【技术实现步骤摘要】
本专利技术涉及led显示屏校正，尤其涉及一种led显示屏的亮度色度校正方法及系统。
技术介绍
1、目前，在现代显示技术中，led显示屏已成为室内外显示的重要应用，但由于环境光的动态变化，其亮度和色度的稳定性受到极大影响。例如，环境光在不同时间或位置变化会导致显示效果的显著波动，进而影响用户的观看舒适度。此外，led组件自身存在的亮度和色度差异，也会引起显示不均匀等问题。
2、在一种现有技术中，采用环境光传感器来检测周围的光照强度，并通过亮度自动调节算法来补偿显示效果，以提高屏幕的可读性和用户体验。这种技术依赖单一补偿系数，将环境光强度转化为led显示屏的亮度调整量，在一定程度上能缓解环境光对显示效果的影响。
3、但是，现有技术存在依赖单一补偿系数的计算方式无法动态适应光照条件的多变特性，从而缺乏对显示屏亮度和色度实时精确控制的问题。在多变和复杂的环境光条件下，现有系统无法实时地自动调节显示屏的亮度和色度，难以保持显示效果的稳定性和一致性。
技术实现思路
1、本专利技术提供了一种led显示屏的亮度色度校正方法及系统，以实现减少环境光对显示效果的影响，提高显示效果的稳定性和一致性。
2、第一方面，为了解决上述技术问题，本专利技术提供了一种led显示屏的亮度色度校正方法，包括：
3、获取环境光数据和led显示屏的原始亮度色度数据；
4、对所述环境光数据进行预处理操作，得到环境光标准化数据；
5、将所述原始亮度色度数据
6、将所述亮度色度校正系数矩阵和所述原始亮度色度数据输入到预先训练完成的显示校正优化模型中，得到校正指令；
7、将所述校正指令发送给led显示屏以调整led显示屏亮度和色度。
8、在一种可选的实施方式中，所述环境光深度补偿模型的训练过程包括：
9、基于led显示屏在不同环境光照条件下的亮度响应、色度响应和led显示屏在理想环境下的亮度和色度数据构建卷积神经网络模型，对所述卷积神经网络模型进行训练；
10、当训练次数大于或等于预设的最大训练次数时，或者当所述卷积神经网络模型的损失函数值小于预设的损失阈值时，判定训练完成，将训练完成的所述卷积神经网络模型作为环境光深度补偿模型。
11、在一种可选的实施方式中，所述显示校正优化模型的训练过程包括：
12、基于历史环境光特征参数、历史led显示屏原始亮度色度数据、理想显示效果标准参数和历史校正指令数据构建非局部神经网络模型，对所述非局部神经网络模型进行训练；
13、当训练次数大于或等于预设的最大训练次数时，或者当所述非局部神经网络模型的损失函数值小于预设的损失阈值时，判定训练完成，将训练完成的所述非局部神经网络模型作为显示校正优化模型。
14、在一种可选的实施方式中，所述获取环境光数据之前，包括：
15、当环境满足预设的复杂环境条件下的触发条件时，启动新的传感器，或调整现有传感器的检测范围。
16、在一种可选的实施方式中，所述将所述原始亮度色度数据和所述环境光标准化数据，输入到预先训练完成的环境光深度补偿模型中，得到亮度色度校正系数矩阵，包括：
17、通过以下公式得到亮度色度校正系数矩阵：
18、，
19、，
20、，
21、其中，为亮度校正系数，为控制原始亮度在整体亮度调整中所占比例的系数，为平衡常数，和分别表示led显示屏的原始亮度和色度数据，和分别表示环境光标准化后的亮度和色度数据，为色度调整系数，为色度调节增益系数，为小量常数，表示亮度色度校正系数矩阵。
22、在一种可选的实施方式中，所述将所述亮度色度校正系数矩阵和所述原始亮度色度数据输入到预先训练完成的显示校正优化模型中，得到校正指令，包括：
23、所述校正指令包括电流大小调整值和pwm大小调整值；
24、通过以下公式得到校正指令：
25、，
26、；
27、其中，为电流大小调整值，为pwm大小调整值，为亮度色度校正系数矩阵，为原始亮度色度数据矩阵，，其中，和分别表示led显示屏的原始亮度和色度数据，和分别为亮度和色度的非线性校正系数，和分别为亮度和色度的偏移量，和分别为环境光亮度校正因子和环境光色度校正因子。
28、在一种可选的实施方式中，所述将所述校正指令发送给led显示屏以调整led显示屏亮度和色度之后，所述方法还包括：
29、根据环境光传感器和亮度色度传感器进行持续监测操作，获取新的环境光数据和当前显示的亮度色度数据；
30、当所述新的环境光数据变化大于预设稳定阈值时，将所述新的环境光数据和所述当前显示的亮度色度数据输入到环境光深度补偿模型和显示校正优化模型中，生成新的校正指令；
31、当所述新的环境光数据变化小于预设稳定阈值时，则维持当前显示状态，不进行新的校正指令生成。
32、第二方面，本专利技术提供了一种led显示屏的亮度色度校正系统，包括：
33、数据获取模块，用于获取环境光数据和led显示屏的原始亮度色度数据；
34、数据处理模块，用于对所述环境光数据进行预处理操作，得到环境光标准化数据；
35、系数生成模块，用于将所述原始亮度色度数据和所述环境光标准化数据，输入到预先训练完成的环境光深度补偿模型中，得到亮度色度校正系数矩阵；
36、指令生成模块，用于将所述亮度色度校正系数矩阵和所述原始亮度色度数据输入到预先训练完成的显示校正优化模型中，得到校正指令；
37、显示校正模块，用于将所述校正指令发送给led显示屏以调整led显示屏亮度和色度。
38、第三方面，本专利技术还提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的led显示屏的亮度色度校正方法。
39、第四方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的led显示屏的亮度色度校正方法。
40、相比于现有技术，本专利技术具有如下有益效果：
41、本专利技术通过获取环境光数据和led显示屏的原始亮度色度数据，进行预处理生成环境光标准化数据，并利用预先训练的环境光深度补偿模型和显示校正优化模型，分别获得亮度色度校正系数矩阵和校正指令，实现对led显示屏亮度和色度的自动调整。所采用的卷积神经网络与非局部神经网络模型，基于大量历史数据训练，具备在不同环境光条件下的良好泛化能力和预测精度，解决了传统单一补偿系数无法应对复杂光照条件的问题。本专利技术不仅能够实时动本文档来自技高网...
【技术保护点】
1.一种LED显示屏的亮度色度校正方法，其特征在于，包括：
2.根据权利要求1所述的LED显示屏的亮度色度校正方法，其特征在于，所述环境光深度补偿模型的训练过程包括：
3.根据权利要求1所述的LED显示屏的亮度色度校正方法，其特征在于，所述显示校正优化模型的训练过程包括：
4.根据权利要求1所述的LED显示屏的亮度色度校正方法，其特征在于，所述获取环境光数据之前，包括：
5.根据权利要求1所述的LED显示屏的亮度色度校正方法，其特征在于，所述将所述原始亮度色度数据和所述环境光标准化数据，输入到预先训练完成的环境光深度补偿模型中，得到亮度色度校正系数矩阵，包括：
6.根据权利要求1所述的LED显示屏的亮度色度校正方法，其特征在于，所述将所述亮度色度校正系数矩阵和所述原始亮度色度数据输入到预先训练完成的显示校正优化模型中，得到校正指令，包括：
7.根据权利要求1所述的LED显示屏的亮度色度校正方法，其特征在于，所述将所述校正指令发送给LED显示屏以调整LED显示屏亮度和色度之后，所述方法还包括：
8.
9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的LED显示屏的亮度色度校正方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的LED显示屏的亮度色度校正方法。
...【技术特征摘要】
1.一种led显示屏的亮度色度校正方法，其特征在于，包括：
2.根据权利要求1所述的led显示屏的亮度色度校正方法，其特征在于，所述环境光深度补偿模型的训练过程包括：
3.根据权利要求1所述的led显示屏的亮度色度校正方法，其特征在于，所述显示校正优化模型的训练过程包括：
4.根据权利要求1所述的led显示屏的亮度色度校正方法，其特征在于，所述获取环境光数据之前，包括：
5.根据权利要求1所述的led显示屏的亮度色度校正方法，其特征在于，所述将所述原始亮度色度数据和所述环境光标准化数据，输入到预先训练完成的环境光深度补偿模型中，得到亮度色度校正系数矩阵，包括：
6.根据权利要求1所述的led显示屏的亮度色度校正方法，其特征在于，所述将所述亮度色度校正系数矩阵和所述原始亮度色度数据输...
【专利技术属性】
技术研发人员：张君，
申请(专利权)人：深圳鑫亿光科技有限公司，
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。