CN109253862B - 一种基于神经网络的色度测量方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的色度测量方法，将全部灰度值划分为若干个灰度值段；提取在不同灰度值条件下设备样本图像在目标区域内的RGB数值和XYZ数值，获取显示设备样本的RGB数据集和XYZ数据集；将显示设备样本在每个灰度值段的RGB数值集合与XYZ数值集合一一对应，形成该灰度值段的样本点；利用样本点对神经网络进行训练，依次获取对应关系转换模型的建模型池。本发明技术方案针对现有技术中由于RGB颜色空间与XYZ颜色空间的对应转换关系精度不高的问题，采用对灰度值进行分段的方式，每个灰度值分段内分别构建RGB颜色空间与XYZ颜色空间的转换关系模板，从而避免了全部灰度值只对应一个转换关系从而导致显示面板色度显示精度不够的问题。

Description

一种基于神经网络的色度测量方法

技术领域

本发明属于显示测量技术领域，具体涉及一种基于神经网络的色度测量方法。

背景技术

随着显示技术的发展，人们对显示设备品质的要求越来越高，显示设备的显色品质及色保真度也日益显得重要。所以高精度的亮度色度测量设备在显示设备的制造及检测过程中必不可少。针对目前显示设备的色度测量，目前市面上已经有比较成熟的设备，例如分光光度计和滤镜式色度计，这类色度计有很好的测量精度，但是因其测量的范围非常有限，所以成像色度计应运而生。但是，成像色度计本身也存在较大的测量。现有技术中，成像色度计通常采用的都是面阵感光芯片(CCD/CMOS)，一般CCD/CMOS的光电响应曲线与标准CIE标准观察者曲线差异很大，两者的差异是导致测量误差的根本原因，只有准确的找到CCD/CMOS光电响应曲线与CIE标准观察者曲线之间的关系才能提高成像式面阵色度计的测量精度。

为了对显示设备的色度量进行矫正，现有的技术方案中，成像色度计的色度亮度矫正的方法有多项式回归法和3D查表法，来对RGB颜色空间到XYZ颜色空间的转换关系进行拟合，即确定RGB颜色空间与XYZ颜色空间的对应关系。具体来说，现有技术中，CN201010139564公开了一种CCD式的光学品质测量装置，其中采用的是多项回归法来来实现RGB颜色空间到XYZ颜色空间的转换关系拟合。而在文献《基于查找表法的CCD数据相机特征化研究》中，采用的则是3DLUT方法。此外，在文献《一种对显示器进行精确特征化的方法》中，采用BP神经网络的方式对RGB于XYZ之间的转换关系进行拟合。

现有方案显示面板色度测量的实际应用中的误差偏大，不能达到用户的要求。具体来说，现有技术方案中仍然存在如下问题：首先，多项式回归法实际上是采用线性关系拟合RGB到XYZ之间的关系，而实际上RGB到XYZ的颜色空间的转换是一个复杂的非线性转换，线性拟合的结果误差很大。其次，3DLUT法在实际操作过程中，采集的数据并不是一个规则的立方体，这是因为屏幕亮度的变化和人眼亮度对其的响应不是一个线性变化关系，所以很难做到是一个规则均匀的立方体。这样给查表和插值带来误差，导致最终的测量误差偏大。最后，现有技术中的BP神经网络方法对一个色度测量系统都是采用一个转换模型，也就是说光谱设备在所有灰度值下使用的都是同一模型。而在实际应用中，显示设备在高灰阶和低灰阶的光谱特性并不一致，即其转换模型也应当是不同的，对于同一批次的显示面板，其光谱特性也有很大的差异。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于神经网络的色度测量方法，至少可以部分解决上述问题。本发明技术方案针对现有技术中由于RGB颜色空间与XYZ颜色空间的对应转换关系精度不高从而导致显示面板的色度显示不能达到应用需求的情况，采用对灰度值进行分段的方式，每个灰度值分段内分别构建RGB颜色空间与XYZ颜色空间的转换关系模板，从而避免了全部灰度值只对应一个转换关系从而导致显示面板色度显示精度不够的问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于神经网络的色度测量方法，其特征在于，包括，

S1将全部灰度值划分为若干个灰度值段；

S2提取在不同灰度值条件下设备样本图像在目标区域内的RGB数值，获取显示设备样本的RGB数据集；提取在不同灰度值条件下设备样本在目标区域的XYZ数值，获取显示设备样本的XYZ数据集；

S3将显示设备样本在每个灰度值段的RGB数值集合与XYZ数值集合一一对应，形成该灰度值段的样本点；

S4利用样本点对神经网络进行训练，获取每个显示设备样本在每个灰度值段内RGB数值与XYZ数值的对应关系转换模型。

作为本发明技术方案的一个优选，灰度值段可以均匀或是不均匀划分。

作为本发明技术方案的一个优选，步骤S2中，优选提取显示设备样本图像在中心区域的RGB数值。

作为本发明技术方案的一个优选，步骤S2中，优选提取设备样本在中心区域的XYZ数值。

作为本发明技术方案的一个优选，步骤S4中，显示设备在每个灰度值上的RGB数据分别与对应灰度值上的XYZ数据相对应。

作为本发明技术方案的一个优选，步骤S4中，优选利用所述样本点对BP神经网络进行训练，包括，

S41获取任意显示设备样本在任意灰度值段内的全部样本点，将所述样本点分为训练数据组和检测数据组，每个数据组中包含有当前显示设备样本在当前灰度值段的多个样本点；

S42依次将训练数据组内每个样本点的RGB数值输入神经网络，控制神经网络输出对应的XYZ数值，获取当前显示设备样本在当前灰度值段的转换模型；

S43利用检测数据组内的样本点对当前显示设备样本在当前灰度值段的初始转换模型的测量精度进行检验，符合要求则将当前转换模型纳入模型池，否则调整样本点分组获取新的训练数据组和检测数据组，进入步骤S42；

S44获取每个显示设备样本在每个灰度值段内的RGB数值与XYZ数值的对应关系转换模型，构成模型池。

按照本发明的一个方面，提供了一种权利要求1～6任一项所述基于神经网络的色度测量方法的应用，其特征在于，包括，

S5在当前灰度值条件下采集显示设备待测区域的RGB数值点；

S6在模型池中寻找与待测区域的RGB数值最接近的样本点所对应的转换模型作为目标转换模型；

S7利用转换模型将待测区域的RGB数值转换成对应的XYZ值，获得显示设备待测区域的色度值。

作为本发明技术方案的一个优选，步骤S6包括，

S61以显示设备待测区域的RGB数值点为中心，确定最小距离范围内是否存在样本点；若存在，进入步骤S62，否则进入步骤S63；

S62分别计算最小距离范围内的样本点与待测区域的RGB数值点之间的距离，确定距离最小的样本点，根据距离最小的样本点获取其所对应的转换模型；

S63将当前显示设备作为样本，将其在每个灰度值段的RGB数值集合与XYZ数值集合一一对应，形成当前显示设备的样本点；

S64利用当前显示设备的样本点对神经网络进行训练，依次获取当前显示设备在在当前灰度值段内RGB数值与XYZ数值的对应关系转换模型，加入模型池。

按照本发明的一个方面，提供了一种存储设备，其中存储有多条指令，所述指令适用于由处理器加载并执行：

S1将全部灰度值划分为若干个灰度值段；

S2提取在不同灰度值条件下设备样本图像在目标区域内的RGB数值，获取显示设备样本的RGB数据集；提取在不同灰度值条件下设备样本在目标区域的XYZ数值，获取显示设备样本的XYZ数据集；

S3将显示设备样本在每个灰度值段的RGB数值集合与XYZ数值集合一一对应，形成该灰度值段的样本点；

S4利用样本点对神经网络进行训练，依次获取每个显示设备样本在每个灰度值段内RGB数值与XYZ数值的对应关系转换模型。

按照本发明的一个方面，提供了一种终端，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行：

S1将全部灰度值划分为若干个灰度值段；

S2提取在不同灰度值条件下设备样本图像在目标区域内的RGB数值，获取显示设备样本的RGB数据集；提取在不同灰度值条件下设备样本在目标区域的XYZ数值，获取显示设备样本的XYZ数据集；

S3将显示设备样本在每个灰度值段的RGB数值集合与XYZ数值集合一一对应，形成该灰度值段的样本点；

S4利用样本点对神经网络进行训练，依次获取每个显示设备样本在每个灰度值段内RGB数值与XYZ数值的对应关系转换模型。

总体而言，通过本发明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：

1)本发明技术方案，可以按照显示设备色度测量的精度要求将全部灰度值划分为多个阶段，每个灰度值阶段对应构建一个神经网络模型，多个显示设备样本在多个灰度值阶段构建出多个神经网络模型形成模型池，利用模型池对显示设备的色度进行检测精度大大提高。

2)本发明技术方案，采用分样本及分灰阶的方式建立模型池的方式，针对每个样本在每个灰阶都有对应的模型，一方面保证了每个样本都设有对应的测量模型，另一方面，在不对检测效果带来负面影响的情况下可以根据需求扩大模型池，并且，随着模型池的扩大，检测的精度也会越来越高。

3)本发明技术方案，采用BP神经网络的方法拟合相机RGB到XYZ之间的转换关系，其中BP神经网络善于解决复杂的非线性问题，从而使得拟合的转换关系更加接近真实情况，经过多个样本在多个灰阶下的样本训练，使得利用BP神经网络的方法拟合的模型进行检测精度明显提高。

附图说明

图1是本发明技术方案的实施例中的显示面板色度测量设备；

图2是本发明技术方案的实施例中的色度测量系统标定流程图；

图3是本发明技术方案的实施例中的色度测量系统测量流程图；

图4是本发明技术方案的实施例中采用一个模型及模型池色度测量误差对比(色度x)；

图5是本发明技术方案的实施例中采用一个模型及模型池色度测量误差对比(色度y)；

图6是本发明技术方案的实施例中采用一个模型及模型池亮度测量误差对比。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。

本实施例中的色度测量方法，可以适用于多种具有色度测量需求的显示设备，

如图1所示，是本发明技术方案的实施例中对显示面板进行色度测量的设备。图1中，1是用于色度测量的相机及镜头，2是标准设备测量设备，3是Z轴滑动丝杆，4是待测试显示面板，5是待测物载台，6是X轴滑动丝杆。为了保障测量结果的准确度，本实施例中，在对显示面板的色度进行检测时，采集测量工作优选在全暗室环境下进行。进一步地，该结构中，测量色度的相机与镜头与标准色度计优选安装在X轴滑动丝杆上，可以随着丝杆左右滑动，以便先后调节相机与标准色度计的位置，使其能够准确对应待测面板的同一个区域。优选的，相机与标准色度计设备可以通过Z轴滑动丝杆上下移动，以适用于不同尺寸的显示面板。

本发明技术方案的实施例中，显示面板的色度测量过程包括下列步骤。首先是获取模型池的阶段，或者说是相机色度标定阶段，如图2所示，其中包括：

第一步：根据测量精度需求，将0-255共256个灰度阶段划分为若干个灰度值段。测量精度越高，则灰度值段划分越细，每个灰度值阶段内包含的灰度阶段越少。同时，根据测量需求，可以将256个灰度阶段等分为若干灰度值段，也可以不等分或是按照特定规则划分。进一步地，本实施例中，默认每个灰度值段内，显示面板的光谱特性是一致的，因此显示面板在当前灰度值段的任意灰度阶段内的色度测量可以共用同一个神经网络模型。

第二步：采集显示面板样本图像，获取显示面板样本图像的RGB数值。本实施例中优选利用相机对显示面板样本进行图像采集，然后从图像中提取出显示面板的RGB数值。进一步地，本实施例中，选取了至少一块显示面板作为样本，为了保证显示面板色度测量的精度，严格来说，样本数量越大越准确，本实施例中对此不作具体限制。对于显示面板样本来说，本实施例中是利用相机提取显示面板样本在不同灰度值下的样本图像，优选提取图像中心区域的RGB数值，获得一个RGB数据集。即在一个灰度值下，提取的中心区域RGB数值对应的数据，所有灰度值下中心区域的RGB数值构成一个数据集。也就是说，针对每个灰度阶段，都采集一次显示面板样本的图像，获取图像区域(本实施例中优选中心区域)的RGB数值，256个灰度阶段所对应的RGB数值共同组合形成一个数据集，数据集中的每个数据分别具有对应的灰度阶段。进一步地，根据灰度分段，数据集还可以进行进一步的划分。

第三步：获取显示面板样本的色度数据(即XYZ数值)。本实施例中，优选利用色度计获得显示面板样本的色度数据，其他可以用于获取设备样本色度数据的设备亦可。具体来说，针对每个灰度阶段分别提取显示面板样本在目标区域的色度数据，获得当前显示面板样本的色度数据集合，即XYZ数据集。也就是说，针对一个具体的显示面板样本来说，其在每个灰度阶段都有一个对应的色度数据，256个灰度阶段分别对应的色度数据共同组成当前显示面板样本的XYZ数据集(。类似的，XYZ数据集中的数据，也可以按照灰度值段的划分形成若干组数据。

第四步：将显示面板样本的RGB数据集与XYZ数据集对应起来。具体来说就是，首先按照灰度值段的划分，首先将RGB的数据集和XYZ数据集按照灰度值段划分，然后将处于同一灰度值段的RGB数值和XYZ数值按照灰度阶段对应起来，也就是一个灰度阶段有一组对应的RGB数值和XYZ数值，最终形成若干个样本点。

第五步，利用样本点对神经网络进行训练，获得若干转换模型形成模型池。本实施例中，优选采用BP神经网络进行训练。具体来说，每个灰度阶段对应一个转换模型，利用该灰度阶段的样本点，依次将RGB数值输入神经网络，控制神经网络输出对应的XYZ数值，所有样本点完成训练后，获得对应的转换模型。进一步地，所获得的转换模型优选经过样本点的测试符合测量精度的需求，才能加入模型池作为正式的转换模板予以使用。具体来说，对于任意显示设备样本在任意灰阶的样本点来说，在利用其训练获得该显示设备样本在该灰阶的转换模型之前，需要将该显示设备样本在该灰阶的多个样本点划分为训练数据组和检测数据组，其中训练数据组用于对转换模型进行训练，检测数据组用于对转换模型进行测试。同时，根据转换模型测量精度的需求，本实施例中，可以在保证测量精度需求的前提下对样本点的分组情况进行调整，以获得充足的训练数据对转换模型进行训练。

作为本实施例的优选，针对一个具体的显示面板样本来说，经过上述过程，可以获得与该显示面板样本对应的若干个转换模型，每个转换模型对应一个灰度值段。也就是说，如果将全部灰度阶段划分为L个灰度值段，同时选择N个显示面板样本，那么最终获得的模型池中，包含有N*L个转换模型。这样的话，利用本发明技术方案的方法，可以在不影响现有转换模型的基础下不断扩大模型池的容量，其测量精度不断提升。因此，本实施例中，可以通过对灰度值段的划分进行控制以调整测量的精度，也可以通过扩充模型池来提升色度测量的精度，这点可以根据具体的测量需求择其一或两者兼具进行调整，本实施例中不对其作出具体的限制。

其次是利用模型池对显示面板进行色度测量阶段，如图3所示，其中包括：

第六步：采集待测显示面板在目标区域的RGB数值。本实施例中，采集待测显示面板目标区域的RGB数值的方法，与第二步中采集显示面板样本的RGB数值过程一致，在此不予赘述。其区别在于，采集待测显示面板目标区域的RGB数值，不需要考虑灰度阶段，即根据当前灰度阶段直接进行测量即可，获得的是当前灰度阶段下的RGB数值。

第七步：寻找匹配的转换模型并将测得的RGB数值转换为色度值(XYZ数值)。本实施例的第五步中完成了模型池的构建，在获得待测显示面板在目标区域的RGB数值后，根据该数值，可以确定与之最接近的样本点。换而言之，根据待测显示面板在目标区域的RGB数值，结合前面获得的多个样本点，可以知道这些样本点中，与该RGB数值最为接近的RGB数值(通过显示面板样本采集得到的RGB数值之一)对应的样本点，进而可以根据该样本点确定对应的转换模型，从而知道应当使用模型池中的哪个转换模型来对当前测得的RGB数值进行转换，从而获得当前待测显示面板的色度值。本实施例中，优选定义相机采集的一个样本点为Q(R，G，B)，那么在建立模型池的时候就有一个样本池，样本池里面就包好很多类似Q的点。在测试时，用测试点T(RT，GT，BT)与样本池中的点进行比较。距离计算公式为：Dist＝sqrt((R-RT)^2+(G-GT)^2+(B-BT)^2)。

另外，由于在显示面板样本的选择过程中，只可能尽可能涵盖可能会遇到的情况，无法完全穷尽，同时，为了保证测量精度，只有在测得的RGB数值一定范围内的样本点才是合格的(即有效范围内的样本点才是合格的)。因此，在实际的测量的过程中，有可能会遇到测得的RGB数值无法在模型池中找到对应的转换模版的问题。此时，如果继续按照最小距离样本点方式对待测显示面板的RGB数值进行转换的话，其结果误差较大。本实施例中，优选将当前待测显示面板作为样本，测量其在不同灰度阶段时的RGB数值及其对应的色度值(XYZ数值)，构建对应的转换模型并添加到模型池中。由于不同显示设备的色度测量精度要求不同，因此其有效范围在不同情况下会有不同，本实施例中对此不作限制。

具体来说，本发明实施例中采用7片样本进行分析，其中5片样本用于标定，2片样本用于测试；标定样本时，每片样本均匀(也可以不均匀)的划分成8层,节点分别为[1,33,65,97,129,161,193,225,255]，将每一层选取6个灰阶，则每一层的训练样本为6*6*6＝216个样本。

分别用相机和标准色度设备采集样本中心区域的数据，得到RGB数据集和XYZ数据集。本实施例中优选采用matlab 2018a中nftool神经网络工具箱，所述神经网络优选2层神经网络，其输入层与输出层分别是3个神经元，隐含层有6个神经元。学习率优选为0.01。

对标定样本的每一层建立一个网络模型，最终形成一个包含5*8＝40个转换模型的模型池。对测试样本中的每个X_RGB值在模型池中找到一个与之最接近的值Q，并采用Q对应的模型A对X_RGB进行转换获得色度值X_XYZ。最后分析误差。

将本实施例的方法与直接对所有数据建立一个网络模型的测量结果进行对比(训练样本216*8*5)，如图4～图6，为测试样本[129,161]这个灰阶层的误差对比。结果表明，采用分屏分层训练模型池的色度测量效果更好(其中，在图4、图5中色度x与色度y的误差是绝对值，图6中亮度误差是百分比)。本实施例中，分屏分层训练后色度误差小于-+0.005，亮度误差小于-+5％，采用一个网络模型的亮度误差达到20％，色度误差小于-+0.01。需要进一步说明的是，本实施例中所采取的具体实施例仅用于对本发明技术方案中基于神经网络的色度测量方法进行说明，实际的使用中，基于测量精度等需求，可以增加或者减少样本数量、灰阶分段数量或者训练样本数量等。样本数量越多、灰阶分段数量越多、训练样本数量越多，则对应获得的训练模型的精确度也越高，从而测量结果也会更准确。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的色度测量方法，其特征在于，包括，

S1将全部灰度值划分为若干个灰度值段；

S2提取在不同灰度值条件下设备样本图像在目标区域内的RGB数值，获取显示设备样本的RGB数据集；提取在不同灰度值条件下设备样本在目标区域的XYZ数值，获取显示设备样本的XYZ数据集；

S3将显示设备样本在每个灰度值段的RGB数值集合与XYZ数值集合一一对应，形成该灰度值段的样本点；

S4利用样本点对神经网络进行训练，获取每个显示设备样本在每个灰度值段内RGB数值与XYZ数值的对应关系转换模型，构建模型池；

S5采集待测显示面板在目标区域的RGB数值，在模型池中寻找匹配的转换模型并利用该模型将测得的RGB数值转换为色度值。

2.根据权利要求1所述的一种基于神经网络的色度测量方法，其中，所述步骤S1中，所述灰度值段可以均匀或是不均匀划分。

3.根据权利要求1或2所述的一种基于神经网络的色度测量方法，其中，所述步骤S2中，提取显示设备样本图像在中心区域的RGB数值。

4.根据权利要求1或2所述的一种基于神经网络的色度测量方法，其中，所述步骤S2中，提取设备样本在中心区域的XYZ数值。

5.根据权利要求1或2所述的一种基于神经网络的色度测量方法，其中，所述步骤S4中，显示设备在每个灰度值上的RGB数据分别与对应灰度值上的XYZ数据相对应。

6.根据权利要求1或2所述的一种基于神经网络的色度测量方法，其中，所述步骤S4中，利用所述样本点对BP神经网络进行训练，包括，

S41获取任意显示设备样本在任意灰度值段内的全部样本点，将所述样本点分为训练数据组和检测数据组，每个数据组中包含有当前显示设备样本在当前灰度值段的多个样本点；

S42依次将训练数据组内每个样本点的RGB数值输入神经网络，控制神经网络输出对应的XYZ数值，获取当前显示设备样本在当前灰度值段的转换模型；

S43利用检测数据组内的样本点对当前显示设备样本在当前灰度值段的初始转换模型的测量精度进行检验，符合要求则将当前转换模型纳入模型池，否则调整样本点分组获取新的训练数据组和检测数据组，进入步骤S42；

S44获取每个显示设备样本在每个灰度值段内的RGB数值与XYZ数值的对应关系转换模型，构成模型池。

7.一种权利要求1～6任一项所述基于神经网络的色度测量方法的应用，其特征在于，包括，

S5在当前灰度值条件下采集显示设备待测区域的RGB数值点；

S6在模型池中寻找与待测区域的RGB数值最接近的样本点所对应的转换模型作为目标转换模型或更新模型池；

S7利用转换模型将待测区域的RGB数值转换成对应的XYZ值，获得显示设备待测区域的色度值。

8.根据权利要求7所述的一种权利要求1～6任一项所述基于神经网络的色度测量方法的应用，其中，所述步骤S6包括，

S61以显示设备待测区域的RGB数值点为中心，确定最小距离范围内是否存在样本点；若存在，进入步骤S62，否则进入步骤S63；

S62分别计算最小距离范围内的样本点与待测区域的RGB数值点之间的距离，确定距离最小的样本点，根据距离最小的样本点获取其所对应的转换模型；

S63将当前显示设备作为样本，将其在每个灰度值段的RGB数值集合与XYZ数值集合一一对应，形成当前显示设备的样本点；

S64利用当前显示设备的样本点对神经网络进行训练，依次获取当前显示设备在在当前灰度值段内RGB数值与XYZ数值的对应关系转换模型，加入模型池。

9.一种存储设备，其中存储有多条指令，所述指令适用于由处理器加载并执行：

S1将全部灰度值划分为若干个灰度值段；

S2提取在不同灰度值条件下设备样本图像在目标区域内的RGB数值，获取显示设备样本的RGB数据集；提取在不同灰度值条件下设备样本在目标区域的XYZ数值，获取显示设备样本的XYZ数据集；

S3将显示设备样本在每个灰度值段的RGB数值集合与XYZ数值集合一一对应，形成该灰度值段的样本点；

S4利用样本点对神经网络进行训练，依次获取每个显示设备样本在每个灰度值段内RGB数值与XYZ数值的对应关系转换模型，构建模型池；

S5采集待测显示面板在目标区域的RGB数值，在模型池中寻找匹配的转换模型并利用该模型将测得的RGB数值转换为色度值。

10.一种终端，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行：

S1将全部灰度值划分为若干个灰度值段；

S2提取在不同灰度值条件下设备样本图像在目标区域内的RGB数值，获取显示设备样本的RGB数据集；提取在不同灰度值条件下设备样本在目标区域的XYZ数值，获取显示设备样本的XYZ数据集；

S3将显示设备样本在每个灰度值段的RGB数值集合与XYZ数值集合一一对应，形成该灰度值段的样本点；

S4利用样本点对神经网络进行训练，依次获取每个显示设备样本在每个灰度值段内RGB数值与XYZ数值的对应关系转换模型，构建模型池；

S5采集待测显示面板在目标区域的RGB数值，在模型池中寻找匹配的转换模型并利用该模型将测得的RGB数值转换为色度值。

Images