本申请公开了一种显示面板补偿方法、装置、设备及存储介质。显示面板补偿方法包括：获取显示面板在当前时刻的显示参数，显示参数包括显示面板的子像素在当前时刻的灰阶以及目标参数，目标参数包括显示面板在当前时刻的亮度挡位、刷新率、温度中的至少一者；将显示参数输入预先训练的神经网络模型中，得到子像素在当前时刻的当前衰退效率；根据当前衰退效率以及子像素的累计点亮时长，确定子像素的补偿值；基于补偿值补偿子像素的亮度。根据本申请实施例，有利于提高补偿效果。有利于提高补偿效果。有利于提高补偿效果。
【技术实现步骤摘要】
显示面板补偿方法、装置、设备及存储介质
[0001]本申请涉及显示
，具体涉及一种显示面板补偿方法、装置、设备及存储介质。
技术介绍
[0002]有机发光二极管(Organic Light
‑
Emitting Diode，OLED)显示面板为目前受到广泛应用的一种自发光型平面显示面板，OLED显示面板是以有机发光材料作为其红色子像素(Sub
‑
pixel)、绿色子像素、蓝色子像素，而一个子像素被长时间、高亮度点亮的情况下，有机发光材料会因老化而导致其发光效率降低，使该子像素在相同的驱动电流下无法显示指定的亮度，由于各个像素的老化程度存在差异，最终导致OLED面板出现亮度不均匀性和色度不均匀性。
[0003]去老化(DeBurn in，DBI)表示消除老化导致的亮度显示不均，相关技术中可通过OLED老化模型对OLED器件进行亮度补偿。专利技术人研究发现，子像素的老化程度与多种因素相关，使用单一的老化模型无法应对复杂的亮度衰减变化，导致实际的补偿效果并不理想。
技术实现思路
[0004]本申请实施例提供一种显示面板补偿方法、装置、设备及存储介质，有利于提高补偿效果。
[0005]第一方面，本申请实施例提供一种显示面板补偿方法，该方法包括：获取显示面板在当前时刻的显示参数，显示参数包括显示面板的子像素在当前时刻的灰阶以及目标参数，目标参数包括显示面板在当前时刻的亮度挡位、刷新率、温度中的至少一者；将显示参数输入预先训练的神经网络模型中，得到子像素在当前时刻的当前衰退效率；根据当前衰退效率以及子像素的累计点亮时长，确定子像素的补偿值；基于补偿值补偿子像素的亮度。
[0006]在第一方面一种可能的实施方式中，在将显示参数输入预先训练的神经网络模型中，得到衰退效率之前，方法还包括：
[0007]获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括灰阶、目标参数及训练样本中子像素的实际衰退效率；
[0008]利用训练样本训练预设的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型。
[0009]在第一方面一种可能的实施方式中，训练样本集包括N*M1*M2*M3*M4个训练样本，其中，M1表示灰阶的数量，M2表示亮度挡位的数量，M3表示刷新率的数量，M4表示温度的数量，N表示子像素的数量，每个训练样本包括一个亮度衰减值，亮度衰减值为训练样本中的子像素点亮第一时长后的亮度衰减值；
[0010]每个训练样本中子像素的实际衰退效率为训练样本中的亮度衰减值与N*M1*M2*M3*M4个亮度衰减值中最大的亮度衰减值的比值。
[0011]在第一方面一种可能的实施方式中，在获取训练样本集之前，方法还包括：
[0012]对每个训练样本，分别执行以下步骤：
[0013]在基准显示参数下点亮训练样本中的子像素，并获取第一亮度，所述基准显示参数包括基准灰阶以及基准目标参数；
[0014]按照训练样本的灰阶以及目标参数，点亮训练样本中的子像素；
[0015]在训练样本中的子像素点亮第一时长后，在基准显示参数下点亮训练样本中的子像素，并获取第二亮度；
[0016]根据第二亮度与第一亮度的差值，确定训练样本的亮度衰减值；
[0017]优选的，基准目标参数包括基准亮度挡位、基准刷新率、基准温度中的至少一者。
[0018]在第一方面一种可能的实施方式中，利用训练样本训练预设的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型，具体包括：
[0019]对每个训练样本，分别执行以下步骤：
[0020]将训练样本的灰阶、目标参数输入至预设的神经网络模型中，得到预测衰退效率；
[0021]根据预测衰退效率和实际衰退效率，确定预设的神经网络模型的损失函数值；
[0022]在损失函数值不满足训练停止条件的情况下，调整预设的神经网络模型中隐藏层的权重系数，并利用训练样本集训练系数调整后的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型。
[0023]在第一方面一种可能的实施方式中，隐藏层的数量大于等于2。
[0024]在第一方面一种可能的实施方式中，根据当前衰退效率以及子像素的累计点亮时长，确定子像素的补偿值，包括：
[0025]根据子像素在累计点亮时长内多个第二时长对应的衰退效率，确定累计衰退效率；
[0026]根据当前衰退效率和累计衰退效率，确定当前衰退总效率；
[0027]根据当前衰退总效率，确定子像素的补偿值。
[0028]在第一方面一种可能的实施方式中，在根据当前衰退效率和累计衰退效率，确定当前衰退总效率之后，方法还包括：
[0029]将当前衰退总效率作为更新后的累计衰退效率。
[0030]在第一方面一种可能的实施方式中，根据当前衰退总效率，确定子像素的补偿值，包括：
[0031]根据子像素在当前时刻的灰阶对应的老化补偿表，确定当前衰退总效率对应的补偿值，老化补偿表包括多个衰退总效率与多个补偿值的对应关系。
[0032]在第一方面一种可能的实施方式中，在根据子像素在当前时刻的灰阶对应的老化补偿表，确定当前衰退总效率对应的补偿值之前，方法还包括：
[0033]对于任意一个衰退总效率，设置衰退总效率对应的初始补偿值；
[0034]若在初始补偿值下子像素的亮度不符合目标亮度，调整初始补偿值，直至在调整后的初始补偿值下子像素的亮度符合目标亮度，将调整后的初始补偿值作为衰退总效率对应的补偿值。
[0035]在第一方面一种可能的实施方式中，补偿值包括补偿灰阶值。
[0036]在第一方面一种可能的实施方式中，补偿灰阶值随衰退总效率的增大而增大。
[0037]基于相同的专利技术构思，第二方面，本申请实施例提供一种显示面板补偿装置，该装
置包括：
[0038]数据获取模块，用于获取所述显示面板在当前时刻的显示参数，所述显示参数包括所述显示面板的子像素在所述当前时刻的灰阶以及目标参数，所述目标参数包括所述显示面板在所述当前时刻的亮度挡位、刷新率、温度中的至少一者；
[0039]效率确定模块，用于将所述显示参数输入预先训练的神经网络模型中，得到所述子像素在所述当前时刻的当前衰退效率；
[0040]补偿确定模块，用于根据所述当前衰退效率以及所述子像素的累计点亮时长，确定所述子像素的补偿值；
[0041]补偿模块，用于基于所述补偿值补偿所述子像素的亮度。
[0042]基于相同的专利技术构思，第三方面，本申请实施例提供一种处理器以及存储有计算机程序指令的存储器，处理器执行所述计算机程序指令时实现如第一方面中任意一项实施例所述的显示面板补偿方法。
[0043]基于相同的专利技术构思，第四方面，本申请实施例提供一种所述计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如第一方面中任意一项实施例所述的显示面板补偿方法本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种显示面板补偿方法，其特征在于，所述方法包括：获取所述显示面板在当前时刻的显示参数，所述显示参数包括所述显示面板的子像素在所述当前时刻的灰阶以及目标参数，所述目标参数包括所述显示面板在所述当前时刻的亮度挡位、刷新率、温度中的至少一者；将所述显示参数输入预先训练的神经网络模型中，得到所述子像素在所述当前时刻的当前衰退效率；根据所述当前衰退效率以及所述子像素的累计点亮时长，确定所述子像素的补偿值；基于所述补偿值补偿所述子像素的亮度。2.根据权利要求1所述的方法，其特征在于，在所述将所述显示参数输入预先训练的神经网络模型中，得到衰退效率之前，所述方法还包括：获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括灰阶、目标参数及所述训练样本中的子像素的实际衰退效率；利用所述训练样本训练预设的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述训练样本集包括N*M1*M2*M3*M4个训练样本，其中，M1表示灰阶的数量，M2表示亮度挡位的数量，M3表示刷新率的数量，M4表示温度的数量，N表示子像素的数量，每个所述训练样本包括一个亮度衰减值，所述亮度衰减值为所述训练样本中子像素点亮第一时长后的亮度衰减值；每个所述训练样本中子像素的实际衰退效率为所述训练样本中的亮度衰减值与N*M1*M2*M3*M4个亮度衰减值中最大的亮度衰减值的比值。4.根据权利要求3所述的方法，其特征在于，在所述获取训练样本集之前，所述方法还包括：对每个训练样本，分别执行以下步骤：在基准显示参数下点亮所述训练样本中的子像素，并获取第一亮度，所述基准显示参数包括基准灰阶以及基准目标参数；按照所述训练样本的灰阶以及目标参数，点亮所述训练样本中的子像素；在所述训练样本中的子像素点亮所述第一时长后，在所述基准显示参数下点亮所述训练样本中的子像素，并获取第二亮度；根据所述第二亮度与所述第一亮度的差值，确定所述训练样本的亮度衰减值；优选的，所述基准目标参数包括基准亮度挡位、基准刷新率、基准温度中的至少一者。5.根据权利要求2所述的方法，其特征在于，所述利用所述训练样本训练预设的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型，具体包括：对每个训练样本，分别执行以下步骤：将所述训练样本的灰阶、目标参数输入至所述预设的神经网络模型中，得到预测衰退效率；根据所述预测衰退效率和所述实际衰退效率，确定所述预设的神经网络模型的损失函数值；在所述损失函数值不满足训练停止条件的情况下，调整所述预设的神经网络模型...
【专利技术属性】
技术研发人员：唐斐，金玟徹，朱修剑，
申请(专利权)人：昆山国显光电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。