CN112711963A - 用户终端故障检测方法、装置、计算机装置及存储介质 - Google Patents
用户终端故障检测方法、装置、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN112711963A CN112711963A CN201911017380.9A CN201911017380A CN112711963A CN 112711963 A CN112711963 A CN 112711963A CN 201911017380 A CN201911017380 A CN 201911017380A CN 112711963 A CN112711963 A CN 112711963A
- Authority
- CN
- China
- Prior art keywords
- user terminal
- fault
- model
- image
- neural network
- 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
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)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供一种用户终端故障检测方法、用户终端故障检测装置、计算机装置及计算机存储介质,所述方法包括,获取用户终端的数字信号波形图;截取所述数字信号波形图的目标信息,将截取到的目标信息记为标记图像;对所述标记图像进行二值化处理,得到二值化标记图像;通过预设模型提取所述二值化标记图像中的特征信息;在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型。本发明可以实现在不拆开用户终端的前提下,更加快速准确的完成对用户终端硬件故障的检测。
Description
技术领域
本发明涉及用户终端检测领域,具体涉及一种用户终端故障检测方法、用户终端故障检测装置、计算机装置及计算机存储介质。
背景技术
随着科技发展,越来越多的用户终端在市面上流动,如智能手机、平板电脑、智能手表等。在用户终端的使用过程中,随之产生了用户终端的维修问题。用户终端的维修之前,首先要进行的是故障问题的检测,现有的用户终端检测技术需要将用户终端先进行拆机,而后进行检测,且检测结果依靠技术工人的经验。
发明内容
鉴于以上内容,有必要提出一种用户终端故障检测方法、装置、计算机装置和计算机可读存储介质,可以实现在不拆开用户终端的前提下,更加快速准确的完成对用户终端硬件故障的检测。
本申请的第一方面提供一种用户终端故障检测方法,所述方法包括:
获取用户终端的数字信号波形图;
截取所述数字信号波形图的目标信息,将截取到的目标信息记为标记图像;
对所述标记图像进行二值化处理,得到二值化标记图像;
通过预设模型提取所述二值化标记图像中的特征信息;
在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型。
优选地,所述截取所述数字信号波形图的目标信息,将截取到的目标信息记为标记图像的步骤之后还包括:
对所述标记图像进行数据增强处理;
其中,所述数据增强处理的方法包括图像偏移、高斯模糊处理中的一项或多项。
优选地,所述对所述标记图像进行二值化处理,得到二值化标记图像的步骤包括:
在标记图像中,查找具有所述目标信息的颜色通道像素,以及不具有所述目标信息的颜色通道像素;
将具有所述目标信息的颜色通道像素的颜色标记为1;
将不具有所述目标信息的颜色通道像素标记为0,从而将所述标记图像转换成二值化标记图像。
优选地,所述预设模型为基于卷积神经网络的VGG16模型。
优选地,所述预设模型的训练过程包括:
获取多幅二值化标记图像;
将所述多幅二值化标记图像分为训练集和验证集;
建立一基于卷积神经网络的VGG16模型,并利用所述训练集对所述基于卷积神经网络的VGG16模型进行训练;
利用所述验证集对训练后的基于卷积神经网络的VGG16模型进行验证,并根据验证结果统计得到所述模型的预测准确率;
判断所述模型的预测准确率是否小于预设阈值;
若所述模型预测准确率不小于所述预设阈值,则将训练完成的所述基于卷积神经网络的VGG16模型作为所述预设模型。
优选地,所述方法还包括:
若所述预设模型预测准确率小于所述预设阈值,则通过热点图分析,调整所述基于卷积神经网络的VGG16模型的参数和/或调整训练集样本的数量,并利用所述调整后的训练集重新对调整后的基于卷积神经网络的VGG16模型进行训练;
利用所述验证集对重新训练的基于卷积神经网络的VGG16模型进行验证,并根据每一验证结果重新统计得到一模型预测准确率,并判断重新统计得到的模型预测准确率是否小于所述预设阈值;
若所述重新统计得到的模型预测准确率不小于所述预设阈值,则将重新训练完成的基于卷积神经网络的VGG16模型作为所述预设模型;及
若所述重新统计得到的模型预测准确率小于所述预设阈值,则重复上述调整及训练的步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值;
其中,所述基于卷积神经网络的VGG16模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
优选地,所述在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型的步骤包括:
根据提取到的所述特征信息在特征信息与故障类型对照表中查找与所述特征信息相匹配的特征信息;
通过预先存储的特征信息与故障类型之间的对应关系,确定所述提取到的特征信息对应的故障类型;
其中,所述故障类型为所述用户终端的硬件故障,所述硬件故障包括:听筒故障、话筒故障、主板故障、显示屏故障、耳机故障。
本申请的第二方面提供一种用户终端故障检测装置,所述装置包括:
获取模块,用于获取用户终端的数字信号波形图;
截取模块,用于截取所述数字信号波形图的目标信息,将截取到的目标信息记为标记图像;
处理模块,用于对所述标记图像进行二值化处理,得到二值化标记图像;
提取模块,用于通过预设模型提取所述二值化标记图像中的特征信息;
输出模块,用于在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型。
本申请的第三方面提供一种计算机装置,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前所述用户终端故障检测方法。
本申请的第四方面提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述用户终端故障检测方法。
本发明用户终端故障检测方法、装置、计算机装置和计算机存储介质,可以在不拆开用户终端的前提下,通过获取用户终端的波形图,并通过图像处理方法对所述波形图进行处理,利用处理后的波形图通过预设模型完成用户终端的故障检测,可定位发生故障的硬件模块,避免了在拆机过程中对用户终端硬件造成的损伤。
附图说明
图1是本发明一实施方式提供的用户终端故障检测方法的应用环境架构示意图。
图2是本发明一实施方式提供的用户终端故障检测方法流程图。
图3是本发明一实施方式提供的用户终端故障检测装置的结构示意图。
图4是本发明一实施方式提供的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
参阅图1所示,为本发明一实施方式提供的用户终端故障检测方法的应用环境架构示意图。
本发明中的用户终端故障检测方法应用在计算机装置1中,所述计算机装置1与示波器2通过网络建立通信连接。所述网络可以是有线网络,也可以是无线网络,例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。所述示波器2与用户终端3通过数据线建立连接。
所述计算机装置1可以为安装有用户终端检测软件的电子设备,例如个人电脑、服务器等,其中,所述服务器可以是单一的服务器、服务器集群或云服务器等。
所述示波器2可以用来观察各种不同信号幅度随时间变化的波形曲线,用来测试各种不同的电量,如电压、电流、频率、相位差、幅度等。
所述用户终端3可以为智能电子设备,包括但不限于智能手机、平板电脑、膝上型便捷计算机、台式计算机等。
请参阅图2所示,是本发明一实施方式提供的用户终端故障检测方法流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S1、获取用户终端的数字信号波形图。
在本发明一实施方式中,所述获取用户终端3的数字信号波形图的步骤可以是:通过示波器2采集用户终端3的数字信号波形图,示波器2将采集到的数字信号波形图通过有线传输或无线传输的方式发送给计算机装置1。所述数字信号波形图中显示了电压和\或电流的变化情况。
举例而言,若所述用户终端3的听筒功能出现故障,无法接听声音,可以将所述用户终端3通过数据传输线与示波器2相连接,采集所述用户终端3的电流、电压数字信号波形图。示波器2将采集到的数字信号波形图发送给计算机装置1。
步骤S2、截取所述数字信号波形图的目标信息,将截取到的目标信息记为标记图像。
在本发明一实施方式中,所述数字信号波形图的目标信息为电流信息。计算机装置1接收示波器2发送的数字信号波形图,将所述数字信号波形图裁切成多个预设大小的正方形,例如对所述数字信号波形图的水平方向和竖直方向进行660等分,从而得到660*660个正方形区域,接收用户输入的截取所述数字信号波形图中的目标信息的位置,在一实施方式中,所述目标信息为电流信息,按照电流信息的位置和面积在被裁切成预设大小的正方形的数字信号波形图中选取含有所述电流信息的区域。并将含有所述电流信息的区域标记为标记图像,其中,所述标记图像的大小小于数字信号波形图。
在又一实施方式中所述方法还可以包括:对所述标记图像进行数据增强处理,所述数据增强处理的方法包括图像偏移、高斯模糊处理中的一项或多项。
为了获取更多的标记图像,可以对所述标记图像进行数据增强处理,可以将所述标记图像在预设范围内,以单位位移做上下左右调整,从而获得在预设范围内具有单位位移差的多幅标记图像。还可以对原始标记图像进行高斯模糊处理,在预设像素范围内,选取不同的像素范围进行高斯模糊处理,从而获得经过高斯处理的多幅标记图像。
步骤S3、对所述标记图像进行二值化处理,得到二值化标记图像。
在本发明一实施方式中,对所述标记图像进行二值化处理,得到二值化标记图像的方法包括:
在标记图像中,查找具有所述目标信息的颜色通道像素,以及不具有所述目标信息的颜色通道像素;
将具有所述目标信息的颜色通道像素的颜色标记为1;
将不具有所述目标信息的颜色通道像素标记为0,从而将所述标记图像转换成二值化标记图像。
举例而言,所述目标信息为电流信息,接受用户输入的所述电流信息的颜色通道像素为蓝色通道像素,在经过数据增强处理的多幅标记图像中提取具有所述蓝色通道像素的像素,并将所述像素的颜色值标记为1,并将所述经过数据增强处理的多幅标记图像中不具有所述电流信息的颜色通道像素标记为0。由此得到具有所述电流信息的多幅仅具有0或1的二值化标记图像。
步骤S4、通过预设模型提取所述二值化标记图像中的特征信息。
在本发明一实施方式中,所述预设模型可以为基于卷积神经网络的VGG16模型。
所述预设模型的训练过程可以包括:
获取多幅二值化标记图像;
将所述多幅二值化标记图像分为训练集和验证集;
建立一基于卷积神经网络的VGG16模型,并利用所述训练集对所述基于卷积神经网络的VGG16模型进行训练;
利用所述验证集对训练后的基于卷积神经网络的VGG16模型进行验证,并根据验证结果统计得到所述模型的预测准确率;
判断所述模型的预测准确率是否小于预设阈值;
若所述模型预测准确率不小于所述预设阈值,则将训练完成的所述基于卷积神经网络的VGG16模型作为所述预设模型。
若所述预设模型预测准确率小于所述预设阈值,则通过热点图分析,调整所述基于卷积神经网络的VGG16模型的参数和/或调整训练集样本的数量,并利用所述调整后的训练集重新对调整后的基于卷积神经网络的VGG16模型进行训练。其中,所述热点图分析是在二值化标记图像中,使用不同的颜色标记所述二值化标记图像中的特征信息,其中用第一预设颜色标记特征信息,用第二预设颜色标记与特征信息相邻的区域。通过热点图分析可以使得基于卷积神经网络的VGG16模型更准确的识别出所述二值化标记图像中的特征信息。所述基于卷积神经网络的VGG16模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
利用所述验证集对重新训练的基于卷积神经网络的VGG16模型进行验证,并根据每一验证结果重新统计得到一模型预测准确率,并判断重新统计得到的模型预测准确率是否小于所述预设阈值;
若所述重新统计得到的模型预测准确率不小于所述预设阈值,则将重新训练完成的基于卷积神经网络的VGG16模型作为所述预设模型;
若所述重新统计得到的模型预测准确率小于所述预设阈值,则重复上述调整及训练的步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值;
在本发明一实施方式中,计算机装置1将获取到的用户终端3的数字信号波形图使用训练好的基于卷积神经网络的VGG16模型进行特征识别,得到所述数字信号波形图的特征信息,所述特征信息可以是电流值也可以是电压值。
步骤S5、在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型。
在一实施方式中,所述在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型的步骤可以包括:
根据提取到的所述特征信息在特征信息与故障类型对照表中查找与所述特征信息相匹配的特征信息;
通过预先存储的特征信息与故障类型之间的对应关系,确定所述提取到的特征信息对应的故障类型;
其中,所述故障类型为所述用户终端的硬件故障,所述硬件故障包括:听筒故障、话筒故障、主板故障、显示屏故障、耳机故障。
所述特征信息在特征信息与故障类型对照表的构建步骤可以包括:
将已知的故障硬件模块及故障类型的数字信号波形图,经过截取和二值化处理后代入训练好基于卷积神经网络的VGG16模型中;
利用所述基于卷积神经网络的VGG16模型分析得出所述已知的故障硬件模块及故障类型对应的特征信息;
将所述已知的故障硬件模块以及故障类型与分析得出的特征信息建立映射关系并进行存储。
在本发明又一实施例中,计算机装置1将经基于卷积神经网络的VGG16模型进行特征识别后的特征信息与特征信息与故障类型对照表中的信息进行比对,找出与识别后的特征信息相匹配的特征信息,在特征信息与故障类型对照表中查找所述特征信息对应的故障类型,并将所述故障类型在计算机装置1中进行显示输出,在本发明的其他实施方式中,也可以将所述故障硬件模类型发送给预设的其他计算机装置。
上述图2详细介绍了本发明的用户终端故障检测方法流程图,下面结合第3-4图,对实现所述用户终端故障检测方法的软件装置的功能模块以及实现所述用户终端故障检测方法的硬件装置架构进行介绍。
应所述了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3是本发明一实施方式提供的用户终端检测方法的用户终端故障检测装置的结构示意图。
在一些实施例中,用户终端故障检测装置10运行于计算机装置中。所述用户终端故障检测装置10可以包括多个由程序代码段所组成的功能模块。所述用户终端故障检测装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中,并由所述至少一个处理器所执行,以实现用户终端检测功能。
本实施例中,所述用户终端故障检测装置10根据其所执行的功能,可以被划分为多个功能模块。参阅图3所示,所述功能模块可以包括:获取模块101、截取模块102、处理模块103、提取模块104、输出模块105。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。
所述获取模块101,用于获取用户终端的数字信号波形图;
所述截取模块102,用于截取所述数字信号波形图的目标信息,将截取到的目标信息记为标记图像;
所述处理模块103,用于对所述标记图像进行二值化处理,得到二值化标记图像;
所述提取模块104,用于通过预设模型提取所述二值化标记图像中的特征信息;
所述输出模块105,用于在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型。
图4是本发明一实施方式提供的用户终端故障检测方法的计算机装置示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40,例如用户终端检测程序。所述处理器30执行所述计算机程序40时实现上述用户终端故障检测方法实施例中的步骤,例如图2所示的步骤S1~S5。或者,所述处理器30执行所述计算机程序40时实现上述用户终端故障检测装置实施例中各模块/单元的功能,例如图3中的单元101-105。
示例性的,所述计算机程序40可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如,所述计算机程序40可以被分割成图3中的获取模块101、截取模块102、处理模块103、提取模块104、输出模块105。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图仅仅是计算机装置1的示例,并不构成对计算机装置1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等,所述处理器30是所述计算机装置1的控制中心,利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元,所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元,以及调用存储在存储器20内的数据,实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应所述理解到,所揭露的计算机装置和方法,可以通过其它的方式实现。例如,以上所描述的计算机装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种用户终端故障检测方法,其特征在于,所述方法包括:
获取用户终端的数字信号波形图;
截取所述数字信号波形图的目标信息,将截取到的目标信息记为标记图像;
对所述标记图像进行二值化处理,得到二值化标记图像;
通过预设模型提取所述二值化标记图像中的特征信息;
在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型。
2.如权利要求1所述的用户终端故障检测方法,其特征在于,所述截取所述数字信号波形图的目标信息,将截取到的目标信息记为标记图像的步骤之后还包括:
对所述标记图像进行数据增强处理;
其中,所述数据增强处理的方法包括图像偏移、高斯模糊处理中的一项或多项。
3.如权利要求1所述的用户终端故障检测方法,其特征在于,所述对所述标记图像进行二值化处理,得到二值化标记图像的步骤包括:
在标记图像中,查找具有所述目标信息的颜色通道像素,以及不具有所述目标信息的颜色通道像素;
将具有所述目标信息的颜色通道像素的颜色标记为1;
将不具有所述目标信息的颜色通道像素标记为0,从而将所述标记图像转换成二值化标记图像。
4.如权利要求1所述的用户终端故障检测方法,其特征在于,所述预设模型为基于卷积神经网络的VGG16模型。
5.如权利要求4所述的用户终端故障检测方法,其特征在于,所述预设模型的训练过程包括:
获取多幅二值化标记图像;
将所述多幅二值化标记图像分为训练集和验证集;
建立一基于卷积神经网络的VGG16模型,并利用所述训练集对所述基于卷积神经网络的VGG16模型进行训练;
利用所述验证集对训练后的基于卷积神经网络的VGG16模型进行验证,并根据验证结果统计得到所述模型的预测准确率;
判断所述模型的预测准确率是否小于预设阈值;
若所述模型预测准确率不小于所述预设阈值,则将训练完成的所述基于卷积神经网络的VGG16模型作为所述预设模型。
6.如权利要求5所述的用户终端故障检测方法,其特征在于,所述方法还包括:
若所述预设模型预测准确率小于所述预设阈值,则通过热点图分析,调整所述基于卷积神经网络的VGG16模型的参数和/或调整训练集样本的数量,并利用所述调整后的训练集重新对调整后的基于卷积神经网络的VGG16模型进行训练;
利用所述验证集对重新训练的基于卷积神经网络的VGG16模型进行验证,并根据每一验证结果重新统计得到一模型预测准确率,并判断重新统计得到的模型预测准确率是否小于所述预设阈值;
若所述重新统计得到的模型预测准确率不小于所述预设阈值,则将重新训练完成的基于卷积神经网络的VGG16模型作为所述预设模型;及
若所述重新统计得到的模型预测准确率小于所述预设阈值,则重复上述调整及训练的步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值;
其中,所述基于卷积神经网络的VGG16模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
7.如权利要求6所述的用户终端故障检测方法,其特征在于,所述在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型的步骤包括:
根据提取到的所述特征信息在特征信息与故障类型对照表中查找与所述特征信息相匹配的特征信息;
通过预先存储的特征信息与故障类型之间的对应关系,确定所述提取到的特征信息对应的故障类型;
其中,所述故障类型为所述用户终端的硬件故障,所述硬件故障包括:听筒故障、话筒故障、主板故障、显示屏故障、耳机故障。
8.一种用户终端故障检测装置,其特征在于,所述装置包括:
获取模块,用于获取用户终端的数字信号波形图;
截取模块,用于截取所述数字信号波形图的目标信息,将截取到的目标信息记为标记图像;
处理模块,用于对所述标记图像进行二值化处理,得到二值化标记图像;
提取模块,用于通过预设模型提取所述二值化标记图像中的特征信息;
输出模块,用于在特征信息与故障类型对照表中查找并输出提取到的所述特征信息对应的故障类型。
9.一种计算机装置,其特征在于:所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述的用户终端故障检测方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的用户终端故障检测方法。
Priority Applications (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 |
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 |
Applications Claiming Priority (1)
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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112711963A true CN112711963A (zh) | 2021-04-27 |
Family
ID=75540665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911017380.9A Pending 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 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112711963A (zh) |
TW (1) | TWI830815B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116302897A (zh) * | 2023-05-15 | 2023-06-23 | 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 |
CN116567127A (zh) * | 2023-06-15 | 2023-08-08 | 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 |
WO2024001495A1 (zh) * | 2022-06-29 | 2024-01-04 | 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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
CN109270384B (zh) * | 2018-11-13 | 2019-06-11 | 中南民族大学 | 一种用于识别用电设备电弧的方法和*** |
CN109946606B (zh) * | 2019-04-03 | 2020-04-03 | 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 |
CN110084158B (zh) * | 2019-04-15 | 2021-01-29 | 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
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001495A1 (zh) * | 2022-06-29 | 2024-01-04 | 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 |
CN116302897A (zh) * | 2023-05-15 | 2023-06-23 | 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 |
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 |
CN116567127A (zh) * | 2023-06-15 | 2023-08-08 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
TWI830815B (zh) | 2024-02-01 |
TW202117540A (zh) | 2021-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112015603A (zh) | 用户终端硬件检测方法、装置、计算机装置及存储介质 | |
CN112711963A (zh) | 用户终端故障检测方法、装置、计算机装置及存储介质 | |
CN109345553B (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
CN107978189B (zh) | 一种习题的智能推送方法、***及终端设备 | |
CN104866414A (zh) | 应用程序的测试方法、装置及*** | |
CN109409377B (zh) | 图像中文字的检测方法及装置 | |
CN110706206A (zh) | 荧光细胞计数方法、装置、终端设备及存储介质 | |
CN107564329B (zh) | 一种车辆查找方法及终端 | |
CN112241714A (zh) | 图像中指定区域的识别方法、装置、可读介质和电子设备 | |
CN109102264B (zh) | 一种电子红包检测方法、装置及终端设备 | |
CN109041064B (zh) | 一种伪基站的识别方法、装置及移动终端 | |
CN107885449B (zh) | 一种拍照搜索方法、装置、终端设备和存储介质 | |
CN110297764B (zh) | 漏洞测试模型训练方法和装置 | |
CN109783367B (zh) | 接口测试方法、装置、计算机装置及存储介质 | |
CN112364918A (zh) | 异常识别方法、终端和计算机可读存储介质 | |
CN115273123B (zh) | 一种票据识别方法、装置、设备及计算机存储介质 | |
CN107071553B (zh) | 一种修改视频语音的方法、装置和计算机可读存储介质 | |
CN114913350B (zh) | 素材查重方法、装置、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 | |
CN110245068A (zh) | H5页面的自动化测试方法、装置及计算机设备 | |
CN113093967A (zh) | 数据生成方法、装置、计算机装置及存储介质 | |
CN115100492A (zh) | Yolov3网络训练、pcb表面缺陷检测方法及装置 | |
CN113128299B (zh) | 人流密度检测方法、装置、终端设备、服务器及存储介质 | |
CN114022844A (zh) | 天线权值配置方法、装置、电子设备以及存储介质 | |
CN109344836B (zh) | 一种文字识别方法和设备 |
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 |