CN111526357A - 一种基于pca学习的显卡接口机器测试方法 - Google Patents
一种基于pca学习的显卡接口机器测试方法 Download PDFInfo
- Publication number
- CN111526357A CN111526357A CN202010290127.7A CN202010290127A CN111526357A CN 111526357 A CN111526357 A CN 111526357A CN 202010290127 A CN202010290127 A CN 202010290127A CN 111526357 A CN111526357 A CN 111526357A
- Authority
- CN
- China
- Prior art keywords
- image
- card interface
- information
- output
- frame image
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于PCA学习的显卡接口机器测试方法,包括以下步骤:步骤1:用对应型号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:对所述帧图像进行主成分分析,提取图像主要信息;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,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:
步骤1:用对应型号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:对所述帧图像进行主成分分析,提取图像主要信息;
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。对图像A进行奇异值分解,可得:
A=U∑VT
其中U和V分别为AAT和ATA的特征矩阵,∑则为如下形式:
其中,σ1>σ2>…>n>0为A的奇异值,因此,每一帧图像A都可以展开为如下外积形式:
其中,u1…un和v1…vn分别依次对应矩阵U和矩阵V的列向量。
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。其中,选择三层神经网络作为机器学习分类器的训练模型,训练数据则由标记好的历史的检测数据得到,其中yl=1表示Akl质量不合格,yl=0则表示Akl质量合格。
神经网络的输入层由mn个神经元组成,即对应图像A的mn个像素,隐藏层由p个神经元组成,其输出为
其表达式为
最后,将待测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。
优选的,步骤2保留外积形式的前k项从而提取图像主要信息
即保留原图像95%的信息。
优选的,步骤3中: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。
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。
图3为本发明步骤四的仿真结果。
图4为本发明降维不同程度下的检测精度。
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:对所述帧图像进行主成分分析,其目的是提取图像主要信息。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。对图像A进行奇异值分解,可得:
A=U∑VT
其中U和V分别为AAT和ATA的特征矩阵,∑则为如下形式:
其中,σ1>σ2>…>σn>0为A的奇异值,因此,每一帧图像A都可以展开为如下外积形式:
其中,u1…un和v1…vn分别依次对应矩阵U和矩阵V的列向量,保留外积形式的前k项以实现提取图像主要信息的目的
即保留原图像95%的信息,其降维效果如图3所示;
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。其中,选择三层神经网络作为机器学习分类器的训练模型,训练数据则由标记好的历史的检测数据得到,其中yl=1表示Akl质量不合格,yl=0则表示Akl质量合格。这里我们选择了。
神经网络的输入层由mn个神经元组成,即对应图像A的mn个像素,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。
我们选取了过往50个合格产品和50个不合格产品的输出信号,将其PCA降维处理后用于神经网络训练,得到训练好的神经网络分类器。最后,将待测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。选取另外的50个合格产品和50个不合格产品做为测试集,用于检验训练结果,图4显示了不同降维程度下的检测精度,可以发现在提取特征维度在10到25之间时,检测准确率达到了99%,当特征过多或者过少时,检测精度均有所下降。最后,在应用中选取10个特征维度作为降维后的输入,完成100个产品的检测仅需2.3秒,实现了很高的检测效率。
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。
Claims (4)
1.一种基于PCA学习的显卡接口机器测试方法,其特征在于:
步骤1:用对应型号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:对所述帧图像进行主成分分析,提取图像主要信息;
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;对图像A进行奇异值分解,可得:
A=U∑VT
其中U和V分别为AAT和ATA的特征矩阵,∑则为如下形式:
其中,σ1>σ2>…>σn>0为A的奇异值,因此,每一帧图像A都可以展开为如下外积形式:
其中,u1…un和v1…vn分别依次对应矩阵U和矩阵V的列向量;
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;其中,选择三层神经网络作为机器学习分类器的训练模型,训练数据则由标记好的历史的检测数据得到,其中yl=1表示Akl质量不合格,yl=0则表示Akl质量合格;
神经网络的输入层由mn个神经元组成,即对应图像A的mn个像素,隐藏层由p个神经元组成,其输出为
最后,将待测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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290127.7A CN111526357B (zh) | 2020-04-14 | 2020-04-14 | 一种基于pca学习的显卡接口机器测试方法 |
PCT/CN2020/129653 WO2021208423A1 (zh) | 2020-04-14 | 2020-11-18 | 一种基于pca学习的显卡接口机器测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010290127.7A CN111526357B (zh) | 2020-04-14 | 2020-04-14 | 一种基于pca学习的显卡接口机器测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111526357A true CN111526357A (zh) | 2020-08-11 |
CN111526357B CN111526357B (zh) | 2021-06-29 |
Family
ID=71902683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010290127.7A Active CN111526357B (zh) | 2020-04-14 | 2020-04-14 | 一种基于pca学习的显卡接口机器测试方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111526357B (zh) |
WO (1) | WO2021208423A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021208423A1 (zh) * | 2020-04-14 | 2021-10-21 | 艾瑞思检测技术(苏州)有限公司 | 一种基于pca学习的显卡接口机器测试方法 |
CN113852809A (zh) * | 2021-09-27 | 2021-12-28 | 深圳市湘凡科技有限公司 | 一种音视频转发器件的测试系统及测试方法 |
CN114095795A (zh) * | 2021-11-26 | 2022-02-25 | 上海立磐软件科技有限公司 | 移动终端的视频质量检测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033253A (zh) * | 2023-10-10 | 2023-11-10 | 北京轻松怡康信息技术有限公司 | 一种接口测试方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050125369A1 (en) * | 2003-12-09 | 2005-06-09 | Microsoft Corporation | System and method for accelerating and optimizing the processing of machine learning techniques using a graphics processing unit |
CN101515243A (zh) * | 2008-02-21 | 2009-08-26 | 鸿富锦精密工业(深圳)有限公司 | 图形显示卡测试系统及方法 |
KR20100046460A (ko) * | 2008-10-27 | 2010-05-07 | 윤정문 | 컴퓨터용 고장진단장치 |
CN201765586U (zh) * | 2010-08-11 | 2011-03-16 | 名硕电脑(苏州)有限公司 | 显示卡测试系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11284063B2 (en) * | 2012-12-28 | 2022-03-22 | Promptlink Communications, Inc. | Video quality analysis and detection of blockiness, artifacts and color variation for high-volume testing of devices using automated video testing system |
TWI475237B (zh) * | 2013-01-18 | 2015-03-01 | Giga Byte Tech Co Ltd | 多影像訊號之檢測系統及其檢測方法 |
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 |
CN109598695B (zh) * | 2017-09-29 | 2023-04-07 | 南京大学 | 一种基于深度学习网络的无参考图像模糊程度估计方法 |
CN111526357B (zh) * | 2020-04-14 | 2021-06-29 | 艾瑞思检测技术(苏州)有限公司 | 一种基于pca学习的显卡接口机器测试方法 |
-
2020
- 2020-04-14 CN CN202010290127.7A patent/CN111526357B/zh active Active
- 2020-11-18 WO PCT/CN2020/129653 patent/WO2021208423A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050125369A1 (en) * | 2003-12-09 | 2005-06-09 | Microsoft Corporation | System and method for accelerating and optimizing the processing of machine learning techniques using a graphics processing unit |
CN101515243A (zh) * | 2008-02-21 | 2009-08-26 | 鸿富锦精密工业(深圳)有限公司 | 图形显示卡测试系统及方法 |
KR20100046460A (ko) * | 2008-10-27 | 2010-05-07 | 윤정문 | 컴퓨터용 고장진단장치 |
CN201765586U (zh) * | 2010-08-11 | 2011-03-16 | 名硕电脑(苏州)有限公司 | 显示卡测试系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021208423A1 (zh) * | 2020-04-14 | 2021-10-21 | 艾瑞思检测技术(苏州)有限公司 | 一种基于pca学习的显卡接口机器测试方法 |
CN113852809A (zh) * | 2021-09-27 | 2021-12-28 | 深圳市湘凡科技有限公司 | 一种音视频转发器件的测试系统及测试方法 |
CN114095795A (zh) * | 2021-11-26 | 2022-02-25 | 上海立磐软件科技有限公司 | 移动终端的视频质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111526357B (zh) | 2021-06-29 |
WO2021208423A1 (zh) | 2021-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111526357B (zh) | 一种基于pca学习的显卡接口机器测试方法 | |
CN108564049A (zh) | 一种基于深度学习的快速人脸检测识别方法 | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN110363746A (zh) | 一种基于卷积神经网络的超声无损检测信号分类方法 | |
CN106845434B (zh) | 一种基于支持向量机的图像型机房漏水监测方法 | |
CN113506239B (zh) | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 | |
Puno et al. | Quality Assessment of Mangoes using Convolutional Neural Network | |
CN112149616A (zh) | 基于动态信息的人物交互行为识别方法 | |
CN113298780A (zh) | 一种基于深度学习的儿童骨龄评估方法及系统 | |
CN112464762A (zh) | 基于图像处理的农产品筛选系统及其方法 | |
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 | |
CN115147347A (zh) | 一种面向边缘计算的玛钢管件表面缺陷检测的方法 | |
CN115292538A (zh) | 一种基于深度学习的地图线要素提取方法 | |
CN117237736A (zh) | 一种基于机器视觉和深度学习的大曲质量检测方法 | |
Anavyanto et al. | EfficientNetV2M for Image Classification of Tomato Leaf Deseases | |
CN112560668A (zh) | 一种基于场景先验知识的人体行为识别方法 | |
CN110309879A (zh) | 一种红枣外观品质分类方法、装置、设备及存储介质 | |
CN114005054A (zh) | 一种ai智能评分系统 | |
CN112966789A (zh) | 一种烟叶成熟度识别方法、装置及设备 | |
CN112800951A (zh) | 基于局部基特征的微表情识别方法、系统、装置及介质 | |
Kishore et al. | Fruits and vegetables classification using progressive resizing and transfer learning | |
Ahmed et al. | Fresh or Stale: Leveraging Deep Learning to Detect Freshness of Fruits and Vegetables | |
Jiang et al. | Multi Sensor Gesture Recognition System Based on MCU | |
CN115909493A (zh) | 一种面向课堂实录视频的教师不当手势检测方法及系统 | |
Du et al. | Classroom Behavior Recognition of Students and Teaching Quality Evaluation Method Based on YOLOv5 Model |
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 |