CN110992360A - 设备性能测试方法、装置及电子设备 - Google Patents
设备性能测试方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110992360A CN110992360A CN201911348945.1A CN201911348945A CN110992360A CN 110992360 A CN110992360 A CN 110992360A CN 201911348945 A CN201911348945 A CN 201911348945A CN 110992360 A CN110992360 A CN 110992360A
- Authority
- CN
- China
- Prior art keywords
- picture
- resolution
- ultra
- equipment
- network model
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000011056 performance test Methods 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000005259 measurement Methods 0.000 abstract 1
- 238000013473 artificial intelligence Methods 0.000 description 46
- 230000003321 amplification Effects 0.000 description 14
- 238000003199 nucleic acid amplification method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 150000005829 chemical entities Chemical class 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/24—Arrangements for testing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本申请提出一种设备性能测试方法、装置及电子设备,属于计算机应用技术领域。其中,该方法包括:在获取到设备性能测试请求时获取目标超分辨率的超深网络模型及待处理的图片集,其中,图片集中包括多张图片;利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,获取每张图片对应的放大图片;根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。由此,通过这种设备性能测试方法,实现了通过数字化指标衡量设备的AI性能,有助于用户直观了解设备的AI性能。
Description
技术领域
本申请涉及计算机应用技术领域,尤其涉及一种设备性能测试方法、装置及电子设备。
背景技术
人工智能(Artificial Intelligence,简称AI),是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术以及应用的一门新的技术科学。AI的应用很广泛,机器翻译、智能控制、专家系统、机器人学、语言和图像理解、遗传编程机器人工厂、自动程序设计、航天应用、庞大的信息处理、储存与管理、执行化合生命体无法执行的或复杂或规模庞大的任务等等。
相关技术中,AI技术在电子设备中的应用快速发展,市面上的电子设备的AI性能正在快速提升。但是,不同厂商生产的电子设备,以及相同厂商生产的不同代产品的AI性能差异较大,并且不存在衡量设备AI性能的数字化指标,导致用户无法直观了解设备的AI性能。
发明内容
本申请提出的设备性能测试方法、装置及电子设备,用于解决相关技术中,不同厂商生产的电子设备,以及相同厂商生产的不同代产品的AI性能差异较大,并且不存在衡量设备AI性能的数字化指标,导致用户无法直观了解设备的AI性能的问题。
本申请一方面实施例提出的设备性能测试方法,包括:在获取到设备性能测试请求时获取目标超分辨率的超深网络模型及待处理的图片集,其中,所述图片集中包括多张图片;利用所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理,获取每张图片对应的放大图片;根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定所述设备的性能。
可选地,在第一方面实施例一种可能的实现形式中,所述在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的图片集,包括:
在获取到所述设备性能测试请求时,确定当前所在设备的类型;
根据所述设备的类型,获取目标超分辨率的超深网络模型及待处理的图片集。
可选地,在第一方面实施例另一种可能的实现形式中,所述确定当前所在设备的类型之后,还包括:
根据所述设备的类型,确定运行所述超分辨率的超深网络模型所需的设备资源;
初始化所述设备资源接口;
所述利用所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理,包括:
通过所述设备资源接口,调用设备资源运行所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理。
可选地,在第一方面实施例再一种可能的实现形式中,所述设备包含显示屏;
所述方法,还包括:
在所述设备显示屏中,显示所述目标超分辨率的超深网络模型当前处理的图片及对应的放大图片。
可选地,在第一方面实施例又一种可能的实现形式中,所述图片集中的多张图片为预设视频中的帧图片;
在所述设备显示屏中,显示所述目标超分辨率的超深网络模型当前处理的图片及对应的放大图片,包括:
在所述显示屏的第一预设区域播放所述预设视频;
在所述显示屏的第二预设区域,显示所述第一预设区域显示的帧图片对应的局部放大图片。
可选地,在第一方面实施例又一种可能的实现形式中,所述确定所述设备的性能之后,还包括:
在所述显示屏中,显示所述设备的性能。
可选地,在第一方面实施例另一种可能的实现形式中,所述根据所述设备的类型,获取目标超分辨率的超深网络模型之前,还包括:
基于预设的开源软件及预设开源数据集,训练初始超分辨率的超深网络模型;
利用各设备商的模型转换工具,将所述初始超分辨率的超深网络模型,分别转换为与各类型设备对应的各目标超分辨率的超深网络模型。
可选地,在第一方面实施例再一种可能的实现形式中,所述确定所述设备的性能之前,还包括:
确定利用所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理时,每张图片的处理时间;
所述确定所述设备的性能,包括:
根据所述图片集中,每张图片对应的放大图片的峰值信噪比与每张图片的峰值信噪比的差值,确定信噪比差值的均方差;
根据所述图片集中,每张图片的处理时间,确定所述设备画面每秒传输的帧数。
本申请另一方面实施例提出的设备性能测试装置,包括:获取模块,用于在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的图片集,其中,所述图片集中包括多张图片;处理模块,用于利用所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理,获取每张图片对应的放大图片;第一确定模块,用于根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定所述设备的性能。
可选地,在第二方面实施例一种可能的实现形式中,所述获取模块,具体用于:
在获取到所述设备性能测试请求时,确定当前所在设备的类型;
根据所述设备的类型,获取目标超分辨率的超深网络模型及待处理的图片集。
可选地,在第二方面实施例另一种可能的实现形式中,所述装置,还包括:
第二确定模块,用于根据所述设备的类型,确定运行所述超分辨率的超深网络模型所需的设备资源;
初始化模块,用于初始化所述设备资源接口;
所述处理模块,具体用于:
通过所述设备资源接口,调用设备资源运行所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理。
可选地,在第二方面实施例再一种可能的实现形式中,所述设备包含显示屏;所述装置,还包括:
第一显示模块,用于在所述设备显示屏中,显示所述目标超分辨率的超深网络模型当前处理的图片及对应的放大图片。
可选地,在第二方面实施例又一种可能的实现形式中,所述图片集中的多张图片为预设视频中的帧图片;
所述第一显示模块,具体用于:
在所述显示屏的第一预设区域播放所述预设视频;
在所述显示屏的第二预设区域,显示所述第一预设区域显示的帧图片对应的局部放大图片。
可选地,在第二方面实施例又一种可能的实现形式中,所述装置,还包括:
第二显示模块,用于在所述显示屏中,显示所述设备的性能。
可选地,在第二方面实施例另一种可能的实现形式中,所述装置,还包括:
训练模块,用于基于预设的开源软件及预设开源数据集,训练初始超分辨率的超深网络模型;
转换模块,用于利用各设备商的模型转换工具,将所述初始超分辨率的超深网络模型,分别转换为与各类型设备对应的各目标超分辨率的超深网络模型。
可选地,在第二方面实施例再一种可能的实现形式中,所述装置,还包括:
第三确定模块,用于确定利用所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理时,每张图片的处理时间;
所述第一确定模块,具体用于:
根据所述图片集中,每张图片对应的放大图片的峰值信噪比与每张图片的峰值信噪比的差值,确定信噪比差值的均方差;
根据所述图片集中,每张图片的处理时间,确定所述设备画面每秒传输的帧数。
本申请再一方面实施例提出的电子设备,其包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如前所述的设备性能测试方法。
本申请又一方面实施例提出的计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如前所述的设备性能测试方法。
本申请又一方面实施例提出的计算机程序,该程序被处理器执行时,以实现本申请实施例所述的设备性能测试方法。
本申请实施例提供的设备性能测试方法、装置、电子设备、计算机可读存储介质及计算机程序,通过在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的、包括多张图片的图片集,并利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,以获取每张图片对应的放大图片,进而根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。由此,通过利用目标超分辨率的超深网络模型对设备中的图片集进行放大处理,以根据目标超分辨率的超深网络模型对图片进行放大处理的性能稳定性,确定设备的AI性能,从而实现了通过数字化指标衡量设备的AI性能,有助于用户直观了解设备的AI性能。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种设备性能测试方法的流程示意图;
图2为本申请实施例所提供的另一种设备性能测试方法的流程示意图;
图3为本申请实施例所提供的再一种设备性能测试方法的流程示意图;
图4为一种在设备显示屏中显示当前处理的图片及对应的放大图片的示意图;
图5为一种在设备显示屏中显示预设视频及显示的帧图片对应的局部放大图片的示意图;
图6为一种在设备显示屏中显示预设视频及以列表形式显示多张帧图片对应的局部放大图片的示意图;
图7为将图6中显示的帧图片对应的局部放大图片进行平移并显示新的帧图片对应的局部放大图片的示意图;
图8为一种在设备显示屏中显示设备的性能的示意图;
图9为另一种在设备显示屏中显示设备的性能的示意图;
图10为本申请实施例提供的一种设备性能测试装置的结构示意图;
图11为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的要素。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请实施例针对相关技术中,不同厂商生产的电子设备,以及相同厂商生产的不同代产品的AI性能差异较大,并且不存在衡量设备AI性能的数字化指标,导致用户无法直观了解设备的AI性能的问题,提出一种设备性能测试方法。
本申请实施例提供的设备性能测试方法,通过在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的、包括多张图片的图片集,并利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,以获取每张图片对应的放大图片,进而根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。由此,通过利用目标超分辨率的超深网络模型对设备中的图片集进行放大处理,以根据目标超分辨率的超深网络模型对图片进行放大处理的性能稳定性,确定设备的AI性能,从而实现了通过数字化指标衡量设备的AI性能,有助于用户直观了解设备的AI性能。
下面参考附图对本申请提供的设备性能测试方法、装置、电子设备、存储介质及计算机程序进行详细描述。
下面结合图1,对本申请实施例提供的设备性能测试方法进行详细描述。
图1为本申请实施例所提供的一种设备性能测试方法的流程示意图。
如图1所示,该设备性能测试方法,包括以下步骤:
步骤101,在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的图片集,其中,图片集中包括多张图片。
需要说明的是,本申请实施例的设备性能测试方法可以由本申请实施例的设备性能测试装置执行。本申请实施例的设备性能测试装置,可以配置在任意电子设备中,如手机、平板电脑、个人数字助理、穿戴式设备等,本申请实施例对此不做限定。实际使用时,本申请实施例的设备性能测试方法,可以应用于任意对设备的性能进行测试的场景,以下以应用于测试设备的AI性能为例,进行详细说明。
其中,设备性能测试请求,可以是用户通过设备的输入装置(如鼠标、键盘、触摸屏等)主动输入的,也可以是设备在首次开机或每次开机后自动生成的。比如,可以在在设备的“设置”菜单中提供“设备性能测试”的选项,从而设备可以在检测到该选项被点击时,生成设备性能测试请求;或者,还可以在设备的开机程序中设置触发设备性能测试的代码,从而可以在设备首次开关或每次开机时主动触发设备性能测试,进而生成设备性能测试请求。
其中,目标超分辨率的超深网络模型,是指预先训练的、可以对图片进行无损放大处理的模型。
其中,待处理的图片集,可以是设备中本身具有的图库(如相册等),也可以是为了测试设备性能预置的测试图片集,本申请实施例对此不做限定。
需要说明的是,待处理的图片集中包括的多张图片均标注有对应的峰值信噪比(Peak Signal to Noise Ratio,简称PSNR),即可以计算待处理的图片集中的每张图片的PSNR,并采用计算出的每张图片的PSNR对对应的图片进行标注。从而,在对设备的性能进行测试时,可以根据待处理的图片集中图片的PSNR判断目标超分辨率的超深网络模型对图片进行放大后的图片质量。
在本申请实施例中,获取到设备性能测试请求时,即可获取当前所在设备中的目标超分辨率的超深网络模型及用于性能测试的待处理图片集。
作为一种可能的实现方式,由于在对设备的性能进行测试时,是根据目标超分辨率的超深网络模型对图片进行放大后的PSNR与图片的标注PSNR进行比较,以确定设备的性能,从而在对待处理图片集中每张图片进行标注时,可以根据目标超分辨率的超深网络模型对图片的放大倍数,对待处理图片集中的图片进行放大,进而采用放大后的图片的PSNR对待处理图片集中的每张图片进行标注,以保证测试结果的准确性。
举例来说,假设所使用的超分辨率的超深网络模型对图片的放大倍数为4倍,则在生成待处理图片集时,可以将待处理图片集中的每张图片放大4倍,并计算每张放大后的图片的PSNR,进而采用每张放大后的图片的PSNR对待处理图片集中的相应图片进行标注。
进一步的,由于不同类型的设备,运行环境、软硬件配置等都可能具有一定差异,因此,对于不同类型的设备可以采用不同的超分辨率的超深网络模型进行性能测试,以使超分辨率的超深网络模型可以在对应的设备中运行。即在本申请实施例一种可能的实现形式中,上述步骤101,可以包括:
在获取到设备性能测试请求时,确定当前所在设备的类型;
根据设备的类型,获取目标超分辨率的超深网络模型及待处理的图片集。
其中,设备的类型,可以是设备的生产厂商、设备的型号等信息。实际使用时,可以根据实际需要预设设备的类型对应的设备信息。比如,可以将设备的类型预设为设备的型号。
在本申请实施例中,当前所在设备的处理器获取到设备性能测试请求时,可以从当前所在设备的存储器中获取设备的类型,并根据当前所在设备的类型,确定与当前所在设备对应的目标超分辨率的超深网络模型及待处理的图片集。其中,设备的类型可以是在设备出厂时预置在存储器中的。
进一步的,可以首先利用开源软件和开源数据集训练出通用的初始超分辨率的超深网络模型,在利用各类型的设备对应的模型转换工具对初始超分辨率的超深网络模型进行转换,以获取各类型的设备对应的目标超分辨率的超深网络模型。即在本申请实施例一种可能的实现形式中,上述步骤101之前,还可以包括:
基于预设的开源软件及预设开源数据集,训练初始超分辨率的超深网络模型;
利用各设备商的模型转换工具,将初始超分辨率的超深网络模型,分别转换为与各类型设备对应的各目标超分辨率的超深网络模型。
作为一种可能的实现方式,可以根据实际的设备性能测试需求,从网络上获取相应的开源软件和开源数据集作为预设开源软件和开源数据集,进而利用预设开源软件和预设开源数据集,训练初始超分辨率的超深网络模型。进而利用各设备商提供的模型转换工具,对获得的初始超分辨率的超深网络模型进行转换,以获取各类型设备对应的各目标超分辨率的超深网络模型,以使各目标超分辨率的超深网络模型与对应类型的设备的运行环境、软硬件配置等适配。
举例来说,当前的应用场景为对设备的AI性能进行测试,则可以将谷歌的人工智能库Tensorflow作为预设的开源软件,将数据集ImageNet作为预设开源数据集,对神经网络模型VDSR(Very Deep network for Super-Resolution,超分辨率的超深网络模型)进行训练,以获得初始超分辨率的超深网络模型。在训练出初始超分辨率的超深网络模型之后,可以根据各个设备商提供的AI软件开发工具包(Software Development Kit,简称SDK)的模型转换工具,对初始超分辨率的超深网络模型进行转换,以获得各类型的设备对应的目标超分辨率的超深网络模型。
步骤102,利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,获取每张图片对应的放大图片。
其中,图片对应的放大图片,是指目标超分辨率的超深网络模型对图片进行无损放大处理之后所生成的图片。
在本申请实施例中,确定出当前所在的设备对应的目标超分辨率的超深网络模型之后,即可以利用目标超分辨率的超深网络模型对待处理的图片集中的每张图片进行无损放大处理,以生成每张图片对应的放大图片。
步骤103,根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。
其中,峰值信噪比(Peak Signal to Noise Ratio,简称PSNR),是指用于评价图片质量的一个指标。具体的,图片的PSNR越大,图片质量越好;图片的PSNR越小,图片质量越差。
作为一种可能的实现方式,衡量设备性能的指标,可以是放大后的图片质量。
在本申请实施例中,待处理图片集中每张图片的PSNR与每张图片对应的放大图片的PSNR之间的差值,可以用于衡量目标超分辨率的超深网络模型对待处理图片集中的每张图片的放大后的质量。
具体的,由于对待处理图片集中的图片进行标注时,是采用对图片进行直接放大后的PSNR进行标注的,而将图片直接进行放大通常会降低图像的质量,但是,超分辨率的超深网络模型可以对图片进行无损放大,因此图片对应的放大图片的PSNR与该图片的PSNR(即标注的PSNR)之间的差值越大,则可以确定目标超分辨率的超深网络模型对该图片的放大效果越好;反之,则可以确定目标超分辨率的超深网络模型对该图片的放大效果越差。从而,可以根据每张图片的PSNR及每张图片对应的放大图片的PSNR,确定设备对图片的放大效果。
作为一种可能的实现方式,可以在将待处理图片集中的每张图片处理完成之后,确定待处理图片集中每张图片对应的放大图片的PSNR与每张图片的PSNR之间的差值的平均值,(即待处理图片集的平均放大效果),进而将平均放大效果作为衡量设备的性能的两个指标。也就是说,每张图片对应的当放大图片的PSNR与每张图片的PSNR之间的差值的平均值越大,则设备的性能越好;平均处理时间越长、每张图片对应的放大图片的PSNR与每张图片的PSNR之间的差值的平均值越小,设备的性能越差。
作为一种可能的实现方式,还可以将设备每秒钟处理图片的数量和设备对图片进行放大的性能稳定性作为衡量设备性能的指标。即在本申请实施例一种可能的实现形式中,上述步骤103,可以包括:
根据图片集中,每张图片对应的放大图片的峰值信噪比与每张图片的峰值信噪比的差值,确定信噪比差值的均方差;
根据图片集中,每张图片的处理时间,确定设备画面每秒传输的帧数。
在本申请实施例中,衡量设备性能的指标,可以包括处理速度和对图片进行放大的性能稳定性两个方面。由于每张图片的处理时间可以反映出设备对图片进行放大的处理速度,而每张图片对应的放大图片的峰值信噪比与每张图片的峰值信噪比的差值的均方差可以反映设备对图片进行放大的性能稳定性,从而可以在利用目标超分辨率的超深网络模型对待处理图片集中的每张图片进行放大处理时,记录目标超分辨率的超深网络模型对每张图片的处理时间,以用于衡量设备对图片进行放大的处理速度。
其中,处理时间,是指目标超分辨率的超深网络模型开始处理一张图片至生成该图片对应的放大图片所需的时间。也就是说,处理时间可以反映出当前所在的设备的处理速度。
其中,画面每秒传输帧数(Frame Per Second,简称FPS),是指动画或视频的画面数。在本申请实施例中,可以用于表示当前所在设备对应的目标超分辨率的超深网络模型每秒处理的图片数量,可以通过公式(1)计算:
其中,n为待处理图片集总图片数量,Ti为待处理图片集中第i张图片的处理时间,i为待处理图片集中图片的序号。
通过公式(1)可以看出,本申请实施例中的FPS为待处理图片集中每张图片的处理时间的倒数的平均值。
在本申请实施例中,还可以通过每张图片对应的放大图片与每张图片的峰值信噪比的差值的均方差,衡量设备对图片进行放大时的性能稳定性。即可以根据待处理图片集中每张图片的PSNR与每张图片对应的放大图片的PSNR,确定每张图片对应的放大图片的PSNR与每张图片的PSNR之间的差值,进而确定出信噪比差值的均方差。信噪比差值的均方差,可以通过公式(2)、公式(3)和公式(4)计算:
Ti=bi-ai (3)
其中,σ为信噪比差值的均方差,n为待处理图片集总图片数量,Ti为待处理图片集中第i张图片对应的放大图片的PSNR与第i张图片的PSNR的差值,T为待处理图片集中所有图片对应的PSNR差值的平均值,ai为待处理图片集中第i张图片的PSNR,bi为待处理图片集中第i张图片对应的放大图片的PSNR,i为待处理图片集中图片的序号。
在本申请实施例中,由于信噪比差值的均方差可以反映信噪比差值的离散程度,从而可以用于衡量设备对图片进行放大的性能稳定性。在将设备的FPS和设备对待处理图片集进行放大处理的信噪比差值的均方差作为衡量设备性能的两个指标时,FPS越大、信噪比差值的均方差越小,设备的性能越好;FPS越小、信噪比差值的均方差越大,设备的性能越差。
本申请实施例提供的设备性能测试方法,通过在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的、包括多张图片的图片集,并利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,以获取每张图片对应的放大图片,进而根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。由此,通过利用目标超分辨率的超深网络模型对设备中的图片集进行放大处理,以根据目标超分辨率的超深网络模型对图片进行放大处理的性能稳定性,确定设备的AI性能,从而实现了通过数字化指标衡量设备的AI性能,有助于用户直观了解设备的AI性能。
在本申请一种可能的实现形式中,由于不同类型的设备的运行环境、软硬件配置等都可能不同,从而运行目标超分辨率的超深网络模型的资源接口也可能是不同的,因此可以根据设备的类型确定并初始化设备资源接口。
下面结合图2,对本申请实施例提供的设备性能测试方法进行进一步说明。
图2为本申请实施例所提供的另一种设备性能测试方法的流程示意图。
如图2所示,该设备性能测试方法,包括以下步骤:
步骤201,在获取到设备性能测试请求时,确定当前所在设备的类型。
上述步骤201的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤202,根据设备的类型,确定运行目标超分辨率的超深网络模型所需的设备资源。
步骤203,初始化设备资源接口。
在本申请实施例中,由于不同类型的设备运行环境、软硬件配置等都可能具有一定差异,因此,在确定出当前所在设备的类型之后,可以根据设备的类型确定当前所在的设备是否支持目标超分辨率的超深网络模型,若支持,则进一步确定运行目标超分辨率的超深网络模型所需的设备资源,并初始化设备资源接口。
举例来说,若当前的应用场景为对设备的AI性能进行测试,则可以首先根据当前所在设备的类型确定当前所在设备对AI功能的支持情况,并在当前所在设备支持AI功能时,确定当前所在设备中的AI处理接口(即运行目标超分辨率的超深网络模型所需的设备资源接口),并初始化AI处理接口,以使目标超分辨率的超深网络模型可以通过AI处理接口获取所需的设备资源。
步骤204,根据设备的类型,获取目标超分辨率的超深网络模型及待处理的图片集,其中,图片集中包括多张图片。
上述步骤204的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤205,通过设备资源接口,调用设备资源运行目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,获取每张图片对应的放大图片。
在本申请实施例中,在利用目标超分辨率的超深网络模型对每张图片进行分类处理时,可以通过确定的设备资源接口调用设备资源,以运行目标超分辨率的超深网络模型。
上述步骤205中利用目标超分辨率的超深网络模型对每张图片放大处理,并获取每张图片对应的放大图片的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤206,根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。
上述步骤206的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
本申请实施例提供的设备性能测试方法,通过在获取到设备性能测试请求时,确定当前所在设备的类型,并根据设备类型确定运行目标超分辨率的超深网络模型所需的设备资源以及初始化设备资源接口,之后根据设备的类型,确定目标超分辨率的超深网络模型及待处理的图片集,进而通过设备资源接口,调用设备资源运行目标超分辨率的超深网络模型,对每张图片进行处理,确定每张图片对应的放大图片,以根据每张图片的PSNR及每张图片对应的放大图片的PSNR,确定设备的性能。由此,通过利用与设备匹配的目标超分辨率的超深网络模型对设备中的图片集进行放大处理,以根据目标超分辨率的超深网络模型对图片进行放大处理的性能稳定性,确定设备的AI性能,并根据设备类型确定运行目标超分辨率的超深网络模型所需的设备资源接口,从而不仅实现了通过数字化指标衡量设备的AI性能,有助于用户直观了解设备的AI性能,而且保证了目标超分辨率的超深网络模型可以在设备中成功运行。
在本申请一种可能的实现形式中,在设备的性能进行测试时,还可以在设备的输出装置中反馈性能测试的过程和结果,以提高设备性能测试的友好性和可交互性。
下面结合图3,对本申请实施例提供的设备性能测试方法进行进一步说明。
图3为本申请实施例所提供的再一种设备性能测试方法的流程示意图。
如图3所示,该设备性能测试方法,包括以下步骤:
步骤301,在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的图片集,其中,图片集中包括多张图片。
步骤302,利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,获取每张图片对应的放大图片。
上述步骤301-302的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤303,在设备显示屏中,显示目标超分辨率的超深网络模型当前处理的图片及对应的放大图片。
其中,当前处理的图片对应的放大图片,是指对目标超分辨率的超深网络模型对当前处理的图片进行放大处理所生成的图片。
在本申请实施例中,若当前所在设备中包括显示屏,则可以在设备的显示屏中显示对当前所在设备进行性能测试的过程及测试结果。因此,可以将目标超分辨率的超深网络模型当前处理的图片及对应的放大图片在显示屏中显示,从而提高了测试界面的友好性和可交互性。
作为一种可能的实现方式,可以将设备显示屏的显示区域划分为两个子区域,并在其中一个子区域中显示当前处理的图片,在另一个子区域中显示当前处理的图片对应的放大图片。其中,显示的放大图片可以是当前处理的图片对应的完整的放大图片,也可以是当前处理的图片对应的局部放大图片,实际使用时,可以根据具体的应用场景和设备显示屏的尺寸等确定,本申请实施例对此不做限定。
举例来说,如图4所示,为一种在设备显示屏中显示当前处理的图片及对应的放大图片的示意图,其中,第一预设区域为显示屏显示区域中的一个子区域,第二预设区域为显示屏显示区域中与第一预设区域不同的另一个子区域,从而可以在第一预设区域中显示当前处理的图片,在第二预设区域中显示当前处理图片对应的放大图片。
进一步的,待处理图片集中的图片还可以是预设视频中的帧图片,从而可以一边播放预设视频,一边利用目标超分辨率的超深网络模型对预设视频的帧图片进行处理,并显示放大后的帧图片。即在本申请实施例一种可能的实现形式中,上述图片集中的多张图片为预设视频中的帧图片;相应的,上述步骤304,可以包括:
在显示屏的第一预设区域播放预设视频;
在显示屏的第二预设区域,显示第一预设区域显示的帧图片对应的局部放大图片。
其中,预设视频,可以是任意可以放大的视频,比如,可以是监控视频。
作为一种可能的实现方式,待处理的图片集中的图片可以是预设视频中的帧图片,从而可以在对设备的性能进行测试时,在显示屏的第一预设区域播放预设视频,并对利用目标超分辨率的超深网络模型对当前正在播放的帧图片进行放大处理,进而在第二预设区域中显示帧图片对应的局部放大图片,如图5所示。
作为一种可能的实现方式,待处理的图片集中的图片还可以是从预设视频中筛选的部分帧图片。比如,预设视频为某路口的交通监控视频,则待处理的图片集中的图片可以是包含交通违法行为的帧图片;相应的,第二预设区域中显示的局部放大图片可以是帧图片中违法行为的细节放大图。
作为一种可能的实现方式,还可以在第二预设区域中以列表的形式,显示多张帧图片对应的局部放大图片,如图6所示。在需要进行放大的帧图片较多,导致第二预设区域无法完全显示所有帧图片对应的局部放大图片时,可以将当前第二预设区域中最先显示的局部放大图片移出显示屏,并依次移动其他局部放大图片的显示位置,以将当前处理的帧图片对应的局部放大图片显示在第二预设区域空余出的显示区域中。若显示屏为触摸屏,则还可以在获取到显示屏的第二预设区域中发生滑动操作时,根据滑动操作的滑动方向,显示隐藏的帧图片对应的局部放大图片。
举例来说,如图6所示,显示屏的第二预设区域中只可以显示4张帧图片对应的局部放大图片,当前第二预设区域中显示帧图片1至帧图片4对应的局部放大图片,当前正在处理的帧图片为帧图片5,则可以在生成帧图片5对应的局部放大图片时,将帧图片1对应的局部放大图片移出显示屏,并将帧图片2、3、4分别对应的局部放大图片的显示位置依次上移,并在帧图片4对应的局部放大图片之前的显示位置显示帧图片5对应的局部放大图片,如图7所示。
步骤304,根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。
上述步骤304的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤305,在显示屏中,显示设备的性能。
在本申请实施例中,若当前所在设备包括显示屏,在确定出当前所在设备的性能之后,可以在显示屏中显示设备的性能。
举例来说,设备的性能仅包括信噪比差值的均方差一个参数,确定出的设备的信噪比差值的均方差为Y,对设备的性能进行显示的示意图如图8所示;又如,设备的性能包括FPS和信噪比差值的均方差,确定出的设备的FPS为X,信噪比差值的均方差为Y,对设备的性能进行显示的示意图如图9所示。
本申请实施例提供的设备性能测试方法,通过在获取到设备性能测试请求时,确定目标超分辨率的超深网络模型及待处理的图片集,并利用目标超分辨率的超深网络模型,对每张图片进行处理,获取每张图片对应的放大图片,之后在设备显示屏中,显示目标超分辨率的超深网络模型当前处理的图片及对应的放大图片,进而根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能并在显示屏中显示。由此,通过利用目标超分辨率的超深网络模型对设备中的图片集进行放大处理,以根据目标超分辨率的超深网络模型对图片进行放大处理的性能稳定性,确定设备的AI性能,并在设备的显示屏中显示性能测试的过程和结果,从而不仅实现了通过数字化指标衡量设备的AI性能,有助于用户直观了解设备的AI性能,而且提高了测试界面的友好性和可交互性。
为了实现上述实施例,本申请还提出一种设备性能测试装置。
图10为本申请实施例提供的一种设备性能测试装置的结构示意图。
如图10所示,该设备性能测试装置40,包括:
获取模块41,用于在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的图片集,其中,图片集中包括多张图片;
处理模块42,用于利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,获取每张图片对应的放大图片;
第一确定模块43,用于根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。
在实际使用时,本申请实施例提供的设备性能测试装置,可以被配置在任意电子设备中,以执行前述设备性能测试方法。
本申请实施例提供的设备性能测试装置,通过在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的、包括多张图片的图片集,并利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,以获取每张图片对应的放大图片,进而根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。由此,通过利用目标超分辨率的超深网络模型对设备中的图片集进行放大处理,以根据目标超分辨率的超深网络模型对图片进行放大处理的性能稳定性,确定设备的AI性能,从而实现了通过数字化指标衡量设备的AI性能,有助于用户直观了解设备的AI性能。
在本申请一种可能的实现形式中,上述获取模块41,具体用于:
在获取到设备性能测试请求时,确定当前所在设备的类型;
根据设备的类型,获取目标超分辨率的超深网络模型及待处理的图片集。
进一步的,在本申请另一种可能的实现形式中,上述设备性能测试装置40,还包括:
第二确定模块,用于根据设备的类型,确定运行超分辨率的超深网络模型所需的设备资源;
初始化模块,用于初始化设备资源接口;
相应的,上述处理模块42,具体用于:
通过设备资源接口,调用设备资源运行目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理。
进一步的,在本申请再一种可能的实现形式中,上述设备包含显示屏;上述设备性能测试装置40,还包括:
第一显示模块,用于在设备显示屏中,显示目标超分辨率的超深网络模型当前处理的图片及对应的放大图片。
进一步的,在本申请又一种可能的实现形式中,上述第一显示模块,具体用于:
在显示屏的第一预设区域播放预设视频;
在显示屏的第二预设区域,显示第一预设区域显示的帧图片对应的局部放大图片。
进一步的,在本申请又一种可能的实现形式中,上述设备性能测试装置40,还包括:
第二显示模块,用于在显示屏中,显示设备的性能。
进一步的,在本申请另一种可能的实现形式中,上述设备性能测试装置40,还包括:
训练模块,用于基于预设的开源软件及预设开源数据集,训练初始超分辨率的超深网络模型;
转换模块,用于利用各设备商的模型转换工具,将初始超分辨率的超深网络模型,分别转换为与各类型设备对应的各目标超分辨率的超深网络模型。
进一步的,在本申请再一种可能的实现形式中,上述设备性能测试装置40,还包括:
第三确定模块,用于确定利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理时,每张图片的处理时间;
相应的,上述第一确定模块43,具体用于:
根据图片集中,每张图片对应的放大图片的峰值信噪比与每张图片的峰值信噪比的差值,确定信噪比差值的均方差;
根据图片集中,每张图片的处理时间,确定设备画面每秒传输的帧数。
需要说明的是,前述对图1、图2、图3所示的设备性能测试方法实施例的解释说明也适用于该实施例的设备性能测试装置40,此处不再赘述。
本申请实施例提供的设备性能测试装置,通过在获取到设备性能测试请求时,确定目标超分辨率的超深网络模型及待处理的图片集,并利用目标超分辨率的超深网络模型,对每张图片进行处理,获取每张图片对应的放大图片,之后在设备显示屏中,显示目标超分辨率的超深网络模型当前处理的图片及对应的放大图片,进而根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能并在显示屏中显示。由此,通过利用目标超分辨率的超深网络模型对设备中的图片集进行放大处理,以根据目标超分辨率的超深网络模型对图片进行放大处理的性能稳定性,确定设备的AI性能,并在设备的显示屏中显示性能测试的过程和结果,从而不仅实现了通过数字化指标衡量设备的AI性能,有助于用户直观了解设备的AI性能,而且提高了测试界面的友好性和可交互性。
为了实现上述实施例,本申请还提出一种电子设备。
图11为本发明一个实施例的电子设备的结构示意图。
如图11所示,上述电子设备200包括:
存储器210及处理器220,连接不同组件(包括存储器210和处理器220)的总线230,存储器210存储有计算机程序,当处理器220执行所述程序时实现本申请实施例所述的设备性能测试方法。
总线230表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备200典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备200访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器210还可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)240和/或高速缓存存储器250。电子设备200可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统260可以用于读写不可移动的、非易失性磁介质(图11未显示,通常称为“硬盘驱动器”)。尽管图11中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线230相连。存储器210可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块270的程序/实用工具280,可以存储在例如存储器210中,这样的程序模块270包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块270通常执行本申请所描述的实施例中的功能和/或方法。
电子设备200也可以与一个或多个外部设备290(例如键盘、指向设备、显示器291等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口292进行。并且,电子设备200还可以通过网络适配器293与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器293通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器220通过运行存储在存储器210中的程序,从而执行各种功能应用以及数据处理。
需要说明的是,本实施例的电子设备的实施过程和技术原理参见前述对本申请实施例的设备性能测试方法的解释说明,此处不再赘述。
本申请实施例提供的电子设备,可以执行如前所述的设备性能测试方法,通过在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的、包括多张图片的图片集,并利用目标超分辨率的超深网络模型,对待处理图片集中的每张图片进行处理,以获取每张图片对应的放大图片,进而根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定设备的性能。由此,通过利用目标超分辨率的超深网络模型对设备中的图片集进行放大处理,以根据目标超分辨率的超深网络模型对图片进行放大处理的性能稳定性,确定设备的AI性能,从而实现了通过数字化指标衡量设备的AI性能,有助于用户直观了解设备的AI性能。
为了实现上述实施例,本申请还提出一种计算机可读存储介质。
其中,该计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,以实现本申请实施例所述的设备性能测试方法。
为了实现上述实施例,本申请再一方面实施例提供一种计算机程序,该程序被处理器执行时,以实现本申请实施例所述的设备性能测试方法。
一种可选实现形式中,本实施例可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户电子设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种设备性能测试方法,其特征在于,包括:
获取目标超分辨率的超深网络模型及待处理的图片集,其中,所述图片集中包括多张图片;
利用所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理,获取每张图片对应的放大图片;
根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定所述设备的性能。
2.如权利要求1所述的方法,其特征在于,所述在获取到设备性能测试请求时,获取目标超分辨率的超深网络模型及待处理的图片集,包括:
在获取到所述设备性能测试请求时,确定当前所在设备的类型;
根据所述设备的类型,获取目标超分辨率的超深网络模型及待处理的图片集。
3.如权利要求2所述的方法,其特征在于,所述确定当前所在设备的类型之后,还包括:
根据所述设备的类型,确定运行所述超分辨率的超深网络模型所需的设备资源;
初始化所述设备资源接口;
所述利用所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理,包括:
通过所述设备资源接口,调用设备资源运行所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理。
4.如权利要求1所述的方法,其特征在于,所述设备包含显示屏;
所述方法,还包括:
在所述设备显示屏中,显示所述目标超分辨率的超深网络模型当前处理的图片及对应的放大图片。
5.如权利要求4所述的方法,其特征在于,所述图片集中的多张图片为预设视频中的帧图片;
在所述设备显示屏中,显示所述目标超分辨率的超深网络模型当前处理的图片及对应的放大图片,包括:
在所述显示屏的第一预设区域播放所述预设视频;
在所述显示屏的第二预设区域,显示所述第一预设区域显示的帧图片对应的局部放大图片。
6.如权利要求2所述的方法,其特征在于,所述根据所述设备的类型,获取目标超分辨率的超深网络模型之前,还包括:
基于预设的开源软件及预设开源数据集,训练初始超分辨率的超深网络模型;
利用各设备商的模型转换工具,将所述初始超分辨率的超深网络模型,分别转换为与各类型设备对应的各目标超分辨率的超深网络模型。
7.如权利要求1-6任一所述的方法,其特征在于,所述确定所述设备的性能之前,还包括:
确定利用所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理时,每张图片的处理时间;
所述确定所述设备的性能,包括:
根据所述图片集中,每张图片对应的放大图片的峰值信噪比与每张图片的峰值信噪比的差值,确定信噪比差值的均方差;
根据所述图片集中,每张图片的处理时间,确定所述设备画面每秒传输的帧数。
8.一种设备性能测试装置,其特征在于,包括:
获取模块,用于获取目标超分辨率的超深网络模型及待处理的图片集,其中,所述图片集中包括多张图片;
处理模块,用于利用所述目标超分辨率的超深网络模型,对所述待处理图片集中的每张图片进行处理,获取每张图片对应的放大图片;
第一确定模块,用于根据每张图片的峰值信噪比及每张图片对应的放大图片的峰值信噪比,确定所述设备的性能。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的设备性能测试方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的设备性能测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911348945.1A CN110992360B (zh) | 2019-12-24 | 2019-12-24 | 设备性能测试方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911348945.1A CN110992360B (zh) | 2019-12-24 | 2019-12-24 | 设备性能测试方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992360A true CN110992360A (zh) | 2020-04-10 |
CN110992360B CN110992360B (zh) | 2024-01-23 |
Family
ID=70076284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911348945.1A Active CN110992360B (zh) | 2019-12-24 | 2019-12-24 | 设备性能测试方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992360B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080088743A1 (en) * | 2006-10-16 | 2008-04-17 | Nokia Corporation | Method, electronic device, system, computer program product and circuit assembly for reducing error in video coding |
WO2017206322A1 (zh) * | 2016-06-03 | 2017-12-07 | 深圳市樊溪电子有限公司 | 天文图像噪声去除方法 |
CN108898549A (zh) * | 2018-05-29 | 2018-11-27 | Oppo广东移动通信有限公司 | 图片处理方法、图片处理装置及终端设备 |
WO2018214698A1 (zh) * | 2017-05-23 | 2018-11-29 | 华为技术有限公司 | 一种视频信息的呈现方法和装置 |
CN108920591A (zh) * | 2018-06-27 | 2018-11-30 | Oppo广东移动通信有限公司 | 回忆视频创建方法及相关装置 |
CN109033273A (zh) * | 2018-07-10 | 2018-12-18 | Oppo广东移动通信有限公司 | 播放帧数设置方法及相关设备 |
CN109215372A (zh) * | 2018-10-15 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 路网信息更新方法、装置及设备 |
US10360695B1 (en) * | 2017-06-01 | 2019-07-23 | Matrox Graphics Inc. | Method and an apparatus for enabling ultra-low latency compression of a stream of pictures |
CN110210290A (zh) * | 2019-04-22 | 2019-09-06 | 平安科技(深圳)有限公司 | 人脸图片采集方法、装置和计算机设备 |
CN110232719A (zh) * | 2019-06-21 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
CN110428378A (zh) * | 2019-07-26 | 2019-11-08 | 北京小米移动软件有限公司 | 图像的处理方法、装置及存储介质 |
-
2019
- 2019-12-24 CN CN201911348945.1A patent/CN110992360B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080088743A1 (en) * | 2006-10-16 | 2008-04-17 | Nokia Corporation | Method, electronic device, system, computer program product and circuit assembly for reducing error in video coding |
WO2017206322A1 (zh) * | 2016-06-03 | 2017-12-07 | 深圳市樊溪电子有限公司 | 天文图像噪声去除方法 |
WO2018214698A1 (zh) * | 2017-05-23 | 2018-11-29 | 华为技术有限公司 | 一种视频信息的呈现方法和装置 |
US10360695B1 (en) * | 2017-06-01 | 2019-07-23 | Matrox Graphics Inc. | Method and an apparatus for enabling ultra-low latency compression of a stream of pictures |
CN108898549A (zh) * | 2018-05-29 | 2018-11-27 | Oppo广东移动通信有限公司 | 图片处理方法、图片处理装置及终端设备 |
CN108920591A (zh) * | 2018-06-27 | 2018-11-30 | Oppo广东移动通信有限公司 | 回忆视频创建方法及相关装置 |
CN109033273A (zh) * | 2018-07-10 | 2018-12-18 | Oppo广东移动通信有限公司 | 播放帧数设置方法及相关设备 |
CN109215372A (zh) * | 2018-10-15 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 路网信息更新方法、装置及设备 |
CN110210290A (zh) * | 2019-04-22 | 2019-09-06 | 平安科技(深圳)有限公司 | 人脸图片采集方法、装置和计算机设备 |
CN110232719A (zh) * | 2019-06-21 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
CN110428475A (zh) * | 2019-06-21 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
CN110428378A (zh) * | 2019-07-26 | 2019-11-08 | 北京小米移动软件有限公司 | 图像的处理方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
JIWON KIM等: "Accurate Image Super-Resolution Using Very Deep Convolutional Networks", pages 1646 - 1654 * |
孙互兴: "基于深度学习的单帧图像超分辨率重建算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2, pages 138 - 1886 * |
Also Published As
Publication number | Publication date |
---|---|
CN110992360B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8549478B2 (en) | Graphical user interface input element identification | |
US5343409A (en) | System and method for probing object resources in a window server environment | |
CN111126487A (zh) | 设备性能测试方法、装置及电子设备 | |
CN109255767B (zh) | 图像处理方法和装置 | |
JP2008293486A (ja) | ソースコード解析機器、解析プログラムおよび解析方法 | |
KR20210058768A (ko) | 객체 라벨링 방법 및 장치 | |
JP2012103786A (ja) | テスト支援装置、制御方法、及びプログラム | |
CN112989151B (zh) | 数据血缘关系展示方法、装置、电子设备及存储介质 | |
CN111124920A (zh) | 设备性能测试方法、装置及电子设备 | |
CN111310793A (zh) | 一种医学图像分类方法、装置、移动终端及介质 | |
CN111124863B (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN112306447A (zh) | 一种界面导航方法、装置、终端和存储介质 | |
CN111190791A (zh) | 应用异常上报方法、装置和电子设备 | |
CN110992360B (zh) | 设备性能测试方法、装置及电子设备 | |
CN111124862B (zh) | 智能设备性能测试方法、装置及智能设备 | |
RU2754641C2 (ru) | Способ и устройство для определения направления вращения целевого объекта, считываемый компьютером носитель и электронное устройство | |
WO2023273621A1 (zh) | 脚本生成方法、装置、设备及介质 | |
CN114598610B (zh) | 网络业务规则识别 | |
CN111125564A (zh) | 热力图生成方法、装置、计算机设备及存储介质 | |
CN111176925B (zh) | 设备性能测试方法、装置及电子设备 | |
CN111696154B (zh) | 坐标定位方法、装置、设备及存储介质 | |
US11501172B2 (en) | Accurately identifying members of training data in variational autoencoders by reconstruction error | |
CN112819760A (zh) | 一种图像检测方法、装置和系统 | |
CN111083552A (zh) | 一种缩略图生成方法、装置、设备和介质 | |
CN111262727A (zh) | 服务的扩容方法、装置、设备及存储介质 |
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 |