CN109272948A - 基于机器学习的电子纸驱动调试方法、装置及计算机设备 - Google Patents

Abstract

本发明实施例涉及基于机器学习的电子纸驱动调试方法、装置及计算机设备，获取电子纸在驱动信号的驱动下显示的电子纸屏幕图像；将电子纸屏幕图像输入预先训练的残影评估模型中，获取残影评估模型输出的残影值，其中，残影评估模型由预设电子纸屏幕图像的特征分布信息以及预设电子纸屏幕图像所对应的残影值训练得到；根据残影值确定最佳驱动信号，以通过该电子纸残影评估模型对电子纸的驱动波形进行调试的残影程度进行评估，确定最佳的驱动波形，不依赖于人工调试，提高驱动调试的准确性和效率，通过该驱动波形可直接实现不同画面之间的刷新，缩短了画面刷新的时间，提高电子纸的工作性能。

Description

基于机器学习的电子纸驱动调试方法、装置及计算机设备

技术领域

本发明涉及电子纸技术领域，特别是涉及基于机器学习的电子纸驱动调试方法、装置及计算机设备。

背景技术

电子纸显示技术结合了普通纸张和电子显示器的优点，是具有发展潜力的电子显示技术之一。电子纸显示技术通过在电场的作用下，不同颜色不同电性的电泳粒子发生定向的电泳迁移，从而在显示屏幕上显示出图案。

由于电泳粒子的运动具有滞后性，电子纸显示屏幕在显示图案时极容易产生残影，即当电子纸在显示一幅新画面时，显示屏幕上留存有上一幅画面的残影。在解决这一问题时，传统技术是在显示画面时通过洗残影，激活电泳粒子，并进行校准使得每一个像素到达相同的白度等一系列操作，而并非直接显示新的画面，如现将显示屏幕中每个像素点刷新到同一程度的黑色，然后刷新到同一程度的白色，经过“黑-白-黑-白”一次到多次的操作，再真正刷新到要显示的画面。但发明人在实现本发明的过程中发现，传统的做法会导致电子纸屏幕刷新画面的时间长，难以适应高动态的画面变化，并且电子纸屏幕来回进行黑白刷新，给用户的眼睛造成不适。

发明内容

基于此，有必要针对电子纸屏幕刷新画面时间长的技术问题，提供电子纸残影评估模型建立和驱动调试方法、装置及设备。

第一方面，本发明实施例提供一种电子纸驱动调试方法，包括：

获取电子纸在驱动信号的驱动下显示的电子纸屏幕图像；

将电子纸屏幕图像输入预先训练的残影评估模型中，获取残影评估模型输出的残影值；

根据残影值确定最佳驱动信号。

在其中一个实施例中，将所述电子纸屏幕图像输入预先训练的残影评估模型中，获取所述残影评估模型输出的残影值的步骤，包括：

获取多张预设电子纸屏幕图像以及所对应的残影值；

将每张预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张预设电子纸屏幕图像的特征分布信息；

将每张预设电子纸屏幕图像的特征分布信息以及每张预设电子纸屏幕图像所对应的残影值依次输入预设训练网络训练得到残影评估模型。

在其中一个实施例中，将每张预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张预设电子纸屏幕图像的特征分布信息，包括：

将每张预设电子纸屏幕图像进行卷积运算，获得预设电子纸屏幕图像的特征矩阵；

将特征矩阵输入至预设的图像直方图模型，生成对应的特征分布矩阵。

在其中一个实施例中，获取多张预设电子纸屏幕图像以及所对应的残影值，包括：

从图像数据库中获取预设电子纸屏幕图像；

根据预设电子纸屏幕图像的残影面积，获得预设电子纸屏幕图像的残影值。

在其中一个实施例中，若残影值小于预设残影阈值，则判定电子纸屏幕图像无残影；

在其中一个实施例中，根据残影值确定最佳驱动信号，包括：

筛选各个驱动信号所对应的残影值中的目标残影值，目标残影值为小于预设阈值的残影值；

将目标残影值中取值最小的残影值所对应的驱动信号作为最佳驱动信号。

在其中一个实施例中，根据残影值确定最佳驱动信号之后，还包括：

将最佳驱动信号对应的程序烧录至电子纸驱动板。

第二方面，本发明实施例一种电子纸驱动调试装置，包括：

屏幕图像获取模块，用于获取电子纸在驱动信号的驱动下显示的电子纸屏幕图像；

残影值获取模块，用于将电子纸屏幕图像输入预先训练的残影评估模型中，获取残影评估模型输出的残影值，其中，残影评估模型由预设电子纸屏幕图像的特征分布信息以及预设电子纸屏幕图像所对应的残影值训练得到；

驱动信号确定模块，用于根据残影值确定最佳驱动信号。

在其中一个实施例中，残影值获取模块，包括：

图像与残影值获取单元，用于获取多张预设电子纸屏幕图像以及所对应的残影值；

特征分布矩阵生成单元，用于将每张预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张预设电子纸屏幕图像的特征分布信息；

残影评估模型建立单元，用于将每张预设电子纸屏幕图像的特征分布信息以及每张预设电子纸屏幕图像所对应的残影值依次输入预设训练网络训练得到残影评估模型。

第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的基于机器学习的电子纸驱动调试方法。

第六方面，一种包含计算机可执行指令的存储介质，其特征在于，计算机可执行指令在由计算机处理器执行时用于执行如第一方面的基于机器学习的电子纸驱动调试方法。

上述实施例提供的基于机器学习的电子纸驱动调试方法、装置及计算机设备，通过可以利用预设电子纸屏幕图像特征分布信息以及所对应的残影值训练得到的电子纸残影评估模型进行残影评估，不依赖于人的主观观察而造成的标准不一，优化电子纸残影评估方式，提高对电子纸屏幕图像残影程度的评估准确性，节省人力物力，同时通过该电子纸残影评估模型对电子纸的驱动波形进行调试的残影程度进行评估，确定最佳的驱动波形，不依赖于人工调试，提高驱动调试的准确性和效率，通过该驱动波形可直接实现不同画面之间的刷新，缩短了画面刷新的时间，提高电子纸的工作性能。

附图说明

图1是本发明实施例提供的一种基于机器学习的电子纸驱动调试方法的流程示意图；

图2是图1的电子纸驱动调试方法的一个步骤的第一具体流程图；

图3是图2的电子纸驱动调试方法的一个步骤的第二具体流程图；

图4是图2的电子纸驱动调试方法的一个步骤的第三具体流程图；

图5是图1的电子纸驱动调试方法的一个步骤的第四具体流程图；

图6是本发明实施例提供的一种基于机器学习的电子纸驱动调试装置的结构示意图；

图7是本发明实施例提供的一种基于机器学习的电子纸驱动调试装置的另一结构示意图；

图8是本发明实施例提供的一种计算机设备的结构示意图。

具体实施方式

为了便于理解本发明，下面将对本发明进行更全面的描述。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

图1是本发明实施例提供的一种基于机器学习的电子纸驱动调试方法的流程示意图，该方法可以由电子纸驱动调试装置来执行，其中该装置可由软件和/或硬件实现，一般可集成在计算机设备中，该计算机设备可以为服务器，如电脑、电子纸显示终端等。如图1所示，该方法具体包括以下步骤：

步骤S110、获取电子纸在驱动信号的驱动下显示的电子纸屏幕图像。

驱动信号施加在电子纸的上下电极之间，用于驱动电子纸中电泳粒子的运动。本实施例中的驱动信号可以直接实现将电子纸显示的图像从第一灰阶变为第二灰阶以实现图像的刷新，其中第一灰阶为当前显示图像的灰阶，第二灰阶为下一显示图像的灰阶。其中，驱动信号一般为方波信号，驱动信号的大小和脉冲宽度影响电泳粒子的运动状态。实施例中，驱动信号可以为±15V的方波信号。

需要说明的是，该驱动信号可以为波形查询表中预先设置的驱动信号，其中，驱动信号集合包括多个预先设置的不同的驱动信号。波形查询表为不同灰阶之间驱动信号的集合。实施例中的驱动信号中各个波形的大小和所对应的脉冲宽度可以不同，以代表不同灰阶之间的驱动信号的大小。例如，从灰阶1变为灰阶2所对应的驱动信号为第一驱动信号，灰阶1变为灰阶3所对应的驱动信号为第二驱动信号，灰阶2变为灰阶5所对应的驱动信号为第三驱动信号等。获取电子纸在不同驱动信号驱动下的电子纸屏幕图像。在其他实施例中，驱动信号也可以是根据实施情况预先调节获得的驱动信号。可选的，驱动信号还可以是根据机器学习结果将各个驱动信号进行组合、频率变换、幅度变换后的信号。

步骤S120、将电子纸屏幕图像输入预先训练的残影评估模型中，获取残影评估模型输出的残影值。

本实施例中的电子纸屏幕图像为根据不同驱动信号驱动下所获取到的电子纸屏幕图像，也可以理解为当前电子纸屏幕图像。将电子纸屏幕图像的特征分布信息输入预先训练的残影评估模型中，获取电子纸屏幕图像的残影值。其中，特征分布信息可以通过将电子纸屏幕图像输入到预设的图像直方图中提取得到。示例性的，残影评估模型是通过预设电子纸屏幕图像的特征分布信息以及所对应的残影值训练生成，则进行电子纸屏幕图像残影值评估时，残影评估模型会输出残影值。

步骤S130、根据残影值确定最佳驱动信号。

残影值的大小用于衡量该残影值所对应的驱动信号的质量。可选的，最佳驱动信号可以是一个，也可以是多个。残影值越低，所对应的驱动信号越好。可选的，可以将残影值位于设定区间范围内的残影值所对应的驱动信号作为最佳驱动信号，也可以将最小残影值所对应的驱动信号作为最佳驱动信号。实施例中，最小残影值可以为0。在最佳驱动信号下，电子纸屏幕图像无残影。

本实施例提供的电子纸驱动调试方法，将电子纸在驱动信号的驱动下显示的电子纸屏幕图像输入到预先训练的残影评估模型中，根据残影评估模型输出的残影值确定最佳驱动信号，解决了传统技术中通过人工调试来获取驱动波形，且由于缺乏能精确描述电子纸中电泳粒子运动的模型，导致无法精确获知施加电压后电泳粒子的分布状态，只能通过驱动波形重复多次黑白翻转来实现电子纸中电泳粒子分布状态和活跃程度的校正，使得电子纸在画面刷新时都能准确到达相应灰阶，而造成的人力成本高、画面刷新时间长的技术问题，提高了最佳驱动信号的获取准确性，通过最佳驱动信号可实现电子纸显示过程中不同灰阶间的直接驱动，缩短了电子纸显示画面刷新时间，优化电子纸的工作性能，同时也提高了驱动调试的效率。

需要说明的是，灰阶代表了由最暗到最亮之间不同亮度的层次级别，层级越多，所能够呈现的画面效果也就越细腻，在黑白电子纸中，灰阶代表由黑到白之间的不同亮度的层次级别。在传统的电子纸驱动调试中，电子纸从一个灰阶变化到另一个灰阶，需要先进行黑白多次刷新后再稳定在另一灰阶，本实施例提供的方法可根据最佳驱动信号直接实现从一个灰阶变化到另一个灰阶，无需进行黑白多次刷新，从而缩短了电子纸画面刷新的时间。

如图2所示，在其中一个实施例中，步骤S120：将所述电子纸屏幕图像输入预先训练的残影评估模型中，获取所述残影评估模型输出的残影值，可以包括以下步骤：

步骤S121、获取多张预设电子纸屏幕图像以及所对应的残影值。

电子纸屏幕图像是指电子纸屏幕上显示区域中所显示的图像。预设电子纸屏幕图像包括不同残影程度的图像。残影值用于表征电子纸屏幕图像存留残影的程度，残影值越大，残影程度越高，残影面积越大；残影值越小，残影程度越低，残影面积越小。由于电子纸中电泳粒子在不同条件下施加相同时间的相同大小的电压会有不同的运动轨迹和分布状态，在刷新新页面时，需要通过驱动信号来校正粒子的分布状态以及活跃程度，如驱动信号设置不合适，导致电泳粒子的历史分布状态没有被完全打破和活跃程度不一样，使得上一张图像的显示内容仍残留在显示区域，造成残影。预设电子纸屏幕图像可以是由摄像机拍摄电子纸屏幕图像所实时获得，也可以是通过截屏的方式获得，在其他实施例里中还可以用其他方式获得电子纸屏幕图像。在实施例中，预设电子纸屏幕图像作为电子纸残影评估模型的训练样本数据。

可选的，在实施例中，获取多张预设电子纸屏幕图像，并组合成电子纸屏幕图像序列，如[图像1，图像2，图像3……图像N]，相对于该电子纸屏幕图像序列的残影值序列为[残影值1，残影值2，残影值3……残影值N]，便于以序列为一组进行电子纸屏幕图像数据的获取，各个电子纸屏幕图像与残影值一一对应。

步骤S122、将每张预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张预设电子纸屏幕图像的特征分布信息。

电子纸屏幕图像是由像素构成，反映像素分布的图像直方图模型可以作为电子纸屏幕图像一个很重要的特征。图像直方图模型是反映一个图像像素分布的统计表，其实横坐标代表了图像像素的种类，可以是灰度的，也可以是彩色的。纵坐标代表了每一种颜色值在图像中的像素数或者每一种颜色值的像素数占所有像素个数的百分比。灰度图像的图像直方图模型的维度为一维，彩色图像的图像直方图模型的维度为三维。

特征分布信息是指电子纸屏幕图像中各个像素点的特征分布信息，如电子纸屏幕图像的颜色分布情况、灰度分布情况、纹理、边缘、亮度、白度、饱和度等信息，一般以向量或矩阵的形式来表示。通过图像直方图模型可以提取电子纸屏幕图像的特征分布信息。实施例中，可以一张预设电子纸屏幕图像输入到预设的图像直方图模型，也可以将多张预设电子纸屏幕图像同时输入到预设的图像直方图模型中，以获得每张电子纸屏幕图像的特征分布信息。

具体的，实施例中可以根据实际需要将图像直方图模型的横坐标进行区间划分，如划分为25个区间，则横坐标分为25份，然后统计每个区间的像素点总和，该区间划分可以是均等划分，也可以是不均等划分。示例性的，可将区间划分为[0，15)、[16，30)、[31，45)……[241，255]等均等的17个区间，相应的，各个区间相对应的像素数为655，247，1345……300；也可将区间划分为[0，10)、[11，20)、[21，30)……[241，255]等不均等的25个区间，相对应的，各个区间相对应的像素数为500，199，998……300。需要说明的是，各个区间相对应的像素数的总和等于该张电子纸屏幕图像的总像素数。

步骤S123、将每张预设电子纸屏幕图像的特征分布信息以及每张预设电子纸屏幕图像所对应的残影值依次输入预设训练网络训练得到残影评估模型。

本实施例中，将预设电子纸屏幕图像的特征分布信息以及所对应的残影值作为训练样本，对预设训练网络进行训练，生成残影评估模型。可选的，该预设训练网络为全连接神经网络。特征分布信息包含有预设电子纸屏幕图像的颜色分布情况、灰度分布情况、纹理、边缘、亮度、白度、饱和度等信息，将预设电子纸屏幕图像的特征分布信息和所对应的残影值作为预设训练网络的输入。按照预设电子纸屏幕图像序列中的顺序向全连接神经网络依次输入特征分布信息及所对应的残影值，不断训练优化全连接神经网络的参数，得到电子纸残影评估模型。

可选的，预设训练网络采用随机梯度下降法训练该电子纸残影评估模型的参数。随机梯度下降法是梯度下降法中的一种，所谓梯度下降法是指通过沿着目标函数参数的梯度相反方向来不断更新模型参数来达到目标函数的极小值点的方法，随机梯度下降法每次从训练数据中随机选择一个样本来进行学习，不断更新模型参数，因此每次学习的速度很快，并且可以进行在线更新。

可选的，实施例还可以采用交叉熵评估电子纸残影评估模型。交叉熵在全连接神经网络中作为损失函数，而损失函数是一种衡量系统错误程度的函数，是衡量模型对样本评估值与样本真实标签之间差异程度的方法，即在本实施例的全连接神经网络中，损失函数是衡量电子纸残影评估模型对输出的残影评估值与残影标签值之间差异程度的方法。交叉熵的值越大，残影评估值与残影标签值之间差异程度越大。在神经网络训练模型过程中，当训练结果接近真实值时，即残影评估值越接近残影标签值会因为梯度算子极小，使得模型的收敛速度变得非常慢。然而由于交叉熵损失函数为对数函数，在接近上边界的时候，其仍然可以保持在高梯度状态，因此模型的收敛速度不会受到影响，从而能够在训练结果接近真实值时仍能较好的运算该电子纸残影评估模型。

本实施例提供的电子纸残影评估模型建立方法，可以利用预设电子纸屏幕图像特征分布信息以及所对应的残影值训练得到的电子纸残影评估模型进行残影评估，不依赖于人的主观观察而造成的标准不一，优化电子纸残影评估方式，提高对电子纸屏幕图像残影程度的评估准确性，同时节省人力物力。

如图3所示，在其中一个实施例中，步骤S122：将每张预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张预设电子纸屏幕图像的特征分布矩阵，还可以包括以下步骤：

步骤S1221、将每张预设电子纸屏幕图像进行卷积运算，获得预设电子纸屏幕图像的特征矩阵。

卷积运算是神经网络中对图像处理的一种方法，用于提取图像的特征。首先，将二维或三维的图像转换为矩阵形式，再将转换后的图像进行卷积运算，输出图像的特征信息。对于能够识别的特征，卷积运算后计算得到的值很大，对于不能够识别的特征，卷积运算后计算得到的值非常小。卷积运算后输出图像的特征信息，并以矩阵的形式排列，形成特征矩阵，特征矩阵中包括图像的特征值和相对位置信息等。本实施中，将每张预设电子纸屏幕进行卷积运算后，获得电子纸屏幕图像的特征信息，将特征信息转换为矩阵形式排列的特征矩阵，特征矩阵中可以包括预设电子纸屏幕图像中的纹理、边缘、亮度、白度、饱和度等特征信息。

步骤S1222、将特征矩阵输入至预设的图像直方图模型，生成对应的特征分布矩阵。

特征分布矩阵是以矩阵形式表示的电子纸屏幕图像的特征分布信息。将电子纸屏幕图像的特征矩阵输入到预设图像直方图模型中进行运算，生成电子纸屏幕图像的各特征分布信息，并以矩阵的形式输出。

如图4所示，在其中一个实施例中，步骤S121：获取多张预设电子纸屏幕图像以及所对应的残影值，还可以包括以下步骤；

步骤S1211、从图像数据库中获取预设电子纸屏幕图像。

图像数据库是指保存有预设电子纸屏幕图像的数据库，是电子纸屏幕图像的图像集合，这些图像可以是电子纸屏幕显示图案后由摄像机拍摄得到，也可以是通过随机截屏的方式得到。图像数据库中的预设电子纸屏幕图像包含有不同残影程度的图像，其存储方式可以是一张张图像，也可以是多张图像组成而成的一个或多个文件。

可选的，可以对预设电子纸屏幕图像进行预处理，如调整分辨率、大小、亮度、饱和度、裁剪、旋转、格式等，以使得预设电子纸屏幕图像符合处理要求。

步骤S1212、根据预设电子纸屏幕图像的残影面积，获得预设电子纸屏幕图像的残影值。

残影面积是指电子纸屏幕图像中存在残影的区域面积。可选的，该存在残影的区域可以根据人工观察来手动选定，如在预设电子纸屏幕图像中勾画出存在残影的区域的轮廓曲线，通过计算机辅助程序自动算出被轮廓曲线包围区域的面积，该被轮廓曲线包围区域的面积即可以视为残影面积，通过建立残影面积与残影值之间的线性对应关系，根据计算出来的残影面积获得预设电子纸屏幕图像的残影值。在实施例中，残影面积越大，残影值越大，残影面积越小，残影值越大。可选的，残影值的范围为0～1，其中，0表示无残影，1表示残影面积最大时所对应的残影值。

在其中一个实施例中，若残影值小于预设残影阈值，则判定电子纸屏幕图像无残影。

预设残影阈值是根据实际情况设定的残影值，若残影值小于预设残影阈值，则判定电子纸屏幕图像无残影，若残影值大于预设残影阈值，则判定电子纸屏幕图像有残影。需要说明的是，无残影是一个相对概念，当电子屏幕图像中的残影面积不足以影响到显示或用户的体验时，可认为电子纸屏幕图像无残影，而并非绝对的零残影。可选的，在实施例中，预设残影阈值可以为0.2。

如图5所示，其中，步骤S130：根据残影值确定最佳驱动信号，可以包括以下步骤：

步骤S131、筛选各个驱动信号所对应的残影值中的目标残影值。

其中，目标残影值为小于预设阈值的残影值。

目标残影值是电子纸屏幕图像无残影时所对应的残影值。在实施例中，驱动信号集中包括多个驱动信号，获取每个驱动信号下所对应的电子纸屏幕图像，并获得每张电子纸屏幕图像所对应的残影值。在其中一个实施例中，所获得的残影值均大于预设残影阈值，则该驱动信号集中的多个驱动信号下的电子纸屏幕图像均存在残影，该多个驱动信号均不符合筛选条件，再进行下一个驱动信号集中驱动信号的筛选，重复上述获得每张电子纸屏幕图像所对应残影值的操作，筛选出目标残影值，该目标残影值所对应的电子纸屏幕图像为无残影电子纸屏幕图像。

步骤S132、将目标残影值中取值最小的残影值所对应的驱动信号作为最佳驱动信号。

在实施例中，残影值越小，电子纸屏幕图像的残影面积越小，所对应的驱动信号越佳。在无残影电子纸屏幕图像所对应的目标残影值中，获取取值最小的残影值的目标残影值所对应的驱动信号作为最佳驱动信号。在最佳驱动信号的驱动下，电子纸屏幕上所显示的图像的残影面积最小。

在其中一个实施例中，该电子纸驱动调试方法还包括：将最佳驱动信号对应的程序烧录至电子纸驱动板。

电子纸驱动板是指用于驱动电子纸进行画面显示的控制板，当最佳驱动信号对应的程序烧录至电子纸驱动板时，电子纸驱动板则会按照该最佳驱动信号对电子纸中的电泳粒子进行控制以显示图像。

图6是本发明实施例提供的一种基于机器学习的电子纸驱动调试装置的结构示意图，该装置可由软件和/或硬件实现，一般集成在计算机设备上，如服务器、电子纸显示终端等，可通过执行电子纸驱动调试方法进行电子纸图像显示的驱动。如图6所示，该装置包括：屏幕图像获取模块410、残影值获取模块420以及驱动信号确定模块430。

其中，屏幕图像获取模块410，用于获取电子纸在驱动信号的驱动下显示的电子纸屏幕图像；残影值获取模块420，用于将电子纸屏幕图像输入预先训练的残影评估模型中，获取残影评估模型输出的残影值，其中，残影评估模型由预设电子纸屏幕图像的特征分布矩阵以及预设电子纸屏幕图像所对应的残影值训练得到；驱动信号确定模块430，用于根据残影值确定最佳驱动信号。

本实施例提供的电子纸驱动调试装置，将电子纸在驱动信号的驱动下显示的电子纸屏幕图像输入到预先训练的残影评估模型中，根据残影评估模型输出的残影值确定最佳驱动信号，解决了传统技术中通过人工调试来获取驱动波形，且由于缺乏能精确描述电子纸中电泳粒子运动的模型，导致无法精确获知施加驱动信号后电泳粒子的分布状态，只能通过驱动信号重复多次黑白翻转来实现电子纸中电泳粒子分布状态和活跃程度的校正，使得电子纸在画面刷新时能准确到达相应灰阶，而造成的人工成本高、画面刷新时间长的技术问题，提高了最佳驱动信号的获取准确性，通过最佳驱动信号可实现电子纸显示过程中不同灰阶间的直接驱动，缩短了电子纸显示画面刷新时间，优化电子纸的工作性能，同时也提高了驱动调试的效率。

如图7所示，在其中一个实施例中，残影值获取模块420包括：图像与残影值获取单元421、特征分布矩阵生成单元422以及残影评估模型建立单元423。

其中，图像与残影值获取单元421，用于获取多张预设电子纸屏幕图像以及所对应的残影值；特征分布矩阵生成单元422，用于将每张预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张预设电子纸屏幕图像的特征分布矩阵；残影评估模型建立单元423，用于将每张预设电子纸屏幕图像的特征分布矩阵以及每张预设电子纸屏幕图像所对应的残影值依次输入预设训练网络训练得到残影评估模型。

本实施例提供的电子纸残影评估模型建立装置，可以利用预设电子纸屏幕图像特征分布信息以及所对应的残影值建立的电子纸残影评估模型进行残影评估，不依赖于人的主观观察而造成的标准不一，优化电子纸残影评估方式，提高对电子纸屏幕图像残影程度的评估准确性，同时节省人力物力。

在其中一个实施例中，特征分布矩阵生成单元422包括特征矩阵获得子单元以及特征分布矩阵生成子单元。其中，特征矩阵获得子单元，用于将每张预设电子纸屏幕图像进行卷积运算，获得预设电子纸屏幕图像的特征矩阵；特征分布矩阵生成子单元，用于将特征矩阵输入至预设的图像直方图模型，生成对应的特征分布矩阵。

在其中一个实施例中，图像与残影值获取单元421包括图像获取子单元以及残影值获取子单元。其中，图像获取子单元，用于从图像数据库中获取预设电子纸屏幕图像；残影值获取子单元，用于根据预设电子纸屏幕图像的残影面积，获得预设电子纸屏幕图像的残影值。

在其中一个实施例中，若残影值小于预设残影阈值，则判定电子纸屏幕图像无残影，驱动信号确定模块430包括：筛选单元，用于筛选各个驱动信号所对应的残影值中的目标残影值，目标残影值为小于预设阈值的残影值；确定单元，用于将目标残影值中取值最小的残影值所对应的驱动信号作为最佳驱动信号。

在其中一个实施例中，电子纸驱动调试装置还包括：烧录模块，用于将最佳驱动信号对应的程序烧录至电子纸驱动板。

本实施例提供的电子纸驱动调试装置可用于执行上述任意实施例提供的电子纸驱动调试方法，且具备相应的功能和有益效果。

图8是本发明实施例提供的一种计算机设备的结构示意图。如图8所示，该实施例中的计算机设备500，包括存储器501、处理器502及存储在存储器501上可在处理器502上运行的计算机程序，其中处理器502执行程序时可实现本发明方法实施例中的所有方法步骤。可选的，计算机设备还可以具有显示屏幕，用于图像显示。

上述计算机设备500中的处理器502可执行本发明实施例提供的电子纸残影评估模型建立方法，具备执行方法相应的有益效果。可参照上述方法实施例中的描述，此处不再进行赘述。

上述计算机设备500中的处理器还可执行本发明实施例提供的电子纸驱动调试方法，具备执行方法相应的有益效果。可参照上述方法实施例中的描述，此处不再进行赘述。

本发明实施例还提供一种包括计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行电子纸残影评估模型建立方法，包括：

获取多张预设电子纸屏幕图像以及所对应的残影值；

将每张预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张预设电子纸屏幕图像的特征分布矩阵；

将每张预设电子纸屏幕图像的特征分布矩阵以及每张预设电子纸屏幕图像所对应的残影值依次输入预设训练网络训练得到残影评估模型。

或，一种电子纸驱动调试方法，包括：

获取电子纸在驱动信号的驱动下显示的电子纸屏幕图像；

将电子纸屏幕图像输入预先训练的残影评估模型中，获取残影评估模型输出的残影值，其中，残影评估模型由预设电子纸屏幕图像的特征分布矩阵以及预设电子纸屏幕图像所对应的残影值训练得到；

根据残影值确定最佳驱动信号

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的电子纸残影评估模型建立方法或电子纸驱动调试方法操作，还可以执行本发明任意实施例所提供的电子纸残影评估模型建立或电子纸驱动调试方法中的相关操作，且具备相应的功能和有益效果。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，电子纸显示设备或者网络设备等)执行本发明任意实施例的电子纸残影评估模型建立方法或电子纸驱动调试方法。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于机器学习的电子纸驱动调试方法，其特征在于，包括：

获取电子纸在驱动信号的驱动下显示的电子纸屏幕图像；

将所述电子纸屏幕图像输入预先训练的残影评估模型中，获取所述残影评估模型输出的残影值；

根据所述残影值确定最佳驱动信号。

2.根据权利要求1所述的方法，其特征在于，所述将所述电子纸屏幕图像输入预先训练的残影评估模型中，获取所述残影评估模型输出的残影值，包括：

获取多张预设电子纸屏幕图像以及所对应的残影值；

将每张所述预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张所述预设电子纸屏幕图像的特征分布信息；

将每张所述预设电子纸屏幕图像的特征分布信息以及每张所述预设电子纸屏幕图像所对应的残影值依次输入预设训练网络训练得到残影评估模型。

3.根据权利要求2所述的方法，其特征在于，所述将每张所述预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张所述预设电子纸屏幕图像的特征分布信息，包括：

将每张所述预设电子纸屏幕图像进行卷积运算，获得所述预设电子纸屏幕图像的特征矩阵；

将所述特征矩阵输入至预设的图像直方图模型，生成对应的特征分布矩阵。

4.根据权利要求2所述的方法，其特征在于，所述获取多张预设电子纸屏幕图像以及所对应的残影值，包括：

从图像数据库中获取预设电子纸屏幕图像；

根据所述预设电子纸屏幕图像的残影面积，获得所述预设电子纸屏幕图像的残影值。

5.根据权利要求1所述的方法，其特征在于，若所述残影值小于预设残影阈值，则判定所述电子纸屏幕图像无残影；

所述根据所述残影值确定最佳驱动信号，包括：

筛选各个所述驱动信号所对应的残影值中的目标残影值，所述目标残影值为小于预设阈值的残影值；

将所述目标残影值中取值最小的残影值所对应的驱动信号作为最佳驱动信号。

6.根据权利要求1所述的方法，其特征在于，所述根据所述残影值确定最佳驱动信号之后，还包括：

将所述最佳驱动信号对应的程序烧录至电子纸驱动板。

7.一种基于机器学习的电子纸驱动调试装置，其特征在于，包括：

屏幕图像获取模块，用于获取电子纸在驱动信号的驱动下显示的电子纸屏幕图像；

残影值获取模块，用于将所述电子纸屏幕图像输入预先训练的残影评估模型中，获取所述残影评估模型输出的残影值，其中，所述残影评估模型由预设电子纸屏幕图像的特征分布信息以及所述预设电子纸屏幕图像所对应的残影值训练得到；

驱动信号确定模块，用于根据所述残影值确定最佳驱动信号。

8.根据权利要求7所述的装置，其特征在于，所述残影值获取模块，包括：

图像与残影值获取单元，用于获取多张预设电子纸屏幕图像以及所对应的残影值；

特征分布矩阵生成单元，用于将每张所述预设电子纸屏幕图像输入到预设的图像直方图模型，生成每张所述预设电子纸屏幕图像的特征分布信息；

残影评估模型建立单元，用于将每张所述预设电子纸屏幕图像的特征分布信息以及每张所述预设电子纸屏幕图像所对应的残影值依次输入预设训练网络训练得到残影评估模型。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的基于机器学习的电子纸驱动调试方法。

10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一项所述的基于机器学习的电子纸驱动调试方法。