CN111507393A - 一种基于拉普拉斯特征映射学习的显卡接口机器测试方法 - Google Patents

Abstract

本发明公开了一种基于拉普拉斯特征映射学习的显卡接口机器测试方法，按照如下步骤进行：步骤1：用相应类型线材将待测产品连接到视频采集器；步骤2：播放测试视频，视频采集器收集显示接口输出信息，并上传至工业上位机；步骤3：工业上位机对显卡接口信息进行解码，并保存帧图像；步骤4：对所述帧图像的行和列分别进行拉普拉斯特征映射降维预处理；步骤5：将上述分析后的图像作为机器学习分类器的输入，从而得到检测结果。本发明能够兼容各种类型的接口，无需配备对应接口的显示器，利用视频采集器和工业上位机完成接口信息的采集与解码，降低了物力成本。

Description

一种基于拉普拉斯特征映射学习的显卡接口机器测试方法

技术领域

本发明属于显卡接口测试领域，具体涉及一种显卡接口的自动化测试方法。

背景技术

在显卡接口测试领域中，通常需要将待测产品接到具备对应类型接口的显示 器，然后播放测试视频，由人工来检查视频显示质量是否合格。不仅在设备上需 要配备各种接口类型的显示器，人工检查也存在因人工失误和检测时间长而影响 生产效率。尤其是近年来市场对画质的要求不断提高，需要更高性能的显示器， 人工肉眼检查也更难分辨细小的瑕疵，因此需要大量的人力物力成本。为此，本 发明采用配备复合接口视频采集器的工业上位机替代显示器，通过视频采集器收 集显卡接口输出信号，并在上位机中进行解码，结合机器学习方法实现视频质量 的自动分类。

发明内容

为克服上述困难，本发明提供一种显卡接口的自动化测试方法，包括以下步 骤：

1.一种基于拉普拉斯特征映射学习的显卡接口机器测试方法，按照如下步骤 进行：

步骤1：用相应类型线材将待测产品连接到视频采集器；

步骤2：播放测试视频，视频采集器收集显示接口输出信息，并上传至工业 上位机；

步骤3：工业上位机对显卡接口信息进行解码，并保存帧图像；

步骤4：对所述帧图像的行和列分别进行拉普拉斯特征映射降维预处理，其 目的是降低数据维度，提高检测速率；

首先每一帧图像都可以被数字化为一个m×n的矩阵A，矩阵A中的每一个 元素都表示图片中的一个像素，帧图像一共有mn个像素，m和n的大小是由测 试视频的分辨率决定的；为了实现拉普拉斯特征映射降维，将图像A重新排列组 合为如下向量形式

z＝[A_v1 A_v2…A_vn]^T

其中A_v1 A_v2…A_vn表示图像A的列向量；然后将z放入历史数据集当中进行 拉普拉斯特征映射降维处理；

步骤5：将上述分析后的图像作为机器学习分类器的输入，从而得到检测结 果；选择三层神经网络作为机器学习分类器的训练模型，训练数据S＝(z_kl,y_l)则 由标记好的历史的检测数据得到，其中y_l＝1表示z_kl质量不合格，y_l＝0则表示 z_kl质量合格；

神经网络的输入层由k个神经元组成，即对应图像A降维后的k个元素，隐 藏层由p个神经元组成，其输出为

ω_h对应每个隐藏层神经元的偏置，ω_hi对应输入u_i到神经元t_h的权重，σ则是激 活函数

最后输出层由2个神经元组成，分别代表合格与不合格； 其表达式为

其中v_j为对应输出的偏置，v_jh为对应输入t_h到输出

的权重。

拉普拉斯特征映射(Laplacian Eigenmaps，LE)是一种非线性的降维方法， 用局部的角度去构建数据之间的关系，可以反映出数据内在的流形结构。它的直 观思想是希望相互间有关系的点在降维后的空间中尽可能的靠近，优选的步骤4 中的

拉普拉斯特征映射最小化的目标函数是

其中

为z⁽ⁱ⁾降到k维后的点，w_ij是测量样本z⁽ⁱ⁾和z^(j)之间 的连接权重；w_ij是根据两个样本点是否接近来确定的，首先利用KNN方法确定 是否在样本z⁽ⁱ⁾与z^(j)之间设置边连接，若z⁽ⁱ⁾在z^(j)的k个最近邻居中，则将z⁽ⁱ⁾和 z^(j)相连，k是一个预先设定的值，或者设定合适的ε，将||z⁽ⁱ⁾-z^(j)||²≤ε的节点 相连接；然后确定权重大小，采用Heat kernel函数，将相连节点的权重设置为

这里的t为预先设定的值，或令t＝∞，将所有相连节点的权重设 为w_ij＝1，其他未连接的均为0；最终可以得到一个对称邻接矩阵W。

通过最小化目标函数公式(1)，保证了相近的z⁽ⁱ⁾和z^(j)映射后u⁽ⁱ⁾和u^(j)两点 仍能够保持相近。优选的目标函数经过整理后可以表示为如下二次型的形式

其中u＝(u⁽¹⁾,u⁽²⁾,…,u⁽ⁿ⁾)^T，L＝D-W为拉普拉斯矩阵，D是一个对角矩阵，满 足D_ii＝∑_jw_ij，W是一个对称邻接矩阵，且拉普拉斯矩阵L是半正定的；

最终求解如下最小化问题

其中约束u^TDu＝1避免了缩放的影响，最小化目标函数的向量u由广义特征值问题的最小特征值解给出：

Lu＝λDu (4)

求解得到的非零特征值所对应的特征向量就是降维后的输出。

优选的，步骤5：最后通过求解以下最优化问题来训练得到权重ω_hi，v_jh和 偏置ω_h，v_j

其中y_lj为样本A_kl的标签，N为历史数据的样本数；最后，将待测产品的显 卡接口输出图像作为输入，得到最终的检测结果。

本发明的优势主要体现在：能够兼容各种类型的接口，无需配备对应接口的 显示器，利用视频采集器和工业上位机完成接口信息的采集与解码，降低了物力 成本。在检测方面，结合了主成分分析与机器学习方法，实现了快速高效的视频 质量自动化检测，降低了人力成本，同时提高了效率。

附图说明

图1为本发明一种显卡接口的自动化测试方法流程图。

图2为本发明一种显卡接口的自动化测试方法框架图。

具体实施方式

下面结合附图1，2对本发明做进一步说明。

步骤1：用相应类型线材将待测产品连接安装了视频采集卡的工业上位机；

步骤2：播放测试视频，视频采集卡采集待测产品的显卡接口信息并发送到 所述工业上位机

步骤3：所述工业上位机对所述显卡接口信息解码生成并保存帧图像；

步骤4：对所述帧图像的行和列分别进行拉普拉斯特征映射降维预处理，其 目的是降低数据维度，提高检测速率。首先每一帧图像都可以被数字化为一个 m×n的矩阵A，矩阵A中的每一个元素都表示图片中的一个像素，帧图像一共 有mn个像素，m和n的大小是由测试视频的分辨率决定的。为了实现拉普拉斯 特征映射降维，将图像A重新排列组合为如下向量形式

z＝[A_v1 A_v2…A_vn]^T

其中A_v1 A_v2…A_vn表示图像A的列向量。然后将z放入历史数据集当中进行 拉普拉斯特征映射降维处理。

首先，构造邻接矩阵W：

然后，根据邻接矩阵W，计算对角矩阵D

D_ii＝∑_jw_ij

最后，得到拉普拉斯矩阵L＝D-W，最终求解如下最小化问题

其中约束u^TDu＝1避免了缩放的影响，最小化目标函数的向量u由广义特征值问题的最小特征值解给出：

Lu＝λDu

求解得到的非零特征值所对应的特征向量就是降维后的输出。

步骤5：将上述降维处理后的图像作为机器学习分类器的输入，从而得到检 测结果。其中，选择三层神经网络作为机器学习分类器的训练模型，训练数据 S＝(z_kl,y_l)则由标记好的历史的检测数据得到，其中y_l＝1表示z_kl质量不合格， y_l＝0则表示z_kl质量合格。

神经网络的输入层由k个神经元组成，即对应图像A降维后的k个元素，隐 藏层由p个神经元组成，其输出为

ω_h对应每个隐藏层神经元的偏置，ω_hi对应输入u_i到神经元t_h的权重，σ则是激 活函数

最后输出层由2个神经元组成，分别代表合格与不合格。

其表达式为

其中v_j为对应输出的偏置，v_jh为对应输入t_h到输出

的权重。最后通过求解以 下最优化问题来训练得到权重ω_hi，v_jh和偏置ω_h，v_j

其中y_lj为样本A_kl的标签。

最后，将待测产品的显卡接口输出图像作为输入，机器学习分类器输出合格 或者不合格的分类结果。

如上所述，便可较好地实现本发明，上述实施例仅为本发明的典型实施例， 并非用来限定本发明的实施范围，即凡依本发明内容所作的均等变化与修饰，都 为本发明权利要求所要求保护的范围所涵盖。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想 到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围 应该以权利要求书的保护范围为准。

Claims (4)

1.一种基于拉普拉斯特征映射学习的显卡接口机器测试方法，其特征在于：

步骤1：用相应类型线材将待测产品连接到视频采集器；

步骤2：播放测试视频，视频采集器收集显示接口输出信息，并上传至工业上位机；

步骤3：工业上位机对显卡接口信息进行解码，并保存帧图像；

步骤4：对所述帧图像的行和列分别进行拉普拉斯特征映射降维预处理；

首先每一帧图像都可以被数字化为一个m×n的矩阵A，矩阵A中的每一个元素都表示图片中的一个像素，帧图像一共有mn个像素，m和n的大小是由测试视频的分辨率决定的；为了实现拉普拉斯特征映射降维，将图像A重新排列组合为如下向量形式

z＝[A_v1 A_v2 … A_vn]^T

其中A_v1 A_v2 … A_vn表示图像A的列向量；然后将z放入历史数据集当中进行拉普拉斯特征映射降维处理；

步骤5：将上述分析后的图像作为机器学习分类器的输入，从而得到检测结果；选择三层神经网络作为机器学习分类器的训练模型，训练数据

则由标记好的历史的检测数据得到，其中y_l＝1表示z_kl质量不合格，y_l＝0则表示z_kl质量合格；

神经网络的输入层由k个神经元组成，即对应图像A降维后的k个元素，隐藏层由p个神经元组成，其输出为

ω_h对应每个隐藏层神经元的偏置，ω_hi对应输入u_i到神经元t_h的权重，σ则是激活函数

最后输出层由2个神经元组成，分别代表合格与不合格；其表达式为

其中v_j为对应输出的偏置，v_jh为对应输入t_h到输出

的权重。

2.根据权利要求1所述的基于拉普拉斯特征映射学习的显卡接口机器测试方法，其特征在于：步骤4中的

拉普拉斯特征映射最小化的目标函数是

其中

为z⁽ⁱ⁾降到k维后的点，w_ij是测量样本z⁽ⁱ⁾和z^(j)之间的连接权重；w_ij是根据两个样本点是否接近来确定的，首先利用KNN方法确定是否在样本z⁽ⁱ⁾与z^(j)之间设置边连接，若z⁽ⁱ⁾在z^(j)的k个最近邻居中，则将z⁽ⁱ⁾和z^(j)相连，k是一个预先设定的值，或者设定合适的ε，将||z⁽ⁱ⁾-z^(j)||²≤ε的节点相连接；然后确定权重大小，采用Heatkernel函数，将相连节点的权重设置为

这里的t为预先设定的值，或令t＝∞，将所有相连节点的权重设为w_ij＝1，其他未连接的均为0；最终可以得到一个对称邻接矩阵W。

3.根据权利要求2所述的基于拉普拉斯特征映射学习的显卡接口机器测试方法，其特征在于：目标函数经过整理后可以表示为如下二次型的形式

其中u＝(u⁽¹⁾,u⁽²⁾,…,u⁽ⁿ⁾)^T，L＝D-W为拉普拉斯矩阵，D是一个对角矩阵，满足D_ii＝∑_jw_ij，W是一个对称邻接矩阵，且拉普拉斯矩阵L是半正定的；

最终求解如下最小化问题

其中约束u^TDu＝1避免了缩放的影响，最小化目标函数的向量u由广义特征值问题的最小特征值解给出：

Lu＝λDu (4)

求解得到的非零特征值所对应的特征向量就是降维后的输出。

4.根据权利要求1所述的基于拉普拉斯特征映射学习的显卡接口机器测试方法，其特征在于步骤5：最后通过求解以下最优化问题来训练得到权重ω_hi，v_jh和偏置ω_h，v_j

其中y_lj为样本A_kl的标签，N为历史数据的样本数；最后，将待测产品的显卡接口输出图像作为输入，得到最终的检测结果。

Images