CN113052798A - 屏幕老化检测模型训练方法及屏幕老化检测方法 - Google Patents
屏幕老化检测模型训练方法及屏幕老化检测方法 Download PDFInfo
- Publication number
- CN113052798A CN113052798A CN202110251950.1A CN202110251950A CN113052798A CN 113052798 A CN113052798 A CN 113052798A CN 202110251950 A CN202110251950 A CN 202110251950A CN 113052798 A CN113052798 A CN 113052798A
- Authority
- CN
- China
- Prior art keywords
- screen
- training
- aging
- picture
- detection 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.)
- Pending
Links
- 230000032683 aging Effects 0.000 title claims abstract description 187
- 238000001514 detection method Methods 0.000 title claims abstract description 151
- 238000012549 training Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 15
- 230000015556 catabolic process Effects 0.000 description 12
- 238000006731 degradation reaction Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000011084 recovery Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明涉及一种屏幕老化检测模型训练方法及屏幕老化检测方法,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
Description
技术领域
本发明涉及电子产品技术领域,特别是涉及一种屏幕老化检测模型训练方法及屏幕老化检测方法。
背景技术
随着电子产品技术的发展,各种智能设备层出不穷,例如智能手机、笔记本电脑和平板电脑等。其中,用户在使用这部分智能设备时,与智能设备进行人机交互的主要手段是通过智能设备的屏幕来实现的。因此,智能设备屏幕的好坏对用户的使用体验起到重要的影响。目前,伴随着经济和技术的高速发展,智能设备的普及和更新换代速度也越来越快。以智能手机为例,5G时代的到来,加速了智能手机的换代。在智能设备进行迭代的过程中,有效回收是智能设备剩余价值的有效利用手段之一,可减少对环境的化学污染以及减少浪费。
其中,在智能设备的回收过程中,其屏幕的好坏是决定智能设备的残值的重要参考。一般的,回收智能设备都会检测设备屏幕的老化损耗状况。屏幕的老化损耗会影响屏幕的观感,进而影响智能设备的残值率。因此,在智能设备的回收过程中,都需要检测屏幕老化损耗程度为智能设备回收估价提供参考,降低回收亏本的风险。
传统的检测智能设备屏幕老化损耗的方法主要是专业质检人员通过将智能设备屏幕的底色调整成白色,再利用人眼通过各种角度对设备屏幕进行观察,判断是否存在边角泛黄,以得出该设备屏幕是否存在老化损耗的结论。然而,人工肉眼观察十分耗费劳动力,且主观因素影响检测结果的稳定性和准确性,难以保证对设备屏幕老化损耗检测的准确性。
发明内容
基于此,有必要针对传统检测智能设备屏幕老化损耗的方法还存在的不足,提供一种屏幕老化检测模型训练方法及屏幕老化检测方法。
一种屏幕老化检测模型训练方法,包括步骤:
获取训练屏幕图片;
对所述训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片;
根据所述标注屏幕图片建立标注屏幕数据集;
以所述标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。
上述的屏幕老化检测模型训练方法,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
在其中一个实施例中,在所述对所述训练屏幕图片进行老化损耗信息标注的过程之前,还包括步骤:
对所述训练屏幕图片作图像预处理。
在其中一个实施例中,对所述训练屏幕图片作图像预处理的过程,包括步骤:
对所述训练屏幕图片进行细节增强处理。
在其中一个实施例中,对所述训练屏幕图片进行细节增强处理的过程,包括步骤:
通过增强函数对所述训练屏幕图片的色彩、亮度和纹理进行细节增强处理;其中,所述增强函数包括基于偏置值调整后的伽马函数。
在其中一个实施例中,对所述训练屏幕图片作图像预处理的过程,包括步骤:
对所述训练屏幕图片进行裁剪处理。
在其中一个实施例中,以所述标注屏幕数据集建立神经网络结构的过程,包括步骤:
重设所述神经网络结构内的损失函数和学习率;
修改所述神经网络结构内的池化操作算法和过滤器数量。
在其中一个实施例中,以所述标注屏幕数据集建立神经网络结构的过程,包括步骤:
在所述神经网络结构添加用于检测屏幕老化的检测层;其中,所述检测层用于输出作为屏幕老化检测结果的最优权重。
在其中一个实施例中,标注屏幕数据集包括标注屏幕训练集和标注屏幕验证集;其中,所述标注屏幕训练集与标注屏幕验证集的比值大于1。
在其中一个实施例中,神经网络结构包括以yolov3为基础的神经网络。
一种屏幕老化检测模型训练装置,包括:
训练图片获取模块,用于获取训练屏幕图片;
信息标注模块,用于对所述训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片;
数据集建立模块,用于根据所述标注屏幕图片建立标注屏幕数据集;
模型训练模块,用于以所述标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。
上述的屏幕老化检测模型训练装置,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的屏幕老化检测模型训练方法。
上述的计算机存储介质,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
一种计算机设备,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,处理器执行程序时实现上述任一实施例的屏幕老化检测模型训练方法。
上述的计算机设备,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
一种屏幕老化检测方法,包括步骤:
获取待检测屏幕图片;
将所述待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。
上述的屏幕老化检测方法,在获取到待检测屏幕图片后,将待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
一种屏幕老化检测装置,包括:
待测图片获取模块,用于获取待检测屏幕图片;
模型结果输出模块,用于将所述待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。
上述的屏幕老化检测装置,在获取到待检测屏幕图片后,将待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的屏幕老化检测方法。
上述的计算机存储介质,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
一种计算机设备,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,处理器执行程序时实现上述任一实施例的屏幕老化检测方法。
上述的计算机设备,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
附图说明
图1为一实施方式的屏幕老化检测模型训练方法流程图;
图2为另一实施方式的屏幕老化检测模型训练方法流程图;
图3为又一实施方式的屏幕老化检测模型训练方法流程图;
图4为再一实施方式的屏幕老化检测模型训练方法流程图;
图5为屏幕老化检测模型结构示意图;
图6为一实施方式的屏幕老化检测模型训练装置模块结构图;
图7为一实施方式的计算机内部构造示意图;
图8为一实施方式的屏幕老化检测方法流程图;
图9为一实施方式的屏幕老化检测装置模块结构图;
图10为一实施方式的计算机内部构造示意图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
本发明实施例提供一种屏幕老化检测模型训练方法。
图1为一实施方式的屏幕老化检测模型训练方法流程图,如图1所示,一实施方式的屏幕老化检测模型训练方法包括步骤S100至步骤S103:
S100,获取训练屏幕图片;
其中,在智能设备的回收与准备过程中,存储拍摄的各屏幕图片。例如,在通过自助终端回收智能设备时,自助终端在回收过程中拍摄智能设备的屏幕照片,存储记录这部分屏幕图片。在其中一个实施例中,在调整智能设备的显示内容后,拍摄调整后的智能设备的屏幕图片并存储记录。基于此,使用存储记录的各屏幕图片作为训练屏幕图片。
作为一个较优的实施方式,将智能设备的屏幕显示底色设置为黄色,以适应在自助终端应用的屏幕老化检测处理。
S101,对所述训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片;
其中,老化损耗信息包括待标注的训练屏幕图片对应的智能设备是否老化,以及老化的程度分级等信息。将老化损耗信息标注到训练屏幕图片上,获得标注屏幕图片包括训练屏幕图片与训练屏幕图片对应的老化损耗信息。
S102,根据所述标注屏幕图片建立标注屏幕数据集;
其中,根据标注屏幕图片构建适用于神经网络结构的数据集,得到标注屏幕数据集。
在其中一个实施例中,标注屏幕数据集包括由标注屏幕图片构建的标注屏幕训练集和标注屏幕验证集。其中,标注屏幕训练集与标注屏幕验证集的比值大于1。作为一个较优的实施方式,以8:2的比例分割标注屏幕数据集。
S103,以所述标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。
在确定标注屏幕数据集后,建立神经网络结构,训练出以神经网络结构为基础的屏幕老化检测模型。
在其中一个实施例中,神经网络结构包括基于darknet框架的yolov3神经网络和pytorch框架下的yolov5神经网络。作为一个较优的实施方式,神经网络结构选用基于darknet框架的yolov3神经网络。
在其中一个实施例中,如图1所示,在步骤S101中对所述训练屏幕图片进行老化损耗信息标注的过程之前,还包括步骤S200:
S200,对所述训练屏幕图片作图像预处理。
其中,通过图像预处理对训练屏幕图片进行处理,提高训练屏幕图片的参考性和训练价值。
在其中一个实施中,图2为另一实施方式的屏幕老化检测模型训练方法流程图,如图2所示,步骤S200中对所述训练屏幕图片作图像预处理的过程,包括步骤S300:
S300,对所述训练屏幕图片进行细节增强处理。
其中,通过对训练屏幕图片进行细节增强处理,提高老化的训练屏幕图片与非老化的训练屏幕图片的对比度,以便于提高后续模型训练的准确度。
在其中一个实施例中,图3为又一实施方式的屏幕老化检测模型训练方法流程图,如图3所示,步骤S300中对所述训练屏幕图片进行细节增强处理的过程,包括步骤S400:
S400,通过增强函数对所述训练屏幕图片的色彩、亮度和纹理进行细节增强处理;其中,所述增强函数包括基于偏置值调整后的伽马函数。
其中,通过增强函数对所述训练屏幕图片的色彩、亮度和纹理进行细节增强处理,提高老化的训练屏幕图片与非老化的训练屏幕图片的对比度,以便于提高后续模型训练的准确度。同时,在将智能设备的显示底色调整为黄色后,细节增强处理可更为有效地提高老化的训练屏幕图片与非老化的训练屏幕图片的对比度。
在其中一个实施例中,通过在伽马函数增加偏置值以进行对函数的修改,并在将伽马函数作为指数值求出新的像素值还原训练屏幕图片前,先对训练屏幕图片的灰度图像均值进行计算,并设置均值区间,对不同均值区间的图片使用不同计算伽马系数的函数,都是以均值为x,系数为y建立的一次方程式。将求出的伽马系数参与修改后的伽马函数进行计算,以完成细节增强处理。
在其中一个实施例中,如图2所示,对所述训练屏幕图片作图像预处理的过程,包括步骤:
S301,对所述训练屏幕图片进行裁剪处理。
其中,对训练屏幕图片进行裁剪处理,以适应神经网络基础结构的卷积处理对图片尺寸的要求。作为一个较优的实施方式,将训练屏幕图片裁剪处理成尺寸为512x512x3。
在其中一个实施例中,图像预处理还包括旋转、平移、形变、加噪声等方式。将训练屏幕图片以0°、90°、180°、270°为旋转轴旋转,再进行水平翻转、垂直翻转和镜像翻转,获取图像旋转和图像翻转处理后的各训练屏幕图片,以实现对标注屏幕数据集的扩充。
其中,通过为训练屏幕图片添加噪声扰动,以抑制其高频特征、减弱其对屏幕老化检测模型的影响并提高该模型的学习能力。在其中一个实施例中,通过添加高斯噪声以随机的白色或者黑色像素点铺满整个训练屏幕图片,以实现噪声扰动添加处理。
在其中一个实施例中,图4为再一实施方式的屏幕老化检测模型训练方法流程图,如图4所示,步骤S103中以所述标注屏幕数据集建立神经网络结构的过程,包括步骤S500和步骤S501:
S500,重设所述神经网络结构内的损失函数和学习率;
S501,修改所述神经网络结构内的池化操作算法和过滤器数量。
其中,通过修改momentum大小来改变神经网络结构的模型优化器,重设损失函数,修改池化操作算法,重设学习率LR,修改filters过滤器数量,以此训练老化的检测模型。
在其中一个实施例中,如图4所示,步骤S103中以所述标注屏幕数据集建立神经网络结构的过程,还包括步骤S600:
S600,在所述神经网络结构添加用于检测屏幕老化的检测层;其中,所述检测层用于输出作为屏幕老化检测结果的最优权重。
其中,通过添加检测层来对手机屏幕图片进行老化检测,测试后获取用于输出作为屏幕老化检测结果的最优权重。
图5为屏幕老化检测模型结构示意图,如图5所示,包括数据结构定义层、I/O层、核心计算层、功能实现层、训练执行层和应用层:
其中,数据结构定义层包括Network的配置——layer,LR,steps,max_batches,filters,class,还包括图片大小设置——height,width。
I/O层被配置为Opencv.imread读取DATA,且用于网络解析。
核心计算层包括Activation Functions(各类型的激活函数)、NormalizeFunction(归一化函数)、Softmax Function(分类函数)、Loss Function(损失函数)以及CP等一些原子计算操作。
功能实现层包括batchnorm拟归一化层、conv卷积层、logistic逻辑层、activation激活层、avgpool平均池化层、maxpool最大值池化层、normalizer归一化层、deconv反卷积层、region区域层、upsample上采样层、connect全连接层、softmax分类层、detection检测层和yolo检测层。
训练执行层包括Split data分割数据集、Train network训练模型、Predictnetwork预测模型、Test network测试模型和Best weight最优模型。
应用层包括Detectior目标检测和Classify图像分类。其中,应用层的目标检测用于输出作为屏幕老化检测结果的最优权重。
上述任一实施例的屏幕老化检测模型训练方法,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
本发明实施例还提供一种屏幕老化检测模型训练装置。
图6为一实施方式的屏幕老化检测模型训练装置模块结构图,如图6所示,一实施方式的屏幕老化检测模型训练装置包括模块100、模块101、模块102和模块103:
训练图片获取模块100,用于获取训练屏幕图片;
信息标注模块101,用于对所述训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片;
数据集建立模块102,用于根据所述标注屏幕图片建立标注屏幕数据集;
模型训练模块103,用于以所述标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。
上述的屏幕老化检测模型训练装置,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的屏幕老化检测模型训练方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、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,其中,处理器执行程序时实现如上述各实施例中的任意一种屏幕老化检测模型训练方法。
该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种屏幕老化检测模型训练方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
上述计算机设备,获取训练屏幕图片并对训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片。进一步地,根据标注屏幕图片建立标注屏幕数据集,以标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
本发明实施例还提供一种屏幕老化检测方法。
图8为一实施方式的屏幕老化检测方法流程图,如图8所示,一实施方式的屏幕老化检测方法包括步骤S700和步骤S701:
S700,获取待检测屏幕图片;
S701,将所述待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。
其中,在自助终端拍摄获取到待检测屏幕图片,将待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。其中,屏幕老化检测结果包括待检测屏幕图片对应的最优权重。
上述的屏幕老化检测方法,在获取到待检测屏幕图片后,将待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
本发明实施例还提供一种屏幕老化检测装置。
图9为一实施方式的屏幕老化检测装置模块结构图,如图9所示,一实施方式的屏幕老化检测装置包括模块200和模块201:
待测图片获取模块200,用于获取待检测屏幕图片;
模型结果输出模块201,用于将所述待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。
上述的屏幕老化检测装置,在获取到待检测屏幕图片后,将待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。基于此,通过屏幕老化检测模型的建立,便于检测各智能设备的屏幕老化情况,在降低人工工作强度的同时提高屏幕老化的检测准确率。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的屏幕老化检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、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,其中,处理器执行程序时实现如上述各实施例中的任意一种屏幕老化检测方法。
该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种屏幕老化检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种屏幕老化检测模型训练方法,其特征在于,包括步骤:
获取训练屏幕图片;
对所述训练屏幕图片进行老化损耗信息标注,获得标注屏幕图片;
根据所述标注屏幕图片建立标注屏幕数据集;
以所述标注屏幕数据集建立神经网络结构,获得用于检测屏幕老化的屏幕老化检测模型。
2.根据权利要求1所述的屏幕老化检测模型训练方法,其特征在于,在所述对所述训练屏幕图片进行老化损耗信息标注的过程之前,还包括步骤:
对所述训练屏幕图片作图像预处理。
3.根据权利要求2所述的屏幕老化检测模型训练方法,其特征在于,所述对所述训练屏幕图片作图像预处理的过程,包括步骤:
对所述训练屏幕图片进行细节增强处理。
4.根据权利要求3所述的屏幕老化检测模型训练方法,其特征在于,所述对所述训练屏幕图片进行细节增强处理的过程,包括步骤:
通过增强函数对所述训练屏幕图片的色彩、亮度和纹理进行细节增强处理;其中,所述增强函数包括基于偏置值调整后的伽马函数。
5.根据权利要求2至4任意一项所述的屏幕老化检测模型训练方法,其特征在于,所述对所述训练屏幕图片作图像预处理的过程,包括步骤:
对所述训练屏幕图片进行裁剪处理。
6.根据权利要求1所述的屏幕老化检测模型训练方法,其特征在于,所述以所述标注屏幕数据集建立神经网络结构的过程,包括步骤:
重设所述神经网络结构内的损失函数和学习率;
修改所述神经网络结构内的池化操作算法和过滤器数量。
7.根据权利要求6所述的屏幕老化检测模型训练方法,其特征在于,所述以所述标注屏幕数据集建立神经网络结构的过程,包括步骤:
在所述神经网络结构添加用于检测屏幕老化的检测层;其中,所述检测层用于输出作为屏幕老化检测结果的最优权重。
8.根据权利要求1所述的屏幕老化检测模型训练方法,其特征在于,所述标注屏幕数据集包括标注屏幕训练集和标注屏幕验证集;其中,所述标注屏幕训练集与标注屏幕验证集的比值大于1。
9.根据权利要求1所述的屏幕老化检测模型训练方法,其特征在于,所述神经网络结构包括以yolov3为基础的神经网络。
10.一种屏幕老化检测方法,其特征在于,包括步骤:
获取待检测屏幕图片;
将所述待检测屏幕图片输入屏幕老化检测模型,获得屏幕老化检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251950.1A CN113052798A (zh) | 2021-03-08 | 2021-03-08 | 屏幕老化检测模型训练方法及屏幕老化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251950.1A CN113052798A (zh) | 2021-03-08 | 2021-03-08 | 屏幕老化检测模型训练方法及屏幕老化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052798A true CN113052798A (zh) | 2021-06-29 |
Family
ID=76510494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110251950.1A Pending CN113052798A (zh) | 2021-03-08 | 2021-03-08 | 屏幕老化检测模型训练方法及屏幕老化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052798A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11922467B2 (en) | 2020-08-17 | 2024-03-05 | ecoATM, Inc. | Evaluating an electronic device using optical character recognition |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097544A (zh) * | 2019-04-25 | 2019-08-06 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测方法 |
CN110245697A (zh) * | 2019-05-31 | 2019-09-17 | 厦门大学 | 一种表面脏污检测方法、终端设备及存储介质 |
CN110675399A (zh) * | 2019-10-28 | 2020-01-10 | 上海悦易网络信息技术有限公司 | 屏幕外观瑕疵检测方法及设备 |
CN111612763A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 |
CN111815628A (zh) * | 2020-08-24 | 2020-10-23 | 武汉精测电子集团股份有限公司 | 显示面板缺陷检测方法、装置、设备及可读存储介质 |
CN112232425A (zh) * | 2020-10-21 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN112348808A (zh) * | 2020-11-30 | 2021-02-09 | 广州绿怡信息科技有限公司 | 屏幕透图检测方法及装置 |
-
2021
- 2021-03-08 CN CN202110251950.1A patent/CN113052798A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097544A (zh) * | 2019-04-25 | 2019-08-06 | 武汉精立电子技术有限公司 | 一种显示面板外观缺陷检测方法 |
CN110245697A (zh) * | 2019-05-31 | 2019-09-17 | 厦门大学 | 一种表面脏污检测方法、终端设备及存储介质 |
CN110675399A (zh) * | 2019-10-28 | 2020-01-10 | 上海悦易网络信息技术有限公司 | 屏幕外观瑕疵检测方法及设备 |
CN111612763A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 |
CN111815628A (zh) * | 2020-08-24 | 2020-10-23 | 武汉精测电子集团股份有限公司 | 显示面板缺陷检测方法、装置、设备及可读存储介质 |
CN112232425A (zh) * | 2020-10-21 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN112348808A (zh) * | 2020-11-30 | 2021-02-09 | 广州绿怡信息科技有限公司 | 屏幕透图检测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11922467B2 (en) | 2020-08-17 | 2024-03-05 | ecoATM, Inc. | Evaluating an electronic device using optical character recognition |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583489B (zh) | 缺陷分类识别方法、装置、计算机设备和存储介质 | |
WO2021135499A1 (zh) | 损伤检测模型训练、车损检测方法、装置、设备及介质 | |
US20220189142A1 (en) | Ai-based object classification method and apparatus, and medical imaging device and storage medium | |
Zhang et al. | Ensnet: Ensconce text in the wild | |
CN110705583A (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
KR20200118076A (ko) | 생체 검출 방법 및 장치, 전자 기기 및 저장 매체 | |
CN112001399B (zh) | 基于局部特征显著化的图像场景分类方法和装置 | |
CN109165654B (zh) | 一种目标定位模型的训练方法和目标定位方法及装置 | |
WO2022194079A1 (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
CN111325697B (zh) | 一种基于张量本征变换的彩色图像修复方法 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN114282258A (zh) | 截屏数据脱敏方法、装置、计算机设备及存储介质 | |
CN113052798A (zh) | 屏幕老化检测模型训练方法及屏幕老化检测方法 | |
CN112839185B (zh) | 用于处理图像的方法、装置、设备和介质 | |
CN116802683A (zh) | 图像的处理方法和系统 | |
Qin et al. | Face inpainting network for large missing regions based on weighted facial similarity | |
CN113034530A (zh) | 手机摆放检测方法及装置 | |
CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
CN111178200A (zh) | 一种仪表盘指示灯的识别方法及计算设备 | |
CN110889858A (zh) | 一种基于点回归的汽车部件分割方法及装置 | |
CN111291704A (zh) | 干扰去除方法、装置、计算机设备和存储介质 | |
CN114494856A (zh) | 设备机型检测模型训练方法及设备机型检测方法 | |
CN116030341A (zh) | 基于深度学习的植物叶片病害检测方法、计算机设备和存储介质 | |
CN114299293A (zh) | 应用于回收检测的图像机器视觉预处理方法及装置 | |
CN114298204A (zh) | 设备屏幕划痕检测模型训练方法及设备屏幕划痕检测方法 |
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 |