[发明专利]基于GRU-CNN组合模型的快速Gamma调校方法、系统及应用

说明书

本发明公开了基于GRU‑CNN组合模型的快速Gamma调校方法、系统及应用，涉及显示系统画质优化与深度学习技术领域。通过选取多个灰阶序列组成由多个寄存器绑点初始向量组成的输入绑点队列；建立GRU网络，以获得输入绑点队列之间的序列特征；然后建立CNN网络，以获得输入绑点的初始向量的局部特征；将样本模组输入到建立好的组合模型中，获得训练好的组合模型，并进行RGB三色寄存器的初始值预测；GRU‑CNN组合模型有效性评价。在需要快速Gamma调校过程中，减少了网络中的必要参数，提高了调校效率与精度，能够有效地解决现有技术中AMOLED显示模组Gamma调校及OTP过程较为复杂以及耗时的问题。

技术领域

本发明属于基于深度学习技术实施显示系统画质优化领域，尤其涉及一种 基于GRU-CNN组合模型的快速Gamma调校方法、系统、计算机程序产品、计 算机设备。

背景技术

随着社会科学经济水平的不断提升，人们对电子产品的需求量不断提升， 而显示屏作为众多电子产品中不可分割的一部分，尤其是新一代的AMOLED(有 源矩阵有机发光二极体，Active-matrix organic light-emitting diode)面板技术受 到了广泛的关注。它相比于LCD具有柔韧性好、发光效率高、轻薄、显示效果 好等特点。在AMOLED屏体的检测工序中，Gamma调校至关重要。

实时逐个样品独立实施Gamma调校主要是利用色度计探头(如CA410)分 别测量白画面下抓取的N个灰阶的色坐标和亮度，通过控制驱动IC中相应的 Gamma寄存器的值分别调整色坐标和亮度的值，直到N个画面的输出灰度图像 的亮度和色坐标同时满足标准人眼目视时的Gamma曲线要求，一般要求 Gamma＝2.2，同时色坐标x和y满足指定要求。

由于这种Gamma调整要求所对应的寄存器值搜索和优化实际上是一个多 约束条件下的多参数优化问题，传统梯度下降优化方法能满足调整精度要求， 但耗时一般较长，而且在低亮度以及环境噪声较大(如画面驱动装置及光学探 测装置精度不够)情况下较难达到收敛标准。在现有关于AMOLED显示模组的 Gamma调校方法中，存在基于深度学习对AMOLED显示屏的Gamma参数进行 调校的方案，但是由于在调校过程中或是不能很好处理序列的数据样本信息， 或是由于网络结构复杂，参数众多，计算耗时。综上所述，现有技术中的AMOLED 显示屏存在Gamma调校过程较为复杂以及耗时的问题。

发明内容

为了解决现有技术存在的问题，本发明提供了一种基于GRU-CNN组合模 型的快速Gamma调校方法。

本发明是这样实现的，基于GRU-CNN组合模型的快速Gamma调校方法， 所述基于GRU-CNN组合模型的快速Gamma调校方法包括以下步骤：

步骤一、选取多个灰阶序列组成由多个绑点初始向量组成的输入绑点队列；

步骤二、建立GRU网络，以获得输入绑点队列之间的序列特征；

步骤三、建立CNN网络，以获得输入绑点的初始向量的局部特征；

步骤四、样本模组输入到建立好的组合模型中，获得训练好的组合模型， 并进行RGB寄存器的初始值预测；

步骤五、GRU-CNN组合模型有效性评价。

在一个实施例中，选取多个灰阶序列组成由多个绑点初始向量组成的输入 绑点队列的步骤包括：模组的输入绑点、颜色坐标及亮度值，组合模型的输出 绑点预测向量包括输出绑点及RGB寄存器的值；

建立GRU网络，以获得输入绑点队列之间的序列特征的步骤包括：

2.1、GRU网络的建立；GRU网络是LSTM网络的变体，GRU网络是由 更新门z_t和重置门r_t构成，更新门z_t是将LSTM网络结构中遗忘门和输入门合 并得到；