[发明专利]一种基于深度学习的GAMMA曲线调校方法及装置

说明书

本发明公开了一种基于深度学习的GAMMA曲线调校方法，包括：采集OLED模组的目标GAMMA绑点的第二初始亮度值、或/和第二初始色度值，并将第二初始亮度值、或/和第二初始色度值与每个第一初始亮度值、或/和每个第一初始色度值进行比较，得到与第二初始亮度值、或/和第二初始色度值的误差最小的第一初始亮度值、或/和第一初始色度值；则，误差最小的第一初始亮度值、或/和第一初始色度值对应的RGB寄存器配置值即为目标GAMMA绑点的RGB寄存器配置值。本发明通过对各GAMMA绑点的初始亮度值或/和初始色度值与RGB寄存器配置值的关系的分类学习，能为OLED模组GAMMA曲线的快速调校提供高精度的数据模型，能满足OLED模组产线高品质、高效率的要求。

技术领域

本发明涉及OLED模组GAMMA曲线调校领域，具体涉及到一种基于深度学习的GAMMA曲线调校方法及装置，根据对多个OLED模组样本的GAMMA绑点的初始亮度值与RGB寄存器配置值的关系的深度学习，或者初始色度值与RGB寄存器配置值的关系的深度学习，或者初始色度值、初始色度值与RGB寄存器配置值的关系的深度学习，可以直接对OLED模组进行GAMMA曲线调校。

背景技术

OLED具有自发光、清晰亮丽、轻薄、响应速度快、视角宽、低功耗、适用温度范围大、成本低、制造工艺简单等特点，被视为继LCD、PDP之后发展潜力最大的新型平板显示技术。近年来，随着OLED相关技术的发展和在建产能的增加，OLED产品的应用市场也迅速扩大，包括电视、显示器、智能手机、智能穿戴、VR、汽车显示、汽车照明等。

直觉上，我们会认为明暗的表示应该是等间距地对应相应的亮度，但实际上人眼对较暗环境下亮度的敏感程度比在光亮环境中高出许多，研究发现人眼的感觉近似正比与亮度的(1/γ)次方，这种人眼感觉与亮度之间的关系曲线称为γ(GAMMA)曲线，为了更好地使得OLED模组显示效果更符合人眼视觉曲线，就需要对模组做GAMMA校正。色温是人眼对发光体或白色反光体的感觉，体现在OLED产品所显示的颜色特性，把标准黑体加热，温度升高到一定程度时该黑体颜色开始深红-浅红-橙黄-白-蓝逐渐改变，一般选择色温为6500K或9300K的基准白作为模组的白场，6500K所对应的色度坐标为x＝0.312,y＝0.329，为了使得OLED模组白场呈现统一的色温，需对模组IC绑定的各GAMMA绑点进行色度调节。

目前，国内外显示检测设备厂商开发的GAMMA调校方法主要针对LCD模组，但由于OLED模组与LCD模组的发光机理不同，使得针对LCD模组的GAMMA调校方法不能完全适用于OLED模组(调节效果欠佳，影响OLED模组的产品质量)。近年来，也有部分显示检测设备厂商尝试开发专门针对OLED模组的GAMMA调校解决方案，即分别对OLED模组各GAMMA绑点的RGB寄存器值进行调节，使得各GAMMA绑点的亮度值和色度值落在目标值的误差范围内，然后再多次获取各GAMMA绑点的亮度值和色度值，并调节GAMMA绑点的RGB寄存器值，使得各GAMMA绑点的亮度值和色度值均落在目标值的误差范围内。但这种针对OLED模组的GAMMA调校解决方案存在以下不足：

1)这种针对OLED模组的GAMMA调校解决方案耗时较长，且需要逐个对OLED模组进行GAMMA调校，效率较低，不能满足OLED模组产线批量生产的要求；

2)如果要提升GAMMA调校效率，这种针对OLED模组的GAMMA调校解决方案一般只能采用耗时较少的、简单的算法、评估方法，从而导致GAMMA调校精度较低，进而影响OLED模组的产品质量。

发明内容

针对上述现有技术的不足，本发明公开一种基于深度学习的GAMMA曲线调校方法及装置，根据对多个OLED模组样本的GAMMA绑点的初始亮度值与RGB寄存器配置值的关系的深度学习，或者初始色度值与RGB寄存器配置值的关系的深度学习，或者初始色度值、初始色度值与RGB寄存器配置值的关系的深度学习，可以快速对OLED模组进行GAMMA曲线调校，以满足OLED模组产线GAMMA调校高品质、高效率的要求。