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
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 Download PDFInfo
- Publication number
- CN111507393A CN111507393A CN202010290292.2A CN202010290292A CN111507393A CN 111507393 A CN111507393 A CN 111507393A CN 202010290292 A CN202010290292 A CN 202010290292A CN 111507393 A CN111507393 A CN 111507393A
- Authority
- CN
- China
- Prior art keywords
- card interface
- image
- laplace
- output
- matrix
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
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
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=[Av1 Av2…Avn]T
其中Av1 Av2…Avn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=(zkl,yl)则 由标记好的历史的检测数据得到,其中yl=1表示zkl质量不合格,yl=0则表示 zkl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
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,wij是测量样本z(i)和z(j)之间 的连接权重;wij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wij=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Dii=∑jwij,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uTDu=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ωhi,vjh和 偏置ωh,vj
其中ylj为样本Akl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=[Av1 Av2…Avn]T
其中Av1 Av2…Avn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
Dii=∑jwij
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uTDu=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=(zkl,yl)则由标记好的历史的检测数据得到,其中yl=1表示zkl质量不合格, yl=0则表示zkl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
其表达式为
其中ylj为样本Akl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=[Av1 Av2 … Avn]T
其中Av1 Av2 … Avn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yl=1表示zkl质量不合格,yl=0则表示zkl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
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
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290292.2A CN111507393B (zh) | 2020-04-14 | 2020-04-14 | 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 |
PCT/CN2020/129654 WO2021208424A1 (zh) | 2020-04-14 | 2020-11-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290292.2A CN111507393B (zh) | 2020-04-14 | 2020-04-14 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507393A true CN111507393A (zh) | 2020-08-07 |
CN111507393B CN111507393B (zh) | 2021-11-09 |
Family
ID=71875911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010290292.2A Active CN111507393B (zh) | 2020-04-14 | 2020-04-14 | 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 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111507393B (zh) |
WO (1) | WO2021208424A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021208424A1 (zh) * | 2020-04-14 | 2021-10-21 | 艾瑞思检测技术(苏州)有限公司 | 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 |
CN114124517A (zh) * | 2021-11-22 | 2022-03-01 | 码客工场工业科技(北京)有限公司 | 一种基于高斯过程的工业互联网入侵检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7113880B1 (en) * | 2004-02-04 | 2006-09-26 | American Megatrends, Inc. | Video testing via pixel comparison to known image |
CN101727373A (zh) * | 2008-10-16 | 2010-06-09 | 和硕联合科技股份有限公司 | 显示卡测试装置及其测试方法 |
US20110099425A1 (en) * | 2009-10-28 | 2011-04-28 | Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd . | System and method for testing graphics card |
CN106384364A (zh) * | 2016-08-31 | 2017-02-08 | 天津大学 | 一种基于lpp‑elm的立体图像质量客观评价方法 |
CN106681868A (zh) * | 2015-11-10 | 2017-05-17 | 技嘉科技股份有限公司 | 图像数据测试方法及系统 |
CN110866891A (zh) * | 2018-08-28 | 2020-03-06 | 株式会社摩如富 | 图像识别装置、图像识别方法及图像识别程序 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777326B (zh) * | 2009-01-09 | 2012-01-18 | 深圳宝龙达信息技术股份有限公司 | 一种vga显卡测试工装及方法 |
CN104023224B (zh) * | 2014-03-31 | 2016-11-16 | 深圳英飞拓科技股份有限公司 | 一种摄像机性能的检测方法、系统及服务器 |
CN108696747B (zh) * | 2018-04-17 | 2019-12-24 | 青岛海信电器股份有限公司 | 一种视频测试方法和装置 |
TWI667576B (zh) * | 2018-07-09 | 2019-08-01 | 國立中央大學 | 機器學習方法及機器學習裝置 |
CN109815855B (zh) * | 2019-01-07 | 2021-04-02 | 中国电子科技集团公司第四十一研究所 | 一种基于机器学习的电子设备自动测试方法及系统 |
CN111507393B (zh) * | 2020-04-14 | 2021-11-09 | 艾瑞思检测技术(苏州)有限公司 | 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 |
-
2020
- 2020-04-14 CN CN202010290292.2A patent/CN111507393B/zh active Active
- 2020-11-18 WO PCT/CN2020/129654 patent/WO2021208424A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7113880B1 (en) * | 2004-02-04 | 2006-09-26 | American Megatrends, Inc. | Video testing via pixel comparison to known image |
CN101727373A (zh) * | 2008-10-16 | 2010-06-09 | 和硕联合科技股份有限公司 | 显示卡测试装置及其测试方法 |
US20110099425A1 (en) * | 2009-10-28 | 2011-04-28 | Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd . | System and method for testing graphics card |
CN106681868A (zh) * | 2015-11-10 | 2017-05-17 | 技嘉科技股份有限公司 | 图像数据测试方法及系统 |
CN106384364A (zh) * | 2016-08-31 | 2017-02-08 | 天津大学 | 一种基于lpp‑elm的立体图像质量客观评价方法 |
CN110866891A (zh) * | 2018-08-28 | 2020-03-06 | 株式会社摩如富 | 图像识别装置、图像识别方法及图像识别程序 |
Non-Patent Citations (1)
Title |
---|
王亮: "基于拉普拉斯特征映射的人耳识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021208424A1 (zh) * | 2020-04-14 | 2021-10-21 | 艾瑞思检测技术(苏州)有限公司 | 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 |
CN114124517A (zh) * | 2021-11-22 | 2022-03-01 | 码客工场工业科技(北京)有限公司 | 一种基于高斯过程的工业互联网入侵检测方法 |
CN114124517B (zh) * | 2021-11-22 | 2024-05-28 | 码客工场工业科技(北京)有限公司 | 一种基于高斯过程的工业互联网入侵检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021208424A1 (zh) | 2021-10-21 |
CN111507393B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111739075B (zh) | 一种结合多尺度注意力的深层网络肺部纹理识别方法 | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN110660052B (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法 | |
CN111598881B (zh) | 基于变分自编码器的图像异常检测方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
WO2021208423A1 (zh) | 一种基于pca学习的显卡接口机器测试方法 | |
CN112102229A (zh) | 一种基于深度学习的工业ct检测缺陷的智能识别方法 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN111160396B (zh) | 一种基于多图结构的图卷积网络的高光谱图像分类方法 | |
CN111507393B (zh) | 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 | |
CN111428862B (zh) | 一种极类不平衡时空联合对流初生短临预报方法 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN114821102A (zh) | 密集柑橘数量检测方法、设备、存储介质及装置 | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
CN114782798A (zh) | 一种基于注意力融合的水下目标检测方法 | |
CN104809471A (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
CN114662976A (zh) | 一种基于卷积神经网络的配电网架空线路状态评估方法 | |
CN113962980A (zh) | 基于改进yolov5x的玻璃容器瑕疵检测方法及系统 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN112926016A (zh) | 一种多变量时间序列变化点检测方法 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
CN111985158A (zh) | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 |
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 |