摄像模组寻焦方法、装置及测试设备制造方法及图纸

本发明专利技术公开了一种摄像模组寻焦方法、装置及测试设备，应用于摄像模组生成及测试领域，该方法包括：测试目标摄像模组在M种物距所对应的M个最佳聚焦点；基于预先构建的目标KNN算法模型处理所述M个最佳聚焦点，以预测出所述目标摄像模组在N种物距所对应的N个最佳聚焦点，其中，所述N种物距与所述M种物距不同。通过本发明专利技术解决了现有技术中摄像模组寻焦方法效率低下的技术问题。率低下的技术问题。率低下的技术问题。

【技术实现步骤摘要】
摄像模组寻焦方法、装置及测试设备


[0001]本专利技术涉及摄像模组生成及测试领域，尤其涉及一种摄像模组寻焦方法、装置及测试设备。

技术介绍

[0002]基于凸透镜的光学原理，传统的摄像模组寻焦算法通过驱动马达(VCM，Voice Coil Motor)分步移动镜头拍照，获取每张照片对应位置的清晰度。完成整个马达行程后，再选择一张最清晰照片对应位置作为最佳聚焦点(AFCode)。这种寻焦方式虽然误差小，但是由于需要多次移动马达，耗时比较长，导致了寻焦效率低下。

技术实现思路

[0003]本专利技术实施例通过提供一种摄像模组寻焦方法、装置及测试设备，解决了现有技术中摄像模组寻焦方法效率低下的技术问题，实现了测试摄像模组时的快速寻焦。
[0004]第一方面，本专利技术实施例提供了一种摄像模组寻焦方法，包括：测试目标摄像模组在M种物距所对应的M个最佳聚焦点；基于预先构建的目标KNN算法模型处理所述M个最佳聚焦点，以预测出所述目标摄像模组在N种物距所对应的N个最佳聚焦点，其中，所述N种物距与所述M种物距不同，M、N为正整数。
[0005]可选地，所述方法还包括预先构建所述目标KNN算法模型的步骤：获取同一规格摄像模组的多组历史测试数据，每组所述历史测试数据包括同一摄像模组在所述N种物距下测试所得到的N个最佳聚焦点；根据所述多组历史测试数据划分出训练数据集、验证数据集和测试数据集；基于所述训练数据集和所述测试数据集构建并验证KNN算法模型，如果验证通过，获得所述目标KNN算法模型。
[0006]可选地，所述根据所述多组历史测试数据划分出训练数据集、验证数据集和测试数据集，包括：按照预设比例，随机将所述多组历史测试数据划分为测试数据集与训练数据集；从所述训练数据集选择K种待预测物距对应的K个数据子列，作为所述验证数据集的结果对比数据集；根据所述结果对比数据集，生成与所述K种待预测物距对应的空白数据集，并将所述空白数据集作为所述验证数据集的预测结果数据集；从所述训练数据集选择剩余物距所对应的各个数据子列，作为所述验证数据集的补集数据集，其中，所述剩余物距是指所述训练数据集中除所述K种待预测物距之外的各种物距。
[0007]可选地，所述基于所述训练数据集和所述测试数据集构建并验证KNN算法模型，包括：分别将所述补集数据集的每个行分量作为目标行分量；计算所述目标行分量的第一距离数据集，所述第一距离数据集包括所述目标行分量到所述测试数据集所有行分量之间的距离数据；采用KNN算法模型，根据所述第一距离数据集的最近邻多个行分量计算所述预测结果数据集与所述目标行分量对应的各个最佳聚焦点值；根据所述结果对比数据集每个行分量对应的最佳聚焦点值与所述预测结果数据集每个行分量对应的最佳聚焦点值进行偏移计算，得到偏移数据集；根据所述偏移数据集确定所述KNN算法模型的测试正确率，如果
所述测试正确率达到预设的正确率阈值，表征所述KNN算法模型通过验证。
[0008]可选地，所述计算所述目标行分量的第一距离数据集，包括：针对所述测试数据集的当前行分量，采用目标距离度量方法计算所述补集数据集的目标行分量与所述测试数据集的当前行分量之间的距离数据，基于计算得到的各个距离数据形成所述第一距离数据集。
[0009]可选地，所述根据所述第一距离数据集的最近邻多个行分量计算所述预测结果数据集与所述目标行分量对应的各个最佳聚焦点值，包括：对所述第一距离数据集进行增序排列；根据所述KNN算法模型自定义的最近邻个数，从增序排列后的第一距离数据集选取所述最近邻多个行分量，形成最近邻数据集；对所述最近邻数据集的各个行分量进行算术平均，得到新的行分量；将所述新的行分量的待预测列值作为所述预测结果数据集与所述目标行分量对应的最佳聚焦点值。
[0010]可选地，所述根据所述结果对比数据集每个行分量对应的最佳聚焦点值与所述预测结果数据集每个行分量对应的最佳聚焦点值进行偏移计算，得到偏移数据集，包括：将所述结果对比数据集与所述预测结果数据集，对应同一模组标识的行分量进行差值绝对值计算，得到该模组标识对应行分量的偏移值；基于各个模组标识对应的差偏移值，构建所述偏移数据集。
[0011]可选地，所述基于预先构建的目标KNN算法模型处理所述M个最佳聚焦点，以预测出所述目标摄像模组在N种物距所对应的N个最佳聚焦点，包括：分别将所述N种物距作为目标待预测物距；针对所述目标待预测物距，通过所述目标KNN算法模型计算出所述目标摄像模组与所述KNN算法模型所用测试数据集之间的第二距离数据集，并进行增序排列；根据所述目标KNN算法模型的自定义最近邻个数，从增序排列后的第二距离数据集选取最近邻多个行分量；根据所述最近邻多个行分量进行均值计算，以预测出所述目标摄像模组在所述目标待预测物距的最佳聚焦点。
[0012]第二方面，本专利技术实施例提供了一种摄像模组寻焦装置，包括：测试单元，用于测试目标摄像模组在M种物距所对应的M个最佳聚焦点；预测单元，用于基于预先构建的目标KNN算法模型处理所述M个最佳聚焦点，以预测出所述目标摄像模组在N种物距所对应的N个最佳聚焦点，其中，所述N种物距与所述M种物距不同，M、N为正整数。
[0013]第三方面，本专利技术实施例提供了一种测试设备，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，所述处理器执行所述程序时实现第一方面任一实施方式所述方法的步骤。
[0014]本专利技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0015]由于采用目标KNN算法模型处理测试出的M种物距下的M个最佳聚焦点，以预测出目标摄像模组在其他N种物距下的N个最佳聚焦点，使得仅仅需要测试摄像模组在一种或者少数几种物距下的最佳聚焦点，进行预测出摄像模组在其他物距下的最佳聚焦点，使得不需要多次移动马达来一一测试所有物距下的最佳聚焦点，从而提高了摄像模组的寻焦效率。
附图说明
[0016]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使
用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1示出了本专利技术实施例中摄像模组寻焦方法的流程；
[0018]图2示出了本专利技术实施例中目标KNN算法模型的构建过程；
[0019]图3示出了本专利技术实施例中摄像模组寻焦装置的结构示意图；
[0020]图4示出了本专利技术实施例中测试设备的结构示意图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]参考图1所示，本专利技术实施例提供一种摄像模组寻焦方法，包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种摄像模组寻焦方法，其特征在于，包括：测试目标摄像模组在M种物距所对应的M个最佳聚焦点；基于预先构建的目标KNN算法模型处理所述M个最佳聚焦点，以预测出所述目标摄像模组在N种物距所对应的N个最佳聚焦点，其中，所述N种物距与所述M种物距不同，M、N为正整数。2.如权利要求1所述的方法，其特征在于，所述方法还包括预先构建所述目标KNN算法模型的步骤：获取同一规格摄像模组的多组历史测试数据，每组所述历史测试数据包括同一摄像模组在所述N种物距下测试所得到的N个最佳聚焦点；根据所述多组历史测试数据划分出训练数据集、验证数据集和测试数据集；基于所述训练数据集和所述测试数据集构建并验证KNN算法模型，如果验证通过，获得所述目标KNN算法模型。3.如权利要求2所述的方法，其特征在于，所述根据所述多组历史测试数据划分出训练数据集、验证数据集和测试数据集，包括：按照预设比例，随机将所述多组历史测试数据划分为测试数据集与训练数据集；从所述训练数据集选择K种待预测物距对应的K个数据子列，作为所述验证数据集的结果对比数据集；根据所述结果对比数据集，生成与所述K种待预测物距对应的空白数据集，并将所述空白数据集作为所述验证数据集的预测结果数据集；从所述训练数据集选择剩余物距所对应的各个数据子列，作为所述验证数据集的补集数据集，其中，所述剩余物距是指所述训练数据集中除所述K种待预测物距之外的各种物距。4.如权利要求3所述的方法，其特征在于，所述基于所述训练数据集和所述测试数据集构建并验证KNN算法模型，包括：分别将所述补集数据集的每个行分量作为目标行分量；计算所述目标行分量的第一距离数据集，所述第一距离数据集包括所述目标行分量到所述测试数据集所有行分量之间的距离数据；采用KNN算法模型，根据所述第一距离数据集的最近邻多个行分量计算所述预测结果数据集与所述目标行分量对应的各个最佳聚焦点值；根据所述结果对比数据集每个行分量对应的最佳聚焦点值与所述预测结果数据集每个行分量对应的最佳聚焦点值进行偏移计算，得到偏移数据集；根据所述偏移数据集确定所述KNN算法模型的测试正确率，如果所述测试正确率达到预设的正确率阈值，表征所述KNN算法模型通过验证。5.如权利要求4所述的方法，其特征在于，所述计算所述目标行分量的第一距离数据集，包括：针对所述测试数据集的当前行分量，采用目标距离度量方法计算所述补集数...

【专利技术属性】
技术研发人员：肖孝奇，
申请(专利权)人：昆山丘钛光电科技有限公司，
类型：发明
国别省市：