本公开涉及一种按键质量检测方法及装置，属于按键检测技术领域，该方法包括：当按键受力运动时，采集来自传感器的按压力数据和按键的位移数据；根据按压力数据和位移数据，获取对按键进行质量检测的第一按压力时序数据和第一位移时序数据；建立第一网络模型，并根据第一按压力时序数据和第一位移时序数据生成适应于第一网络模型的第一输入数据，以及建立第二网络模型，并根据第一按压力时序数据和第一位移时序数据生成适应于第二网络模型的第二输入数据；将第一输入数据、第二输入数据分别输入第一网络模型、第二网络模型进行训练得到第一训练结果和第二训练结果；根据设定的判断策略，利用第一训练结果和第二训练结果得到按键质量的检测结果。按键质量的检测结果。按键质量的检测结果。
【技术实现步骤摘要】
按键质量检测方法及装置
[0001]本公开实施例涉及按键检测
，更具体地，涉及一种按键质量检测方法及装置。
技术介绍
[0002]目前，随着电子设备的快速发展，用户可通过按压如遥控器、游戏手柄以及智能手表等的电子设备上的按键以输出相应的控制指令。在用户按压按键过程中按键给予用户的触感反馈影响用户实际操作体验，因而需要检测按键的质量。检测按键的质量通常会针对按键所受到按压力的峰谷值设定阈值，但材质、环境等情况发生变化，按键对按压力的响应也会产生变化，使得按键所受到按压力的峰谷值也会发生相应变化。
技术实现思路
[0003]本公开实施例的一个目的是提供一种按键质量检测方法及装置的新的技术方案。
[0004]根据本公开的第一方面，提供了一种按键质量检测方法，该方法包括：当按键受力运动时，采集来自传感器的按压力数据和按键的位移数据；根据所述按压力数据和位移数据，获取对所述按键进行质量检测的第一按压力时序数据和第一位移时序数据；其中，所述第一按压力时序数据为反映所述按键在所述检测周期内所受按压力随时间变化的数据，所述第一位移时序数据为反映所述按键在所述检测周期内所产生位移随时间变化的数据；建立第一网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第一网络模型的第一输入数据，以及建立第二网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第二网络模型的第二输入数据，将所述第一输入数据、所述第二输入数据分别输入第一网络模型、第二网络模型进行训练得到第一训练结果和第二训练结果；根据设定的判断策略，利用所述第一训练结果和所述第二训练结果得到按键质量的检测结果。
[0005]可选地，所述第一输入数据反映所述按键所受按压力、所述按键所产生位移和按键运动阶段间的对应关系信息，其中，所述按键运动阶段包括下压阶段和抬起阶段。
[0006]可选地，所述第一网络模型为深度网络模型，所述第一网络模型还包含第一维度通道、第二维度通道以及第三维度通道；所述根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第一网络模型的第一输入数据，包括：将所述第一按压力时序数据、所述第一位移时序数据以及表示按键运动阶段的数值分别输入至所述第一维度通道、所述第二维度通道以及所述第三维度通道，生成适应于第一网络模型的图像数据作为第一输入数据；其中，所述下压阶段对应第一数值，所述抬起阶段对应第二数值。
[0007]可选地，所述第二输入数据反映所述按键所受按压力和所述按键所产生位移的至少一种极值信息，以及所述按键所受按压力和所述按键所产生位移在多个压缩时段内的均值信息。
[0008]可选地，所述第二网络模型为集成学习模型；所述根据所述第一按压力时序数据
和所述第一位移时序数据生成适应于第二网络模型的第二输入数据，包括：提取对于所述第一按压力时序数据和所述第一位移时序数据的至少一种极值信息，以及提取对于所述第一按压力时序数据和所述第一位移时序数据的均值信息；将对于第一按压力时序数据的至少一种极值信息和均值信息按照时序构成第一序列数据，以及将对于第一位移时序数据的至少一种极值信息和均值信息按照时序构成第二序列数据；将所述第一序列数据和所述第二序列数据作为适用于第二网络模型的第二输入数据。
[0009]可选地，所述至少一种极值包括所述按键所受按压力和所述按键所产生位移在所述检测周期内的全局极值，及在所述检测周期的不同阶段内的局部极值。
[0010]可选地，所述根据所述按压力数据和位移数据，获取对所述按键进行质量检测的第一按压力时序数据和第一位移时序数据，包括：将所述检测周期划分为多个采样时段；根据所述按压力数据，得到所述按键在所述多个采样时段中每一采样时段的按压力值作为第二按压力时序数据；根据所述位移数据，得到所述按键在所述多个采样时段中每一采样时段的位移值作为第二位移时序数据；根据所述第二按压力时序数据和所述第二位移时序数据，得到所述第一按压力时序数据和第一位移时序数据。
[0011]可选地，所述根据设定的判断策略，利用所述第一训练结果和所述第二训练结果得到按键质量的检测结果，包括：通过设定的判断策略筛选出所述第一训练结果和所述第二训练结果分别所表示的概率值中的最大概率值；将所述最大概率值与设定阈值相比较，并根据比较结果得到所述检测结果。
[0012]根据本公开的第二方面，还提供了一种按键质量检测装置，该装置包括：数据采集模块，用于当按键受力运动时，采集来自传感器的按压力数据和按键的位移数据；数据获取模块，用于根据所述按压力数据和位移数据，获取对所述按键进行质量检测的第一按压力时序数据和第一位移时序数据；其中，所述第一按压力时序数据为反映所述按键在所述检测周期内所受按压力随时间变化的数据，所述第一位移时序数据为反映所述按键在所述检测周期内所产生位移随时间变化的数据；数据生成模块，用于建立第一网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第一网络模型的第一输入数据，以及建立第二网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第二网络模型的第二输入数据，训练结果得到模块，用于将所述第一输入数据、所述第二输入数据分别输入第一网络模型、第二网络模型进行训练得到第一训练结果和第二训练结果；检测结果得到模块，用于根据设定的判断策略，利用所述第一训练结果和所述第二训练结果得到按键质量的检测结果。
[0013]根据本公开的第三方面，还提供了一种按键质量检测装置，包括存储器和处理器，所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序，以实现根据本公开第一方面所述的方法。
[0014]根据本公开的第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序在被处理器执行时实现根据本公开的第一方面所述的方法。
[0015]本公开实施例的一个有益效果在于，通过对按键进行质量检测获得第一按压力时序数据和第一位移时序数据，再分别对第一按压力时序数据和第一位移时序数据进行处理得到第一输入数据和第二输入数据，进而可以将第一输入数据输入到第一网络模型中得到
第一训练结果，将第二输入数据输入到第二网络模型中得到第二训练结果，以得到关于按键质量的检测结果。通过第一网络模型和第二网络模型，对按键的按压力和位移进行检测，能够提高检测按键质量的准确性。
[0016]通过以下参照附图对本公开的示例性实施例的详细描述，本公开实施例的其它特征及其优点将会变得清楚。
附图说明
[0017]被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且连同其说明一起用于解释本公开实施例的原理。
[0018]图1是能够应用根据一个实施例的按键质量检测方法的按键质量检测系统的组成结构示意图；
[0019]图2是根据另一个实施例的按键质量检测方法的流程示意图；
[0020]图3是根据另一个实施例的电子设备的方框原理图；
[0021]图4是根据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种按键质量检测方法，其特征在于，所述方法包括：当按键受力运动时，采集来自传感器的按压力数据和按键的位移数据；根据所述按压力数据和位移数据，获取对所述按键进行质量检测的第一按压力时序数据和第一位移时序数据；其中，所述第一按压力时序数据为反映所述按键在所述检测周期内所受按压力随时间变化的数据，所述第一位移时序数据为反映所述按键在所述检测周期内所产生位移随时间变化的数据；建立第一网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第一网络模型的第一输入数据，以及建立第二网络模型，并根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第二网络模型的第二输入数据；将所述第一输入数据、所述第二输入数据分别输入第一网络模型、第二网络模型进行训练得到第一训练结果和第二训练结果；根据设定的判断策略，利用所述第一训练结果和所述第二训练结果得到按键质量的检测结果。2.根据权利要求1所述的方法，其特征在于，所述第一输入数据反映所述按键所受按压力、所述按键所产生位移和按键运动阶段间的对应关系信息，其中，所述按键运动阶段包括下压阶段和抬起阶段。3.根据权利要求2所述的方法，其特征在于，所述第一网络模型为深度神经网络模型，所述第一网络模型还包含第一维度通道、第二维度通道以及第三维度通道；所述根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第一网络模型的第一输入数据，包括：将所述第一按压力时序数据、所述第一位移时序数据以及表示按键运动阶段的数值分别输入至所述第一维度通道、所述第二维度通道以及所述第三维度通道，生成适应于第一网络模型的图像数据作为第一输入数据；其中，所述下压阶段对应第一数值，所述抬起阶段对应第二数值。4.根据权利要求1所述的方法，其特征在于，所述第二输入数据反映所述按键所受按压力和所述按键所产生位移的至少一种极值信息，以及所述按键所受按压力和所述按键所产生位移在多个压缩时段内的均值信息。5.根据权利要求4所述的方法，其特征在于，所述第二网络模型为集成学习模型；所述根据所述第一按压力时序数据和所述第一位移时序数据生成适应于第二网络模型的第二输入数据，包括：提取对于所述第一按压力时序数据和所述第一位移时序数据的至少一种极值信息，以及提取对于所述第一按压力时序数据和所述第一位移时序数据的均值信息；将对于第一按压力时序数据的至少一种极值信息和均值信息按照时序构成第一序列数据，以及将对于第一位移时序数据的至少一种极值信息和均值信息按照时序构成第二序列数据；将所述第一序列数据和...
【专利技术属性】
技术研发人员：王学强，张一凡，
申请(专利权)人：歌尔股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。