次的摄像头模组具有参数上的相似性,在批量测试的前期,选取少量的摄像头模组测试数据通过神经网络建立关系模型,并再次通过一定数量的摄像头模组数据验证该关系模型的可靠性,进而在该关系模型通过验证后,大量采用建立的关系模型预测最佳对焦位置,极大地减少了单个摄像头模组的采样测试点,进而在大批量的工业测试中,能够减少七成以上的测试工作量,极大地提高了生产测试效率。
实施例二:
图2示出了本发明实施例二提供的摄像头模组批量对焦测试方法的实现的流程图。为了便于说明,仅示出了与本发明实施例相关的部分。
作为本发明一优选实施例,实施例一中的步骤S101可以通过下述步骤实现:
步骤S201,从获取的对焦测试数据中提取MTF曲线;
步骤S202,根据所述MTF曲线进行学习训练,生成训练样本;
步骤S203,根据所述训练样本构建基于神经网络的关系模型。
本发明实施例通过获取训练组的对焦测试数据进行学习训练后,在摄像头模组批量对焦测试系统内可以构建出不同MTF曲线与马达位置之间的关系模型,该关系模型的敏感度与对焦测试数据的数量有关,因此需要根据待测批次模组特性设定测试方式和训练数量。通过识别MTF曲线来映射出马达位置,从而精确估算马达的对焦位置,进而减少采样测试点的数量,提高生产效率。
实施例三:
图3示出了本发明实施例三提供的摄像头模组批量对焦测试方法的实现的流程图。为了便于说明,仅示出了与本发明实施例相关的部分。
作为本发明一优选实施例,实施例一中的步骤S102可以通过下述步骤实现:
步骤S301,控制验证组的摄像头模组进行自动对焦测试,生成对应的对焦测试数据;
步骤S302,设置多个验证样点,获取摄像头模组在验证样点对应的对焦测试数据,该对焦测试数据包括MTF曲线、马达位置和MTF曲线验证结果;
步骤S303,根据验证样点对应的MTF曲线和关系模型分别预测最佳马达位置;
步骤S304,根据所述MTF曲线验证结果确定实际最佳马达位置;
步骤S305,判断预测的最佳马达位置与实际最佳马达位置的差值是否小于预设误差;
若是,则执行步骤S306,对达标数量和验证总数各计数加一;
若否,则执行步骤S307,对验证总数计数加一;
步骤S308,根据达标数量和所述验证总数计算达标率,并在达标率大于预设比例时判定该关系模型通过达标率。
在本发明实施例中,通过关系模型预测最佳马达位置,再与实际最佳马达位置比较来验证关系模型的可靠性,并通过计算关系模型的达标率来确认该关系模型是否可以使用,当关系模型的达标率通过预设标准时,既可以在批量测试中调用该关系模型。
在步骤S303中,将验证样点对应的MTF曲线作为输入层,在基于神经网络的关系模型中匹配出对应的最佳马达位置,作为预测结果。基于神经网络的关系模型可以根据实际应用来选取,优选采用BP(back propagation)反向传播神经网络或RNN(recursive neuralnetwork)递归神经网络等关系模型实现。
进一步地,结合图5,将第i组在验证样点1-8分别获取的单次对焦测试数据中的MTF曲线标记为MTFi(1)-MTFi(8)、将MTFi作为所述神经网络模型的输入层,通过计算隐藏层从基于神经网络的关系模型中匹配输出层,该输出层输出的马达调整量标记为diffi,根据马达调整量diffi确定最佳马达位置。
本发明实施例根据同一批次的摄像头模组具有参数上的相似性,在批量测试的前期,选取少量的摄像头模组测试数据通过神经网络建立关系模型,并再次通过一定数量的摄像头模组数据验证该关系模型的可靠性,进而在该关系模型通过验证后,大量采用建立的关系模型预测最佳对焦位置,极大地减少了单个摄像头模组的采样测试点,进而在大批量的工业测试中,能够减少七成以上的测试工作量,极大地提高了生产测试效率。
实施例四:
图6示出了本发明实施例四提供的摄像头模组批量对焦测试系统的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明提供的摄像头模组批量对焦测试系统1,包括:
关系模型训练单元11,用于控制训练组的摄像头模组进行自动对焦测试,并根据获取的对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型;
关系模型验证单元12,控制验证组的摄像头模组进行自动对焦测试,根据获取的对焦测试数据验证所述关系模型是否通过达标率,并在所述关系模型未通过达标率时,根据验证组的对焦测试数据更新所述关系模型;
关系模型测试单元13,用于在所述关系模型通过达标率时,控制测试组的摄像头模组进行单次对焦测试,通过获取的单次对焦测试数据和所述关系模型预测最佳马达位置,并验证最佳马达位置的MTF曲线以完成批量对焦测试。
在本发明实施例中,可以将同一批次待测摄像头模组划分为:训练组、验证组和测试组,其中训练组和验证组的摄像头模组数量都远小于测试组,训练组的数量可以根据所选取的神经网络的精细程度设定,验证组的数量可以根据对测试数据的精确度设定。
每一摄像头模组在进行自动对焦测试时,可以根据设置电流间距、步进量变化、搜索边界,或模糊修正等方式设置较多个采样节点,在每一采样节点均进行单次对焦测试,生成一组对焦测试数据,因此一摄像头模组在自动对焦测试过程中需要生成多组对焦测试数据,每组对焦测试数据包括但不限于MTF曲线、马达位置和MTF曲线验证结果。
在本发明实施例中,关系模型训练单元11获取对焦测试数据的数量既可以将生成的对焦测试数据全部获取,也可以根据神经网络的敏感度获取部分对焦测试数据。通过获取训练组的对焦测试数据进行学习训练后,在摄像头模组批量对焦测试系统内可以构建出不同MTF曲线与马达位置之间的关系模型,该关系模型的敏感度与对焦测试数据的数量有关,因此需要根据待测批次模组特性设定测试方式和训练数量。通过识别MTF曲线来映射出马达位置,从而精确估算马达的对焦位置,进而减少采样测试点的数量,提高生产效率。
关系模型验证单元12通过控制命令控制单个或多个摄像头模组测试装置对验证组的摄像头模组进行自动对焦测试。针对每一测试中的摄像头模组,设置多个验证样点,获取每一验证样点对应的对焦测试数据,根据每组对焦测试数据中的MTF曲线分别预测最佳马达位置,并根据实际自动对焦测试数据中的最佳马达位置验证各定点预测的准确性。再通过多个摄像头模组的验证结果统计该关系模型的达标率。
关系模型验证单元12在关系模型未通过达标率时,将获取到的验证组的对焦测试数据补充至关系模型中进行学习训练,更新关系模型。同时从测试组中划取与原验证组相同数量的摄像头模组作为新的验证组摄像头模组,返回执行步骤S102,重新验证关系模型的达标率,直到该关系模型通过达标率。
优选地,关系模型验证单元12可以进一步获取验证组所有摄像头模组的自动对焦测试数据,将其补充至关系模型中进行学习训练,进一步更新关系模型。
关系模型测试单元13在关系模型通过达标率时,控制单个或多个摄像头模组测试装置2对测试组的摄像头模组3进行单次对焦测试。针对每一待测摄像头模组,获取单次对焦测试数据,根据对焦测试数据中的MTF曲线预测最佳马达位置,再测试最佳马达位置的MTF曲线,并将最佳马达位置的MTF曲线与标定曲线匹配,当匹配程度高于预设误差,则通过验证,反馈MTF曲线验证结果,完成当前摄像头模组的对焦测试,当匹配程度不高于预设误差,则反馈MTF曲线验证结果后,根据当前对焦测试数据和关系模型再次预测最佳马达位置,再次验证最佳马达位置的MTF曲线,直到通过验证。通过一个或多个摄像头模组测试装置完成测试组的所有待测摄像头模组的对焦测试,从而完成批量对焦测试。
在本发明实施例中,验证样点的选取可以通过等步长对焦位置设定,也可以选取部分采样节点作为验证样点。将各验证样点处预测的最佳马达位置与实际最佳马达位置比较确定预测是否达标,并统计验证组多个预测的达标率。
作为本发明一优选实施例,关系模型训练单元11包括:
训练控制模块111,用于控制训练组的摄像头模组进行自动对焦测试;
训练获取模块112,用于从获取的对焦测试数据中提取MTF曲线;
样本生成模块113,用于根据所述MTF曲线进行学习训练,生成训练样本;
关系模型构建模块114,用于根据所述训练样本构建基于神经网络的关系模型。
作为本发明一优选实施例,关系模型验证单元12包括:
验证控制模块121,用于控制验证组的摄像头模组进行自动对焦测试,生成对应的对焦测试数据,所述对焦测试数据包括MTF曲线、马达位置和MTF曲线验证结果;
验证样点设置模块122,用于设置多个验证样点,获取摄像头模组在验证样点对应的对焦测试数据;
预测模块123,用于根据验证样点对应的MTF曲线和关系模型分别预测最佳马达位置;
实际最佳马达位置确定模块124,用于根据所述MTF曲线验证结果确定实际最佳马达位置;
判断模块125,用于判断预测的最佳马达位置与实际最佳马达位置的差值是否小于预设误差;
计数模块126,用于在预测的最佳马达位置与实际最佳马达位置的差值小于预设误差时,对达标数量和验证总数各计数加一,在预测的最佳马达位置与实际最佳马达位置的差值不小于预设误差时,对验证总数计数加一;
达标率统计模块127,用于根据所述达标数量和所述验证总数计算达标率,并在所述达标率大于预设比例时判定所述关系模型通过达标率。
进一步地,结合图5,预测模块123将第i组在验证样点1-8分别获取的单次对焦测试数据中的MTF曲线标记为MTFi(1)-MTFi(8)、将MTFi作为所述神经网络模型的输入层,通过计算隐藏层从基于神经网络的关系模型中匹配输出层,该输出层输出的马达调整量标记为diiffi,根据马达调整量diffi确定最佳马达位置。
将验证样点对应的MTF曲线作为输入层,在基于神经网络的关系模型中匹配出对应的最佳马达位置,作为预测结果。基于神经网络的关系模型可以根据实际应用来选取,优选采用BP(back propagation)反向传播神经网络或RNN(recursive neural network)递归神经网络等关系模型实现。
在本发明实施例中,通过关系模型预测最佳马达位置,再与实际最佳马达位置比较来验证关系模型的可靠性,并通过计算关系模型的达标率来确认该关系模型是否可以使用,当关系模型的达标率通过预设标准时,既可以在批量测试中调用该关系模型。
作为本发明一优选实施例,结合图4,摄像头模组批量对焦测试系统1连接单个或多个摄像头模组测试装2,通过控制摄像头模组测试装置2对训练组的摄像头模组3进行自动对焦测试;
摄像头模组测试装置2连接单个或多个摄像头模组3,根据摄像头模组批量对焦测试系统1的控制命令依次测试单个摄像头模组或同时测试多个摄像头模组;
该摄像头模组测试装置2可以是基于ARM架构的盒体测试仪器或PC机。
在本发明实施例中,通过控制命令控制单个或多个摄像头模组测试装置对训练组的摄像头模组进行自动对焦测试,根据选取单摄、双摄或三摄的摄像头模组测试装置的功能不同,一摄像头模组测试装置可以依次测试单个摄像头模组,也可以同时测试两个摄像头模组或更多摄像头模组,进行单通道、双通道或多通道的自动对焦测试,同时生成对应的对焦测试数据也可以采用并行的方式传输。
对于获取的大量对焦测试数据可以通过并行或分割的方式传输、处理,以降低运行时间,提高测试效率。
本发明实施例根据同一批次的摄像头模组具有参数上的相似性,在批量测试的前期,选取少量的摄像头模组测试数据通过神经网络建立关系模型,并再次通过一定数量的摄像头模组数据验证该关系模型的可靠性,进而在该关系模型通过验证后,大量采用建立的关系模型预测最佳对焦位置,极大地减少了单个摄像头模组的采样测试点,进而在大批量的工业测试中,能够减少七成以上的测试工作量,极大地提高了生产测试效率。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以在存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种摄像头模组批量对焦测试方法,其特征在于,所述方法包括以下步骤:
控制训练组的摄像头模组进行自动对焦测试,并根据获取的对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型;
控制验证组的摄像头模组进行自动对焦测试,根据获取的对焦测试数据验证所述关系模型是否通过达标率;
若否,则根据验证组的对焦测试数据更新所述关系模型,并返回执行所述控制验证组的摄像头模组进行自动对焦测试的步骤;
若是,则控制测试组的摄像头模组进行单次对焦测试,通过获取的单次对焦测试数据和所述关系模型预测最佳马达位置,并验证最佳马达位置的MTF曲线以完成批量对焦测试;
其中,所述控制验证组的摄像头模组进行自动对焦测试,根据获取的对焦测试数据验证所述关系模型是否通过达标率的步骤具体为:
控制验证组的摄像头模组进行自动对焦测试,生成对应的对焦测试数据,所述对焦测试数据包括MTF曲线、马达位置和MTF曲线验证结果;
设置多个验证样点,获取摄像头模组在验证样点对应的对焦测试数据;
根据验证样点对应的MTF曲线和关系模型分别预测最佳马达位置;
根据所述MTF曲线验证结果确定实际最佳马达位置;
判断预测的最佳马达位置与实际最佳马达位置的差值是否小于预设误差;
若是,则对达标数量和验证总数各计数加一;
若否,则对验证总数计数加一;
根据所述达标数量和所述验证总数计算达标率,并在所述达标率大于预设比例时判定所述关系模型通过达标率。
2.如权利要求1所述的方法,其特征在于,所述根据获取的对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型的步骤具体为:
从获取的对焦测试数据中提取MTF曲线;
根据所述MTF曲线进行学习训练,生成训练样本;
根据所述训练样本构建基于神经网络的关系模型。
3.如权利要求1所述的方法,其特征在于,所述根据验证样点对应的MTF曲线和关系模型分别预测最佳马达位置的步骤具体为:
将单次对焦测试数据中的MTF曲线作为神经网络模型的输入层,从基于神经网络的关系模型中匹配输出层,根据所述输出层输出的马达调整量确定最佳马达位置。
4.如权利要求1所述的方法,其特征在于,所述方法通过控制单个或多个摄像头模组测试装置对训练组的摄像头模组进行自动对焦测试,所述摄像头模组测试装置依次测试单个摄像头模组或同时测试多个摄像头模组;
所述摄像头模组测试装置为基于ARM架构的盒体测试仪器或PC机。
5.一种摄像头模组批量对焦测试系统,其特征在于,所述系统包括:
关系模型训练单元,用于控制训练组的摄像头模组进行自动对焦测试,并根据获取的对焦测试数据进行学习训练,建立MTF曲线与马达位置之间的关系模型;
关系模型验证单元,控制验证组的摄像头模组进行自动对焦测试,根据获取的对焦测试数据验证所述关系模型是否通过达标率,并在所述关系模型未通过达标率时,根据验证组的对焦测试数据更新所述关系模型;
关系模型测试单元,用于在所述关系模型通过达标率时,控制测试组的摄像头模组进行单次对焦测试,通过获取的单次对焦测试数据和所述关系模型预测最佳马达位置,并验证最佳马达位置的MTF曲线以完成批量对焦测试;
其中,所述关系模型验证单元包括:
验证控制模块,用于控制验证组的摄像头模组进行自动对焦测试,生成对应的对焦测试数据,所述对焦测试数据包括MTF曲线、马达位置和MTF曲线验证结果;
验证样点设置模块,用于设置多个验证样点,获取摄像头模组在验证样点对应的对焦测试数据;
预测模块,用于根据验证样点对应的MTF曲线和关系模型分别预测最佳马达位置;
实际最佳马达位置确定模块,用于根据所述MTF曲线验证结果确定实际最佳马达位置;
判断模块,用于判断预测的最佳马达位置与实际最佳马达位置的差值是否小于预设误差;
计数模块,用于在预测的最佳马达位置与实际最佳马达位置的差值小于预设误差时,对达标数量和验证总数各计数加一,在预测的最佳马达位置与实际最佳马达位置的差值不小于预设误差时,对验证总数计数加一;
达标率统计模块,用于根据所述达标数量和所述验证总数计算达标率,并在所述达标率大于预设比例时判定所述关系模型通过达标率。
6.如权利要求5所述的系统,其特征在于,所述关系模型训练单元包括:
训练控制模块,用于控制训练组的摄像头模组进行自动对焦测试;
训练获取模块,用于从获取的对焦测试数据中提取MTF曲线;
样本生成模块,用于根据所述MTF曲线进行学习训练,生成训练样本;
关系模型构建模块,用于根据所述训练样本构建基于神经网络的关系模型。
7.如权利要求5所述的系统,其特征在于,所述预测模块将单次对焦测试数据中的MTF曲线作为神经网络模型的输入层,从基于神经网络的关系模型中匹配输出层,根据所述输出层输出的马达调整量确定最佳马达位置。
8.如权利要求5所述的系统,其特征在于,所述系统连接单个或多个摄像头模组测试装置,通过控制摄像头模组测试装置对训练组的摄像头模组进行自动对焦测试;
所述摄像头模组测试装置连接单个或多个摄像头模组,根据所述系统的控制命令依次测试单个摄像头模组或同时测试多个摄像头模组;
所述摄像头模组测试装置为基于ARM架构的盒体测试仪器或PC机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811654775.5A CN109451304B (zh) | 2018-12-31 | 2018-12-31 | 一种摄像头模组批量对焦测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811654775.5A CN109451304B (zh) | 2018-12-31 | 2018-12-31 | 一种摄像头模组批量对焦测试方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109451304A CN109451304A (zh) | 2019-03-08 |
CN109451304B true CN109451304B (zh) | 2020-03-24 |
Family
ID=65542360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811654775.5A Active CN109451304B (zh) | 2018-12-31 | 2018-12-31 | 一种摄像头模组批量对焦测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109451304B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749974B (zh) * | 2019-11-04 | 2021-06-01 | 中南大学 | 全载玻片成像扫描仪的自动聚焦方法及其图像获取方法 |
CN110868586A (zh) * | 2019-11-08 | 2020-03-06 | 北京转转精神科技有限责任公司 | 一种摄像头缺陷自动化检测方法 |
CN111277817B (zh) * | 2020-01-15 | 2022-04-22 | 广东中科瑞泰智能科技有限公司 | 无人机相机测试方法、装置、设备和存储介质 |
CN111277762B (zh) * | 2020-03-05 | 2021-10-08 | 昆山丘钛微电子科技股份有限公司 | 一种摄像模组的调焦方法、装置、设备及介质 |
CN113242387B (zh) * | 2021-06-11 | 2022-05-03 | 广州立景创新科技有限公司 | 相机模块、对焦调整系统及对焦方法 |
CN115983297B (zh) * | 2023-03-17 | 2023-07-28 | 深圳思谋信息科技有限公司 | 扫码设备调试方法、装置、计算机设备及存储介质 |
CN118042110B (zh) * | 2024-03-06 | 2024-09-06 | 荣耀终端有限公司 | 一种对焦评估方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011139288A1 (en) * | 2010-05-06 | 2011-11-10 | Nikon Corporation | Image sharpness classification system |
CN107071243A (zh) * | 2017-03-09 | 2017-08-18 | 成都西纬科技有限公司 | 相机对焦校准系统及对焦校准方法 |
CN107147907A (zh) * | 2017-06-26 | 2017-09-08 | 信利光电股份有限公司 | 一种摄像模组的检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2683814C (en) * | 2007-04-13 | 2016-02-16 | Nike International Ltd. | Systems and methods for testing and/or training near and far visual abilities |
CN106303224B (zh) * | 2016-07-29 | 2019-06-07 | 维沃移动通信有限公司 | 一种对焦方法及移动终端 |
-
2018
- 2018-12-31 CN CN201811654775.5A patent/CN109451304B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011139288A1 (en) * | 2010-05-06 | 2011-11-10 | Nikon Corporation | Image sharpness classification system |
CN107071243A (zh) * | 2017-03-09 | 2017-08-18 | 成都西纬科技有限公司 | 相机对焦校准系统及对焦校准方法 |
CN107147907A (zh) * | 2017-06-26 | 2017-09-08 | 信利光电股份有限公司 | 一种摄像模组的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109451304A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109451304B (zh) | 一种摄像头模组批量对焦测试方法及系统 | |
KR20210050485A (ko) | 신경망 모델을 압축하는 방법 및 장치, 코퍼스 번역 방법 및 장치, 전자 장치, 프로그램 및 기록 매체 | |
CN110991652A (zh) | 神经网络模型训练方法、装置及电子设备 | |
CN111738098B (zh) | 一种车辆识别方法、装置、设备及存储介质 | |
CN109886343B (zh) | 图像分类方法及装置、设备、存储介质 | |
US20220067588A1 (en) | Transforming a trained artificial intelligence model into a trustworthy artificial intelligence model | |
EP4036796A1 (en) | Automatic modeling method and apparatus for object detection model | |
CN110046706A (zh) | 模型生成方法、装置及服务器 | |
CN111818318B (zh) | 图像处理器的白平衡调谐方法、装置、设备及存储介质 | |
CN111753862B (zh) | 训练神经网络模型的方法及装置、图像识别方法 | |
CN113228096A (zh) | 通过机器学习进行光学矫正 | |
CN117434429B (zh) | 芯片的稳定性测试方法及相关装置 | |
CN112906883A (zh) | 用于深度神经网络的混合精度量化策略确定方法和系统 | |
CN117601703A (zh) | 一种新能源车辆的车型识别方法、装置及设备 | |
CN115953652A (zh) | 目标检测网络批归一化层剪枝方法、装置、设备及介质 | |
CN113723536B (zh) | 一种电力巡检目标识别方法及系统 | |
CN111062468B (zh) | 生成网络的训练方法和系统、以及图像生成方法及设备 | |
CN111062920B (zh) | 用于生成半导体检测报告的方法及装置 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
CN114818859A (zh) | 热力管网状况诊断方法、装置、终端设备和存储介质 | |
CN114116456A (zh) | 测试用例生成方法、系统及计算机可读存储介质 | |
CN113254435B (zh) | 一种数据增强方法及系统 | |
CN112434073B (zh) | 一种样本选择模型的确定方法及装置 | |
CN117369422B (zh) | 一种控制器出厂参数校准方法、参数校准装置及存储介质 | |
KR102613633B1 (ko) | 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |