一种基于LSTM神经网络的模组Gamma调节方法技术

本发明专利技术公开了一种基于LSTM神经网络的模组Gamma调节方法，包括如下步骤：获取训练好的LSTM神经网络；LSTM神经网络的输入绑点队列包括多个绑点初始向量，绑点初始向量包括输入绑点及其Gamma调节值；LSTM神经网络的输出绑点队列包括一个或多个输出绑点预测向量，输出绑点预测向量包括输出绑点及其Gamma调节预测初值；获取待调制模组的当前输入绑点队列，利用训练好的LSTM神经网络获取待调制模组的当前输出绑点队列，利用当前输出绑点的Gamma调节预测初值对待调制模组的当前输出绑点进行Gamma调节，通过利用LSTM神经网络获得Gamma调节预测初值，从而提高Gamma调节预测初值的精度。

A method of module gamma adjustment based on LSTM neural network

【技术实现步骤摘要】
一种基于LSTM神经网络的模组Gamma调节方法
本专利技术属于模组调节领域，具体涉及一种基于LSTM神经网络的模组Gamma调节方法。
技术介绍
有机发光二极管（OrganicLight-EmittingDiode,OLED）显示屏又称有机电激发光显示屏。随着OLED制造工艺的发展，其量产规模越来越大，单批次屏体的总量也随之增大。与传统的薄膜晶体管液晶显示屏（TFT-LCD）相比，OLED具有自发光性、广视角、高对比、低耗电、高反应速率、全彩化及制程简单等优点。OLED的基本结构是由一薄而透明具半导体特性之铟锡氧化物(ITO)，与电力之正极相连，再加上另一个金属阴极，包成三明治的结构。当电力供应至适当电压时，空穴材料和电子材料分别释放空穴和电子，两者结合产生量子跃迁并伴随产生特定波长的光子群，从而产生光亮。可以通过选择不同的空穴材料和电子材料，让其产生红、绿、蓝RGB三基色对应的波长，构成基本RGB三原色。OLED的色域要大于LCD。在OLED屏体制造完成后，一般需要经过多个检测工序，所有检测工序构成了检测线，其中首当其冲的工序就是GammaTuning，其校调的精度和速度直接影响后面的工序，例如IRdrop、AOI、Demura等，所以一个高精度，且收敛快速的GammaTuning算法是至关重要的。GammaTuning的目的有两个：其一为保证OLED正中心亮度lv和Graylevel曲线（横坐标Graylevel，纵坐标lv）符合指数为2.2的指数曲线；其二为保证OLED中心点的色坐标x、y满足白平衡以防止显示屏出现色偏。GammaTuning通常会调节多个Band。在Gamma调节过程中，对于客户要求的各个Band下的各个绑点，都必须满足显示要求。为了可以对每个绑点的lv、x、y进行校调，IC厂商都在屏体IC芯片上面预留了Gamma校调模块以便对制造有差异的屏体进行GammaTuning。对于每一个需要校正的绑点，厂商在IC上面预留了rgb三个寄存器，通过调节此三个寄存器可以调节红绿蓝三色光的亮度和相对比例，以便能完成对屏体lv、x、y的校调。现阶段初值预测算法基于loglog线性插值，其通过最近调好的两个绑点进行绑点预测，其能够非常稳定地对初值进行预测，且平均预测精度可观，然而其上限却不高，尽管能够稳定地预测同一个模式下从最高灰阶（255灰阶）开始计算起的后续7-8个常灰阶绑点，却无法在接下来的低灰阶的预测精度上面有更进一步的提升，原因说明如下：对于OLED，大量工程实践表明，随着调节绑点的灰阶由高降低，灰阶-寄存器曲线在对数空间中开始由平滑的近似直线变为曲折线，图1和图2分别为模组在正常坐标空间和对数空间的每个绑点的寄存器Gamma调节值随灰阶变化的示意图，其中图1为正常坐标空间，图2为对数空间，由图2可以看出，在高灰阶下的曲线非常平滑（曲线右上侧），而且在局部曲线近似为一条直线，利用简单的插值法就可以达到较好的效果。然而当灰阶渐渐降低，曲线开始表现出非线性的特性，导致简单的插值法在这几个低灰阶点上预测准确度降低，因此需要一种更加精准的方式来改善低灰阶下面的初值预测。实验证明，若是一条流水线的屏体数量不是特别多（小于500块），传统方式是一种有效的初值预测方式，然而当屏体数量进一步加大时，此方式的精度没有特别明显的改善。换言之，传统初值算法并没有利用已经调节好的屏体寄存器的历史信息进一步提高精度。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于LSTM神经网络的模组Gamma调节方法，其通过获取LSTM神经网络，通过利用LSTM神经网络获得Gamma调节预测初值，从而提高Gamma调节预测初值的精度。为实现上述目的，按照本专利技术的一个方面，提供了一种基于LSTM神经网络的模组Gamma调节方法，包括如下步骤：S1.利用样本模组对LSTM神经网络进行训练，以获取训练好的LSTM神经网络；LSTM神经网络的输入为由多个绑点初始向量组成的输入绑点队列，绑点初始向量包括输入绑点及其Gamma调节值；LSTM神经网络的输出绑点队列包括一个或多个输出绑点预测向量，输出绑点预测向量包括输出绑点及其Gamma调节预测初值；S2.获取待调制模组的当前输入绑点队列，利用训练好的LSTM神经网络获取待调制模组的当前输出绑点队列，利用当前输出绑点的Gamma调节预测初值对待调制模组的当前输出绑点进行Gamma调节获得Gamma调节值；S3.利用当前输出绑点队列更新当前输入绑点队列以生成下一输入绑点队列，重复步骤S2，直至完成待调制模组的所有绑点的Gamma调节。作为本专利技术的进一步改进，任一调节模式下，利用样本模组对LSTM神经网络进行训练，以获取所述调节模式下训练好的LSTM神经网络，利用所述调节模式下训练好的LSTM神经网络对待调制模组绑点进行初值预测。作为本专利技术的进一步改进，步骤S3中的利用当前输出绑点队列更新当前输入绑点队列以生成下一输入绑点队列替换为：利用输出绑点及其Gamma调节值更新当前输入绑点队列以生成下一输入绑点队列。作为本专利技术的进一步改进，利用当前输出绑点的Gamma调节值和Gamma调节预测初值生成当前输出绑点的损失函数，利用当前输出绑点的损失函数对LSTM神经网络的权重系数进行优化，以得到训练好的LSTM神经网络。作为本专利技术的进一步改进，将多个样本模组作为一个样本组对LSTM神经网络进行训练，利用样本组的总体损失函数对LSTM神经网络的权重系数进行调节，总体损失函数为所述样本组的所有样本模组的损失函数之和。作为本专利技术的进一步改进，当前输出绑点的损失函数为：当前输出绑点的Gamma调节值和Gamma调节预测初值的欧式距离值。作为本专利技术的进一步改进，当前输出绑点的损失函数为：任一寄存器的Gamma调节值和Gamma调节预测初值之间差值的绝对值之和。作为本专利技术的进一步改进，绑点的调制顺序为：绑点的灰阶值由高至低，其中，前N个绑点利用常规Gamma初值预测方法进行调节，其余绑点利用所述基于LSTM神经网络的模组Gamma调节方法进行调节。作为本专利技术的进一步改进，将Gamma调节后的待调制模组作为新的样本模组，更新LSTM神经网络的权重系数。为实现上述目的，按照本专利技术的另一个方面，提供了一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：本专利技术的一种基于LSTM神经网络的模组Gamma调节方法，其通过获取对应的LSTM神经网络，通过利用单LSTM网络获得Gamma调节预测初值，其充分利用LSTM的长短期选择记忆特性，向网络中输入最近调节的绑点历史信息，输出当前绑点的精准预测值，从而提高Gamma调节预测初值的精度，克服当前初值预测方案虽然稳定但是上限不高、利用历史信息不充分的缺点。本专利技术的一种基于L本文档来自技高网...

【技术保护点】
1.一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，包括如下步骤：/nS1.利用样本模组对LSTM神经网络进行训练，以获取训练好的LSTM神经网络；所述LSTM神经网络的输入为由多个绑点初始向量组成的输入绑点队列，所述绑点初始向量包括输入绑点及其Gamma调节值；所述LSTM神经网络的输出绑点队列包括一个或多个输出绑点预测向量，所述输出绑点预测向量包括输出绑点及其Gamma调节预测初值；/nS2.获取待调制模组的当前输入绑点队列，利用训练好的LSTM神经网络获取待调制模组的当前输出绑点队列，利用当前输出绑点的Gamma调节预测初值对待调制模组的当前输出绑点进行Gamma调节获得Gamma调节值；/nS3.利用所述当前输出绑点队列更新所述当前输入绑点队列以生成下一输入绑点队列，重复步骤S2，直至完成待调制模组的所有绑点的Gamma调节。/n

【技术特征摘要】
1.一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，包括如下步骤：
S1.利用样本模组对LSTM神经网络进行训练，以获取训练好的LSTM神经网络；所述LSTM神经网络的输入为由多个绑点初始向量组成的输入绑点队列，所述绑点初始向量包括输入绑点及其Gamma调节值；所述LSTM神经网络的输出绑点队列包括一个或多个输出绑点预测向量，所述输出绑点预测向量包括输出绑点及其Gamma调节预测初值；
S2.获取待调制模组的当前输入绑点队列，利用训练好的LSTM神经网络获取待调制模组的当前输出绑点队列，利用当前输出绑点的Gamma调节预测初值对待调制模组的当前输出绑点进行Gamma调节获得Gamma调节值；
S3.利用所述当前输出绑点队列更新所述当前输入绑点队列以生成下一输入绑点队列，重复步骤S2，直至完成待调制模组的所有绑点的Gamma调节。


2.根据权利要求1所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，任一调节模式下，利用样本模组对LSTM神经网络进行训练，以获取所述调节模式下训练好的LSTM神经网络，利用所述调节模式下训练好的LSTM神经网络对待调制模组绑点进行初值预测。


3.根据权利要求1或2所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，步骤S3中的利用所述当前输出绑点队列更新所述当前输入绑点队列以生成下一输入绑点队列替换为：利用输出绑点及其Gamma调节值更新所述当前输入绑点队列以生成下一输入绑点队列。


4.根据权利要求1或2所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，利用当前输出绑点的Gamma调节值和Gamma调节预测初值生成当前输出绑...

【专利技术属性】
技术研发人员：詹东旭，王安妮，张胜森，郑增强，
申请(专利权)人：武汉精立电子技术有限公司，武汉精测电子集团股份有限公司，
类型：发明
国别省市：湖北;42