【技术实现步骤摘要】
本专利技术涉及电子纸显示，特别是涉及一种基于机器视觉辅助的电子纸驱动波形调试方法及装置。
技术介绍
1、在电子纸显示
，电泳电子纸因其具有类似于纸张的阅读体验、低功耗和可视角度广等优点而受到广泛关注。电泳电子纸的显示原理主要基于微胶囊或微杯中的带电粒子，在外加电场的作用下发生电泳现象，从而在空间中迁移形成图像。这一过程所需的电压时间序列，即驱动波形，是实现电子纸显示的核心要素。
2、目前，电子纸的驱动波形开发依赖于人工调试。由于电泳粒子的运动特性和微胶囊或微杯的结构特点，每批新生产的电子纸模组在显示效果上可能存在差异。这些差异要求技术人员对每个批次的模组进行波形调整，以确保产品显示效果的一致性和可靠性。
3、然而，在传统的调试过程中，人工调试过程中很多因素不可把控，调试步骤繁琐，需要进行反复调试，通过机器学习辅助电子纸驱动波形调试，从而有效提高调试波形的效率。
技术实现思路
1、为了配合电子纸的驱动波形调试，本方法提出了一种基于机器学习辅助的电子纸驱动波形调试方法及装置。该方法基于机器学习的图形检测识别技术，可以完成对电子纸驱动波形调试后的显示效果进行客观、精确的检测识别和给出准确的结果和建议。解决人工调试存在效率低下、容易出错和难以实现标准化，进而帮助提高电子纸驱动波形调试的效率和准确率。
2、为此，本专利技术采用以下技术方案：
3、本专利技术公开了一种基于机器学习辅助的电子纸驱动波形调试方法，所述方法包括：
4、
5、s2：主控板接收各项参数和波形数据，图像采集仪器对电子纸膜片进行图像采集并记录相应数据；
6、s3：图像采集仪器上传采集的图像，并在上位机列表中显示；
7、s4：判断波形是否测试完毕，若是，则结束；若不是，则返回s1；
8、s5：搭建并训练电子纸检测评估模型，并将采集到的图像通过上位机输入预先训练好的电子纸检测评估模型中；所述电子纸检测评估模型为改进的yolov5网络，所述改进包括：设计了包括两个卷积层、两个下采样层和四个全连接层的卷神经网络模型，将电纸纸图像批量归一化；将yolov5的两个残差网络模块替换为两个密集网络模块；选取relu作为激活函数，maxpooling作为下采样方式，并使用softmax回归分类器训练并优化卷神经网络；所述评估结果包括：确认显示效果，并测量单色光学值；
9、s6：通过电子评估模型纸模型对电子纸的驱动波形调试后的结果进行评估，提供评估结果给到测试人员，以辅助测试人员对调试结果进行判断并推荐能够解决对应问题的波形。
10、进一步地，所述方法还包括：
11、s7：当一组电子纸调试结束后，将测试过程中产生的数据通过上位机上传到电子纸检测评估模型，为电子纸检测评估模型进行迭代训练提供数据。
12、进一步地，搭建电子纸检测评估模型，包括：
13、获取多幅电子纸屏幕图像以及对应各种显示效果确认项的值，对所述电子纸屏幕图像进行处理；
14、将每张电子纸屏幕图像输入到预设的改进的yolov5网络中的卷积神经网络，将电子纸图像批量归一化，选取relu作为激活函数，maxpooling作为下采样方式，并使用softmax回归分类器训练并优化卷积神经网络，再进行预处理后的图像的特征提取；其中，改进的yolov5网络中的卷积神经网络包括：两个卷积层、两个下采样层和四个全连接层；
15、利用改进的yolov5网络对电子纸进行检测，首先使用k-means算法对电子纸波形缺陷数据进行聚类分析，再将yolov5的两个残差网络模块替换为两个密集网络模块，解决深度特征训练中的梯度消失现象；
16、将每张电子纸屏幕图像特征和其对应的显示效果确认项的阈值依次输入到训练网络中进行训练，得到训练好的电子纸检测评估模型。
17、进一步地，所述数据处理包括：图像预处理、图像滤波、图像增强、图像分割和数学形态学处理，最后通过缺陷识别算法来判断电子纸的问题。
18、进一步地，所述图像预处理包括：去除图像中的干扰，降低图像噪声，凸显图像的特征信息，校正图形的形状。
19、进一步地，所述显示效果确认项至少包括：corner mura、blooming、crosstalk和border。
20、本专利技术还公开了一种基于机器学习辅助的电子纸驱动波形调试装置，所述装置包括：
21、信息设置模块，在上位机中设置电子纸的各项参数信息和使用的波形数据；
22、图像采集模块，主控板接收各项参数和波形数据，图像采集仪器对电子纸膜片进行图像采集并记录相应数据，图像采集仪器上传采集的图像，并在上位机列表中显示；
23、模型搭建模块，搭建并训练电子纸检测评估模型，并将采集到的图像通过上位机输入预先训练好的电子纸检测评估模型中；所述电子纸检测评估模型为改进的yolov5网络，所述改进包括：设计了包括两个卷积层、两个下采样层和四个全连接层的卷神经网络模型，将电纸纸图像批量归一化；将yolov5的两个残差网络模块替换为两个密集网络模块；选取relu作为激活函数，maxpooling作为下采样方式，并使用softmax回归分类器训练并优化卷神经网络；所述评估结果包括：确认显示效果，并测量单色光学值；
24、波形调试模块，通过电子评估模型纸模型对电子纸的驱动波形调试后的结果进行评估，提供评估结果给到测试人员，以辅助测试人员对调试结果进行判断并推荐能够解决对应问题的波形。
25、本专利技术的优点和积极效果：本专利技术提出了一种基于机器视觉辅助的电子纸驱动波形调试方法，基于机器视觉的图像检测识别技术，可以完成对电子纸显示效果精确的识别检测。检测结果客观，不在完全依赖研发人员和质检人员用人眼来评估，调试使用的设备简单精确，评估方法简单易行。
本文档来自技高网...【技术保护点】
1.一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，搭建电子纸检测评估模型，包括：
4.根据权利要求1所述的一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，所述数据处理包括：图像预处理、图像滤波、图像增强、图像分割和数学形态学处理，最后通过缺陷识别算法来判断电子纸的问题。
5.根据权利要求1所述的一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，所述图像预处理包括：去除图像中的干扰，降低图像噪声，凸显图像的特征信息，校正图形的形状。
6.根据权利要求3所述的一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，所述显示效果确认项至少包括：Corner mura、blooming、crosstalk和border。
7.一种基于机器学习辅助的电子纸驱动波形调试装置，其特征在于，所述装置
...【技术特征摘要】
1.一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，搭建电子纸检测评估模型，包括：
4.根据权利要求1所述的一种基于机器学习辅助的电子纸驱动波形调试方法，其特征在于，所述数据处理包括：图像预处理、图像滤波、图像增强、图像分割和数学形态学处理，最后通过缺陷识...
【专利技术属性】
技术研发人员：邵林，吕全，冯磊，
申请(专利权)人：大连龙宁科技有限公司，
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。