CN116405661A - 一种智能电视开发性能测试方法和装置 - Google Patents

一种智能电视开发性能测试方法和装置 Download PDF

Info

Publication number
CN116405661A
CN116405661A CN202310474021.6A CN202310474021A CN116405661A CN 116405661 A CN116405661 A CN 116405661A CN 202310474021 A CN202310474021 A CN 202310474021A CN 116405661 A CN116405661 A CN 116405661A
Authority
CN
China
Prior art keywords
screen
extinguishing
audio
test
picture
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
Application number
CN202310474021.6A
Other languages
English (en)
Other versions
CN116405661B (zh
Inventor
杜锋良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Knott Software Shenzhen Co ltd
Original Assignee
Knott Software Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Knott Software Shenzhen Co ltd filed Critical Knott Software Shenzhen Co ltd
Priority to CN202310474021.6A priority Critical patent/CN116405661B/zh
Publication of CN116405661A publication Critical patent/CN116405661A/zh
Application granted granted Critical
Publication of CN116405661B publication Critical patent/CN116405661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04N17/02—Diagnosis, testing or measuring for television systems or their details for colour television signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/60—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for measuring the quality of voice signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/04—Diagnosis, testing or measuring for television systems or their details for receivers
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30121—CRT, LCD or plasma display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明涉及性能测试技术领域，揭露了一种智能电视开发性能测试方法，包括：对智能电视进行色彩检测，得到色彩参数集，将初级测试图集拆分成息屏测试图集以及亮屏测试图集，对息屏测试图集进行图片特征识别，得到息屏缺陷集，对亮屏测试图集进行区域特征识别，得到亮屏缺陷集，并根据息屏缺陷集对亮屏缺陷集进行更新，得到标准屏幕缺陷集；对初级测试音频进行音波重构和音频特征识别，得到失真发音缺陷集；对色彩参数集进行色域标注，得到色彩检测结果，将色彩检测结果、失真发音缺陷集以及标准屏幕缺陷集汇集成性能测试结果。本发明还提出一种智能电视开发性能测试装置。本发明可以提高智能电视性能测试时的精确度。

Description

一种智能电视开发性能测试方法和装置
技术领域
本发明涉及性能测试技术领域，尤其涉及一种智能电视开发性能测试方法和装置。
背景技术
智能电视，是基于网络应用技术，具备开放式操作***与芯片，拥有开放式应用平台，可实现双向人机交互功能，集影音、娱乐、数据等多种功能于一体，以满足用户多样化和个性化需求的电视产品，随着人们生活水平的提高，越来越多的家庭开始使用智能电视，但是，智能电视在出厂前需要进行性能测试。
现有的电视性能测试方法多为基于人工的性能测试方法，通过利用人工对智能电视进行影音测试，检查屏幕坏点、爆音等缺陷，从而实现性能测试，实际过程中，基于人工的性能测试方法往往依赖于具有大量经验的工人进行判断，且需要对测试的准确性依靠于工人的视听灵敏度，可能会导致进行智能电视性能测试时的精确度较低。
发明内容
本发明提供一种智能电视开发性能测试方法和装置，其主要目的在于解决进行智能电视性能测试时的精确度较低的问题。
为实现上述目的，本发明提供的一种智能电视开发性能测试方法，包括：
利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频；
将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集；
对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，逐个对所述次级息屏图块组集中各次级息屏图块组进行特征提取，得到息屏特征组，并对所述息屏特征组进行图片特征识别，得到息屏缺陷集，对所述亮屏测试图集进行区域特征识别，得到亮屏缺陷集，并根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集，其中，所述对所述息屏特征组进行图片特征识别，得到息屏缺陷集，包括：逐个选取所述息屏特征组中的标准息屏特征作为目标标准息屏特征，利用如下的息屏向量算法计算出所述目标标准息屏特征对应的初级息屏向量：
Figure SMS_1
其中，Z是指所述初级息屏向量，K是指所述目标标准息屏特征的特征向量数量，k是指第k个，xk表示所述目标标准息屏特征中的第k维的特征向量，α、β、γ是所述目标标准息屏特征的预设权重矩阵，/>
Figure SMS_2
是指xkβ向量的维度，/>
Figure SMS_3
是所述息屏向量算法的归一化系数，T是转置函数；对所述初级息屏向量进行向量转码，得到初级息屏语义，将所有的初级息屏语义汇集成息屏语义集，并从所述息屏语义集中筛选出缺陷语义汇集成息屏缺陷集；
对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，利用预设的音频窗口将所述次级测试音频拆分成次级音频序列，对所述次级音频序列进行音波重构，得到标准音频特征，对所述标准音频特征进行音频特征识别，得到失真发音缺陷集；
对所述色彩参数集进行色域标注，得到色彩检测结果，对所述失真发音缺陷集进行音域标注，得到发音检测结果，并将所述色彩检测结果、所述发音检测结果以及所述标准屏幕缺陷集汇集成性能测试结果。
可选地，所述利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，包括：
利用预设的色彩分析仪对所述智能电视进行全局亮度检测，得到区域亮度集；
从所述区域亮度集中提取出峰值亮度以及平均亮度，并根据所述平均亮度计算出所述区域亮度集对应的亮度方差，将所述亮度方差作为亮度均匀度；
利用所述色彩分析仪对所述智能电视进行全局对比度检测，得到区域对比度集，并将所述区域对比度集的平均值作为标准对比度；
利用所述色彩分析仪对所述智能电视进行进行多角度色度检测，得到色度参数集；
将所述峰值亮度、所述平均亮度、所述亮度均匀度、所述标准对比度以及所述色度参数集汇集成色彩参数集。
可选地，所述将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，包括：
逐个选取所述初级测试图集中的初级测试图片作为目标初级图片，对所述目标初级图片进行灰度化操作，得到目标灰度图片；
计算出所述目标灰度图片中各个像素的灰度值的平均值，并将所述平均值作为所述目标灰度图片的灰度均值；
判断所述灰度均值是否大于预设的灰度阈值；
若是，则将所述灰度均值对应的目标初级图片添加到预设的亮屏测试图集中；
若否，则将所述灰度均值对应的目标初级图片添加到预设的息屏测试图集中。
可选地，所述对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集，包括：
逐个选取所述息屏测试图集中的息屏测试图片作为目标息屏图片，对所述目标息屏图片进行中值滤波操作，得到去噪息屏图片；
利用预设的削权拟合算法对所述去噪息屏图片进行边缘检测，得到屏幕拟合边缘；
根据所述屏幕拟合边缘对所述去噪息屏图片进行图片分割，得到分割息屏图片；
计算出所述分割息屏图片的息屏灰度直方图，利用所述息屏灰度直方图对所述分割息屏图片进行图片增强，得到次级息屏图片，并将所有的次级息屏图片汇集成次级息屏图集。
可选地，所述利用预设的削权拟合算法对所述去噪息屏图片进行边缘检测，得到屏幕拟合边缘，包括：
利用预设的边缘侵蚀算法从所述去噪息屏图片中提取出初级屏幕边缘集合；
利用如下的削权拟合算法对所述初级屏幕边缘集合中的各个初级屏幕边缘进行拟合，得到标准拟合边缘集合：
Figure SMS_4
其中，ε是指拟合误差，r是指所述初级屏幕边缘对应的第r个像素点，R是指所述初级屏幕边缘对应的像素点的总数，wr是指所述第r个像素点的削波权重，ρ，σ是拟合后的所述初级屏幕边缘的斜率系数，γ是拟合后的所述初级屏幕边缘的位移系数，ar是指所述初级屏幕边缘对应的第r个像素点的横坐标，br是指所述初级屏幕边缘对应的第r个像素点的纵坐标，λ是指所述削权拟合算法的拟合系数；
将所述标准拟合边缘集合中的所有标准拟合边缘拼接成屏幕拟合边缘。
可选地，所述对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，包括：
对所述次级息屏图集中的各个次级息屏图片依次进行倾斜矫正和图片拉升操作，得到标准息屏图集；
逐个选取所述标准息屏图集中的标准息屏图片作为目标标准息屏图片，依次对所述目标标准息屏图片进行四叉树分块、四叉树分块、三叉树分块以及二叉树分块操作，得到标准息屏图块组，并将所有的标准息屏图块组汇集成标准息屏图块组集；
逐个选取所述标准息屏图块组集中的标准息屏图块组作为目标标准息屏图块组，逐个选取所述目标标准息屏图块组中的标准息屏图块作为目标标准息屏图块；
将所述目标标准息屏图块添加到预设的初级息屏图块组中，将所述标准息屏图块组集中除所述目标标准息屏图块组之外的每个标准息屏图块组中的与所述目标标准息屏图块位置对应的标准息屏图块添加到所述初级息屏图块组中，得到次级息屏图块组，并将所有的次级息屏图块组汇集成次级息屏图块组集。
可选地，所述对所述亮屏测试图集进行区域特征识别，得到亮屏缺陷集，包括：
对所述亮屏测试图集中的各个亮屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级亮屏图集；
对所述次级亮屏图集进行图片分块操作，得到次级亮屏图块组集；
逐个对所述次级亮屏图块组集中各次级亮屏图块组进行特征提取，得到亮屏特征组，并对所述亮屏特征组进行图片特征识别，得到亮屏缺陷集。
可选地，所述对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，包括：
利用加权递推平均滤波法对所述初级测试音频进行带通滤波，得到初级滤波音频；
依次对所述初级滤波音频进行限幅滤波和消抖滤波，得到次级滤波音频；
对所述次级滤波音频进行音频功率放大操作，得到次级测试音频。
可选地，所述对所述次级音频序列进行音波重构，得到标准音频特征，包括：
逐个选取所述次级音频序列中的次级音频作为目标次级音频，对所述目标次级音频进行音频分解，得到目标音频分解树；
利用如下的奇偶重构公式对所述目标音频分解树进行音频重构，得到目标音频重构树：
Figure SMS_5
其中，/>
Figure SMS_9
是指所述目标音频重构树中第/>
Figure SMS_10
层中的第m个树节点的横坐标为i时对应的音频信号值，e是指滤波系数，/>
Figure SMS_7
是低通滤波函数，/>
Figure SMS_8
是高通滤波函数，/>
Figure SMS_11
是指所述目标音频分解树中第j层中的第2m个树节点的横坐标为i时对应的音频信号值，/>
Figure SMS_12
是指所述目标音频分解树中第j层中的第/>
Figure SMS_6
个树节点的横坐标为i时对应的音频信号值；
对所述目标音频重构树进行样本熵特征提取，得到重构音频特征，并将所有的重构音频特征汇集成标准音频特征。
为了解决上述问题，本发明还提供一种智能电视开发性能测试装置，所述装置包括：
数据采集模块，用于利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频；
图片增强模块，用于将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集；
屏幕测试模块，用于对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，逐个对所述次级息屏图块组集中各次级息屏图块组进行特征提取，得到息屏特征组，并对所述息屏特征组进行图片特征识别，得到息屏缺陷集，对所述亮屏测试图集进行区域特征识别，得到亮屏缺陷集，并根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集，其中，所述对所述息屏特征组进行图片特征识别，得到息屏缺陷集，包括：逐个选取所述息屏特征组中的标准息屏特征作为目标标准息屏特征，利用如下的息屏向量算法计算出所述目标标准息屏特征对应的初级息屏向量：
Figure SMS_13
其中，Z是指所述初级息屏向量，K是指所述目标标准息屏特征的特征向量数量，k是指第k个，xk表示所述目标标准息屏特征中的第k维的特征向量，α、β、γ是所述目标标准息屏特征的预设权重矩阵，/>
Figure SMS_14
是指xkβ向量的维度，/>
Figure SMS_15
是所述息屏向量算法的归一化系数，T是转置函数；对所述初级息屏向量进行向量转码，得到初级息屏语义，将所有的初级息屏语义汇集成息屏语义集，并从所述息屏语义集中筛选出缺陷语义汇集成息屏缺陷集；
音频测试模块，用于对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，利用预设的音频窗口将所述次级测试音频拆分成次级音频序列，对所述次级音频序列进行音波重构，得到标准音频特征，对所述标准音频特征进行音频特征识别，得到失真发音缺陷集；
结果生成模块，用于对所述色彩参数集进行色域标注，得到色彩检测结果，对所述失真发音缺陷集进行音域标注，得到发音检测结果，并将所述色彩检测结果、所述发音检测结果以及所述标准屏幕缺陷集汇集成性能测试结果。
本发明实施例通过利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，能够保证初级测试图集的图片质量，从而提高后续屏幕缺陷识别的精度，通过利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，可以测量所述智能电视的初级色彩显示性能，通过利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频，可以去除所述智能电视的音频中的背景噪音，从而提高后续失真发音缺陷的识别精度，通过将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，可以分别检测出所述智能电视在息屏与亮屏时的缺陷问题，通过对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集，可以使得智能电视上的缺陷更加明显，从而方便后续的特征提取与特征识别，提高了测试精度，通过对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，可以对所述次级息屏图片进行细化，从而更方便确定兴趣区域，提高缺陷识别的精确度，通过根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集，能够分别对亮屏状态与息屏状态下的屏幕缺陷进行识别，从而提高屏幕缺陷识别的精确度。
通过对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，能够进一步提高音频细节，从而提高后续音频特征识别的准确性，通过对所述次级音频序列进行音波重构，得到标准音频特征，对所述标准音频特征进行音频特征识别，得到失真发音缺陷集，可以对保留音频的高频细节特征与低频细节特征，从而提高是真发音缺陷的识别准确率，通过将所述色彩检测结果、所述发音检测结果以及所述标准屏幕缺陷集汇集成性能测试结果，可以在屏幕色彩，屏幕缺陷以及音频缺陷三方面对智能电视进行性能测试，从而提高性能的测试的准确率。因此本发明提出的智能电视开发性能测试方法和装置，可以解决进行智能电视性能测试时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的智能电视开发性能测试方法的流程示意图；
图2为本发明一实施例提供的生成次级息屏图集的流程示意图；
图3为本发明一实施例提供的图片分块的流程示意图；
图4为本发明一实施例提供的智能电视开发性能测试装置的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种智能电视开发性能测试方法。所述智能电视开发性能测试方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述智能电视开发性能测试方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的智能电视开发性能测试方法的流程示意图。在本实施例中，所述智能电视开发性能测试方法包括：
S1、利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频。
本发明实施例中，所述预先矫正的摄像机是指预先进行焦度调节、畸变矫正以及噪点矫正的摄像机，其中，所述焦度调节是指将所述摄像机的焦点调节到与所述智能电视同一平面，所述畸变矫正是指利用焦度调节后的所述摄像机对标定板进行拍摄，得到标定板图片，根据所述标定板图片上各像素与所述标定板的偏移量之间的关系构建畸变公式，并利用所述畸变公式对所述摄像机进行畸变校正；所述噪点矫正是指利用畸变矫正后的摄像机对纯色板进行拍摄，得到纯色板照片，根据所述纯色板照片确定出摄像机的镜头噪点，利用所述镜头噪点对所述摄像机进行噪点矫正。
本发明实施例中，所述利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，是指让待检测的智能电视播放预设的测试视频，并利用预先矫正的摄像机对播放所述测试视频的所述智能电视进行间隔拍摄，得到不同时间段的初级测试图片，并将所有的初级测试图片汇集成初级测试图集。
详细地，所述利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，包括：
利用预设的色彩分析仪对所述智能电视进行全局亮度检测，得到区域亮度集；
从所述区域亮度集中提取出峰值亮度以及平均亮度，并根据所述平均亮度计算出所述区域亮度集对应的亮度方差，将所述亮度方差作为亮度均匀度；
利用所述色彩分析仪对所述智能电视进行全局对比度检测，得到区域对比度集，并将所述区域对比度集的平均值作为标准对比度；
利用所述色彩分析仪对所述智能电视进行进行多角度色度检测，得到色度参数集；
将所述峰值亮度、所述平均亮度、所述亮度均匀度、所述标准对比度以及所述色度参数集汇集成色彩参数集。
详细地，所述利用预设的色彩分析仪对所述智能电视进行全局亮度检测，得到区域亮度集是指利用所述色彩分析仪在所述智能电视的各个区域进行亮度测量，并将各个区域的亮度值汇集成区域亮度集。
具体地，所述峰值亮度是指所述区域亮度集中亮度值最大的区域亮度，所述平均亮度是指所述区域亮度集的亮度值的平均值。
具体地，所述利用所述色彩分析仪对所述智能电视进行全局对比度检测，得到区域对比度集是指对所述智能电视的各个区域进行对比度测试，进而将各个区域的对比度汇集成区域对比度集。
详细地，所述利用所述色彩分析仪对所述智能电视进行进行多角度色度检测，得到色度参数集是指在各个角度对显示各种颜色的所述智能电视进行色度检测，从而得到色度参数集。
详细地，所述利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频是指利用录音机对静音环境进行录音，得到基准测试音频，并利用所述录音机对正在播放测试音频的所述智能电视进行录音，得到默认测试音频，并利用所述基准测试音频对所述默认测试音频进行初级音频除噪，得到初级测试音频。
本发明实施例中，通过利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，能够保证初级测试图集的图片质量，从而提高后续屏幕缺陷识别的精度，通过利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，可以测量所述智能电视的初级色彩显示性能，通过利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频，可以去除所述智能电视的音频中的背景噪音，从而提高后续失真发音缺陷的识别精度。
S2、将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集。
本发明实施例中，所述息屏测试图集是指由多张息屏状态下的所述智能电视的图片组成的图集，所述亮屏测试图集是指由多张亮屏状态下的所述智能电视的图片组成的图集。
本发明实施例中，所述将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，包括：
逐个选取所述初级测试图集中的初级测试图片作为目标初级图片，对所述目标初级图片进行灰度化操作，得到目标灰度图片；
计算出所述目标灰度图片中各个像素的灰度值的平均值，并将所述平均值作为所述目标灰度图片的灰度均值；
判断所述灰度均值是否大于预设的灰度阈值；
若是，则将所述灰度均值对应的目标初级图片添加到预设的亮屏测试图集中；
若否，则将所述灰度均值对应的目标初级图片添加到预设的息屏测试图集中。
详细地，可以利用OpenCV的cv2.cvtClolor函数对所述目标初级图片进行灰度化操作，得到目标灰度图片，所述灰度阈值是预先经过实验计算得到的。
本发明实施例中，参照图2所示，所述对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集，包括：
S21、逐个选取所述息屏测试图集中的息屏测试图片作为目标息屏图片，对所述目标息屏图片进行中值滤波操作，得到去噪息屏图片；
S22、利用预设的削权拟合算法对所述去噪息屏图片进行边缘检测，得到屏幕拟合边缘；
S23、根据所述屏幕拟合边缘对所述去噪息屏图片进行图片分割，得到分割息屏图片；
S24、计算出所述分割息屏图片的息屏灰度直方图，利用所述息屏灰度直方图对所述分割息屏图片进行图片增强，得到次级息屏图片，并将所有的次级息屏图片汇集成次级息屏图集。
详细地，可以利用openCV的cv2.medianBlur函数对所述目标息屏图片进行中值滤波操作，得到去噪息屏图片。
详细地，所述利用预设的削权拟合算法对所述去噪息屏图片进行边缘检测，得到屏幕拟合边缘，包括：
利用预设的边缘侵蚀算法从所述去噪息屏图片中提取出初级屏幕边缘集合；
利用如下的削权拟合算法对所述初级屏幕边缘集合中的各个初级屏幕边缘进行拟合，得到标准拟合边缘集合：
Figure SMS_16
其中，ε是指拟合误差，r是指所述初级屏幕边缘对应的第r个像素点，R是指所述初级屏幕边缘对应的像素点的总数，wr是指所述第r个像素点的削波权重，ρ，σ是拟合后的所述初级屏幕边缘的斜率系数，γ是拟合后的所述初级屏幕边缘的位移系数，ar是指所述初级屏幕边缘对应的第r个像素点的横坐标，br是指所述初级屏幕边缘对应的第r个像素点的纵坐标，λ是指所述削权拟合算法的拟合系数；
将所述标准拟合边缘集合中的所有标准拟合边缘拼接成屏幕拟合边缘。
详细地，所述边缘侵蚀算法可以是sobel算子或者是canny算子，通过利用所述削权拟合算法对所述初级屏幕边缘集合中的各个初级屏幕边缘进行拟合，得到标准拟合边缘集合，可以减轻拟合时距离长短导致拟合误差增大的情况，从而提高边缘拟合的精确度。
详细地，所述根据所述屏幕拟合边缘对所述去噪息屏图片进行图片分割，得到分割息屏图片是指将所述去噪息屏图片中位于所述屏幕拟合边缘内部的部分图片作为分割息屏图片。
本发明实施例中，所述计算出所述分割息屏图片的息屏灰度直方图是指计算出所述分割息屏图片中各种等级灰度的概率密度函数，并根据所述概率密度函数生成所述分割息屏图片的息屏灰度直方图，利用所述息屏灰度直方图对所述分割息屏图片进行灰度均衡化操作，得到次级息屏图片。
本发明实施例中，通过将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，可以分别检测出所述智能电视在息屏与亮屏时的缺陷问题，通过对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集，可以使得智能电视上的缺陷更加明显，从而方便后续的特征提取与特征识别，提高了测试精度。
S3、对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，逐个对所述次级息屏图块组集中各次级息屏图块组进行特征提取，得到息屏特征组，并对所述息屏特征组进行图片特征识别，得到息屏缺陷集，对所述亮屏测试图集进行区域特征识别，得到亮屏缺陷集，并根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集。
本发明实施例中，所述次级息屏图块组集是由多个次级息屏图块组组成的集合，每个所述次级息屏图块组是由多个次级息屏图块组成的组合，每个所述次级息屏图块是所述次级息屏图片中的一部分图块。
本发明实施例中，参照图3所示，所述对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，包括：
S31、对所述次级息屏图集中的各个次级息屏图片依次进行倾斜矫正和图片拉升操作，得到标准息屏图集；
S32、逐个选取所述标准息屏图集中的标准息屏图片作为目标标准息屏图片，依次对所述目标标准息屏图片进行四叉树分块、四叉树分块、三叉树分块以及二叉树分块操作，得到标准息屏图块组，并将所有的标准息屏图块组汇集成标准息屏图块组集；
S33、逐个选取所述标准息屏图块组集中的标准息屏图块组作为目标标准息屏图块组，逐个选取所述目标标准息屏图块组中的标准息屏图块作为目标标准息屏图块；
S34、将所述目标标准息屏图块添加到预设的初级息屏图块组中，将所述标准息屏图块组集中除所述目标标准息屏图块组之外的每个标准息屏图块组中的与所述目标标准息屏图块位置对应的标准息屏图块添加到所述初级息屏图块组中，得到次级息屏图块组，并将所有的次级息屏图块组汇集成次级息屏图块组集。
详细地，所述四叉树分块是指将所述目标标准息屏图片分成四个大小一致的图块，所述三叉树分块是指将四叉树分块得到的图块分成三个大小一致的图块，所述二叉树分块是指将三叉树分块得到的图块分成两个大小一致的图块。
本发明实施例中，所述逐个对所述次级息屏图块组集中各次级息屏图块组进行特征提取，得到息屏特征组是指逐个选取所述次级息屏图块组作为目标次级息屏图块组，并利用预设的多级卷积层对所述目标次级息屏图块组中的各次级息屏图块进行特征提取，得到目标息屏特征集，将所述目标息屏特征集中的各个目标息屏特征融合成标准息屏特征，并将所有的标准息屏特征汇集成标准息屏特征组。
详细地，所述对所述息屏特征组进行图片特征识别，得到息屏缺陷集，包括：
逐个选取所述息屏特征组中的标准息屏特征作为目标标准息屏特征，利用如下的息屏向量算法计算出所述目标标准息屏特征对应的初级息屏向量：
Figure SMS_17
其中，Z是指所述初级息屏向量，K是指所述目标标准息屏特征的特征向量数量，k是指第k个，xk表示所述目标标准息屏特征中的第k维的特征向量，α、β、γ是所述目标标准息屏特征的预设权重矩阵，/>
Figure SMS_18
是指xkβ量的维度，/>
Figure SMS_19
是所述息屏向量算法的归一化系数，T是转置函数；
对所述初级息屏向量进行向量转码，得到初级息屏语义，将所有的初级息屏语义汇集成息屏语义集，并从所述息屏语义集中筛选出缺陷语义汇集成息屏缺陷集。
本发明实施例中，通过利用所述息屏向量算法计算出所述目标标准息屏特征对应的初级息屏向量，可以对所述目标标准息屏特征进行自注意力特征转码，从而提高语义识别的效率。
详细地，所述息屏缺陷集包括多种息屏情况下的屏幕缺陷以及对应的位置，例如屏幕划痕、屏幕破裂之类的缺陷，所述亮屏缺陷集包括多种亮屏情况下的屏幕缺陷以及对应的位置，例如屏幕漏光，液晶坏点等。
具体地，所述对所述亮屏测试图集进行区域特征识别，得到亮屏缺陷集，包括：
对所述亮屏测试图集中的各个亮屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级亮屏图集；
对所述次级亮屏图集进行图片分块操作，得到次级亮屏图块组集；
逐个对所述次级亮屏图块组集中各次级亮屏图块组进行特征提取，得到亮屏特征组，并对所述亮屏特征组进行图片特征识别，得到亮屏缺陷集。
具体地，所述对所述亮屏测试图集中的各个亮屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级亮屏图集的方法与上述步骤S2中的所述对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集的方法一致，所述对所述次级亮屏图集进行图片分块操作，得到次级亮屏图块组集，逐个对所述次级亮屏图块组集中各次级亮屏图块组进行特征提取，得到亮屏特征组的方法与上述步骤S3中的所述对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，逐个对所述次级息屏图块组集中各次级息屏图块组进行特征提取，得到息屏特征组，并对所述息屏特征组进行图片特征识别，得到息屏缺陷集的方法一致，这里不再赘述。
详细地，所述根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集是指逐个选取所述息屏缺陷集中的息屏缺陷作为目标息屏缺陷，判断所述目标息屏缺陷的缺陷位置是否与所述亮屏缺陷集中的各亮屏缺陷的位置相同，若是，则利用所述息屏缺陷集中标注的缺陷类型更新所述亮屏缺陷集中处于同一缺陷位置的亮屏缺陷的缺陷类型；若否，则将所述目标息屏缺陷添加到所述亮屏缺陷集中；直至所述目标息屏缺陷是所述息屏缺陷集中的最后一个息屏缺陷时，将更新后的亮屏缺陷集作为标准屏幕缺陷集。
本发明实施例中，通过对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，可以对所述次级息屏图片进行细化，从而更方便确定兴趣区域，提高缺陷识别的精确度，通过根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集，能够分别对亮屏状态与息屏状态下的屏幕缺陷进行识别，从而提高屏幕缺陷识别的精确度。
S4、对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，利用预设的音频窗口将所述次级测试音频拆分成次级音频序列，对所述次级音频序列进行音波重构，得到标准音频特征，对所述标准音频特征进行音频特征识别，得到失真发音缺陷集。
本发明实施例中，通过对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，可以进一步提高音频细节，从而提高后续音频特征识别的准确性。
本发明实施例中，所述对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，包括：
利用加权递推平均滤波法对所述初级测试音频进行带通滤波，得到初级滤波音频；
依次对所述初级滤波音频进行限幅滤波和消抖滤波，得到次级滤波音频；
对所述次级滤波音频进行音频功率放大操作，得到次级测试音频。
详细地，所述音频窗口可以是汉明窗口、升余弦窗或者是二阶升余弦窗。
本发明实施例中，所述对所述次级音频序列进行音波重构，得到标准音频特征，包括：
逐个选取所述次级音频序列中的次级音频作为目标次级音频，对所述目标次级音频进行音频分解，得到目标音频分解树；
利用如下的奇偶重构公式对所述目标音频分解树进行音频重构，得到目标音频重构树：
Figure SMS_21
其中，/>
Figure SMS_23
是指所述目标音频重构树中第/>
Figure SMS_26
层中的第m个树节点的横坐标为i时对应的音频信号值，e是指滤波系数，/>
Figure SMS_22
是低通滤波函数，/>
Figure SMS_24
是高通滤波函数，/>
Figure SMS_25
是指所述目标音频分解树中第j层中的第2m个树节点的横坐标为i时对应的音频信号值，/>
Figure SMS_27
是指所述目标音频分解树中第j层中的第/>
Figure SMS_20
个树节点的横坐标为i时对应的音频信号值；
对所述目标音频重构树进行样本熵特征提取，得到重构音频特征，并将所有的重构音频特征汇集成标准音频特征。
详细地，可以利用小波包分析法或mallat算法对所述目标次级音频进行音频分解，得到目标音频分解树，所述对所述目标音频重构树进行样本熵特征提取，得到重构音频特征是指计算出所述目标音频重构树对应的音频样本熵，并将所述音频样本熵作为所述重构音频特征。
本发明实施例中，通过利用所述奇偶重构公式对所述目标音频分解树进行音频重构，得到目标音频重构树，能够通过低通滤波与高通滤波实现音频去噪，从而保留更多的音频特征细节。
详细地，可以利用训练后的支持向量机模型对所述标准音频特征进行音频特征识别，得到失真发音缺陷集。
本发明实施例中，通过对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，能够进一步提高音频细节，从而提高后续音频特征识别的准确性，通过对所述次级音频序列进行音波重构，得到标准音频特征，对所述标准音频特征进行音频特征识别，得到失真发音缺陷集，可以对保留音频的高频细节特征与低频细节特征，从而提高是真发音缺陷的识别准确率。
S5、对所述色彩参数集进行色域标注，得到色彩检测结果，对所述失真发音缺陷集进行音域标注，得到发音检测结果，并将所述色彩检测结果、所述发音检测结果以及所述标准屏幕缺陷集汇集成性能测试结果。
本发明实施中，所述对所述色彩参数集进行色域标注，得到色彩检测结果是指根据所述色彩参数集中的各种色彩参数生成所述智能电视的色域图，并将所述色域图和所述色彩参数及作为色彩检测结果。
详细地，所述对所述失真发音缺陷集进行音域标注，得到发音检测结果是指根据所述失真发音缺陷集中的失真发音缺陷判断所述智能电视的失真音频频段，从而生成发音检测结果。
本发明实施例中，通过将所述色彩检测结果、所述发音检测结果以及所述标准屏幕缺陷集汇集成性能测试结果，可以在屏幕色彩，屏幕缺陷以及音频缺陷三方面对智能电视进行性能测试，从而提高性能的测试的准确率。
本发明实施例通过利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，能够保证初级测试图集的图片质量，从而提高后续屏幕缺陷识别的精度，通过利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，可以测量所述智能电视的初级色彩显示性能，通过利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频，可以去除所述智能电视的音频中的背景噪音，从而提高后续失真发音缺陷的识别精度，通过将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，可以分别检测出所述智能电视在息屏与亮屏时的缺陷问题，通过对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集，可以使得智能电视上的缺陷更加明显，从而方便后续的特征提取与特征识别，提高了测试精度，通过对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，可以对所述次级息屏图片进行细化，从而更方便确定兴趣区域，提高缺陷识别的精确度，通过根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集，能够分别对亮屏状态与息屏状态下的屏幕缺陷进行识别，从而提高屏幕缺陷识别的精确度。
通过对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，能够进一步提高音频细节，从而提高后续音频特征识别的准确性，通过对所述次级音频序列进行音波重构，得到标准音频特征，对所述标准音频特征进行音频特征识别，得到失真发音缺陷集，可以对保留音频的高频细节特征与低频细节特征，从而提高是真发音缺陷的识别准确率，通过将所述色彩检测结果、所述发音检测结果以及所述标准屏幕缺陷集汇集成性能测试结果，可以在屏幕色彩，屏幕缺陷以及音频缺陷三方面对智能电视进行性能测试，从而提高性能的测试的准确率。因此本发明提出的智能电视开发性能测试方法，可以解决进行智能电视性能测试时的精确度较低的问题。
如图4所示，是本发明一实施例提供的智能电视开发性能测试装置的功能模块图。
本发明所述智能电视开发性能测试装置100可以安装于电子设备中。根据实现的功能，所述智能电视开发性能测试装置100可以包括数据采集模块101、图片增强模块102、屏幕测试模块103、音频测试模块104及结果生成模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据采集模块101，用于利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频；
所述图片增强模块102，用于将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集；
所述屏幕测试模块103，用于对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，逐个对所述次级息屏图块组集中各次级息屏图块组进行特征提取，得到息屏特征组，并对所述息屏特征组进行图片特征识别，得到息屏缺陷集，对所述亮屏测试图集进行区域特征识别，得到亮屏缺陷集，并根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集，其中，所述对所述息屏特征组进行图片特征识别，得到息屏缺陷集，包括：逐个选取所述息屏特征组中的标准息屏特征作为目标标准息屏特征，利用如下的息屏向量算法计算出所述目标标准息屏特征对应的初级息屏向量：
Figure SMS_28
其中，Z是指所述初级息屏向量，K是指所述目标标准息屏特征的特征向量数量，k是指第k个，xk表示所述目标标准息屏特征中的第k维的特征向量，α、β、γ是所述目标标准息屏特征的预设权重矩阵，/>
Figure SMS_29
是指xkβ向量的维度，/>
Figure SMS_30
是所述息屏向量算法的归一化系数，T是转置函数；对所述初级息屏向量进行向量转码，得到初级息屏语义，将所有的初级息屏语义汇集成息屏语义集，并从所述息屏语义集中筛选出缺陷语义汇集成息屏缺陷集；
所述音频测试模块104，用于对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，利用预设的音频窗口将所述次级测试音频拆分成次级音频序列，对所述次级音频序列进行音波重构，得到标准音频特征，对所述标准音频特征进行音频特征识别，得到失真发音缺陷集；
所述结果生成模块105，用于对所述色彩参数集进行色域标注，得到色彩检测结果，对所述失真发音缺陷集进行音域标注，得到发音检测结果，并将所述色彩检测结果、所述发音检测结果以及所述标准屏幕缺陷集汇集成性能测试结果。
详细地，本发明实施例中所述智能电视开发性能测试装置100中所述的各模块在使用时采用与上述图1至图3中所述的智能电视开发性能测试方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，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一个单元中。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关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
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。***实施例中陈述的多个单元或装置也可以由一个单元或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)

1.一种智能电视开发性能测试方法，其特征在于，所述方法包括：
S1：利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频；
S2：将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集；
S3：对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，逐个对所述次级息屏图块组集中各次级息屏图块组进行特征提取，得到息屏特征组，并对所述息屏特征组进行图片特征识别，得到息屏缺陷集，对所述亮屏测试图集进行区域特征识别，得到亮屏缺陷集，并根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集，其中，所述对所述息屏特征组进行图片特征识别，得到息屏缺陷集，包括：
S31：逐个选取所述息屏特征组中的标准息屏特征作为目标标准息屏特征，利用如下的息屏向量算法计算出所述目标标准息屏特征对应的初级息屏向量：
Figure QLYQS_1
其中，Z是指所述初级息屏向量，K是指所述目标标准息屏特征的特征向量数量，k是指第k个，xk表示所述目标标准息屏特征中的第k维的特征向量，α、β、γ是所述目标标准息屏特征的预设权重矩阵，/>
Figure QLYQS_2
是指xkβ向量的维度，/>
Figure QLYQS_3
是所述息屏向量算法的归一化系数，T是转置函数；
S32：对所述初级息屏向量进行向量转码，得到初级息屏语义，将所有的初级息屏语义汇集成息屏语义集，并从所述息屏语义集中筛选出缺陷语义汇集成息屏缺陷集；
S4：对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，利用预设的音频窗口将所述次级测试音频拆分成次级音频序列，对所述次级音频序列进行音波重构，得到标准音频特征，对所述标准音频特征进行音频特征识别，得到失真发音缺陷集；
S5：对所述色彩参数集进行色域标注，得到色彩检测结果，对所述失真发音缺陷集进行音域标注，得到发音检测结果，并将所述色彩检测结果、所述发音检测结果以及所述标准屏幕缺陷集汇集成性能测试结果。
2.如权利要求1所述的智能电视开发性能测试方法，其特征在于，所述利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，包括：
利用预设的色彩分析仪对所述智能电视进行全局亮度检测，得到区域亮度集；
从所述区域亮度集中提取出峰值亮度以及平均亮度，并根据所述平均亮度计算出所述区域亮度集对应的亮度方差，将所述亮度方差作为亮度均匀度；
利用所述色彩分析仪对所述智能电视进行全局对比度检测，得到区域对比度集，并将所述区域对比度集的平均值作为标准对比度；
利用所述色彩分析仪对所述智能电视进行进行多角度色度检测，得到色度参数集；
将所述峰值亮度、所述平均亮度、所述亮度均匀度、所述标准对比度以及所述色度参数集汇集成色彩参数集。
3.如权利要求1所述的智能电视开发性能测试方法，其特征在于，所述将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，包括：
逐个选取所述初级测试图集中的初级测试图片作为目标初级图片，对所述目标初级图片进行灰度化操作，得到目标灰度图片；
计算出所述目标灰度图片中各个像素的灰度值的平均值，并将所述平均值作为所述目标灰度图片的灰度均值；
判断所述灰度均值是否大于预设的灰度阈值；
若是，则将所述灰度均值对应的目标初级图片添加到预设的亮屏测试图集中；
若否，则将所述灰度均值对应的目标初级图片添加到预设的息屏测试图集中。
4.如权利要求1所述的智能电视开发性能测试方法，其特征在于，所述对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集，包括：
逐个选取所述息屏测试图集中的息屏测试图片作为目标息屏图片，对所述目标息屏图片进行中值滤波操作，得到去噪息屏图片；
利用预设的削权拟合算法对所述去噪息屏图片进行边缘检测，得到屏幕拟合边缘；
根据所述屏幕拟合边缘对所述去噪息屏图片进行图片分割，得到分割息屏图片；
计算出所述分割息屏图片的息屏灰度直方图，利用所述息屏灰度直方图对所述分割息屏图片进行图片增强，得到次级息屏图片，并将所有的次级息屏图片汇集成次级息屏图集。
5.如权利要求4所述的智能电视开发性能测试方法，其特征在于，所述利用预设的削权拟合算法对所述去噪息屏图片进行边缘检测，得到屏幕拟合边缘，包括：
利用预设的边缘侵蚀算法从所述去噪息屏图片中提取出初级屏幕边缘集合；
利用如下的削权拟合算法对所述初级屏幕边缘集合中的各个初级屏幕边缘进行拟合，得到标准拟合边缘集合：
Figure QLYQS_4
其中，ε是指拟合误差，r是指所述初级屏幕边缘对应的第r个像素点，R是指所述初级屏幕边缘对应的像素点的总数，wr是指所述第r个像素点的削波权重，ρ，σ是拟合后的所述初级屏幕边缘的斜率系数，γ是拟合后的所述初级屏幕边缘的位移系数，ar是指所述初级屏幕边缘对应的第r个像素点的横坐标，br是指所述初级屏幕边缘对应的第r个像素点的纵坐标，λ是指所述削权拟合算法的拟合系数；
将所述标准拟合边缘集合中的所有标准拟合边缘拼接成屏幕拟合边缘。
6.如权利要求1所述的智能电视开发性能测试方法，其特征在于，所述对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，包括：
对所述次级息屏图集中的各个次级息屏图片依次进行倾斜矫正和图片拉升操作，得到标准息屏图集；
逐个选取所述标准息屏图集中的标准息屏图片作为目标标准息屏图片，依次对所述目标标准息屏图片进行四叉树分块、四叉树分块、三叉树分块以及二叉树分块操作，得到标准息屏图块组，并将所有的标准息屏图块组汇集成标准息屏图块组集；
逐个选取所述标准息屏图块组集中的标准息屏图块组作为目标标准息屏图块组，逐个选取所述目标标准息屏图块组中的标准息屏图块作为目标标准息屏图块；
将所述目标标准息屏图块添加到预设的初级息屏图块组中，将所述标准息屏图块组集中除所述目标标准息屏图块组之外的每个标准息屏图块组中的与所述目标标准息屏图块位置对应的标准息屏图块添加到所述初级息屏图块组中，得到次级息屏图块组，并将所有的次级息屏图块组汇集成次级息屏图块组集。
7.如权利要求1所述的智能电视开发性能测试方法，其特征在于，所述对所述亮屏测试图集进行区域特征识别，得到亮屏缺陷集，包括：
对所述亮屏测试图集中的各个亮屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级亮屏图集；
对所述次级亮屏图集进行图片分块操作，得到次级亮屏图块组集；
逐个对所述次级亮屏图块组集中各次级亮屏图块组进行特征提取，得到亮屏特征组，并对所述亮屏特征组进行图片特征识别，得到亮屏缺陷集。
8.如权利要求1所述的智能电视开发性能测试方法，其特征在于，所述对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，包括：
利用加权递推平均滤波法对所述初级测试音频进行带通滤波，得到初级滤波音频；
依次对所述初级滤波音频进行限幅滤波和消抖滤波，得到次级滤波音频；
对所述次级滤波音频进行音频功率放大操作，得到次级测试音频。
9.如权利要求1所述的智能电视开发性能测试方法，其特征在于，所述对所述次级音频序列进行音波重构，得到标准音频特征，包括：
逐个选取所述次级音频序列中的次级音频作为目标次级音频，对所述目标次级音频进行音频分解，得到目标音频分解树；
利用如下的奇偶重构公式对所述目标音频分解树进行音频重构，得到目标音频重构树：
Figure QLYQS_6
其中，/>
Figure QLYQS_9
是指所述目标音频重构树中第/>
Figure QLYQS_10
层中的第m个树节点的横坐标为i时对应的音频信号值，e是指滤波系数，/>
Figure QLYQS_7
是低通滤波函数，/>
Figure QLYQS_8
是高通滤波函数，/>
Figure QLYQS_11
是指所述目标音频分解树中第j层中的第2m个树节点的横坐标为i时对应的音频信号值，/>
Figure QLYQS_12
是指所述目标音频分解树中第j层中的第/>
Figure QLYQS_5
个树节点的横坐标为i时对应的音频信号值；
对所述目标音频重构树进行样本熵特征提取，得到重构音频特征，并将所有的重构音频特征汇集成标准音频特征。
10.一种智能电视开发性能测试装置，其特征在于，所述装置包括：
数据采集模块，用于利用预先矫正的摄像机对待检测的智能电视进行测试信号拍摄，得到初级测试图集，利用预设的色彩分析仪对所述智能电视进行色彩检测，得到色彩参数集，利用预先矫正的录音机对所述智能电视进行测试信号录音，得到初级测试音频；
图片增强模块，用于将所述初级测试图集拆分成息屏测试图集以及亮屏测试图集，对所述息屏测试图集中的各个息屏测试图片依次进行图片去噪、边缘检测、图片分割以及图片增强操作，得到次级息屏图集；
屏幕测试模块，用于对所述次级息屏图集进行图片分块操作，得到次级息屏图块组集，逐个对所述次级息屏图块组集中各次级息屏图块组进行特征提取，得到息屏特征组，并对所述息屏特征组进行图片特征识别，得到息屏缺陷集，对所述亮屏测试图集进行区域特征识别，得到亮屏缺陷集，并根据所述息屏缺陷集对所述亮屏缺陷集进行更新，得到标准屏幕缺陷集，其中，所述对所述息屏特征组进行图片特征识别，得到息屏缺陷集，包括：逐个选取所述息屏特征组中的标准息屏特征作为目标标准息屏特征，利用如下的息屏向量算法计算出所述目标标准息屏特征对应的初级息屏向量：
Figure QLYQS_13
其中，Z是指所述初级息屏向量，K是指所述目标标准息屏特征的特征向量数量，k是指第k个，xk表示所述目标标准息屏特征中的第k维的特征向量，α、β、γ是所述目标标准息屏特征的预设权重矩阵，
Figure QLYQS_14
是指xkβ向量的维度，/>
Figure QLYQS_15
是所述息屏向量算法的归一化系数，T是转置函数；对所述初级息屏向量进行向量转码，得到初级息屏语义，将所有的初级息屏语义汇集成息屏语义集，并从所述息屏语义集中筛选出缺陷语义汇集成息屏缺陷集；
音频测试模块，用于对所述初级测试音频依次进行带通滤波、幅值调节以及功率放大操作，得到次级测试音频，利用预设的音频窗口将所述次级测试音频拆分成次级音频序列，对所述次级音频序列进行音波重构，得到标准音频特征，对所述标准音频特征进行音频特征识别，得到失真发音缺陷集；
结果生成模块，用于对所述色彩参数集进行色域标注，得到色彩检测结果，对所述失真发音缺陷集进行音域标注，得到发音检测结果，并将所述色彩检测结果、所述发音检测结果以及所述标准屏幕缺陷集汇集成性能测试结果。
CN202310474021.6A 2023-04-28 2023-04-28 一种智能电视开发性能测试方法和装置 Active CN116405661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310474021.6A CN116405661B (zh) 2023-04-28 2023-04-28 一种智能电视开发性能测试方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310474021.6A CN116405661B (zh) 2023-04-28 2023-04-28 一种智能电视开发性能测试方法和装置

Publications (2)

Publication Number Publication Date
CN116405661A true CN116405661A (zh) 2023-07-07
CN116405661B CN116405661B (zh) 2023-09-29

Family

ID=87016117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310474021.6A Active CN116405661B (zh) 2023-04-28 2023-04-28 一种智能电视开发性能测试方法和装置

Country Status (1)

Country Link
CN (1) CN116405661B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020067184A1 (en) * 2000-10-27 2002-06-06 Three-Five Systems, Inc. Method and apparatus for testing color sequential, near-to-the-eye, and similar display devices
US20030086001A1 (en) * 2001-04-17 2003-05-08 General Instrument Corporation Methods and apparatus for the measurement of video quality
US20050286753A1 (en) * 2004-06-25 2005-12-29 Triant Technologies Inc. Automated inspection systems and methods
KR20080026995A (ko) * 2006-09-22 2008-03-26 조영환 평판 디스플레이 패널의 도트 결함 검출 방법
CN104200478A (zh) * 2014-09-12 2014-12-10 广东财经大学 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法
CN106157286A (zh) * 2015-04-03 2016-11-23 研祥智能科技股份有限公司 图像处理方法和屏幕漏光检测方法
US20160364849A1 (en) * 2014-11-03 2016-12-15 Shenzhen China Star Optoelectronics Technology Co. , Ltd. Defect detection method for display panel based on histogram of oriented gradient
CN106650770A (zh) * 2016-09-29 2017-05-10 南京大学 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
US20190191150A1 (en) * 2017-12-15 2019-06-20 Samsung Display Co., Ltd. System and method for mura detection on a display
CN110736751A (zh) * 2019-11-06 2020-01-31 上海御微半导体技术有限公司 一种表面缺陷检测方法及装置
CN110784370A (zh) * 2019-10-08 2020-02-11 Oppo（重庆）智能科技有限公司 设备测试的方法、装置、电子设备及介质
CN111077166A (zh) * 2018-10-19 2020-04-28 北京金山云网络技术有限公司 液晶屏的瑕疵检测方法、装置及终端设备
US20210027454A1 (en) * 2019-07-24 2021-01-28 Beijing Boe Optoelectronics Technology Co., Ltd. Method for Defect Classification, Method for Training Defect Classifier, and Apparatus Thereof
WO2021012735A1 (zh) * 2019-07-25 2021-01-28 研祥智能科技股份有限公司 屏幕显示缺陷的检测方法及***
CN113781396A (zh) * 2021-08-11 2021-12-10 深圳市鑫信腾科技股份有限公司 屏幕缺陷检测方法、装置、设备和存储介质
CN114170184A (zh) * 2021-12-08 2022-03-11 四川启睿克科技有限公司 一种基于嵌入特征向量的产品图像异常检测方法及装置
CN114519714A (zh) * 2022-04-20 2022-05-20 中导光电设备股份有限公司 一种显示屏脏污缺陷判定的方法和***
CN115330789A (zh) * 2022-10-13 2022-11-11 潍坊歌尔电子有限公司 屏幕缺陷检测方法、装置、设备和可读存储介质
CN115390291A (zh) * 2022-08-24 2022-11-25 歌尔科技有限公司 屏幕显示状态检测方法、装置、***及可读存储介质
CN115552628A (zh) * 2021-04-29 2022-12-30 京东方科技集团股份有限公司 显示面板及其制作方法和显示装置
CN115908774A (zh) * 2023-01-10 2023-04-04 佰聆数据股份有限公司 一种基于机器视觉的变形物资的品质检测方法和装置

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020067184A1 (en) * 2000-10-27 2002-06-06 Three-Five Systems, Inc. Method and apparatus for testing color sequential, near-to-the-eye, and similar display devices
US20030086001A1 (en) * 2001-04-17 2003-05-08 General Instrument Corporation Methods and apparatus for the measurement of video quality
US20050286753A1 (en) * 2004-06-25 2005-12-29 Triant Technologies Inc. Automated inspection systems and methods
KR20080026995A (ko) * 2006-09-22 2008-03-26 조영환 평판 디스플레이 패널의 도트 결함 검출 방법
CN104200478A (zh) * 2014-09-12 2014-12-10 广东财经大学 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法
US20160364849A1 (en) * 2014-11-03 2016-12-15 Shenzhen China Star Optoelectronics Technology Co. , Ltd. Defect detection method for display panel based on histogram of oriented gradient
CN106157286A (zh) * 2015-04-03 2016-11-23 研祥智能科技股份有限公司 图像处理方法和屏幕漏光检测方法
CN106650770A (zh) * 2016-09-29 2017-05-10 南京大学 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
US20190191150A1 (en) * 2017-12-15 2019-06-20 Samsung Display Co., Ltd. System and method for mura detection on a display
CN111077166A (zh) * 2018-10-19 2020-04-28 北京金山云网络技术有限公司 液晶屏的瑕疵检测方法、装置及终端设备
US20210027454A1 (en) * 2019-07-24 2021-01-28 Beijing Boe Optoelectronics Technology Co., Ltd. Method for Defect Classification, Method for Training Defect Classifier, and Apparatus Thereof
WO2021012735A1 (zh) * 2019-07-25 2021-01-28 研祥智能科技股份有限公司 屏幕显示缺陷的检测方法及***
CN110784370A (zh) * 2019-10-08 2020-02-11 Oppo（重庆）智能科技有限公司 设备测试的方法、装置、电子设备及介质
CN110736751A (zh) * 2019-11-06 2020-01-31 上海御微半导体技术有限公司 一种表面缺陷检测方法及装置
CN115552628A (zh) * 2021-04-29 2022-12-30 京东方科技集团股份有限公司 显示面板及其制作方法和显示装置
CN113781396A (zh) * 2021-08-11 2021-12-10 深圳市鑫信腾科技股份有限公司 屏幕缺陷检测方法、装置、设备和存储介质
CN114170184A (zh) * 2021-12-08 2022-03-11 四川启睿克科技有限公司 一种基于嵌入特征向量的产品图像异常检测方法及装置
CN114519714A (zh) * 2022-04-20 2022-05-20 中导光电设备股份有限公司 一种显示屏脏污缺陷判定的方法和***
CN115390291A (zh) * 2022-08-24 2022-11-25 歌尔科技有限公司 屏幕显示状态检测方法、装置、***及可读存储介质
CN115330789A (zh) * 2022-10-13 2022-11-11 潍坊歌尔电子有限公司 屏幕缺陷检测方法、装置、设备和可读存储介质
CN115908774A (zh) * 2023-01-10 2023-04-04 佰聆数据股份有限公司 一种基于机器视觉的变形物资的品质检测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LINGFENG KONG等: "Detection of Water-Stains Defects in TFT-LCD Based on Machine Vision", 《2018 11TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI)，BEIJING, CHINA，13-15 OCTOBER 2018》 *
曾毅: "基于机器视觉的液晶屏点灯缺陷检测***关键技术研究", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *

Also Published As

Publication number Publication date
CN116405661B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN111193923B (zh) 视频质量评估方法、装置、电子设备及计算机存储介质
US8279345B2 (en) System and method for random noise estimation in a sequence of images
CN110163807B (zh) 一种基于期望亮通道的低照度图像增强方法
CN110111269A (zh) 基于多尺度上下文聚合网络的低照度成像算法及装置
CN114022732A (zh) 一种基于raw图像的极暗光物体检测方法
CN113810611A (zh) 一种事件相机的数据模拟方法和装置
CN111460964A (zh) 一种广电传输机房低照度条件下运动目标检测方法
US6792142B1 (en) Image sensing system with histogram modification
CN113132700B (zh) 一种调节投影机对比度的方法及***
CN112712482B (zh) 一种基于线性学习模型的图像去雾方法
CN116405661B (zh) 一种智能电视开发性能测试方法和装置
CN112070682A (zh) 图像亮度补偿的方法和装置
CN116095291B (zh) 一种用于媒体流图像传输的图像预处理方法
CN110378271B (zh) 一种基于质量维度评估参量的步态识别设备筛选方法
CN113129300A (zh) 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质
CN114897885B (zh) 一种红外图像质量综合评价***和方法
CN116051477A (zh) 一种超高清视频文件的图像噪声检测方法及装置
CN115170420A (zh) 一种图像对比度的处理方法及***
CN116630365A (zh) 抛物检测方法、装置、电子设备及存储介质
WO2021189460A1 (zh) 图像处理方法、装置及可移动平台
CN110020999B (zh) 一种基于同态滤波的非制冷红外热像自适应映射方法
Ishak et al. Image quality assessment for image filtering algorithm: Qualitative and quantitative analyses
CN111145219A (zh) 一种基于Codebook原理的高效视频移动目标检测方法
CN205103611U (zh) 智能音视频采集分析装置
US11983853B1 (en) Techniques for generating training data for machine learning enabled image enhancement

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