(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210521113.0 (22)申请日 2022.05.13 (66)本国优先权数据 202111556594.0 2021.12.17 CN (71)申请人 荣耀终端 有限公司 地址 518040 广东省深圳市福田区香蜜湖 街道东海社区红荔西路8089号深业中 城6号楼A单元3401 (72)发明人 王昊　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 胡明霞　黄健 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/32(2022.01)G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 测试方法和装置 (57)摘要 本申请实施例提供一种测试方法和装置， 涉 及计算机技术领域， 方法包括： 测试设备获取第 一图像以及第二图像； 测试设备利用第一预设模 型提取第一图像中存在缺陷的缺陷图像； 缺陷包 括： 灰尘、 异物缺陷、 以及像素缺陷； 测试设备在 第一图像中提取包括缺陷图像部分， 得到第一目 标图像； 测试设备在第二图像中提取与第一目标 图像的位置相对应的部分， 得到第二目标图像； 测试设备根据第一目标图像以及第二目标图像， 得到测试结果。 这样， 终端设备可 以利用第一预 设模型实现对于第一图像中的缺陷图像的精准 识别， 捕捉不同缺陷之间成像的细微差别， 使得 测试设备可以根据包含缺陷的第一目标图像以 及第二目标图像， 对缺陷进行准确的识别。 权利要求书4页 说明书20页 附图7页 CN 115222653 A 2022.10.21 CN 115222653 A 1.一种测试 方法， 其特 征在于， 所述方法包括： 测试设备获取第一图像以及第二图像； 其中， 所述第一图像为无光源状态下待测试设 备处于亮屏时拍摄得到的图像， 所述第二图像为有光源状态下所述待测试设备 处于灭屏时 拍摄得到的图像； 所述测试设备利用第 一预设模型提取所述第 一图像中存在缺陷的缺陷 图像； 所述缺陷 包括： 灰尘、 异 物缺陷、 以及像素缺陷； 所述测试设备在所述第一图像中提取包括所述 缺陷图像部分， 得到第一目标图像； 所述测试设备在所述第 二图像中提取与 所述第一目标图像的位置相对应的部分， 得到 第二目标图像； 所述测试设备根据所述第一目标图像以及所述第二目标图像， 得到测试 结果。 2.根据权利要求1所述的方法， 其特征在于， 所述测试设备根据 所述第一目标图像以及 所述第二目标图像， 得到测试 结果， 包括： 所述测试设备利用第 二预设模型识别所述第 一目标图像以及所述第 二目标图像， 得到 所述测试 结果。 3.根据权利要求2所述的方法， 其特征在于， 所述第二预设模型中包括： 置于所述第二 预设模型中第一层的第一卷积层、 置于所述第二预设模型中最后一层的第二卷积层、 以及 置于所述第一卷积层与所述第二卷积层中间的至少一个瓶颈层。 4.根据权利要求3所述的方法， 其特征在于， 所述测试设备利用第 二预设模型识别所述 第一目标图像以及所述第二目标图像， 得到所述测试 结果， 包括： 所述测试设备利用所述第 一卷积层， 对由所述第 一目标图像以及所述第 二目标图像构 成的特征图像进行 卷积处理， 得到第一特 征图像； 所述测试设备利用所述至少一个瓶颈层对所述第 一特征图像进行至少一 次处理， 得到 经过所述至少一个瓶颈层处 理后的第二特 征图像； 所述测试设备利用所述第二卷积层， 对所述第二特征图像进行卷积处理， 得到所述测 试结果。 5.根据权利要求4所述的方法， 其特征在于， 所述第二预设模型中还包括： 用于对特征 图像进行均值处理的中间层， 所述测试设备利用所述第二卷积层， 对所述第二特征图像进 行卷积处理， 得到所述测试 结果之前， 所述方法还 包括： 所述测试设备利用所述中间层， 对所述第二特征图像进行全局均值处理， 得到第三特 征图像； 所述测试设备利用所述第二卷积层， 对所述第二特征图像进行卷积处理， 得到所述测 试结果， 包括： 所述测试设备利用所述第二卷积层， 对所述第三特征图像进行卷积处理， 得 到所述测试 结果。 6.根据权利要求5所述的方法， 其特征在于， 任一所述瓶颈层中包括： 至少一个卷积层、 至少一个批归一 化层、 以及至少一个激活函数。 7.根据权利要求6所述的方法， 其特征在于， 所述瓶颈层包括： 第一瓶颈层， 所述至少一 个卷积层 包括： 第三卷积层以及第四卷积层， 所述至少一个批归一化层 包括： 第一批归一化 层以及第二批归一化层， 所述至少一个激活函数包括： 第一激活函数以及第二激活函数， 所 述测试设备利用所述至少一个瓶颈层对所述第一特征图像进 行至少一次处理， 得到经过所权　利　要　求　书 1/4 页 2 CN 115222653 A 2述至少一个瓶颈层处 理后得到的第二特 征图像， 包括： 在所述第一瓶颈层中， 所述测试设备利用所述第 三卷积层对所述第 一特征图像进行卷 积处理， 得到第四特征图像， 并且利用所述第四卷积层 对所述第一特征图像进 行卷积处理， 得到第五特 征图像； 所述测试设备利用所述第 一批归一化层对所述第四特征图像进行归一化处理， 得到第 六特征图像； 所述测试设备利用所述第 一激活函数对所述第六特征图像进行处理， 得到第七特征图 像； 所述测试设备利用所述第 二批归一化层对所述第五特征图像进行归一化处理， 得到第 八特征图像； 所述测试设备对所述第七特征图像以及所述第八特征图像进行相加， 得到第九特征图 像； 所述测试设备利用所述第 二激活函数对所述第九特征图像进行处理， 得到所述第 二特 征图像。 8.根据权利要求7所述的方法， 其特征在于， 所述至少一个卷积层还包括： 第五卷积层 以及第六卷积层， 所述至少一个批归一化层 还包括： 第三批归一化层以及第四批归一化层， 所述至少一个激活函数还包括： 第三激活函数以及第四激活函数， 所述测试设备对所述第 七特征图像以及所述第八特 征图像进行相加， 得到第九特 征图像之前， 所述方法还 包括： 所述测试设备利用第五卷积层对所述第七特征图像进行卷积处理， 得到第十特征图 像； 所述测试设备利用所述第 三批归一化层对所述第十特征图像进行归一化处理， 得到第 十一特征图像； 所述测试设备利用所述第 三激活函数对所述第十一特征图像进行处理， 得到第十二特 征图像； 所述测试设备利用第六卷积层对所述第十二特征图像进行卷积处理， 得到第十三特征 图像； 所述测试设备利用所述第四批归一化层对所述第十三特征图像进行归一化处理， 得到 第十四特 征图像； 所述测试设备利用所述第四激活函数对所述第十四特征图像进行处理， 得到第十五特 征图像； 所述测试设备对所述第七特征图像以及所述第八特征图像进行相加， 得到第九特征图 像， 包括： 所述测试设备对所述第十五特征图像以及所述第八特征图像进 行相加， 得到所述 第九特征图像。 9.根据权利要求1 ‑8任一项所述的方法， 其特征在于， 所述第一预设模型为全卷积神经 网络模型； 在所述第一预设模型中， 当所述第一预设模型的输入图像的尺寸为M*N*1时， 所 述第一预设模型的输出图像的尺寸 为(M‑28)*(N‑28)*2。 10.根据权利要求9所述的方法， 其特征在于， 所述测试设备利用第一预设模型提取所 述第一图像中存在缺陷的缺陷图像， 包括： 所述测试设备利用所述第 一预设模型对所述第 一图像分别进行多次卷积处理， 并将基权　利　要　求　书 2/4 页 3 CN 115222653 A 3