TWI830815B - 使用者終端故障檢測方法、裝置、電腦裝置及存儲介質 - Google Patents
使用者終端故障檢測方法、裝置、電腦裝置及存儲介質 Download PDFInfo
- Publication number
- TWI830815B TWI830815B TW108142222A TW108142222A TWI830815B TW I830815 B TWI830815 B TW I830815B TW 108142222 A TW108142222 A TW 108142222A TW 108142222 A TW108142222 A TW 108142222A TW I830815 B TWI830815 B TW I830815B
- Authority
- TW
- Taiwan
- Prior art keywords
- user terminal
- model
- neural network
- marked
- convolutional neural
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Debugging And Monitoring (AREA)
Abstract
本發明提供一種使用者終端故障檢測方法、使用者終端故障檢測裝置、電腦裝置及電腦存儲介質，所述方法包括，獲取使用者終端之數位信號波形圖；截取所述數位信號波形圖之目標資訊，將截取到之目標資訊記為標記圖像；對所述標記圖像進行二值化處理，得到二值化標記圖像；通過預設模型提取所述二值化標記圖像中之特徵資訊；在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型。
Description
本發明涉及使用者終端檢測領域，具體涉及一種使用者終端故障檢測方法、使用者終端故障檢測裝置、電腦裝置及電腦存儲介質。
隨著科技發展，越來越多之使用者終端在市面上流動，如智慧手機、平板電腦、智慧手錶等。在使用者終端之使用過程中，隨之產生了使用者終端之維修問題。使用者終端之維修之前，首先要進行之是故障問題之檢測，現有之使用者終端檢測技術需要將使用者終端先進行拆機，而後進行檢測，且檢測結果依靠技術工人之經驗。
鑒於以上內容，有必要提出一種使用者終端故障檢測方法、裝置、電腦裝置和電腦可讀存儲介質，可以實現在不拆開使用者終端之前提下，更加快速準確之完成對使用者終端硬體故障之檢測。
本申請之第一方面提供一種使用者終端故障檢測方法，所述方法包括：獲取使用者終端之數位信號波形圖；截取所述數位信號波形圖之目標資訊，將截取到之目標資訊記為標記圖像；對所述標記圖像進行二值化處理，得到二值化標記圖像；
通過預設模型提取所述二值化標記圖像中之特徵資訊；在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型。
優選地，所述截取所述數位信號波形圖之目標資訊，將截取到之目標資訊記為標記圖像之步驟之後還包括：對所述標記圖像進行資料增強處理；其中，所述資料增強處理之方法包括圖像偏移、高斯模糊處理中之一項或多項。
優選地，所述對所述標記圖像進行二值化處理，得到二值化標記圖像之步驟包括：在標記圖像中，查找具有所述目標資訊之顏色通道圖元，以及不具有所述目標資訊之顏色通道圖元；將具有所述目標資訊之顏色通道圖元之顏色標記為1；將不具有所述目標資訊之顏色通道圖元標記為0，從而將所述標記圖像轉換成二值化標記圖像。
優選地，所述預設模型為基於卷積神經網路之VGG16模型。
優選地，所述預設模型之訓練過程包括：獲取多幅二值化標記圖像；將所述多幅二值化標記圖像分為訓練集和驗證集；建立一基於卷積神經網路之VGG16模型，並利用所述訓練集對所述基於卷積神經網路之VGG16模型進行訓練；利用所述驗證集對訓練後之基於卷積神經網路之VGG16模型進行驗證，並根據驗證結果統計得到所述模型之預測準確率；判斷所述模型之預測準確率是否小於預設閾值；若所述模型預測準確率不小於所述預設閾值，則將訓練完成之所述基於卷積神經網路之VGG16模型作為所述預設模型。
優選地，所述方法還包括：若所述預設模型預測準確率小於所述預設閾值，則通過熱點圖分析，調整所述基於卷積神經網路之VGG16模型之參數和/或調整訓練集樣本之數量，並利用所述調整後之訓練集重新對調整後之基於卷積神經網路之VGG16模型進行訓練；利用所述驗證集對重新訓練之基於卷積神經網路之VGG16模型進行驗證，並根據每一驗證結果重新統計得到一模型預測準確率，並判斷重新統計得到之模型預測準確率是否小於所述預設閾值；若所述重新統計得到之模型預測準確率不小於所述預設閾值，則將重新訓練完成之基於卷積神經網路之VGG16模型作為所述預設模型；及若所述重新統計得到之模型預測準確率小於所述預設閾值，則重複上述調整及訓練之步驟直至通過所述驗證集驗證得到之模型預測準確率不小於所述預設閾值；其中，所述基於卷積神經網路之VGG16模型之參數包括卷積核之數量、池化層中元素之數量、全連接層中元素之數量中之至少一種。
優選地，所述在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型之步驟包括：根據提取到之所述特徵資訊在特徵資訊與故障類型對照表中查找與所述特徵資訊相匹配之特徵資訊；通過預先存儲之特徵資訊與故障類型之間之對應關係，確定所述提取到之特徵資訊對應之故障類型；其中，所述故障類型為所述使用者終端之硬體故障，所述硬體故障包括：聽筒故障、話筒故障、主機板故障、顯示幕故障、耳機故障。
本申請之第二方面提供一種使用者終端故障檢測裝置，所述裝置包括：獲取模組，用於獲取使用者終端之數位信號波形圖；
截取模組，用於截取所述數位信號波形圖之目標資訊，將截取到之目標資訊記為標記圖像；處理模組，用於對所述標記圖像進行二值化處理，得到二值化標記圖像；提取模組，用於通過預設模型提取所述二值化標記圖像中之特徵資訊；輸出模組，用於在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型。
本申請之第三方面提供一種電腦裝置，所述電腦裝置包括處理器，所述處理器用於執行記憶體中存儲之電腦程式時實現如前所述使用者終端故障檢測方法。
本申請之第四方面提供一種電腦存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現如前所述使用者終端故障檢測方法。
本發明使用者終端故障檢測方法、裝置、電腦裝置和電腦存儲介質，可以在不拆開使用者終端之前提下，通過獲取使用者終端之波形圖，並通過影像處理方法對所述波形圖進行處理，利用處理後之波形圖通過預設模型完成使用者終端之故障檢測，可定位發生故障之硬體模組，避免了在拆機過程中對使用者終端硬體造成之損傷。
1:電腦裝置
2:示波器
3:使用者終端
10:使用者終端故障檢測裝置
101:獲取模組
102:截取模組
103:處理模組
104:提取模組
105:輸出模組
20:記憶體
30:處理器
40:電腦程式
圖1是本發明一實施方式提供之使用者終端故障檢測方法之應用環境架構示意圖。
圖2是本發明一實施方式提供之使用者終端故障檢測方法流程圖。
圖3是本發明一實施方式提供之使用者終端故障檢測裝置之結構示意圖。
圖4是本發明一實施方式提供之電腦裝置示意圖。
為了能夠更清楚地理解本發明之上述目的、特徵和優點，下面結合附圖和具體實施例對本發明進行詳細描述。需要說明之是，在不衝突之情況下，本申請之實施例及實施例中之特徵可以相互組合。
在下面之描述中闡述了很多具體細節以便於充分理解本發明，所描述之實施例僅僅是本發明一部分實施例，而不是全部之實施例。基於本發明中之實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得之所有其他實施例，都屬於本發明保護之範圍。
除非另有定義，本文所使用之所有之技術和科學術語與屬於本發明之技術領域之技術人員通常理解之含義相同。本文中在本發明之說明書中所使用之術語只是為了描述具體之實施例之目的，不是旨在於限制本發明。
參閱圖1所示，為本發明一實施方式提供之使用者終端故障檢測方法之應用環境架構示意圖。
本發明中之使用者終端故障檢測方法應用在電腦裝置1中，所述電腦裝置1與示波器2通過網路建立通信連接。所述網路可以是有線網路，也可以是無線網路，例如無線電、無線保真(Wireless Fidelity,WIFI)、蜂窩、衛星、廣播等。所述示波器2與使用者終端3通過資料線建立連接。
所述電腦裝置1可以為安裝有使用者終端檢測軟體之電子設備，例如個人電腦、伺服器等，其中，所述伺服器可以是單一之伺服器、伺服器集群或雲伺服器等。
所述示波器2可以用來觀察各種不同信號幅度隨時間變化之波形曲線，用來測試各種不同之電量，如電壓、電流、頻率、相位差、幅度等。
所述使用者終端3可以為智慧電子設備，包括但不限於智慧手機、平板電腦、膝上型便捷電腦、臺式電腦等。
請參閱圖2所示，是本發明一實施方式提供之使用者終端故障檢測
方法流程圖。根據不同之需求，所述流程圖中步驟之順序可以改變，某些步驟可以省略。
步驟S1、獲取使用者終端之數位信號波形圖。
在本發明一實施方式中，所述獲取使用者終端3之數位信號波形圖之步驟可以是：通過示波器2採集使用者終端3之數位信號波形圖，示波器2將採集到之數位信號波形圖通過有線傳輸或無線傳輸之方式發送給電腦裝置1。所述數位信號波形圖中顯示了電壓和\或電流之變化情況。
舉例而言，若所述使用者終端3之聽筒功能出現故障，無法接聽聲音，可以將所述使用者終端3通過資料傳輸線與示波器2相連接，採集所述使用者終端3之電流、電壓數位信號波形圖。示波器2將採集到之數位信號波形圖發送給電腦裝置1。
步驟S2、截取所述數位信號波形圖之目標資訊，將截取到之目標資訊記為標記圖像。
在本發明一實施方式中，所述數位信號波形圖之目標資訊為電流資訊。電腦裝置1接收示波器2發送之數位信號波形圖，將所述數位信號波形圖裁切成多個預設大小之正方形，例如對所述數位信號波形圖之水準方向和豎直方向進行660等分，從而得到660*660個正方形區域，接收使用者輸入之截取所述數位信號波形圖中之目標資訊之位置，在一實施方式中，所述目標資訊為電流資訊，按照電流資訊之位置和面積在被裁切成預設大小之正方形之數位信號波形圖中選取含有所述電流資訊之區域。並將含有所述電流資訊之區域標記為標記圖像，其中，所述標記圖像之大小小於數位信號波形圖。
在又一實施方式中所述方法還可以包括：對所述標記圖像進行資料增強處理，所述資料增強處理之方法包括圖像偏移、高斯模糊處理中之一項或多項。
為了獲取更多之標記圖像，可以對所述標記圖像進行資料增強處理，可以將所述標記圖像在預設範圍內，以單位位移做上下左右調整，從而獲得在預設範圍內具有單位位移差之多幅標記圖像。還可以對原始標記圖像進行高斯模糊處理，在預設圖元範圍內，選取不同之圖元範圍進行高斯模糊處理，從而獲得經過高斯處理之多幅標記圖像。
步驟S3、對所述標記圖像進行二值化處理，得到二值化標記圖像。
在本發明一實施方式中，對所述標記圖像進行二值化處理，得到二值化標記圖像之方法包括：在標記圖像中，查找具有所述目標資訊之顏色通道圖元，以及不具有所述目標資訊之顏色通道圖元；將具有所述目標資訊之顏色通道圖元之顏色標記為1；將不具有所述目標資訊之顏色通道圖元標記為0，從而將所述標記圖像轉換成二值化標記圖像。
舉例而言，所述目標資訊為電流資訊，接受使用者輸入之所述電流資訊之顏色通道圖元為藍色通道圖元，在經過資料增強處理之多幅標記圖像中提取具有所述藍色通道圖元之圖元，並將所述圖元之顏色值標記為1，並將所述經過資料增強處理之多幅標記圖像中不具有所述電流資訊之顏色通道圖元標記為0。由此得到具有所述電流資訊之多幅僅具有0或1之二值化標記圖像。
步驟S4、通過預設模型提取所述二值化標記圖像中之特徵資訊。
在本發明一實施方式中，所述預設模型可以為基於卷積神經網路之VGG16模型。
所述預設模型之訓練過程可以包括：獲取多幅二值化標記圖像；將所述多幅二值化標記圖像分為訓練集和驗證集；
建立一基於卷積神經網路之VGG16模型，並利用所述訓練集對所述基於卷積神經網路之VGG16模型進行訓練；利用所述驗證集對訓練後之基於卷積神經網路之VGG16模型進行驗證，並根據驗證結果統計得到所述模型之預測準確率；判斷所述模型之預測準確率是否小於預設閾值；若所述模型預測準確率不小於所述預設閾值，則將訓練完成之所述基於卷積神經網路之VGG16模型作為所述預設模型。
若所述預設模型預測準確率小於所述預設閾值，則通過熱點圖分析，調整所述基於卷積神經網路之VGG16模型之參數和/或調整訓練集樣本之數量，並利用所述調整後之訓練集重新對調整後之基於卷積神經網路之VGG16模型進行訓練。其中，所述熱點圖分析是在二值化標記圖像中，使用不同之顏色標記所述二值化標記圖像中之特徵資訊，其中用第一預設顏色標記特徵資訊，用第二預設顏色標記與特徵資訊相鄰之區域。通過熱點圖分析可以使得基於卷積神經網路之VGG16模型更準確之識別出所述二值化標記圖像中之特徵資訊。所述基於卷積神經網路之VGG16模型之參數包括卷積核之數量、池化層中元素之數量、全連接層中元素之數量中之至少一種。
利用所述驗證集對重新訓練之基於卷積神經網路之VGG16模型進行驗證，並根據每一驗證結果重新統計得到一模型預測準確率，並判斷重新統計得到之模型預測準確率是否小於所述預設閾值；若所述重新統計得到之模型預測準確率不小於所述預設閾值，則將重新訓練完成之基於卷積神經網路之VGG16模型作為所述預設模型；若所述重新統計得到之模型預測準確率小於所述預設閾值，則重複上述調整及訓練之步驟直至通過所述驗證集驗證得到之模型預測準確率不小於所述預設閾值；
在本發明一實施方式中，電腦裝置1將獲取到之使用者終端3之數位信號波形圖使用訓練好之基於卷積神經網路之VGG16模型進行特徵識別，得到所述數位信號波形圖之特徵資訊，所述特徵資訊可以是電流值也可以是電壓值。
步驟S5、在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型。
在一實施方式中，所述在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型之步驟可以包括：根據提取到之所述特徵資訊在特徵資訊與故障類型對照表中查找與所述特徵資訊相匹配之特徵資訊；通過預先存儲之特徵資訊與故障類型之間之對應關係，確定所述提取到之特徵資訊對應之故障類型；其中，所述故障類型為所述使用者終端之硬體故障，所述硬體故障包括：聽筒故障、話筒故障、主機板故障、顯示幕故障、耳機故障。
所述特徵資訊在特徵資訊與故障類型對照表之構建步驟可以包括：將已知之故障硬體模組及故障類型之數位信號波形圖，經過截取和二值化處理後代入訓練好基於卷積神經網路之VGG16模型中；利用所述基於卷積神經網路之VGG16模型分析得出所述已知之故障硬體模組及故障類型對應之特徵資訊；將所述已知之故障硬體模組以及故障類型與分析得出之特徵資訊建立映射關係並進行存儲。
在本發明又一實施例中，電腦裝置1將經基於卷積神經網路之VGG16模型進行特徵識別後之特徵資訊與特徵資訊與故障類型對照表中之資訊進行比對，找出與識別後之特徵資訊相匹配之特徵資訊，在特徵資訊與故障類
型對照表中查找所述特徵資訊對應之故障類型，並將所述故障類型在電腦裝置1中進行顯示輸出，在本發明之其他實施方式中，也可以將所述故障硬體模類型發送給預設之其他電腦裝置。
上述圖2詳細介紹了本發明之使用者終端故障檢測方法流程圖，下面結合第3-4圖，對實現所述使用者終端故障檢測方法之軟體裝置之功能模組以及實現所述使用者終端故障檢測方法之硬體裝置架構進行介紹。
應所述瞭解，所述實施例僅為說明之用，在專利申請範圍上並不受此結構之限制。
圖3是本發明一實施方式提供之使用者終端檢測方法之使用者終端故障檢測裝置之結構示意圖。
在一些實施例中，使用者終端故障檢測裝置10運行於電腦裝置中。所述使用者終端故障檢測裝置10可以包括多個由程式碼段所組成之功能模組。所述使用者終端故障檢測裝置10中之各個程式段之程式碼可以存儲於電腦裝置之記憶體中，並由所述至少一個處理器所執行，以實現使用者終端檢測功能。
本實施例中，所述使用者終端故障檢測裝置10根據其所執行之功能，可以被劃分為多個功能模組。參閱圖3所示，所述功能模組可以包括：獲取模組101、截取模組102、處理模組103、提取模組104、輸出模組105。本發明所稱之模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能之一系列電腦程式段，其存儲在記憶體中。
所述獲取模組101，用於獲取使用者終端之數位信號波形圖。
所述截取模組102，用於截取所述數位信號波形圖之目標資訊，將截取到之目標資訊記為標記圖像。
所述處理模組103，用於對所述標記圖像進行二值化處理，得到二值化標記圖像。
所述提取模組104，用於通過預設模型提取所述二值化標記圖像中之特徵資訊。
所述輸出模組105，用於在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型。
圖4是本發明一實施方式提供之使用者終端故障檢測方法之電腦裝置示意圖。
所述電腦裝置1包括記憶體20、處理器30以及存儲在所述記憶體20中並可在所述處理器30上運行之電腦程式40，例如使用者終端檢測程式。所述處理器30執行所述電腦程式40時實現上述使用者終端故障檢測方法實施例中之步驟，例如圖2所示之步驟S1~S5。或者，所述處理器30執行所述電腦程式40時實現上述使用者終端故障檢測裝置實施例中各模組/單元之功能，例如圖3中之單元101-105。
示例性之，所述電腦程式40可以被分割成一個或多個模組/單元，所述一個或者多個模組/單元被存儲在所述記憶體20中，並由所述處理器30執行，以完成本發明。所述一個或多個模組/單元可以是能夠完成特定功能之一系列電腦程式指令段，所述指令段用於描述所述電腦程式40在所述電腦裝置1中之執行過程。例如，所述電腦程式40可以被分割成圖3中之獲取模組101、截取模組102、處理模組103、提取模組104、輸出模組105。
所述電腦裝置1可以是桌上型電腦、筆記本、掌上型電腦及雲端伺服器等計算設備。本領域技術人員可以理解，所述示意圖僅僅是電腦裝置1之示例，並不構成對電腦裝置1之限定，可以包括比圖示更多或更少之部件，或者組合某些部件，或者不同之部件，例如所述電腦裝置1還可以包括輸入輸出設備、網路接入設備、匯流排等。
所稱處理器30可以是中央處理單元(Central Processing Unit，CPU)，
還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor，DSP)、專用積體電路(Application Specific Integrated Circuit，ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array，FPGA)或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可以是微處理器或者所述處理器30也可以是任何常規之處理器等，所述處理器30是所述電腦裝置1之控制中心，利用各種介面和線路連接整個電腦裝置1之各個部分。
所述記憶體20可用於存儲所述電腦程式40和/或模組/單元，所述處理器30通過運行或執行存儲在所述記憶體20內之電腦程式和/或模組/單元，以及調用存儲在記憶體20內之資料，實現所述電腦裝置1之各種功能。所述記憶體20可主要包括存儲程式區和存儲資料區，其中，存儲程式區可存儲作業系統、至少一個功能所需之應用程式(比如聲音播放功能、圖像播放功能等)等；存儲資料區可存儲根據電腦裝置1之使用所創建之資料(比如音訊資料、電話本等)等。此外，記憶體20可以包括高速隨機存取記憶體，還可以包括非易失性記憶體，例如硬碟、記憶體、插接式硬碟，智慧存儲卡(Smart Media Card,SMC)，安全數位(Secure Digital,SD)卡，快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他易失性固態記憶體件。
所述電腦裝置1集成之模組/單元如果以軟體功能單元之形式實現並作為獨立之產品銷售或使用時，可以存儲在一個電腦可讀取存儲介質中。基於這樣之理解，本發明實現上述實施例方法中之全部或部分流程，也可以通過電腦程式來指令相關之硬體來完成，所述之電腦程式可存儲於一電腦可讀存儲介質中，所述電腦程式在被處理器執行時，可實現上述各個方法實施例之步驟。其中，所述電腦程式包括電腦程式代碼，所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括：能夠攜帶所述電腦程式代碼之任何實體或裝置、記錄介質、U盤、移動硬碟、
磁碟、光碟、電腦記憶體、唯讀記憶體(ROM，Read-Only Memory)、隨機存取記憶體(RAM，Random Access Memory)、電載波信號、電信信號以及軟體分發介質等。需要說明之是，所述電腦可讀介質包含之內容可以根據司法管轄區內立法和專利實踐之要求進行適當之增減，例如在某些司法管轄區，根據立法和專利實踐，電腦可讀介質不包括電載波信號和電信信號。
在本發明所提供之幾個實施例中，應所述理解到，所揭露之電腦裝置和方法，可以通過其它之方式實現。例如，以上所描述之電腦裝置實施例僅僅是示意性之，例如，所述單元之劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外之劃分方式。
另外，在本發明各個實施例中之各功能單元可以集成在相同處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在相同單元中。上述集成之單元既可以採用硬體之形式實現，也可以採用硬體加軟體功能模組之形式實現。
對於本領域技術人員而言，顯然本發明不限於上述示範性實施例之細節，而且在不背離本發明之精神或基本特徵之情況下，能夠以其他之具體形式實現本發明。因此，無論從哪一點來看，均應將實施例看作是示範性之，而且是非限制性之，本發明之範圍由所附申請專利範圍而不是上述說明限定，因此旨在將落在申請專利範圍之等同要件之含義和範圍內之所有變化涵括在本發明內。不應將申請專利範圍中之任何附圖標記視為限制所涉及之申請專利範圍。此外，顯然“包括”一詞不排除其他單元或步驟，單數不排除複數。電腦裝置申請專利範圍中陳述之多個單元或電腦裝置也可以由同一個單元或電腦裝置通過軟體或者硬體來實現。第一，第二等詞語用來表示名稱，而並不表示任何特定之順序。
最後應說明之是，以上實施例僅用以說明本發明之技術方案而非
限制，儘管參照較佳實施例對本發明進行了詳細說明，本領域之普通技術人員應當理解，可以對本發明之技術方案進行修改或等同替換，而不脫離本發明技術方案之精神和範圍。
Claims (8)
- 一種使用者終端故障檢測方法，所述方法包括：獲取使用者終端之數位信號波形圖；截取所述數位信號波形圖之目標資訊，將截取到之目標資訊標記為標記圖像；對所述標記圖像進行資料增強處理，獲得多幅標記圖像，包括：將所述標記圖像進行圖像偏移，獲得在預設範圍內具有單位位移差之多幅標記圖像；或者，將所述標記圖像進行高斯模糊處理，獲得經過高斯處理之多幅標記圖像；對所述多幅標記圖像進行二值化處理，得到二值化標記圖像，包括：在標記圖像中，查找具有所述目標資訊之顏色通道圖元，以及不具有所述目標資訊之顏色通道圖元；將具有所述目標資訊之顏色通道圖元之顏色標記為1；將不具有所述目標資訊之顏色通道圖元標記為O，從而將所述標記圖像轉換成二值化標記圖像；通過預設模型提取所述二值化標記圖像中之特徵資訊；在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型。
- 如請求項1所述之使用者終端故障檢測方法，其中，所述預設模型為基於卷積神經網路之VGG16模型。
- 如請求項2所述之使用者終端故障檢測方法，其中，所述預設模型之訓練過程包括：獲取多幅二值化標記圖像；將所述多幅二值化標記圖像分為訓練集和驗證集；建立一基於卷積神經網路之VGG16模型，並利用所述訓練集對所述基於卷積神經網路之VGG16模型進行訓練； 利用所述驗證集對訓練後之基於卷積神經網路之VGG16模型進行驗證，並根據驗證結果統計得到所述模型之預測準確率；判斷所述模型之預測準確率是否小於預設閾值；若所述模型預測準確率不小於所述預設閾值，則將訓練完成之所述基於卷積神經網路之VGG16模型作為所述預設模型。
- 如請求項3所述之使用者終端故障檢測方法，其中，所述方法還包括：若所述預設模型預測準確率小於所述預設閾值，則通過熱點圖分析，調整所述基於卷積神經網路之VGG16模型之參數和/或調整訓練集樣本之數量，並利用所述調整後之訓練集重新對調整後之基於卷積神經網路之VGG16模型進行訓練；利用所述驗證集對重新訓練之基於卷積神經網路之VGG16模型進行驗證，並根據每一驗證結果重新統計得到一模型預測準確率，並判斷重新統計得到之模型預測準確率是否小於所述預設閾值；若所述重新統計得到之模型預測準確率不小於所述預設閾值，則將重新訓練完成之基於卷積神經網路之VGG16模型作為所述預設模型；及若所述重新統計得到之模型預測準確率小於所述預設閾值，則重複上述調整及訓練之步驟直至通過所述驗證集驗證得到之模型預測準確率不小於所述預設閾值；其中，所述基於卷積神經網路之VGG16模型之參數包括卷積核之數量、池化層中元素之數量、全連接層中元素之數量中之至少一種。
- 如請求項4所述之使用者終端故障檢測方法，其中，所述在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型之步驟包括： 根據提取到之所述特徵資訊在特徵資訊與故障類型對照表中查找與所述特徵資訊相匹配之特徵資訊；通過預先存儲之特徵資訊與故障類型之間之對應關係，確定所述提取到之特徵資訊對應之故障類型；其中，所述故障類型為所述使用者終端之硬體故障，所述硬體故障包括：聽筒故障、話筒故障、主機板故障、顯示幕故障、耳機故障。
- 一種使用者終端故障檢測裝置，其中，所述裝置用於實現如請求項1至5中任一項所述之使用者終端故障檢測方法，所述裝置包括：獲取模組，用於獲取使用者終端之數位信號波形圖；截取模組，用於截取所述數位信號波形圖之目標資訊，將截取到之目標資訊記為標記圖像；處理模組，用於對所述標記圖像進行二值化處理，得到二值化標記圖像；提取模組，用於通過預設模型提取所述二值化標記圖像中之特徵資訊；輸出模組，用於在特徵資訊與故障類型對照表中查找並輸出提取到之所述特徵資訊對應之故障類型。
- 一種電腦裝置，其中，所述電腦裝置包括處理器及記憶體，所述處理器用於執行記憶體中存儲之電腦程式時實現如請求項1至5中任一項所述之使用者終端故障檢測方法。
- 一種存儲介質，其上存儲有電腦程式，其中：所述電腦程式被處理器執行時實現如請求項1至5中任一項所述之使用者終端故障檢測方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911017380.9A CN112711963A (zh) | 2019-10-24 | 2019-10-24 | 用户终端故障检测方法、装置、计算机装置及存储介质 |
| CN201911017380.9 | 2019-10-24 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202117540A TW202117540A (zh) | 2021-05-01 |
| TWI830815B true TWI830815B (zh) | 2024-02-01 |
Family
ID=75540665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108142222A TWI830815B (zh) | 2019-10-24 | 2019-11-20 | 使用者終端故障檢測方法、裝置、電腦裝置及存儲介質 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112711963A (zh) |
| TW (1) | TWI830815B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018815A (zh) * | 2022-06-29 | 2022-09-06 | 京东方科技集团股份有限公司 | 一种显示屏的故障检测方法、装置和巡检机器人 |
| CN116302897B (zh) * | 2023-05-15 | 2023-10-17 | 合肥联宝信息技术有限公司 | 一种数据集的建立方法、装置、电子设备及存储介质 |
| CN116567127B (zh) * | 2023-06-15 | 2024-01-23 | 深圳市誉源通讯技术有限公司 | 一种具有故障监测功能的智能手机 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130132001A1 (en) * | 2010-07-23 | 2013-05-23 | Soumaya Yacout | Tool and method for fault detection of devices by condition based maintenance |
| CN109270384A (zh) * | 2018-11-13 | 2019-01-25 | 中南民族大学 | 一种用于识别用电设备电弧的方法和系统 |
| CN109946606A (zh) * | 2019-04-03 | 2019-06-28 | 四川大学 | 基于卷积神经网络的微型振动马达缺陷故障分类方法及装置 |
| CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
-
2019
- 2019-10-24 CN CN201911017380.9A patent/CN112711963A/zh active Pending
- 2019-11-20 TW TW108142222A patent/TWI830815B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130132001A1 (en) * | 2010-07-23 | 2013-05-23 | Soumaya Yacout | Tool and method for fault detection of devices by condition based maintenance |
| CN109270384A (zh) * | 2018-11-13 | 2019-01-25 | 中南民族大学 | 一种用于识别用电设备电弧的方法和系统 |
| CN109946606A (zh) * | 2019-04-03 | 2019-06-28 | 四川大学 | 基于卷积神经网络的微型振动马达缺陷故障分类方法及装置 |
| CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112711963A (zh) | 2021-04-27 |
| TW202117540A (zh) | 2021-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI830815B (zh) | 使用者終端故障檢測方法、裝置、電腦裝置及存儲介質 | |
| JP7377695B2 (ja) | ユーザ端末ハードウェア検出方法、装置、コンピュータ装置、および記憶媒体 | |
| US20190073181A1 (en) | Verification of shared display integrity in a desktop sharing system | |
| US11455831B2 (en) | Method and apparatus for face classification | |
| CN111192239B (zh) | 遥感影像变化区域检测方法、装置、存储介质及电子设备 | |
| US20160259991A1 (en) | Method and image processing apparatus for performing optical character recognition (ocr) of an article | |
| TW202225682A (zh) | 電路板檢測方法、電子裝置及存儲介質 | |
| WO2020135097A1 (zh) | 显示终端通道切换检测方法和装置 | |
| CN109800151A (zh) | 屏幕适配性自动测试方法、装置、计算机设备和存储介质 | |
| CN110910419A (zh) | 一种自动跟踪方法及装置、电子设备 | |
| CN110248235B (zh) | 软件教学方法、装置、终端设备及介质 | |
| US20200356863A1 (en) | Data augmentation in training deep neural network (dnn) based on genetic model | |
| CN114764774A (zh) | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 | |
| CN114779031B (zh) | 一种数字化电力设备紫外成像放电异常检测方法及系统 | |
| CN114186784B (zh) | 基于边缘计算的电学考试评分方法、系统、介质及设备 | |
| CN114913350A (zh) | 素材查重方法、装置、设备及存储介质 | |
| CN117011216A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
| CN113034771B (zh) | 基于人脸识别的过闸方法、装置、设备及计算机存储介质 | |
| CN113093967A (zh) | 数据生成方法、装置、计算机装置及存储介质 | |
| CN114489903A (zh) | 界面元素定位方法、装置、存储介质及电子设备 | |
| TW202133041A (zh) | 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質 | |
| CN113536026A (zh) | 音频搜索方法、装置及设备 | |
| TW202127327A (zh) | 資料生成方法、裝置、電腦裝置及存儲介質 | |
| US12125193B2 (en) | Method for detecting defect in products and electronic device using method | |
| TWI775087B (zh) | 圖像標識方法、裝置、電腦裝置及存儲介質 |