屏幕透图检测方法及装置与流程

[0001]
本发明涉及电子产品技术领域，特别是涉及一种屏幕透图检测方法及装置。


背景技术：

[0002]
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。
[0003]
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透图状况。屏幕透图即屏幕长期处于高亮度/高色彩度下在屏幕上留下图像文字的印痕，会严重影响屏幕的观感，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，都需要检测屏幕是否透图来达到提升智能设备回收估价能力的目的，降低回收亏本的风险。
[0004]
传统的检测智能设备屏幕透图的方法主要是通过专业质检人员的人眼观察，专业质检人员将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，以得出该设备屏幕是否存在透图的结论。然而，人工检测屏幕透图十分耗费劳动力，且主观因素影响检测结果的稳定性和准确性，难以达到对设备屏幕见见透图损耗程度检测的目的。


技术实现要素：

[0005]
基于此，有必要针对人工检测屏幕透图十分耗费劳动力，且主观因素影响检测结果的稳定性和准确性，难以达到对设备屏幕见见透图损耗程度检测的目的等缺陷，提供一种屏幕透图检测方法及装置。
[0006]
一种屏幕透图检测方法，包括步骤：
[0007]
获取智能设备屏幕显示的原始图片；
[0008]
通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重；
[0009]
根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。
[0010]
上述的屏幕透图检测方法，在获取到智能设备屏幕显示的原始图片后，通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重，并根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。基于此，在回收智能设备时可通过对智能设备屏幕显示的图片进行实时检测，检测设备屏幕是否透图来指导回收，有利于指导回收的同时降低回收工作量以及提高检测准确率。
[0011]
在其中一个实施例中，在通过分类算法对原始图片进行分类处理的过程之前，还
包括步骤：
[0012]
对原始图片进行细节增强处理。
[0013]
在其中一个实施例中，对原始图片进行细节增强处理的过程，包括步骤：
[0014]
通过增强函数增强原始图片的色彩、亮度和纹理。
[0015]
在其中一个实施例中，通过分类算法对原始图片进行分类处理的过程，包括步骤：
[0016]
基于神经网络基础模型进行冻结相关层权重、设置优化器以及设置学习率处理；
[0017]
通过上述处理后的神经网络基础模型对原始图片进行卷积处理、池化处理和激活函数处理，以获得全连接层，以使原始图片的尺寸成为目标尺寸；
[0018]
通过多次迭代获得相应的权重，基于优化器的损失函数计算每次迭代的分类准确率。
[0019]
在其中一个实施例中，通过上述处理后的神经网络基础模型对原始图片进行卷积处理、池化处理和激活函数处理，以获得全连接层的过程，包括步骤：
[0020]
对原始图片进行初次卷积处理；
[0021]
将第一次卷积处理的归一化结果进行多次二次卷积处理；
[0022]
对二次卷积处理结果进行池化处理；
[0023]
根据处理后的神经网络基础模型处理池化处理结果，得到全连接层。
[0024]
在其中一个实施例中，分类算法包括逻辑回归算法、决策树算法、线性svm算法、梯度提升树算法或k近邻分类算法。
[0025]
在其中一个实施例中，获得用于表征智能设备屏幕透图检测结果的目标权重的过程，包括步骤：
[0026]
基于分类准确率，通过梯度法获得目标权重。
[0027]
一种屏幕透图检测装置，包括：
[0028]
图片获取模块，用于获取智能设备屏幕显示的原始图片；
[0029]
分类处理模块，用于通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重；
[0030]
结果获取模块，用于根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。
[0031]
上述的屏幕透图检测装置，在获取到智能设备屏幕显示的原始图片后，通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重，并根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。基于此，在回收智能设备时可通过对智能设备屏幕显示的图片进行实时检测，检测设备屏幕是否透图来指导回收，有利于指导回收的同时降低回收工作量以及提高检测准确率。
[0032]
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透图检测方法。
[0033]
上述的计算机存储介质，在获取到智能设备屏幕显示的原始图片后，通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重，并根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。基于此，在回收智能设备时可通过对智能设备屏幕显示的图片进行实时检测，检测设备屏幕是否透图来指导回收，有利于指导回收的同时降低回收工作量以及提高检测准确率。
[0034]
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透图检测方法。
[0035]
上述的计算机设备，在获取到智能设备屏幕显示的原始图片后，通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重，并根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。基于此，在回收智能设备时可通过对智能设备屏幕显示的图片进行实时检测，检测设备屏幕是否透图来指导回收，有利于指导回收的同时降低回收工作量以及提高检测准确率。
附图说明
[0036]
图1为一实施方式的屏幕透图检测方法流程图；
[0037]
图2为另一实施方式的屏幕透图检测方法流程图；
[0038]
图3为又一实施方式的屏幕透图检测方法流程图；
[0039]
图4为又一实施方式的屏幕透图检测方法具体流程图；
[0040]
图5为一具体应用例的屏幕透图检测方法流程图；
[0041]
图6为一实施方式的屏幕透图检测装置模块结构图。
具体实施方式
[0042]
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。
[0043]
本发明实施例提供了一种屏幕透图检测方法。
[0044]
图1为一实施方式的屏幕透图检测方法流程图，如图1所示，一实施方式的屏幕透图检测方法包括步骤s100至步骤s102：
[0045]
s100，获取智能设备屏幕显示的原始图片；
[0046]
其中，在步骤s100中，智能设备包括智能手机、笔记本电脑和平板电脑等。获取智能设备屏幕显示的原始图片，即在智能设备的屏幕进行显示时，获取显示中的屏幕照片作为原始图片。
[0047]
在其中一个实施例中，图2为另一实施方式的屏幕透图检测方法流程图，如图2所示，在步骤s101中通过分类算法对原始图片进行分类处理的过程之前，还包括步骤s200：
[0048]
s200，对原始图片进行细节增强处理。
[0049]
其中，对原始图片的细节增强处理包括增强原始图片的色彩、亮度和纹理等。
[0050]
在其中一个实施例中，通过增强函数增强原始图片的色彩、亮度和纹理。其中，增强函数可以采用对比度拉升函数、伽马校正函数或同态滤波函数等。作为一个较优的实施方式，增强函数选用经适应性调整的伽马函数。
[0051]
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图片前，先对原始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，得到的结果作为指数值求新图片的像素值并还原图片，以此得到增强后的原始图片。
[0052]
s101，通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重；
[0053]
在其中一个实施例中，分类算法包括逻辑回归算法、决策树算法、线性svm(support vecor machine)算法、梯度提升树算法或k近邻分类算法。通过分类算法对原始图片进行分类处理，获得多个分类下的准确率和图片权重。以使后续步骤可根据权重挑选对应的分类图片进行透图分析，降低透图检测中的主观影响。
[0054]
在其中一个实施例中，如图2所示，步骤s101中通过分类算法对原始图片进行分类处理的过程，包括步骤s300至步骤s302：
[0055]
s300，基于神经网络基础模型进行冻结相关层权重、设置优化器以及设置学习率处理；
[0056]
其中，预先加载神经网络基础模型，并冻结部分层权重，设置优化器和学习率。在其中一个实施例中，神经网络基础模型选用efficientnets基础模型。基于efficientnets基础模型冻结部分层权重、设置优化器和学习率。
[0057]
s301，通过上述处理后的神经网络基础模型对原始图片进行卷积处理、池化处理和激活函数处理，以获得全连接层，以使原始图片的尺寸成为目标尺寸；
[0058]
在其中一个实施例中，图3为又一实施方式的屏幕透图检测方法流程图，如图3所示，步骤s301中通过上述处理后的神经网络基础模型对原始图片进行卷积处理、池化处理和激活函数处理，以获得全连接层的过程，包括步骤s400至s403：
[0059]
s400，对原始图片进行初次卷积处理；
[0060]
s401，将第一次卷积处理的归一化结果进行多次二次卷积处理；
[0061]
s402，对二次卷积处理结果进行池化处理；
[0062]
s403，根据处理后的神经网络基础模型处理池化处理结果，得到全连接层。
[0063]
为了更好地解释图3所示的又一实施方式的屏幕透图检测方法，以下以一具体流程图为例，对图3所示的实施例进行解释。图4为又一实施方式的屏幕透图检测方法具体流程图，如图4所示，以获得原始图片后为开始节点，经一次卷积处理，即初次卷积处理后，对初次卷积处理的结果归一化处理。进一步地，对初次卷积处理结果进行n次卷积即二次卷积处理，并将二次卷积处理结果池化。最后，将池化结果代入神经网络基础模型进行训练，获得训练后的重置全连接层。
[0064]
s302，通过多次迭代获得相应的权重，基于优化器的损失函数计算每次迭代的分类准确率。
[0065]
其中，对步骤s301中的处理结果进行多次迭代，得到相应的多次权重。基于神经网络基础模型里优化器的损失函数计算每次得分类准确率。
[0066]
在其中一个实施例中，以交叉熵函数crossentropyloss作为损失函数，判定每次迭代实际输出与期望输出的接近程度。在当前迭代的接近程度比上一次接近程度缩小，即实际输出与期望输出更接近，基于这种差异经过梯度反向传播去更新权重参数，以获得更好的权重，直到迭代完毕。当前权重系数是哪次迭代的系数，就表示该次迭代的系数是最优的权重系数，即表示该次迭代的分类准确率最高。
[0067]
s102，根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。
[0068]
其中，在步骤s101中获得多个分类准确率和图片权重后，通过分类准确率确定目标权重。在其中一个实施例中，通过梯度法确定多个图片权重中的最优权重，作为目标权
重。
[0069]
为了更好地解释本发明各实施例，以下以一具体应用例对本发明实施例的技术方案进行解释。需要注意的是，具体应用例仅为了解释方便，不代表对本发明实施例的唯一限定。在本具体应用例中，为了便于解释，以智能设备为智能手机为例，对本实施例的各技术方案进行解释。
[0070]
图5为一具体应用例的屏幕透图检测方法流程图，如图5所示，获取智能手机屏幕显示相应的原始图片，原始图片尺寸为224
×
224
×
3。对原始图片进行初次卷积处理，得到初次卷积层的尺寸为224
×
224
×
32，步长为2
×
2。对处理卷积的结果进行归一化处理，得到批归一化层。在其中一个实施例中，通过relu(rectified linear unit修正线性单元)激活函数对批归一化层进行激活处理。对激活结果进行n次卷积处理，如图5所示，分别得到各卷积模块下尺寸为112
×
112
×
16且步长为2
×
2、尺寸为112
×
112
×
24且步长为2
×
2、尺寸为56
×
56
×
40且步长为2
×
2、尺寸为14
×
14
×
112且步长为2
×
2、尺寸为28
×
28
×
80且步长为1
×
1、尺寸为14
×
14
×
192且步长为1
×
1、尺寸为7
×7×
320且步长为2
×
2以及尺寸为7
×7×
1280且步长为2
×
2的各卷积层。对n次卷积处理后的结果再进行归一化处理，得到另一批归一化层。同时，通过第二次relu(rectified linear unit修正线性单元)激活函数对批归一化层进行激活处理，并将第二次激活处理结果进行全局平均池化处理。最后，通过随机失活的正则化处理，以及冻结权重、重设优化器和学习率等，得到重置全连接层的尺寸为1
×1×
1280。通过分类函数，输出分类及其准确率等。
[0071]
上述任一实施例的屏幕透图检测方法，在获取到智能设备屏幕显示的原始图片后，通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重，并根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。基于此，在回收智能设备时可通过对智能设备屏幕显示的图片进行实时检测，检测设备屏幕是否透图来指导回收，有利于指导回收的同时降低回收工作量以及提高检测准确率。同时，后续相关人员可以通过进一步调整或训练神经网络基础模型，对模型参数和模型数据进行调整训练，进一步提高算法准确率。
[0072]
本发明实施例还提供一种屏幕透图检测装置。
[0073]
图6为一实施方式的屏幕透图检测装置模块结构图，如图6所示，一实施方式的屏幕透图检测装置包括模块100、模块101和模块102：
[0074]
图片获取模块100，用于获取智能设备屏幕显示的原始图片；
[0075]
分类处理模块101，用于通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重；
[0076]
结果获取模块102，用于根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。
[0077]
上述的屏幕透图检测装置，在获取到智能设备屏幕显示的原始图片后，通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重，并根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。基于此，在回收智能设备时可通过对智能设备屏幕显示的图片进行实时检测，检测设备屏幕是否透图来指导回收，有利于指导回收的同时降低回收工作量以及提高检测准确率。
[0078]
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透图检测方法。
[0079]
本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(ram，random access memory)、只读存储器(rom，read-only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0080]
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。
[0081]
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透图检测方法。
[0082]
上述计算机设备，在获取到智能设备屏幕显示的原始图片后，通过分类算法对原始图片进行分类处理，获得多个分类准确率和图片权重，并根据分类准确率获得用于表征智能设备屏幕透图检测结果的目标权重。基于此，在回收智能设备时可通过对智能设备屏幕显示的图片进行实时检测，检测设备屏幕是否透图来指导回收，有利于指导回收的同时降低回收工作量以及提高检测准确率。
[0083]
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。
[0084]
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。