[发明专利]基于卷积神经网络的GAMMA绑点分类学习方法及装置

权利要求书

1.一种基于卷积神经网络的GAMMA绑点分类学习方法，用于对OLED模组的GAMMA绑点的寄存器配置值进行分类学习，其特征在于，该方法包括以下步骤：

1)提供一包含目标GAMMA绑点的多个初始亮度值、或/和多个初始色度值及与每个该初始亮度值、或/和每个该初始色度值相对应的多个RGB寄存器配置值的数据集；

2)将该多个初始亮度值、或/和该多个初始色度值作为输入值，该多个RGB寄存器配置值作为输出值，利用卷积神经网络对该数据集进行训练，得到该目标GAMMA绑点的GAMMA数据模型。

2.根据权利要求1所述的GAMMA绑点分类学习方法，其特征在于，该数据集的获取步骤包括：

获得该目标GAMMA绑点的所有R、G、B寄存器值组合对应的亮度值、或/和色度值，并取与该目标GAMMA绑点的目标亮度值、或/和目标色度值的误差最小的亮度值、或/和色度值作为初始亮度值、或/和初始色度值，取与该误差最小的亮度值、或/和色度值对应的R、G、B寄存器值组合作为RGB寄存器配置值。

3.根据权利要求1所述的GAMMA绑点分类学习方法，其特征在于，该数据集的获取步骤包括：

采用CIE标准色度学系统获得该目标GAMMA绑点的所有亮度值、或/和色度值，并取与该目标GAMMA绑点的目标亮度值、或/和目标色度值的误差最小的亮度值、或/和色度值作为初始亮度值、或/和初始色度值，取与该误差最小的亮度值、或/和色度值对应的R、G、B寄存器值组合作为RGB寄存器配置值。

4.根据权利要求1所述的GAMMA绑点分类学习方法，其特征在于，该方法还包括以下步骤：

提供一初始网络权重作为该卷积神经网络的初值；其中，

该初始网络权重包含其他批次或其他规格的OLED模组的目标GAMMA绑点的初始亮度值与RGB寄存器配置值的关系，或者初始色度值与RGB寄存器配置值的关系，或者初始色度值、初始色度值与RGB寄存器配置值的关系。

5.根据权利要求1所述的GAMMA绑点分类学习方法，其特征在于，该GAMMA数据模型包含每个该初始亮度值、或/和每个该初始色度值与每个该RGB寄存器配置值对应关系的网络权重。

6.根据权利要求5所述的GAMMA绑点分类学习方法，其特征在于，利用神经网络框架训练该数据集获得该目标GAMMA绑点的网络权重。

7.一种基于卷积神经网络的GAMMA绑点分类学习方法，用于对OLED模组的GAMMA绑点的寄存器配置值进行分类学习，其特征在于，该方法包括以下步骤：

1)根据目标GAMMA绑点的最高灰阶亮度值、最低灰阶亮度值及亮度-灰阶公式获得该目标GAMMA绑点的目标亮度值和目标色度值；

2)获取该目标GAMMA绑点的初始亮度值、初始色度值，并对该目标GAMMA绑点的R、G、B寄存器值进行调节，使该目标GAMMA绑点的亮度值落在该目标亮度值的误差范围内，色度值落在目标色度值的误差范围内，得到与该亮度值、色度值对应的RGB寄存器配置值；

3)将该初始亮度值、或/和该初始色度值作为输入值，该RGB寄存器配置值作为输出值，利用卷积神经网络对该目标GAMMA绑点的GAMMA数据模型进行训练。

8.根据权利要求7所述的GAMMA绑点分类学习方法，其特征在于，该目标亮度值的误差范围为±2％；该目标色度值的误差范围为±0.001。

9.一种基于卷积神经网络的GAMMA绑点分类学习装置，包括存储器、处理器以及存储在该存储器中并可在该处理器上运行的计算机程序，其特征在于，该处理器被配置为执行该计算机程序时实现如权利要求1-8任一项所述方法的步骤。

10.一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-8任一项所述方法的步骤。