[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

说明书

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卷积神经网络的对OLED模组的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进行分类学习的方法及装置。

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用时较少的、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卷积神经网络的GAMMA绑点分类学习方法及装置，通过基于卷积神经网络的对OLED模组的各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进行分类学习，能为OLED模组各GAMMA绑点的RGB寄存器值的快速配置提供高精度的数据模型，以满足OLED模组产线GAMMA调校高品质、高效率的要求。

为解决上述技术问题，本发明提供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，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。

优选地，上述技术方案中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。

优选地，上述技术方案中该数据集的获取步骤包括：