[發明專利]折疊屏屏幕夾角獲取方法及電子設備

在審

• 申請號: 202211001396.2
• 申請日: 2022-08-19
• 公開（公告）號: CN116055599A
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 胡大帥
• 申請（專利權）人: 榮耀終端有限公司
• 主分類號: H04M1/02
• 分類號: H04M1/02;G06N3/08;G06N3/0464
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 王洪

1.一種折疊屏屏幕夾角獲取方法，其特征在于，應用于折疊屏電子設備，包括：

采集所述折疊屏電子設備的折疊屏鉸鏈區域的當前電容值，組成第一容值矩陣；

將所述第一容值矩陣輸入已訓練好的角度計算模型，由所述角度計算模型輸出第一角度值，所述第一角度值即所述折疊屏電子設備的折疊屏屏幕夾角的當前角度值。

2.根據權利要求1所述的方法，其特征在于，所述角度計算模型的訓練過程包括：

構建機器學習模型，并設置機器學習模型的初始參數值；

采集若干組樣本數據，每一組樣本數據包括：折疊屏電子設備的鉸鏈區域的電容值組成的容值矩陣，以及與所述容值矩陣對應的標簽角度值；

利用所述若干組樣本數據對所述機器學習模型進行訓練，得到訓練好的機器學習模型，將訓練好的機器學習模型作為角度計算模型。

3.根據權利要求2所述的方法，其特征在于，利用所述若干組樣本數據對所述機器學習模型進行訓練，得到訓練好的機器學習模型，包括：

在訓練過程中，第1組樣本數據對應的機器學習模型中的參數值為所述初始參數值，第j組樣本數據對應的機器學習模型中的參數值為經第j-1組樣本數據訓練后調整的參數值，j為自然數，且j≥2；對于每組樣本數據，執行如下操作：

將該組樣本數據中的容值矩陣輸入該組樣本數據對應的機器學習模型，機器學習模型輸出該組樣本數據的容值矩陣對應的目標角度值；

獲取所述目標角度值與該組樣本數據的標簽角度值的差異值；

根據所述差異值調整所述機器學習模型的參數值；

判斷是否滿足收斂條件，如果滿足，停止訓練，以該組樣本數據對應的機器學習絡模型作為訓練好的機器學習模型；如果不滿足，執行下一組樣本數據的訓練。

4.根據權利要求3所述的方法，其特征在于，機器學習模型輸出容值矩陣對應的目標角度值的過程包括：

機器學習模型獲取容值矩陣對應各個參考角度值的概率值；

機器學習模型從獲取的所有概率值中找出最大的第一概率值；

機器學習模型根據所述第一概率值對應的參考角度值確定容值矩陣對應的目標角度值并輸出。

5.根據權利要求4所述的方法，其特征在于，機器學習模型根據最大概率值對應的參考角度值確定容值矩陣對應的目標角度值，包括：

機器學習模型從獲取的所有概率值中找出第二概率值，所述第二概率值為獲取的所有概率值按照從大到小排列后排名第二的概率值；

如果所述第一概率值大于或等于第一值，且所述第一概率值與所述第二概率值的差值大于第二值，將所述第一概率值對應的參考角度值確定為容值矩陣對應的目標角度值。

6.根據權利要求2所述的方法，其特征在于，采集若干組樣本數據，包括：

選擇多個電子設備，每個所述電子設備均為折疊屏電子設備；

對于所述多個電子設備中的每個電子設備，分別將該電子設備的屏幕折疊成多個屏幕夾角，在每個屏幕夾角下采集該電子設備的鉸鏈區域的電容值，組成容值矩陣；

將采集的每一個容值矩陣和對應的屏幕夾角確定為一組樣本數據。

7.根據權利要求2所述的方法，其特征在于，所述機器學習模型為人工神經網絡ANN模型。

8.根據權利要求2所述的方法，其特征在于，所述機器學習模型為卷積神經網絡CNN模型。

9.根據權利要求1所述的方法，其特征在于，將所述第一容值矩陣輸入已訓練好的角度計算模型之前，還包括：

使用預設尺寸的矩陣窗口、以預設步長遍歷所述第一容值矩陣，并計算所述矩陣窗口內電容值的平均值；

如果遍歷結束后，所述矩陣窗口內電容值的平均值均小于預設電容閾值，執行將所述第一容值矩陣輸入已訓練好的角度計算模型的步驟。