[發(fā)明專利]基于GRU-CNN組合模型的快速Gamma調(diào)校方法、系統(tǒng)及應(yīng)用

在審

• 申請?zhí)枺?/td>: 202110798509.5
• 申請日: 2021-07-15
• 公開（公告）號: CN113487577A
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計）人: 肖君軍;郭興達;胡兆君;劉強
• 申請（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)（深圳）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06N3/04;G06N3/08
• 代理公司: 廣東普潤知識產(chǎn)權(quán)代理有限公司 44804
• 代理人: 寇闖

本發(fā)明公開了基于GRU?CNN組合模型的快速Gamma調(diào)校方法、系統(tǒng)及應(yīng)用，涉及顯示系統(tǒng)畫質(zhì)優(yōu)化與深度學(xué)習(xí)技術(shù)領(lǐng)域。通過選取多個灰階序列組成由多個寄存器綁點初始向量組成的輸入綁點隊列；建立GRU網(wǎng)絡(luò)，以獲得輸入綁點隊列之間的序列特征；然后建立CNN網(wǎng)絡(luò)，以獲得輸入綁點的初始向量的局部特征；將樣本模組輸入到建立好的組合模型中，獲得訓(xùn)練好的組合模型，并進行RGB三色寄存器的初始值預(yù)測；GRU?CNN組合模型有效性評價。在需要快速Gamma調(diào)校過程中，減少了網(wǎng)絡(luò)中的必要參數(shù)，提高了調(diào)校效率與精度，能夠有效地解決現(xiàn)有技術(shù)中AMOLED顯示模組Gamma調(diào)校及OTP過程較為復(fù)雜以及耗時的問題。

技術(shù)領(lǐng)域

本發(fā)明屬于基于深度學(xué)習(xí)技術(shù)實施顯示系統(tǒng)畫質(zhì)優(yōu)化領(lǐng)域，尤其涉及一種 基于GRU-CNN組合模型的快速Gamma調(diào)校方法、系統(tǒng)、計算機程序產(chǎn)品、計 算機設(shè)備。

背景技術(shù)

隨著社會科學(xué)經(jīng)濟水平的不斷提升，人們對電子產(chǎn)品的需求量不斷提升， 而顯示屏作為眾多電子產(chǎn)品中不可分割的一部分，尤其是新一代的AMOLED(有 源矩陣有機發(fā)光二極體，Active-matrix organic light-emitting diode)面板技術(shù)受 到了廣泛的關(guān)注。它相比于LCD具有柔韌性好、發(fā)光效率高、輕薄、顯示效果 好等特點。在AMOLED屏體的檢測工序中，Gamma調(diào)校至關(guān)重要。

實時逐個樣品獨立實施Gamma調(diào)校主要是利用色度計探頭(如CA410)分 別測量白畫面下抓取的N個灰階的色坐標和亮度，通過控制驅(qū)動IC中相應(yīng)的 Gamma寄存器的值分別調(diào)整色坐標和亮度的值，直到N個畫面的輸出灰度圖像 的亮度和色坐標同時滿足標準人眼目視時的Gamma曲線要求，一般要求 Gamma＝2.2，同時色坐標x和y滿足指定要求。

由于這種Gamma調(diào)整要求所對應(yīng)的寄存器值搜索和優(yōu)化實際上是一個多 約束條件下的多參數(shù)優(yōu)化問題，傳統(tǒng)梯度下降優(yōu)化方法能滿足調(diào)整精度要求， 但耗時一般較長，而且在低亮度以及環(huán)境噪聲較大(如畫面驅(qū)動裝置及光學(xué)探 測裝置精度不夠)情況下較難達到收斂標準。在現(xiàn)有關(guān)于AMOLED顯示模組的 Gamma調(diào)校方法中，存在基于深度學(xué)習(xí)對AMOLED顯示屏的Gamma參數(shù)進行 調(diào)校的方案，但是由于在調(diào)校過程中或是不能很好處理序列的數(shù)據(jù)樣本信息， 或是由于網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，參數(shù)眾多，計算耗時。綜上所述，現(xiàn)有技術(shù)中的AMOLED 顯示屏存在Gamma調(diào)校過程較為復(fù)雜以及耗時的問題。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于GRU-CNN組合模 型的快速Gamma調(diào)校方法。

本發(fā)明是這樣實現(xiàn)的，基于GRU-CNN組合模型的快速Gamma調(diào)校方法， 所述基于GRU-CNN組合模型的快速Gamma調(diào)校方法包括以下步驟：

步驟一、選取多個灰階序列組成由多個綁點初始向量組成的輸入綁點隊列；

步驟二、建立GRU網(wǎng)絡(luò)，以獲得輸入綁點隊列之間的序列特征；

步驟三、建立CNN網(wǎng)絡(luò)，以獲得輸入綁點的初始向量的局部特征；

步驟四、樣本模組輸入到建立好的組合模型中，獲得訓(xùn)練好的組合模型， 并進行RGB寄存器的初始值預(yù)測；

步驟五、GRU-CNN組合模型有效性評價。

在一個實施例中，選取多個灰階序列組成由多個綁點初始向量組成的輸入 綁點隊列的步驟包括：模組的輸入綁點、顏色坐標及亮度值，組合模型的輸出 綁點預(yù)測向量包括輸出綁點及RGB寄存器的值；

建立GRU網(wǎng)絡(luò)，以獲得輸入綁點隊列之間的序列特征的步驟包括：

2.1、GRU網(wǎng)絡(luò)的建立；GRU網(wǎng)絡(luò)是LSTM網(wǎng)絡(luò)的變體，GRU網(wǎng)絡(luò)是由 更新門z_t和重置門r_t構(gòu)成，更新門z_t是將LSTM網(wǎng)絡(luò)結(jié)構(gòu)中遺忘門和輸入門合 并得到；