射频信号源卡顿检测方法、系统、计算机设备及存储介质与流程

1.本发明涉及射频电路测试技术领域，特别涉及射频信号源卡顿检测方法、系统、计算机设备及存储介质。


背景技术：

2.液晶电视的高频调谐器(tuner)，也称高频头，是电视能够接收有线广播电视信号的关键器件。传统模拟电视调谐器是以模拟方式完成接收放大、选通、变频、图声解调的过程，若其中有畸变和失真，会使接收的图像和伴音质量变差，质量差的高频头在不同的环境气候条件下会产生频率漂移造成跑台现象。
3.液晶电视射频信号rf性能测试通常使用amm300射频信号发生器，amm300是一款便携式多合一数字电视信号发生器，设置频率信息并播放码流后通过衰减发生器输出信号的分贝强度，测试射频(rf)pcb电路的灵敏度，例如图3a和3b所示，测试人员通过人工判断不同灵敏度下视频码流是否卡顿，验证数字有线电视射频(rf)pcb电路的灵敏度是否符合出厂标准。


技术实现要素：

4.本发明实施例提供了一种射频信号源卡顿检测方法、系统、计算机设备及存储介质，旨在提高射频电路的测试效率和精度。
5.第一方面，本发明实施例提供了一种射频信号源卡顿检测方法，包括：
6.获取电视尺寸，选取对应的调制方式信号，并设置信号参数；
7.根据所述信号参数控制所述射频信号发生器播放码流，以及控制衰减发生器输出射频信号的分贝强度，以此获取不同灵敏度下的射频信号源图像，并将获取的射频信号源图像作为样本数据建立射频信号数据集；
8.构建卷积神经网络模型，并利用所述射频信号数据集对所述卷积神经网络模型进行训练；
9.实时捕获电视播放的视频帧流，并通过训练后的卷积神经网络模型对所述视频帧流进行检测，以判断所述视频帧流是否存在卡顿区域，并将判断结果作为电视内的射频电路的检测结果。
10.第二方面，本发明实施例提供了一种射频信号源卡顿检测系统，包括：
11.信号参数设置模块，用于获取电视尺寸，选取对应的调制方式信号，并设置信号参数；
12.信号源图像获取模块，用于根据所述信号参数控制所述射频信号发生器播放码流，以及控制衰减发生器输出射频信号的分贝强度，以此获取不同灵敏度下的射频信号源图像，并将获取的射频信号源图像作为样本数据建立射频信号数据集；
13.模型构建及训练模块，用于构建卷积神经网络模型，并利用所述射频信号数据集对所述卷积神经网络模型进行训练；
14.检测模块，用于实时捕获电视播放的视频帧流，并通过训练后的卷积神经网络模型对所述视频帧流进行检测，以判断所述视频帧流是否存在卡顿区域，并将判断结果作为电视内的射频电路的检测结果。
15.第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的射频信号源卡顿检测方法。
16.第四方面，本发明实施例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有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的射频信号源卡顿检测方法。
17.本发明实施例提供了一种射频信号源卡顿检测方法、系统、计算机设备及存储介质，该方法包括：获取电视尺寸，选取对应的调制方式信号，并设置信号参数；根据所述信号参数控制所述射频信号发生器播放码流，以及控制衰减发生器输出射频信号的分贝强度，以此获取不同灵敏度下的射频信号源图像，并将获取的射频信号源图像作为样本数据建立射频信号数据集；构建卷积神经网络模型，并利用所述射频信号数据集对所述卷积神经网络模型进行训练；实时捕获电视播放的视频帧流，并通过训练后的卷积神经网络模型对所述视频帧流进行检测，以判断所述视频帧流是否存在卡顿区域，并将判断结果作为电视内的射频电路的检测结果。本发明实施例利用所述卷积神经网络模型对实时捕获的视频帧流进行射频信号源卡顿检测，以实时检测电视内的射频电路的灵敏度，从而提高电视内的射频电路的可靠性。
附图说明
18.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
19.图1为本发明实施例的检测方法的流程示意图；
20.图2为本发明实施例的检测方法的另一流程示意图；
21.图3a为射频信号发生器衰减强度低于标准值信号源画面；
22.图3b为射频信号发生器衰减强度符合测试标准信号源画面；
23.图4为本发明实施例的检测方法的算法原理图；
24.图5为本发明实施例的检测方法的卷积神经网络模型图；
25.图6a、6b、6c、6d均为本发明实施例的检测方法的图像处理示意图；
26.图7为本发明实施例的检测方法的卡顿区域标注示意图；
27.图8a为本发明实施例的检测方法的示例示意图；
28.图8b为本发明实施例的检测方法的另一示例示意图；
29.图9为本发明实施例的检测装置的示意性框图。
具体实施方式
30.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发
明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
32.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
33.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
34.下面请参见图1，图1为本发明实施例提供的一种射频信号源卡顿检测方法的流程示意图，具体包括：步骤s101～s104。
35.s101、获取电视尺寸，选取对应的调制方式信号，并设置信号参数；
36.s102、根据所述信号参数控制所述射频信号发生器播放码流，以及控制衰减发生器输出射频信号的分贝强度，以此获取不同灵敏度下的射频信号源图像，并将获取的射频信号源图像作为样本数据建立射频信号数据集；
37.s103、构建卷积神经网络模型，并利用所述射频信号数据集对所述卷积神经网络模型进行训练；
38.s104、实时捕获电视播放的视频帧流，并通过训练后的卷积神经网络模型对所述视频帧流进行检测，以判断所述视频帧流是否存在卡顿区域，并将判断结果作为电视内的射频电路的检测结果。
39.本实施例中，通过射频信号发生器设置频率信息并播放码流以及衰减发生器输出射频信号的分贝强度，来获取得到不同灵敏度下的射频信号源图像，从而建立包括不同灵敏度下的射频信号源图像的射频信号数据集。同时，构建卷积神经网络模型，并利用所述射频信号数据集对构建的卷积神经网络模型进行训练及测试。然后利用所述卷积神经网络模型对实时捕获的视频帧流进行射频信号源卡顿检测，实时分别出合格或者不合格的视频图像，以此实现对于电视内的射频电路(或者射频信号源)灵敏度检测，从而提高电视内的射频电路的可靠性。
40.人工智能技术的迅速发展使图像识别成为热门领域，计算机视觉方法也从理论进入了实际生活。卷积神经网络(cnn)是深度学习的代表算法之一，它拥有丰富的数据表征学习能力。与传统算法不同的是，cnn可以通过参数的自动调整从而学习到最有用的特征。经过训练后的卷积神经网络模型可以取代人眼在rf性能测试中对射频信号源卡顿的判断。
41.本实施例通过获取在不同灵敏度下射频信号源的图像，建立数据集，利用卷积神经网络模型识别图像的方式检测衰减未知分贝强度的视频画面，预测精度较高，由于卷积神经网络对几何变换、形变、光照具有一定程度的不变性，能够极大地提高射频信号源的图像检测的准确率，检测过程只要射频信号源识别系统调用摄像头模块实时捕获液晶电视播放的视频帧流，系统将每一帧的图片导入训练好的卷积神经网络模型检测，不需要人工目视判断，智能化程度高。
42.在一实施例中，所述信号参数包括带宽、前向纠错编码、采样数、最大比特率、频率
范围以及测试频率；
43.所述射频信号数据集划分为训练集、辅助训练集和测试集。
44.本实施例中，根据液晶电视尺寸不同选取样本，并进一步选取调制信号，设置信号参数。例如分别以32寸、43寸、65寸液晶电视为样本，选取qpsk(quadrature phase shift keying，正交相移键控)、16qam(quadrature amplitude modulation，正交振幅调制)、qam64(quadrature amplitude modulation，正交振幅调制)、256qam(正交振幅调制)共4种调制方式信号，带宽设置8mhz，前向纠错编码fec＝1/2，采样数fft size＝8k，最大比特率为22.860661mbps，频率范围从474mhz～858mhz，间隔8mhz为一个单位，设置测试频率。
45.使用amm300射频信号发生器，衰减发生器输出信号的分贝强度，获取不同灵敏度下射频信号源图像，以此建立射频信号数据集。灵敏度是指液晶电视在满足一定的误码率性能条件下高频调谐器能够接收到的最小接收信号电平。灵敏度的单位是分贝毫瓦dbm，即分贝强度。
46.液晶电视高频调谐器的接收灵敏度通常在-77dbm左右，负值越大，信号强度就越低，灵敏度也就越高，射频电路能接受的信号也就越好。灵敏度不合格时，会使高频调谐器接收到的信号质量变差，进而使每一帧解码的画面产生异常，出现画面卡顿的现象。如图3a所示，灵敏度较弱时图像出现异常，如图3b所示，则为灵敏度正常时的画面。
47.在一具体的实施例中，所述射频信号数据集包括训练集、测试集，所述训练集包括三种尺寸液晶电视在不同灵敏度下射频信号源的图像，共4830张；辅助训练集包括三种尺寸液晶电视在不同灵敏度下射频信号源的图像，共3381张；测试集包括三种尺寸液晶电视在不同灵敏度下射频信号源的图像，共1449张。
48.在一实施例中，结合图4，所述步骤s103包括：
49.构建第一卷积层和第一层池化层，并将所述第一卷积层的输出作为所述第一层池化层的输入；其中，所述第一卷积层的卷积核大小为3
×
3，第一层池化层为最大值池化层，大小为3
×
3；
50.构建第二卷积层和第二层池化层，并将所述第一层池化层的输出作为所述第二卷积层的输入，以及将第二卷积层的输出作为第二层池化层的输入；其中，所述第二卷积层的卷积核大小为3
×
3，第二层池化层为最大值池化层，大小为3
×
3；
51.构建第三卷积层和第三层池化层，并将所述第二层池化层的输出作为所述第三卷积层的输入，以及将第三卷积层的输出作为第三层池化层的输入；其中，所述第三卷积层的卷积核大小为3
×
3，第三层池化层为最大值池化层，大小为3
×
3；
52.构建全连接层和sigmoid分类层，并将所述第三层池化层的输出作为所述全连接层的输入，以及将所述全连接层的输出作为所述sigmoid分类层的输入，以此构建基于2d-cnn的卷积神经网络模型。
53.进一步的，结合图5，在一实施例中，所述步骤s103还包括：
54.将所述射频信号数据集中的样本数据调整至100
×
100
×
3大小并输入至所述基于2d-cnn的卷积神经网络模型；
55.依次通过16个3
×
3卷积核的第一卷积层、第一relu函数和3
×
3的第一最大值池化层对大小为100
×
100
×
3的样本数据进行处理，得到大小为50
×
50
×
16的第一特征图；
56.依次通过32个3
×
3卷积核的第二卷积层、第二relu函数和3
×
3的第一最大值池化
层对大小为50
×
50
×
16的第一特征图进行处理，得到大小为25
×
25
×
32的第二特征图；
57.依次通过64个3
×
3卷积核的第三卷积层、第三relu函数和3
×
3的第三最大值池化层对大小为25
×
25
×
32的第二特征图进行处理，得到大小为12
×
12
×
64的第三特征图；
58.利用flatten层对所述第三特征图进行一维化处理，得到一维化的特征向量；
59.将所述特征向量输入至所述全连接层，并由所述全连接层中的第一层神经网络和第二层神经网络输出对应的神经元；其中，所述第一层神经网络包含136个神经元，第二层神经网络包含16个神经元；
60.利用sigmoid分类层对所述神经元进行分类，并将分类结果作为所述基于2d-cnn的卷积神经网络模型的输出结果。
61.本实施例中，所述第一卷积层用16个3
×
3的卷积核去卷积100
×
100
×
3的输入图像(即所述样本数据)，第一次relu函数处理后经过一个3
×
3的第一最大值池化层，得到50
×
50
×
16的特征图，第二卷积层用32个3
×
3的卷积核去卷积第一最大值池化层输出的50
×
50
×
16第一特征图，经过第二次relu函数处理后，再经过3
×
3的第二最大值池化层得到25
×
25
×
32的第二特征图，第三卷积层用64个3
×
3的卷积核去卷积第二最大值池化层输出的25
×
25
×
32的特征图，经过第三次relu函数处理后，再经过3
×
3的第三最大值池化层，得到12
×
12
×
64的第三特征图。将三维的第三特征图输入到flatten层(用于对数组进行展平操作)，对其进行一维化处理，以过渡到全连接层。全连接层包括2层神经网络，基于金字模型，第一层神经网络(即图5中的第一隐藏层)包含136个神经元，第二层神经网络(即图5中的第二隐藏层)包含16个神经元，将flatten层一维化的特征向量输出均输入到第一隐藏层的每个神经元中得到136个神经元的输出，将该输出均输入到第二隐藏层的每个神经元中得到16个神经元的输出，最后将16个神经元的输出输入到sigmoid分类层中，得到对应的射频信号源卡顿的分类结果。
62.在一实施例中，所述步骤s103还包括：
63.利用所述射频信号数据集中的训练集对所述基于2d-cnn的卷积神经网络模型进行训练，直至基于2d-cnn的卷积神经网络模型的损失函数收敛；
64.选取训练过程中存在检测错误的样本数据，利用所述辅助训练集对所述基于2d-cnn的卷积神经网络模型继续进行训练，直至所述基于2d-cnn的卷积神经网络模型对于所述测试集中的样本数据检测结果稳定。
65.本实施例中，当基于2d-cnn的卷积神经网络模型的损失函数收敛时，将训练得到的基于2d-cnn的卷积神经网络模型在验证集上进行测试，对于射频信号源卡顿分类检测错误的图像，从辅助训练集中找一些与检测错误图像种类相同的图像添加到训练集中，继续对cnn卷积神经网络进行训练，直至在测试集上的检测结果稳定，停止训练，得到训练好的2d-cnn卷积神经网络模型，所述测试集上的检测结果稳定是指2d-cnn卷积神经网络模型在测试集上进行测试时，对每一段视频帧流中每一帧图像对应的射频信号源卡顿的分类检测准确率为100％，且模型对每一帧图像分类检测结果准确的把握在98％以上，基本达到满足生产测试的要求。
66.在一实施例中，所述步骤s104包括：
67.调用摄像头模块对电视播放的视频帧流进行实时捕获；
68.通过训练后的基于2d-cnn的卷积神经网络模型对所述视频帧流中的当前帧进行
检测；
69.若未检测到当前帧存在卡顿，则继续对下一帧进行检测；
70.若检测到当前帧存在卡顿，则对所述当前帧的卡顿区域进行实时标注并显示。
71.本实施例中，在利用基于2d-cnn的卷积神经网络模型进行射频信号源卡顿检测时，对于视频帧流中的任意一帧，如果未检测到存在卡顿情况，则继续该下一帧进行检测。如果检测到存在卡顿情况，则在该帧上标注对应的卡顿区域，方便回溯。在具体应用场景中，可以采用摄像头等装置对视频帧流进行实时捕获，例如通过摄像模块实时采集amm300射频信号发生器衰减未知强度信号源画面，该画面输入到基于2d-cnn的卷积神经网络模型的视频帧流是30fps，所以利用训练好的基于2d-cnn的卷积神经网络模型检测未知射频信号源卡顿图像时，每秒输入30张未知图像且大小为100
×
100
×
3。
72.在一实施例中，所述若检测到当前帧存在卡顿，则对所述当前帧的卡顿区域进行实时标注并显示，包括：
73.对存在卡顿的当前帧进行图像处理；其中，所述图像处理包括：灰度处理、二值化处理、膨胀处理、腐蚀处理和/或闭合处理；
74.利用canny算子对当前帧进行边缘检测，得到当前帧的基本轮廓，并根据所述基本轮廓对所述当前帧标注卡顿区域。
75.本实施例中，在对卡顿区域进行标注时，首先对存在卡顿区域的当前帧进行图像处理，例如结合图6a-d所示，对于当前帧进行灰度化处理，将其转为灰度图，然后进行二值化处理(图6a)，对图像内每一个像素点根据高斯函数按照距离中心点的远近进行加权计算，计算得到局部邻域块的高斯加权值并将图像二值化，以去除外界带来的噪声干扰。在形态学上，采用3
×
3的卷积核，以迭代次数为2对当前帧进行膨胀操作(图6b)，同时采用4
×
4的卷积核，以迭代次数为2对当前进行腐蚀操作(图6c)。接着对当前帧进行闭合处理。完成图像处理，利用canny算子对当前帧进行边缘检测，以得到对应的基本轮廓，如图6d，从而标注卡顿区域，并且还能够得到射频信号源分贝图像分类结果，确定该射频电路接受衰减发生信号器输出信号的分贝强度是否符合出厂规范。
76.实际使用时，可以通过摄像头模块实时获取液晶电视播放的射频信号源视频帧流，从而实时对一段29fps、持续21s的视频帧流进行射频信号源检测，在检测中对每一帧射频信号源图像依次进行二值化、膨胀、腐蚀等图像处理，并利用canny算子进行边缘检测。通过对每一帧图像进行实时动态识别，并标注识别结果和判断该结果的准确度概率，当射频信号源图像不合格时，标注不合格区域，即卡顿区域，如图7所示。
77.在具体应用场景中，对一段29fps、持续21s的视频帧流检测中，通过人眼判断时，视频在第3-4s、10-11s、19-20s出现卡顿现象，通过对本发明实施例提供的检测方法检测的数据进行统计，结合每一帧的识别结果绘制信号源检测的pass的概率图、ng的概率图，如图8a和8b所示。可见本发明实施例所提供的检测方法对每一帧图像进行识别时，在第104-114帧和第116-127帧(3-4s)，第290-303帧(10-11s)，第562-578帧(19-20s)均识别为不合格画面，该判断结果与测试人员人眼判断一致，且对每一帧图像不合格判断的把握概率在98％以上。
78.在具体的实施例中，cpu的处理效率最高可以达到30fps，读取并处理图像后，能够在每一帧率的处理画面上进行判断准确度并对卡顿区域进行标注，理论上测试结束后输出
的视频帧流帧率应该是30fps，但实际上系统在调用模型和程序进行处理中需要一定的时间，大约十几毫秒的时间，也就是说真正的处理后的视频帧流帧率会有一定的下降，故29fps是系统判断处理后输出视频的实际帧率。
79.在一实施例中，如图2所示，首先amm300射频信号发生器播放码流，同时通过衰减发生器输出信号的分贝强度，液晶电视接收射频信号输出未知图像，然后通过摄像头模块实时捕获帧流，再利用基于2d-cnn的卷积神经网络模型对实时捕获的帧流进行检测，判断其是否合格。对于合格的图像，则画面实时输出pass，并继续对下一帧图像进行检测。对于不合格的图像，则对其进行图像处理，例如二值化、腐蚀、膨胀和闭合处理等，并通过边缘检测获取基本轮廓，从而实时标记出卡顿区域，并在画面上显示ng。
80.图9为本发明实施例提供的一种射频信号源卡顿检测系统900的示意性框图，该系统900包括：
81.信号参数设置模块901，用于获取电视尺寸，选取对应的调制方式信号，并设置信号参数；
82.信号源图像获取模块902，用于根据所述信号参数控制所述射频信号发生器播放码流，以及控制衰减发生器输出射频信号的分贝强度，以此获取不同灵敏度下的射频信号源图像，并将获取的射频信号源图像作为样本数据建立射频信号数据集；
83.模型构建及训练模块903，用于构建卷积神经网络模型，并利用所述射频信号数据集对所述卷积神经网络模型进行训练；
84.检测模块904，用于实时捕获电视播放的视频帧流，并通过训练后的卷积神经网络模型对所述视频帧流进行检测，以判断所述视频帧流是否存在卡顿区域，并将判断结果作为电视内的射频电路的检测结果。
85.在一实施例中，所述信号参数包括带宽、前向纠错编码、采样数、最大比特率、频率范围以及测试频率；
86.所述射频信号数据集划分为训练集、辅助训练集和测试集。
87.在一实施例中，所述模型构建及训练模块903包括：
88.第一构建单元，用于构建第一卷积层和第一层池化层，并将所述第一卷积层的输出作为所述第一层池化层的输入；其中，所述第一卷积层的卷积核大小为3
×
3，第一层池化层为最大值池化层，大小为3
×
3；
89.第二构建单元，用于构建第二卷积层和第二层池化层，并将所述第一层池化层的输出作为所述第二卷积层的输入，以及将第二卷积层的输出作为第二层池化层的输入；其中，所述第二卷积层的卷积核大小为3
×
3，第二层池化层为最大值池化层，大小为3
×
3；
90.第三构建单元，用于构建第三卷积层和第三层池化层，并将所述第二层池化层的输出作为所述第三卷积层的输入，以及将第三卷积层的输出作为第三层池化层的输入；其中，所述第三卷积层的卷积核大小为3
×
3，第三层池化层为最大值池化层，大小为3
×
3；
91.第四构建单元，用于构建全连接层和sigmoid分类层，并将所述第三层池化层的输出作为所述全连接层的输入，以及将所述全连接层的输出作为所述sigmoid分类层的输入，以此构建基于2d-cnn的卷积神经网络模型。
92.在一实施例中，所述模型构建及训练模块903还包括：
93.输入调整单元，用于将所述射频信号数据集中的样本数据调整至100
×
100
×
3大
小并输入至所述基于2d-cnn的卷积神经网络模型；
94.第一特征图获取单元，用于依次通过16个3
×
3卷积核的第一卷积层、第一relu函数和3
×
3的第一层池化层对大小为100
×
100
×
3的样本数据进行处理，得到大小为50
×
50
×
16的第一特征图；
95.第二特征图获取单元，用于依次通过32个3
×
3卷积核的第二卷积层、第二relu函数和3
×
3的第二层池化层对大小为50
×
50
×
16的第一特征图进行处理，得到大小为25
×
25
×
32的第二特征图；
96.第三特征图获取单元，用于依次通过64个3
×
3卷积核的第三卷积层、第三relu函数和3
×
3的第三层池化层对大小为25
×
25
×
32的第二特征图进行处理，得到大小为12
×
12
×
64的第三特征图；
97.一维化处理单元，用于利用flatten层对所述第三特征图进行一维化处理，得到一维化的特征向量；
98.向量输入单元，用于将所述特征向量输入至所述全连接层，并由所述全连接层中的第一层神经网络和第二层神经网络输出对应的神经元；其中，所述第一层神经网络包含136个神经元，第二层神经网络包含16个神经元；
99.神经元分类单元，用于利用sigmoid分类层对所述神经元进行分类，并将分类结果作为所述基于2d-cnn的卷积神经网络模型的输出结果。
100.在一实施例中，所述模型构建及训练模块903还包括：
101.模型训练单元，用于利用所述射频信号数据集中的训练集对所述基于2d-cnn的卷积神经网络模型进行训练，直至基于2d-cnn的卷积神经网络模型的损失函数收敛；
102.辅助训练单元，用于选取训练过程中存在检测错误的样本数据，利用所述辅助训练集对所述基于2d-cnn的卷积神经网络模型继续进行训练，直至所述基于2d-cnn的卷积神经网络模型对于所述测试集中的样本数据检测结果稳定。
103.在一实施例中，所述检测模块904包括：
104.帧流捕获单元，用于调用摄像头模块对电视播放的视频帧流进行实时捕获；
105.当前帧检测单元，用于通过训练后的基于2d-cnn的卷积神经网络模型对所述视频帧流中的当前帧进行检测；
106.下一帧检测单元，用于若未检测到当前帧存在卡顿，则继续对下一帧进行检测；
107.卡顿标注单元，用于若检测到当前帧存在卡顿，则对所述当前帧的卡顿区域进行实时标注并显示。
108.在一实施例中，所述卡顿标注单元包括：
109.灰度处理单元，用于对存在卡顿的当前帧进行灰度处理，得到对应的灰度图像；
110.二值化处理单元，用于根据高斯函数对所述灰度图像内每一个像素点与中心点之间的距离进行加权计算，计算得到局部邻域块的高斯加权值并将图像二值化，以去除噪声干扰；
111.膨胀操作单元，用于采用3
×
3卷积核、多次迭代的方式对二值化后的图像进行膨胀操作；
112.腐蚀处理单元，用于采用3
×
3卷积核、多次迭代的方式对膨胀操作后的图像进行腐蚀处理；
113.闭合处理单元，用于对腐蚀处理后的图像进行闭合处理，得到当前帧对应的闭合图像；
114.边缘检测单元，用于利用canny算子对当前帧的闭合图像进行边缘检测，得到当前帧的基本轮廓，并根据所述基本轮廓对所述当前帧标注卡顿区域，得到射频电路分贝图像分类结果，以此确定所述射频电路接受衰减发生信号器输出信号的分贝强度是否符合出厂规范。
115.由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
116.本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
117.本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。
118.说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
119.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。