CN111526357B - 一种基于pca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

一种基于PCA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，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∑V^T

其中U和V分别为AA^T和A^TA的特征矩阵,∑则为如下形式：

其中，σ₁＞σ₂＞…＞σ _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…u_n和v₁…v_n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y_l＝1表示A_kl质量不合格， y_l＝0则表示A_kl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

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，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

优选的，其中，定义

λ越大，图像保留的信息也越多，根据下式作为选择k值的准则

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ω_hi，v_jh和偏置ω_h，v_j

其中y_lj为样本A_kl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∑V^T

其中U和V分别为AA^T和A^TA的特征矩阵,∑则为如下形式：

其中，σ₁＞σ₂＞…＞σ_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…u_n和v₁…v_n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

其中，定义

λ越大，图像保留的信息也越多，根据下式作为选择k值的准则

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y_l＝1表示A_kl质量不合格，y_l＝0则表示A_kl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

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。

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＝UΣV^T

其中U和V分别为AA^T和A^TA的特征矩阵,Σ则为如下形式：

其中，σ₁＞σ₂＞…＞σ_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…u_n和v₁…v_n分别依次对应矩阵U和矩阵V的列向量；

步骤5：将上述分析后的帧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y_l＝1表示A_kl质量不合格，y_l＝0则表示A_kl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

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，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。

2.根据权利要求1所述的基于PCA学习的显卡接口机器测试方法，其特征在于：步骤2保留外积形式的前k项从而提取图像主要信息

3.根据权利要求2所述的基于PCA学习的显卡接口机器测试方法，其特征在于：其中，定义

λ越大，图像保留的信息也越多，根据下式作为选择k值的准则

即保留原图像95％的信息。

4.根据权利要求1所述的基于PCA学习的显卡接口机器测试方法，其特征在于：步骤3中：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。

Images