專利名稱:攝像頭模組品質的自動判別方法和裝置的制作方法
技術領域:
本發(fā)明涉及一種攝像頭模組,特別涉及一種攝像頭模組品質的自動判別方法和裝置。
背景技術:
近年來,人工神經網(wǎng)絡的應用研究日漸發(fā)展,人工神經網(wǎng)絡是由大量簡單的基本 元件(神經元)相互連接,通過模擬人腦神經處理信息的方式,進行信息并行處理和非線性 轉換的復雜網(wǎng)絡系統(tǒng)。人工神經網(wǎng)絡特有的非線性適應性信息處理能力,克服了傳統(tǒng)人工 智能方法對于直覺,如模式、語音識別、非結構化信息處理方面的缺陷,這使得人工神經網(wǎng) 絡在實際產業(yè)中的應用逐步深入至各個應用領域。由于神經網(wǎng)絡具有強大的學習功能,可 以比較輕松的實現(xiàn)非線性映射過程,并且具有大規(guī)模計算的能力,因此它在自動化、計算機 和人工智能領域都有著廣泛的實用性,解決了很多用傳統(tǒng)方法難以解決的問題。另一方面,隨著人們物質生活水平的不斷提高,在手機中應用攝像頭模組的情況 越來越普遍,手機攝像頭模組日漸成為手機的一個標配。綜上所述,在研發(fā)和生產過程中,如何借助人工神經網(wǎng)絡來有效幫助研發(fā)部門辨 別手機攝像頭的品質、幫助來料檢驗部門實現(xiàn)手機攝像頭模組的自動甄別,提高檢驗效率 是業(yè)界當前的重要研究方向之一。
發(fā)明內容本發(fā)明所要解決的技術問題是提供一種攝像頭模組品質的自動判別方法和裝置, 以有效提高研發(fā)和來料品質檢驗的效率。本發(fā)明為解決技術問題而采用的技術方案是提供一種攝像頭模組品質的自動判 別方法,所述方法包括以下步驟提取待測攝像頭模組的特征參數(shù);利用人工神經網(wǎng)絡接收所述特征參數(shù)并對所述待測攝像頭模組的品質優(yōu)劣進行 評分;顯示所述評分的結果。根據(jù)本發(fā)明之一優(yōu)選實施例,所述利用人工神經網(wǎng)絡接收所述特征參數(shù)并對所述 待測攝像頭模組的品質優(yōu)劣進行評分的步驟具體包括構建人工神經網(wǎng)絡;訓練所述人工神經網(wǎng)絡學習多個樣本對不同品質的攝像頭模組的認知;采用經過所述訓練的所述人工神經網(wǎng)絡對所述待測攝像頭模組的品質進行評分 并輸出所述評分以進行顯示。根據(jù)本發(fā)明之一優(yōu)選實施例,所述訓練所述人工神經網(wǎng)絡學習多個樣本對不同品 質的攝像頭模組的認知的步驟,包括提取用于評估攝像頭模組品質的特征參數(shù)和樣本數(shù)據(jù),其中所述用于評估攝像頭模組品質的特征參數(shù)為信噪比、解析度、鏡頭失真度、白平衡、色彩還原度、色彩飽和度、鏡 頭畸變、鏡頭暗角中的一個或多個特征所組成的群組;所述樣本數(shù)據(jù)為不同區(qū)域的樣本對 不同品質的攝像頭模組的認知。根據(jù)本發(fā)明之一優(yōu)選實施例,所述訓練所述人工神經網(wǎng)絡學習多個樣本對不同品 質的攝像頭模組的認知的步驟中所述人工神經網(wǎng)絡在訓練后將所述多個樣本對不同品質 的攝像頭模組的認知收斂為如下五種情況品質優(yōu)異、品質良好、品質一般、品質差、品質極差。根據(jù)本發(fā)明之一優(yōu)選實施例,所述對所述待測攝像頭模組的品質進行評分的步驟 中提供5分制的評分結果對所述待測攝像頭模組的品質進行評分,其中5表示“優(yōu)異”、4表 示“良好”、3表示“一般”、2表示“差”、1表示“極差”。本發(fā)明為解決技術問題而采用的技術方案是提供一種攝像頭模組品質的自動判 別裝置,所述裝置包括特征提取模塊,用于提取待測攝像頭模組的特征參數(shù);人工神經網(wǎng)絡模塊,用于接收所述特征參數(shù)并對所述待測攝像頭模組的品質優(yōu)劣 進行評分;顯示模塊,用于顯示所述評分的結果。根據(jù)本發(fā)明之一優(yōu)選實施例,所述人工神經網(wǎng)絡模塊包括人工神經網(wǎng)絡構建模塊,用于構建人工神經網(wǎng)絡;人工神經網(wǎng)絡訓練模塊,用于訓練所述人工神經網(wǎng)絡學習多個樣本對不同品質的 攝像頭模組的認知;評分模塊,所述評分模塊采用經過所述訓練的所述人工神經網(wǎng)絡對所述待測攝像 頭模組的品質進行評分并輸出到所述顯示模塊進行顯示。根據(jù)本發(fā)明之一優(yōu)選實施例,所述人工神經網(wǎng)絡模塊還包括存儲模塊,存儲用于評估攝像頭模組品質的特征參數(shù)和樣本數(shù)據(jù),其中所述用于 評估攝像頭模組品質的特征參數(shù)為信噪比、解析度、鏡頭失真度、白平衡、色彩還原度、色彩 飽和度、鏡頭畸變、鏡頭暗角中的一個或多個特征所組成的群組;所述樣本數(shù)據(jù)為不同區(qū)域 的樣本對不同品質的攝像頭模組的認知。根據(jù)本發(fā)明之一優(yōu)選實施例,所述人工神經網(wǎng)絡訓練模塊將所述多個樣本對不同 品質的攝像頭模組的認知收斂為如下五種情況品質優(yōu)異、品質良好、品質一般、品質差、品 質極差。根據(jù)本發(fā)明之一優(yōu)選實施例,所述評分模塊提供5分制的評分結果對所述待測攝 像頭模組的品質進行評分,其中5表示“優(yōu)異”、4表示“良好”、3表示“一般”、2表示“差”、 1表示“極差”。通過上述方式,本發(fā)明實施例可自動判別待測攝像頭模組的品質,有效提高研發(fā) 和來料品質檢驗的效率。此外,還可針對不同區(qū)域的客戶喜好,挑選不同的攝像頭模組,滿 足客戶多元化的需求。
圖1、圖2及圖3為本發(fā)明實施例提供的一種攝像頭模組品質的自動判別方法的流
5程圖圖4本發(fā)明實施例提供的一種攝像頭模組品質的自動判別裝置的結構示意圖。
具體實施方式有關本發(fā)明的特征及技術內容,請參考以下的詳細說明與附圖,附圖僅提供參考 與說明,并非用來對本發(fā)明加以限制。圖1為本發(fā)明實施例提供的一種攝像頭模組品質的自動判別方法的流程圖。在步驟SlOO中,提取待測攝像頭模組的特征參數(shù)。具體的,鑒于攝像頭模組固有的特征參數(shù)是確定且固定的,因此本發(fā)明中利用攝 像頭演示版提取待測攝像頭的特征參數(shù)并輸出到下一個處理步驟中。在步驟S200中,利用人工神經網(wǎng)絡接收待測攝像頭模組的特征參數(shù)并對待測攝 像頭模組的品質優(yōu)劣進行評分。在步驟S300中,顯示前述評分的結果。具體而言,人工神經網(wǎng)絡是以生物神經元學說為基礎,而生物神經系統(tǒng)是一個有 高度組織和相互作用的數(shù)量巨大的細胞組織群體,它們按不同的結合方式構成了復雜的神 經網(wǎng)絡,通過神經元及其聯(lián)接的可塑性,使得大腦具有學習、記憶和認知等各種智能。人工 神經網(wǎng)絡通過對人腦信息處理特點的分析,用計算機來模擬神經網(wǎng)絡,實現(xiàn)人腦的感知、思 考、記憶、語言等腦信息處理模型?;谌斯ど窠浘W(wǎng)絡的上述特點,本發(fā)明因而利用人工智 能神經網(wǎng)絡的記憶功能把預先我們認為的好的攝像頭的信息注入到神經網(wǎng)絡,然后通過神 經網(wǎng)絡的學習功能,讓它學習什么是好的攝像頭模組,從而可以幫組我們自動的識別攝像 頭模組的品質,由此提高研發(fā)和來料品質檢驗的效率。詳細而言,請配合一同參閱圖2所示,前述的步驟S200具體包括以下步驟在步驟S201中,構建人工神經網(wǎng)絡。具體而言,尋找合適的人工神經網(wǎng)絡模型來構建人工神經網(wǎng)絡。例如,當前通用的 反向傳播網(wǎng)絡(Back Propagation Network,簡稱BP網(wǎng)絡)模型、Hopfield網(wǎng)絡模型或認 知器均可用來構建本發(fā)明的人工神經網(wǎng)絡。在步驟S202中,訓練人工神經網(wǎng)絡學習多個樣本對不同品質的攝像頭模組的認 知。人工神經網(wǎng)絡是依靠系統(tǒng)的復雜程度,通過調整內部大量節(jié)點之間相互連接的關 系,從而達到處理信息的目的。人工神經網(wǎng)絡具有自學習和自適應的能力,可以通過預先提 供的一批相互對應的輸入-輸出數(shù)據(jù),分析掌握兩者之間潛在的規(guī)律,最終根據(jù)這些規(guī)律, 用新的輸人數(shù)據(jù)來推算輸出結果,這種學習分析的過程被稱為“訓練”。具體而言,在本發(fā)明實施例中,預先采集用于評估攝像頭模組品質的特征,這些特 征例如是信噪比、解析度、鏡頭失真度、白平衡、色彩還原度、色彩飽和度、鏡頭畸變、鏡頭暗 角中的一個或多個特征所組成的群組。當然,本發(fā)明的特征不限于以上列舉的特征,只要是 可以用來評估攝像頭模組的特征都是采集的范圍,并且,特征越多,我們越容易辨別一個好 的攝像頭模組。實際應用中,這些特征可以預先進行提取,并存儲在存儲模塊中,在訓練人 工網(wǎng)絡時,從存儲模塊中提取這些預置的特征注入到人工神經網(wǎng)絡。其次,為了讓人工神經網(wǎng)絡能夠準確無誤的模擬我們人腦的認知,需要大量的樣本數(shù)據(jù)對其進行訓練。具體的,在本發(fā)明實施例中,預先采集多個樣本對不同品質的攝像頭模組品質的 認知。其中,“認知”是指樣本對不同品質的攝像頭模組的品質進行判斷和甄別的標準。即 樣本認定攝像頭模組品質的優(yōu)劣的標準或原則。在本發(fā)明實施例中,樣本是通過信噪比、解 析度、鏡頭失真度、白平衡、色彩還原度、色彩飽和度、鏡頭畸變、鏡頭暗角中的一個或多個 特征來評估攝像頭模組的品質。具體而言,以解析度為例,攝像頭模組的解析度越高,樣本 認定攝像頭模組的品質越好。再以鏡頭畸變?yōu)槔瑪z像頭模組的鏡頭畸變越小,樣本認定攝 像頭模組的品質越好。更進一步的,為了讓我們的系統(tǒng)更具實用性,可以將采集的樣本進行分類,例如, 將樣本區(qū)分為不同地區(qū)的樣本,比如分成中國人,日本人,美國人,歐洲人,南美人等。通常, 不同地區(qū)的客戶的喜好存在一定差異性,比如亞洲人可能喜歡解析度高的攝像頭模組,對 攝像頭模組的其它特征參數(shù)要求不高;而歐美人可能更喜歡解析度適中,信噪比較低的攝 像頭模組。因此,通過對樣本進行分類,分別采集這些不同地區(qū)的樣本對不同品質的攝像頭 模組品質的認知,了解不同地區(qū)的客戶對攝像頭模組的喜好。實際應用中,前述的樣本數(shù)據(jù) 可預先進行采集,并存儲在存儲模塊中,在訓練人工網(wǎng)絡時,從存儲模塊中提取這些預置的 樣本數(shù)據(jù)注入到人工神經網(wǎng)絡。由于人工神經網(wǎng)絡具有自學習功能,將訓練樣本的數(shù)據(jù)加到網(wǎng)絡輸入端,同時將 相應的期望輸出與網(wǎng)絡輸出相比較,得到誤差信號,以此控制權值連接強度的調整,經多次 訓練后收斂到確定的權值。當樣本情況發(fā)生變化時,經學習可以修改權值以適應新的環(huán)境。 請參閱圖3所示,在本發(fā)明的實施列中,訓練人工網(wǎng)絡的流程包括先對人工網(wǎng)絡進行初始 化,然后從存儲模塊中提取所有樣本數(shù)據(jù)依次對人工神經網(wǎng)絡進行訓練,讓人工神經網(wǎng)絡 學習所有樣本對攝像頭品質的認知,以使人工神經網(wǎng)絡在訓練后知道什么是好的攝像頭模 組、知道不同區(qū)域的人對不同品質的攝像頭的認知和喜好。具體而言,人工神經網(wǎng)絡在訓練 后將所有樣本對不同品質的攝像頭模組的認知收斂為如下五種情況品質優(yōu)異、品質良好、 品質一般、品質差、品質極差。在步驟S203中,采用經過前述訓練的人工神經網(wǎng)絡對待測攝像頭模組的品質進 行評分。具體的,經過步驟S202的訓練后即可得到我們所需的人工神經網(wǎng)絡,這個人工神 經網(wǎng)絡學習了我們所有樣品對攝像頭品質的認知,知道了不同區(qū)域的人對不同品質的攝像 頭的認知和喜好,從而我們可以借助這個系統(tǒng)來自動甄別待測攝像頭模組的品質,且可針 對不同的區(qū)域來挑選不同品質的攝像頭來滿足客戶多元化的需求。具體而言,在評分時,提供5分制的評分結果對待測攝像頭模組的品質進行評分, 其中5表示“優(yōu)異”、4表示“良好”、3表示“一般”、2表示“差”、1表示“極差”,5個等級的分 值分別與前述步驟S202中訓練收斂的五個結果品質優(yōu)異、品質良好、品質一般、品質差、 品質極差一一對應。步驟S203中的評分將輸出到顯示模塊上,例如,輸入到一終端的液晶顯示屏或其 它終端顯示裝置上,顯示所示評分的結果,由此實現(xiàn)了利用人工神經網(wǎng)絡自動判別待測攝 像頭模組品質。圖4為本發(fā)明的一種攝像頭模組品質的自動判別裝置的結構示意圖,在本發(fā)明實施方式中,該裝置包括特征提取模塊101,用于提取待測攝像頭模組的特征參數(shù);人工神經網(wǎng)絡模塊 102,用于接收特征提取模塊101提取的特征參數(shù)并對待測攝像頭模組的品質的優(yōu)劣進行 評分;顯示模塊103,用于顯示前述評分的結果。其中,人工神經網(wǎng)絡模塊102具體包括人工神經網(wǎng)絡構建模塊102a、存儲模塊 102b、人工神經網(wǎng)絡訓練模塊102c和評分模塊102d。人工神經網(wǎng)絡構建模塊10 用于構建人工神經網(wǎng)絡。存儲模塊102b存儲用于評估攝像頭模組品質的特征參數(shù)和用于訓練人工神經網(wǎng) 絡的樣本數(shù)據(jù)。其中,用于評估攝像頭模組品質的特征參數(shù)為信噪比、解析度、鏡頭失真度、 白平衡、色彩還原度、色彩飽和度、鏡頭畸變、鏡頭暗角中的一個或多個特征所組成的群組; 樣本數(shù)據(jù)為不同區(qū)域的樣本對不同品質的攝像頭模組的認知和喜好;人工神經網(wǎng)絡訓練模塊102c用于訓練所述人工神經網(wǎng)絡學習多個樣本對不同品 質的攝像頭模組的認知。具體的,人工神經網(wǎng)絡訓練模塊102c提取存儲模塊102b中的數(shù)據(jù),經過訓練將多 個樣本對不同品質的攝像頭模組的認知收斂為如下五種情況品質優(yōu)異、品質良好、品質一 般、品質差、品質極差。評分模塊102d接收待測模組的特征參數(shù),并采用經過人工神經網(wǎng)絡訓練模塊 102c訓練的人工神經網(wǎng)絡對待測攝像頭模組的品質進行評分并將評分的結果輸出到顯示 模塊103進行顯示。具體而言,評分模塊102d相應提供5分制的評分結果對所述待測攝像頭模組的品 質進行評分,其中5表示“優(yōu)異”、4表示“良好”、3表示“一般”、2表示“差”、1表示“極差”。關于攝像頭模組品質的自動判別裝置具體的工作過程請參閱上文關于自動判別 方法的描述,此處不一一贅述。本發(fā)明實施例可有效的幫助研發(fā)部門辨別手機攝像頭的品質、幫助來料檢驗部門 實現(xiàn)手機攝像頭模組的自動甄別,提高檢驗效率。此外,還可根據(jù)不同區(qū)域的客戶喜好,挑 選不同的攝像頭模組,滿足客戶多元化的需求。以上參照
了本發(fā)明的各種優(yōu)選實施例,但是只要不背離本發(fā)明的實質和 范圍,本領域的技術人員可以對其進行各種形式上的修改和變更,都屬于本發(fā)明的保護范圍。
權利要求
1.一種攝像頭模組品質的自動判別方法,其特征在于,所述方法包括以下步驟提取待測攝像頭模組的特征參數(shù);利用人工神經網(wǎng)絡接收所述特征參數(shù)并對所述待測攝像頭模組的品質優(yōu)劣進行評分;以及顯示所述評分的結果。
2.根據(jù)權利要求1所述的攝像頭模組的自動判別方法,其特征在于,所述利用人工 神經網(wǎng)絡接收所述特征參數(shù)并對所述待測攝像頭模組的品質優(yōu)劣進行評分的步驟具體包 括構建人工神經網(wǎng)絡;訓練所述人工神經網(wǎng)絡學習多個樣本對不同品質的攝像頭模組的認知;采用經過所述訓練的所述人工神經網(wǎng)絡對所述待測攝像頭模組的品質進行評分并輸 出所述評分以進行顯示。
3.根據(jù)權利要求2所述的攝像頭模組品質的自動判別方法,其特征在于,所述訓練所 述人工神經網(wǎng)絡學習多個樣本對不同品質的攝像頭模組的認知的步驟,包括提取用于評估攝像頭模組品質的特征參數(shù)和樣本數(shù)據(jù),其中所述用于評估攝像頭模組 品質的特征參數(shù)為信噪比、解析度、鏡頭失真度、白平衡、色彩還原度、色彩飽和度、鏡頭畸 變、鏡頭暗角中的一個或多個特征所組成的群組;所述樣本數(shù)據(jù)為不同區(qū)域的樣本對不同 品質的攝像頭模組的認知。
4.根據(jù)權利要求2所述的攝像頭模組品質的自動判別方法,其特征在于,其特征在于, 所述訓練所述人工神經網(wǎng)絡學習多個樣本對不同品質的攝像頭模組的認知的步驟中所述 人工神經網(wǎng)絡在訓練后將所述多個樣本對不同品質的攝像頭模組的認知收斂為如下五種 情況品質優(yōu)異、品質良好、品質一般、品質差、品質極差。
5.根據(jù)權利要求4所述的攝像頭模組品質的自動判別方法,其特征在于所述對所述 待測攝像頭模組的品質進行評分的步驟中提供5分制的評分結果對所述待測攝像頭模組 的品質進行評分,其中5表示“優(yōu)異”、4表示“良好”、3表示“一般”、2表示“差”、1表示“極 差”。
6.一種攝像頭模組品質的自動判別裝置,其特征在于,所述裝置包括特征提取模塊,用于提取待測攝像頭模組的特征參數(shù);人工神經網(wǎng)絡模塊,用于接收所述特征參數(shù)并對所述待測攝像頭模組的品質優(yōu)劣進行 評分;顯示模塊,用于顯示所述評分的結果。
7.根據(jù)權利要求6所述的攝像頭模組的自動判別裝置,其特征在于,所述人工神經網(wǎng) 絡模塊包括人工神經網(wǎng)絡構建模塊,用于構建人工神經網(wǎng)絡;人工神經網(wǎng)絡訓練模塊,用于訓練所述人工神經網(wǎng)絡學習多個樣本對不同品質的攝像 頭模組的認知;以及評分模塊,所述評分模塊采用經過所述訓練的所述人工神經網(wǎng)絡對所述待測攝像頭模 組的品質進行評分并輸出到所述顯示模塊進行顯示。
8.根據(jù)權利要求7所述的攝像頭模組品質的自動判別裝置,其特征在于,所述人工神經網(wǎng)絡模塊還包括存儲模塊,存儲用于評估攝像頭模組品質的特征參數(shù)和樣本數(shù)據(jù),其中所述用于評估 攝像頭模組品質的特征參數(shù)為信噪比、解析度、鏡頭失真度、白平衡、色彩還原度、色彩飽和 度、鏡頭畸變、鏡頭暗角中的一個或多個特征所組成的群組;所述樣本數(shù)據(jù)為不同區(qū)域的樣 本對不同品質的攝像頭模組的認知。
9.根據(jù)權利要求7所述的攝像頭模組品質的自動判別裝置,其特征在于,所述人工神 經網(wǎng)絡訓練模塊將所述多個樣本對不同品質的攝像頭模組的認知收斂為如下五種情況品 質優(yōu)異、品質良好、品質一般、品質差、品質極差。
10.根據(jù)權利要求9所述的攝像頭模組品質的自動判別裝置,其特征在于,所述評分模 塊提供5分制的評分結果對所述待測攝像頭模組的品質進行評分,其中5表示“優(yōu)異”、4表 示“良好”、3表示“一般”、2表示“差”、1表示“極差”。
全文摘要
本發(fā)明提供一種攝像頭模組品質的自動判別方法,所述方法包括以下步驟提取待測攝像頭模組的特征參數(shù);利用人工神經網(wǎng)絡接收所述特征參數(shù)并對所述待測攝像頭模組的品質優(yōu)劣進行評分;顯示所述評分的結果。本發(fā)明進一步提供一種攝像頭模組品質的自動判別裝置。通過上述方式,本發(fā)明可自動判別待測攝像頭模組的品質,有效提高研發(fā)和來料品質檢驗的效率。
文檔編號H04N17/00GK102098530SQ20101057230
公開日2011年6月15日 申請日期2010年12月2日 優(yōu)先權日2010年12月2日
發(fā)明者柯駿 申請人:惠州Tcl移動通信有限公司