一种基于深度学习的电子拼接屏智能诊断方法及系统技术方案

本发明专利技术涉及显示技术领域，公开了一种基于深度学习的电子拼接屏智能诊断方法及系统，采集电子拼接屏的图像数据、传感器数据及用户反馈数据；通过ResNet‑50网络对图像数据进行多尺度特征提取，得到图像特征；将图像特征、传感器数据及用户反馈数据利用Transformer模型捕捉全局上下文关联，进行跨模态融合，得到融合后的特征；将融合后的特征输入SVM‑LSTM模型，通过SVM分支识别故障类型，采用LSTM网络预测硬件老化趋势，输出诊断结果，并根据诊断结果生成修复建议及预警信息；本发明专利技术将图像、传感器数据和用户反馈结合，提升故障诊断的全面性，实现对电子拼接屏故障的预测，提前采取预防措施，降低电子拼接屏故障率。

【技术实现步骤摘要】

本专利技术涉及显示，具体涉及一种基于深度学习的电子拼接屏智能诊断方法及系统。

技术介绍

1、随着超高清视频、虚拟现实和智慧城市等技术的快速发展，电子拼接屏因其大尺寸、高分辨率和可扩展性，被广泛应用于医疗影像、安防监控、会议系统等领域，然而，拼接屏在长期使用过程中，常因环境干扰、硬件老化、信号传输问题等导致以下缺陷：显示不一致：拼接区域亮度、色彩差异明显；画面错位：子屏之间的图像无法精准对齐；像素故障：屏幕出现死点、闪烁或色偏现象；动态响应延迟：高帧率内容显示时出现拖影或卡顿。

2、传统拼接屏的故障诊断依赖人工巡检或固定阈值的硬件检测，存在效率低、漏检率高、无法适应复杂场景等问题。

技术实现思路

1、本专利技术的目的是为了解决上述问题，设计了一种基于深度学习的电子拼接屏智能诊断方法及系统。

2、本专利技术第一方面提供一种基于深度学习的电子拼接屏智能诊断方法，该方法包括以下步骤：

3、采集电子拼接屏的图像数据、传感器数据及用户反馈数据；

4、通过resnet-50网本文档来自技高网...

【技术保护点】

1.一种基于深度学习的电子拼接屏智能诊断方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的一种基于深度学习的电子拼接屏智能诊断方法，其特征在于，所述ResNet-50网络的网络层数为56层，前三层卷积层的第一层卷积核大小为5×5，第二层和第三层卷积层采用分组卷积的方式，网络层数，在ResNet-50网络的每个残差块之后引入轻量级注意力机制，其中轻量级注意力机制包括通道注意力机制和空间注意力机制。

3.如权利要求2所述的一种基于深度学习的电子拼接屏智能诊断方法，其特征在于，所述通过ResNet-50网络对图像数据进行多尺度特征提取，得到图像特征，包括：<...

【技术特征摘要】

1.一种基于深度学习的电子拼接屏智能诊断方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的一种基于深度学习的电子拼接屏智能诊断方法，其特征在于，所述resnet-50网络的网络层数为56层，前三层卷积层的第一层卷积核大小为5×5，第二层和第三层卷积层采用分组卷积的方式，网络层数，在resnet-50网络的每个残差块之后引入轻量级注意力机制，其中轻量级注意力机制包括通道注意力机制和空间注意力机制。

3.如权利要求2所述的一种基于深度学习的电子拼接屏智能诊断方法，其特征在于，所述通过resnet-50网络对图像数据进行多尺度特征提取，得到图像特征，包括：

4.如权利要求1所述的一种基于深度学习的电子拼接屏智能诊断方法，其特征在于，所述将图像特征、传感器数据及用户反馈数据利用transformer模型捕捉全局上下文关联，进行跨模态融合，得到融合后的特征，包括：

5.如权利要求4所述的一种基于深度学习的电子拼接屏智能诊断方法，其特征在于，所述对三种模态向量分别添加位置编码，包括：

6.如权利...

【专利技术属性】
技术研发人员：邓艳阳，袁飞，吴杜钦，周海涛，
申请(专利权)人：深圳市丽特电子有限公司，
类型：发明
国别省市：