CN110310596A - 一种oled模组的gamma调节初值预测方法及系统 - Google Patents

一种oled模组的gamma调节初值预测方法及系统 Download PDF

Info

Publication number
CN110310596A
CN110310596A CN201910522729.8A CN201910522729A CN110310596A CN 110310596 A CN110310596 A CN 110310596A CN 201910522729 A CN201910522729 A CN 201910522729A CN 110310596 A CN110310596 A CN 110310596A
Authority
CN
China
Prior art keywords
mould group
oled mould
gamma
relationship
oled
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910522729.8A
Other languages
English (en)
Other versions
CN110310596B (zh
Inventor
何光瑜
詹东旭
张胜森
郑增强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Jingce Electronic Group Co Ltd
Wuhan Jingli Electronic Technology Co Ltd
Wuhan Jingce Electronic Technology Co Ltd
Original Assignee
Wuhan Jingce Electronic Group Co Ltd
Wuhan Jingli Electronic Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Jingce Electronic Group Co Ltd, Wuhan Jingli Electronic Technology Co Ltd filed Critical Wuhan Jingce Electronic Group Co Ltd
Priority to CN201910522729.8A priority Critical patent/CN110310596B/zh
Publication of CN110310596A publication Critical patent/CN110310596A/zh
Application granted granted Critical
Publication of CN110310596B publication Critical patent/CN110310596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G09G3/22—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources
    • G09G3/30—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels
    • G09G3/32—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels semiconductive, e.g. using light-emitting diodes [LED]
    • G09G3/3208—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels semiconductive, e.g. using light-emitting diodes [LED] organic, e.g. using organic light-emitting diodes [OLED]
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/06—Adjustment of display parameters
    • G09G2320/0673—Adjustment of display parameters for control of gamma adjustment, e.g. selecting another gamma curve

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Picture Signal Circuits (AREA)
  • Control Of El Displays (AREA)
  • Electroluminescent Light Sources (AREA)

Abstract

本发明公开了一种OLED模组的GAMMA调节初值预测方法及系统，具体步骤为：预设GAMMA调节模式下，获取待调节OLED模组的第一特定绑点对应的RGB寄存器配置值，依据第一关系和上述寄存器配置值获得对应的样本库中OLED模组样本编号，依据第二关系和样本库OLED模组样本编号获得GAMMA数据模型，依据上述GAMMA数据模型得到待调节OLED模组所有待调节绑点对应的RGB寄存器初始值；其中，依据样本库中OLED模组样本编号下的所有绑点与其对应的RGB寄存器配置值的关系建立GAMMA数据模型；建立每个OLED模组样本编号与第二特定绑点对应的RGB寄存器配置值的关系得到第一关系；依据样本库中每个OLED模组样本编号与其一一对应的GAMMA数据模型的关系得到第二关系，由此减少了OLED模组的Gamma调节时间并提高了显示屏生产线的产能。

Description

一种OLED模组的GAMMA调节初值预测方法及系统
技术领域
本发明属于图像处理领域，具体涉及一种OLED模组的GAMMA调节初值预测方法及系统。
背景技术
有机发光二极管(Organic Light-Emitting Diode,OLED)显示屏又称有机电激发光显示屏，OLED的基本结构是由一薄而透明具半导体特性之铟锡氧化物(ITO)，与电力之正极相连，再加上另一个金属阴极，包成如三明治的结构，当电力供应至适当电压时，正极空穴与阴极电荷就会在发光层中结合，产生光亮，依其配方不同产生红、绿和蓝RGB三基色，构成基本色彩。AOI(Automatic Optic Inspection，自动光学检测技术)广泛应用于显示屏缺陷检测中。在显示屏的AOI检测流程中，显示屏依次显示待检测画面，视觉传感器同步拍摄待检测的画面，取像完成后进入缺陷检测流程。图像质量的一致性是自动光学检测缺陷检出率的基础。
然而，图像灰度的一致性对检出影响因素主要存在如下两个方面：图像灰度的一致性和待检测画面的目标灰度值的评估。由于显示缺陷特征形态多样，当图像灰度上下波动时，缺陷的对比度和缺陷面积会随之受到影响，直接影响系统对显示屏缺陷等级的评估；同时，由于显示缺陷特征形态多样，不同的图像灰度值，缺陷表现的特征会变化。比如微弱发亮缺陷在高灰阶图像中会更加微弱，微弱发暗缺陷在低灰阶的图像中难以分辨。
在显示屏自动化生产线中，显示屏Gamma曲线是图像灰阶波动的主要原因。显示屏的Gamma值表示显示器灰阶值和显示器亮度之间的关系。当前对于OLED的生产到出货都必须经过GammaTuning，以确保OLED的显示效果符合业界的2.2标准曲线。由于不同显示屏的Gamma曲线存在差异，以L48画面为例，不同液晶模组间显示同一灰阶画面L48时的亮度不一致。在Gamma调节过程中，对于客户要求的各个绑点，都必须满足显示要求，为此，必须得到合适的绑点RGB寄存器值。而在每个绑点GammaTuning过程中，RGB寄存器初值十分重要，初值准确就一次调过，不准确需要调节多次，花费时间。目前对于OLED显示屏的GammaTuning是给待测屏最大绑点一组固定的寄存器值，使用色度计CA410测得一组xyLv数据，用这组数据去匹配仅有的调节好的屏的数据，得到最接近的屏的寄存器值作为待测屏的初值。但由于屏与屏之间一点点的差异，仅匹配几块屏的数据，不能够完全覆盖这一批次屏的特性。
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OLED模组的GAMMA调节初值预测方法及系统，其利用获取待调节OLED模组的第一特定绑点对应的RGB寄存器配置值，依据第一关系和上述寄存器配置值获得对应的样本库中OLED模组样本编号，依据第二关系和样本库OLED模组样本编号获得GAMMA数据模型，依据上述GAMMA数据模型得到待调节OLED模组所有待调节绑点对应的RGB寄存器初始值，从而降低了待调节OLED模组的Gamma调节时间。
为实现上述目的，按照本发明的一个方面，提供了一种OLED模组的GAMMA调节初值预测方法，具体步骤为：
预设GAMMA调节模式下，获取待调节OLED模组的第一特定绑点对应的RGB寄存器配置值，依据第一关系和上述寄存器配置值获得对应的样本库中OLED模组样本编号，依据第二关系和所述样本库OLED模组样本编号获得GAMMA数据模型，依据上述GAMMA数据模型得到待调节OLED模组所有待调节绑点对应的RGB寄存器初始值；
GAMMA数据模型为：所述样本库中OLED模组样本编号下的所有绑点与其对应的RGB寄存器配置值的关系；
第一关系为：选择样本库中每个OLED模组样本与第一特定绑点属性相同的第二特定绑点，建立每个OLED模组样本编号与第二特定绑点对应的RGB寄存器配置值的关系；
第二关系为：样本库中每个OLED模组样本编号与其一一对应的GAMMA数据模型的关系。
作为本发明的进一步改进，依据所有OLED模组样本的第二特定绑点对应的RGB寄存器配置值的大小排序得到OLED模组样本编号。
作为本发明的进一步改进，获取所述GAMMA数据模型包括以下步骤：
预设GAMMA调节模式下，获取OLED模组样本的若干绑点下其对应的RGB寄存器配置值，模拟得到所有绑点与其对应的RGB寄存器配置值的关系模拟曲线f1作为所述GAMMA数据模型。
作为本发明的进一步改进，分别依据所述第一关系和所述第二关系建立第一神经网络泛函数F1和第二神经网络泛函数F2，以减少对应的样本库中OLED模组样本编号获取的计算时间。
作为本发明的进一步改进，比较待调节OLED模组的第一特定绑点对应的RGB寄存器配置值与OLED模组样本的第二特定绑点对应的RGB寄存器配置值的差值绝对值，以确定所述对应的样本库中OLED模组样本编号。
为实现上述目的，按照本发明的一个方面，提供了另一种OLED模组的GAMMA调节初值预测系统，该系统包括数据采集模块和数据处理模块，其特征在于，
数据采集模块用于依据数据处理模块的指令采集预设GAMMA调节模式下OLED模组的绑点与对应的RGB寄存器配置值发送给所述数据处理模块；
数据处理模块获取待调节OLED模组的第一特定绑点对应的RGB寄存器配置值，依据第一关系和上述寄存器配置值获得对应的样本库中OLED模组样本编号，依据第二关系和所述样本库OLED模组样本编号获得GAMMA数据模型，依据上述GAMMA数据模型得到待调节OLED模组所有待调节绑点对应的RGB寄存器初始值；
GAMMA数据模型为：样本库中OLED模组样本编号下的所有绑点与其对应的RGB寄存器配置值的关系；
第一关系为：选择样本库中每个OLED模组样本与第一特定绑点属性相同的第二特定绑点，建立每个OLED模组样本编号与第二特定绑点对应的RGB寄存器配置值的关系；
第二关系为：样本库中每个OLED模组样本编号与其一一对应的GAMMA数据模型的关系。
作为本发明的进一步改进，依据所有OLED模组样本的第二特定绑点对应的RGB寄存器配置值的大小排序得到OLED模组样本编号。
作为本发明的进一步改进，获取所述GAMMA数据模型包括以下步骤：
预设GAMMA调节模式下，获取OLED模组样本的若干绑点下其对应的RGB寄存器配置值，模拟得到所有绑点与其对应的RGB寄存器配置值的关系模拟曲线f1作为所述GAMMA数据模型。
作为本发明的进一步改进，分别依据第一关系和第二关系建立第一神经网络泛函数F1和第二神经网络泛函数F2，以减少对应的样本库中OLED模组样本编号获取的计算时间。
作为本发明的进一步改进，比较待调节OLED模组的第一特定绑点对应的RGB寄存器配置值与OLED模组样本的第二特定绑点对应的RGB寄存器配置值的差值绝对值，以确定对应的样本库中OLED模组样本编号。
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：
本发明的一种OLED模组的GAMMA调节初值预测方法及系统，其利用采集预设数量的OLED模组样本的Gamma调节数据和待调节OLED模组任一预设绑点下GammaTuning对应的寄存器值，选择样本库中每个OLED模组样本与第一特定绑点属性相同的第二特定绑点，建立每个OLED模组样本编号与第二特定绑点对应的RGB寄存器配置值的第一关系，样本库中每个OLED模组样本编号与其一一对应的GAMMA数据模型的关系建立第二关系，利用第一关系和上述寄存器配置值获得对应的样本库中OLED模组样本编号，依据第二关系和样本库OLED模组样本编号获得GAMMA数据模型，从而提高了待调节OLED模组的Gamma调制值初始值的准确度，减少了待调节OLED模组的Gamma调节时间，从而提高了显示屏生产线的产能。
本发明的一种OLED模组的GAMMA调节初值预测方法及系统，其利用统计每一个显示屏样本多个预设绑点与对应的寄存器值的分布关系曲线f1得到第一神经网络泛函数F1，依据显示屏样本编号和对应的任一预设绑点下寄存器值得到第二神经网络泛函数F2，利用神经网络泛函数可以减少对应的样本库中OLED模组样本编号获取的计算时间，从而进一步减少OLED模组的Gamma调节时间。
附图说明
图1是本发明技术方案的实施例的一种OLED模组的GAMMA调节初值预测方法的示意图；
图2是本发明技术方案的实施例的第二关系的示意图；
图3是本发明技术方案的实施例的GAMMA数据模型的示意图；
图4是本发明技术方案的实施例的第一关系的示意图。
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。
图1是本发明技术方案的实施例的一种OLED模组的GAMMA调节初值预测方法的示意图。如图1所示，该方法具体步骤为：
预设GAMMA调节模式下，获取待调节OLED模组的第一特定绑点对应的RGB寄存器配置值，依据第一关系和上述寄存器配置值获得对应的样本库中OLED模组样本编号，依据第二关系和样本库OLED模组样本编号获得GAMMA数据模型，依据上述GAMMA数据模型得到待调节OLED模组所有待调节绑点对应的RGB寄存器初始值；
GAMMA数据模型为：所述样本库中OLED模组样本编号下的所有绑点与其对应的RGB寄存器配置值的关系，具体地，作为一个示例，预设GAMMA调节模式下，获取OLED模组样本的若干绑点下其对应的RGB寄存器配置值，模拟得到所有绑点与其对应的RGB寄存器配置值的关系模拟曲线f1作为GAMMA数据模型，这里绑点的个数可以依据模拟曲线f1的需要进行相应的设置。
第一关系为：选择样本库中每个OLED模组样本与第一特定绑点属性相同的第二特定绑点，建立每个OLED模组样本编号与第二特定绑点对应的RGB寄存器配置值的关系；
作为一个示例，可以依据OLED模组样本编号和对应的任一预设绑点下寄存器值得到第一神经网络泛函数F1；作为一个优选的方案，还可以依据所有OLED模组样本的第二特定绑点对应的RGB寄存器配置值的大小排序得到OLED模组样本编号。
第二关系为：样本库中每个OLED模组样本编号与其一一对应的GAMMA数据模型的关系；
作为一个示例，可以利用神经网络泛函数进行统计，即统计每一个OLED模组样本所有绑点与对应的寄存器值的分布关系曲线f1得到第二神经网络泛函数F2；
可以对待调节显示屏进行Gamma调节得到第一特定绑点下对应的寄存器值，将相应的值输入第二神经网络泛函数F2得到对应的样本库中OLED模组样本编号，利用第一神经网络泛函数F1得到匹配的显示屏样本的多个预设绑点与对应的寄存器值，将匹配的显示屏样本的多个预设绑点与对应的寄存器值作为待调节显示屏的GammaTuning初始值。
作为一个优选的方案，比较待调节OLED模组的第一特定绑点对应的RGB寄存器配置值与OLED模组样本的第二特定绑点对应的RGB寄存器配置值的差值绝对值，以确定所述对应的样本库中OLED模组样本编号。
图2是本发明技术方案的实施例的第二关系的示意图。如图2所示，以一批1000块OLED模组进行GammaTuning之后的RGB寄存器数据作为示例，得到相应的各绑点寄存器数据的分布图，可知1000块屏的进行GammaTuning之后的RGB寄存器数据都集中在一个较小的区间内。图3是本发明技术方案的实施例的GAMMA数据模型的示意图。如图3所示，可通过一个Nomal模式下的各绑点寄存器值可以得到绑点数据与寄存器数据关系泛函数f1，并获得图中的一组曲线，统计1000块屏的数据就可以得到1000块屏某Nomal模式下的绑点数据与寄存器关系的第二神经网络泛函数F2。图4是本发明技术方案的实施例的第一关系的示意图。如图4所示，作为一个示例，可以将所有OLED模组样本的最高绑点对应的寄存器值依据从大到小的顺序进行编号，也是屏的编号即关系函数f1的编号，以屏的编号即关系函数f1的编号作为输入，最高绑点寄存器数据作为输出，那么可以得到该绑点下屏的编号与寄存器关系的第一神经网络泛函数F1。利用两个神经网络泛函数的映射关系，通过最高绑点的寄存器值输入到第二神经网络泛函数F2可以得到对应的屏号，将屏号数据作为第二神经网络泛函数F2的输入就可以得到匹配的显示屏样本的所有绑点的拟合曲线，利用每个灰阶/绑点可以在拟合曲线上找到对应寄存器值，即得到了该屏的所有绑点寄存器初值。
一种OLED模组的GAMMA调节初值预测系统，该系统包括数据采集模块和数据处理模块，
数据采集模块用于依据数据处理模块的指令采集预设GAMMA调节模式下OLED模组的绑点与对应的RGB寄存器配置值发送给数据处理模块；
数据处理模块获取待调节OLED模组的第一特定绑点对应的RGB寄存器配置值，依据第一关系和上述寄存器配置值获得对应的样本库中OLED模组样本编号，依据第二关系和所述样本库OLED模组样本编号获得GAMMA数据模型，依据上述GAMMA数据模型得到待调节OLED模组所有待调节绑点对应的RGB寄存器初始值；
GAMMA数据模型为：所述样本库中OLED模组样本编号下的所有绑点与其对应的RGB寄存器配置值的关系；具体地，作为一个示例，预设GAMMA调节模式下，获取OLED模组样本的若干绑点下其对应的RGB寄存器配置值，模拟得到所有绑点与其对应的RGB寄存器配置值的关系模拟曲线f1作为GAMMA数据模型，这里绑点的个数可以依据模拟曲线f1的需要进行相应的设置；
第一关系为：选择样本库中每个OLED模组样本与第一特定绑点属性相同的第二特定绑点，建立每个OLED模组样本编号与第二特定绑点对应的RGB寄存器配置值的关系；
作为一个示例，可以依据OLED模组样本编号和对应的任一预设绑点下寄存器值得到第一神经网络泛函数F1；作为一个优选的方案，还可以依据所有OLED模组样本的第二特定绑点对应的RGB寄存器配置值的大小排序得到OLED模组样本编号。
第二关系为：所述样本库中每个OLED模组样本编号与其一一对应的GAMMA数据模型的关系。
作为一个示例，可以利用神经网络泛函数进行统计，即统计每一个OLED模组样本所有绑点与对应的寄存器值的分布关系曲线f1得到第二神经网络泛函数F2；
可以对待调节显示屏进行Gamma调节得到第一特定绑点下对应的寄存器值，将相应的值输入第二神经网络泛函数F2得到对应的样本库中OLED模组样本编号，利用第一神经网络泛函数F1得到匹配的显示屏样本的多个预设绑点与对应的寄存器值，将匹配的显示屏样本的多个预设绑点与对应的寄存器值作为待调节显示屏的GammaTuning初始值。
作为一个优选的方案，比较待调节OLED模组的第一特定绑点对应的RGB寄存器配置值与OLED模组样本的第二特定绑点对应的RGB寄存器配置值的差值绝对值，以确定所述对应的样本库中OLED模组样本编号。
表1为本发明技术方案的实施例与现有技术的对比结果。如表1所示，依据本发明技术方案的实施例中的预测方法，对某型号的屏进行gammaTuning，调节的要求是6个Nomal模式，每个Nomal模式15个灰阶，共90个绑点要进行调节。
表1.本发明技术方案的实施例与现有技术的对比结果
从表格数据中可以看出，在总的调节步数上，本发明技术方案的实施例的预测方法比现有技术的方法少了近100步，说明初值给的十分准确，而在GammaTuning时间上，本发明技术方案的实施例的预测方法比现有技术少近10秒的时间
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OLED模组的GAMMA调节初值预测方法，其特征在于，具体步骤为：
预设GAMMA调节模式下，获取待调节OLED模组的第一特定绑点对应的RGB寄存器配置值，依据第一关系和上述寄存器配置值获得对应的样本库中OLED模组样本编号，依据第二关系和所述样本库OLED模组样本编号获得GAMMA数据模型，依据上述GAMMA数据模型得到待调节OLED模组所有待调节绑点对应的RGB寄存器初始值；
所述GAMMA数据模型为：所述样本库中OLED模组样本编号下的所有绑点与其对应的RGB寄存器配置值的关系；
所述第一关系为：选择所述样本库中每个OLED模组样本与所述第一特定绑点属性相同的第二特定绑点，建立每个OLED模组样本编号与第二特定绑点对应的RGB寄存器配置值的关系；
所述第二关系为：所述样本库中每个OLED模组样本编号与其一一对应的GAMMA数据模型的关系。
2.根据权利要求1所述的一种OLED模组的GAMMA调节初值预测方法，其特征在于，依据所有OLED模组样本的第二特定绑点对应的RGB寄存器配置值的大小排序得到OLED模组样本编号。
3.根据权利要求1或2所述的一种OLED模组的GAMMA调节初值预测方法，其特征在于，获取所述GAMMA数据模型包括以下步骤：
所述预设GAMMA调节模式下，获取OLED模组样本的若干绑点下其对应的RGB寄存器配置值，模拟得到所有绑点与其对应的RGB寄存器配置值的关系模拟曲线f1作为所述GAMMA数据模型。
4.根据权利要求1-3中任一项所述的一种OLED模组的GAMMA调节初值预测方法，其特征在于，分别依据所述第一关系和所述第二关系建立第一神经网络泛函数F1和第二神经网络泛函数F2，以减少对应的样本库中OLED模组样本编号获取的计算时间。
5.根据权利要求1-4中任一项所述的一种OLED模组的GAMMA调节初值预测方法，其特征在于，比较待调节OLED模组的第一特定绑点对应的RGB寄存器配置值与OLED模组样本的第二特定绑点对应的RGB寄存器配置值的差值绝对值，以确定所述对应的样本库中OLED模组样本编号。
6.一种OLED模组的GAMMA调节初值预测系统，该系统包括数据采集模块和数据处理模块，其特征在于，
所述数据采集模块用于依据数据处理模块的指令采集预设GAMMA调节模式下OLED模组的绑点与对应的RGB寄存器配置值发送给所述数据处理模块；
所述数据处理模块获取待调节OLED模组的第一特定绑点对应的RGB寄存器配置值，依据第一关系和上述寄存器配置值获得对应的样本库中OLED模组样本编号，依据第二关系和所述样本库OLED模组样本编号获得GAMMA数据模型，依据上述GAMMA数据模型得到待调节OLED模组所有待调节绑点对应的RGB寄存器初始值；
所述GAMMA数据模型为：所述样本库中OLED模组样本编号下的所有绑点与其对应的RGB寄存器配置值的关系；
所述第一关系为：选择所述样本库中每个OLED模组样本与所述第一特定绑点属性相同的第二特定绑点，建立每个OLED模组样本编号与第二特定绑点对应的RGB寄存器配置值的关系；
所述第二关系为：所述样本库中每个OLED模组样本编号与其一一对应的GAMMA数据模型的关系。
7.根据权利要求6所述的一种OLED模组的GAMMA调节初值预测系统，其特征在于，依据所有OLED模组样本的第二特定绑点对应的RGB寄存器配置值的大小排序得到OLED模组样本编号。
8.根据权利要求6或7所述的一种OLED模组的GAMMA调节初值预测系统，其特征在于，获取所述GAMMA数据模型包括以下步骤：
所述预设GAMMA调节模式下，获取OLED模组样本的若干绑点下其对应的RGB寄存器配置值，模拟得到所有绑点与其对应的RGB寄存器配置值的关系模拟曲线f1作为所述GAMMA数据模型。
9.根据权利要求6-8中任一项所述的一种OLED模组的GAMMA调节初值预测系统，其特征在于，分别依据所述第一关系和所述第二关系建立第一神经网络泛函数F1和第二神经网络泛函数F2，以减少对应的样本库中OLED模组样本编号获取的计算时间。
10.根据权利要求6-9中任一项所述的一种OLED模组的GAMMA调节初值预测系统，其特征在于，比较待调节OLED模组的第一特定绑点对应的RGB寄存器配置值与OLED模组样本的第二特定绑点对应的RGB寄存器配置值的差值绝对值，以确定所述对应的样本库中OLED模组样本编号。
CN201910522729.8A 2019-06-17 2019-06-17 一种oled模组的gamma调节初值预测方法及系统 Active CN110310596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910522729.8A CN110310596B (zh) 2019-06-17 2019-06-17 一种oled模组的gamma调节初值预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910522729.8A CN110310596B (zh) 2019-06-17 2019-06-17 一种oled模组的gamma调节初值预测方法及系统

Publications (2)

Publication Number Publication Date
CN110310596A true CN110310596A (zh) 2019-10-08
CN110310596B CN110310596B (zh) 2021-03-12

Family

ID=68077293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910522729.8A Active CN110310596B (zh) 2019-06-17 2019-06-17 一种oled模组的gamma调节初值预测方法及系统

Country Status (1)

Country Link
CN (1) CN110310596B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110459170A (zh) * 2019-10-11 2019-11-15 武汉精立电子技术有限公司 一种模组Gamma校正方法、终端设备及计算机可读介质
CN110675818A (zh) * 2019-12-03 2020-01-10 武汉精立电子技术有限公司 一种基于曲线匹配的模组Gamma校正方法及系统
CN110728362A (zh) * 2019-12-19 2020-01-24 武汉精立电子技术有限公司 一种基于LSTM神经网络的模组Gamma调节方法
CN112863421A (zh) * 2021-02-09 2021-05-28 武汉天马微电子有限公司 伽马调节方法及装置、驱动芯片、显示装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8188952B1 (en) * 2007-11-08 2012-05-29 Alta Analog, Inc. System and method for reducing LCD flicker
US20120206746A1 (en) * 2011-02-15 2012-08-16 Kazuomi Sakatani Color adjustment method and image forming system
CN105590587A (zh) * 2016-03-24 2016-05-18 京东方科技集团股份有限公司 一种用于显示模组的伽马校正方法和装置
CN105702215A (zh) * 2016-04-26 2016-06-22 京东方科技集团股份有限公司 伽马电压校正方法及装置
CN106297699A (zh) * 2016-08-30 2017-01-04 深圳市华星光电技术有限公司 液晶显示面板的画面调整方法及装置
US20170032035A1 (en) * 2015-07-28 2017-02-02 Microsoft Technology Licensing, Llc Representation Learning Using Multi-Task Deep Neural Networks
CN106875916A (zh) * 2017-04-27 2017-06-20 武汉华星光电技术有限公司 液晶显示面板的烧录方法及液晶显示面板烧录装置
CN109584792A (zh) * 2018-11-05 2019-04-05 苏州佳智彩光电科技有限公司 一种OLED屏的灰阶gamma快速调整方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8188952B1 (en) * 2007-11-08 2012-05-29 Alta Analog, Inc. System and method for reducing LCD flicker
US20120206746A1 (en) * 2011-02-15 2012-08-16 Kazuomi Sakatani Color adjustment method and image forming system
US20170032035A1 (en) * 2015-07-28 2017-02-02 Microsoft Technology Licensing, Llc Representation Learning Using Multi-Task Deep Neural Networks
CN105590587A (zh) * 2016-03-24 2016-05-18 京东方科技集团股份有限公司 一种用于显示模组的伽马校正方法和装置
CN105702215A (zh) * 2016-04-26 2016-06-22 京东方科技集团股份有限公司 伽马电压校正方法及装置
CN106297699A (zh) * 2016-08-30 2017-01-04 深圳市华星光电技术有限公司 液晶显示面板的画面调整方法及装置
CN106875916A (zh) * 2017-04-27 2017-06-20 武汉华星光电技术有限公司 液晶显示面板的烧录方法及液晶显示面板烧录装置
CN109584792A (zh) * 2018-11-05 2019-04-05 苏州佳智彩光电科技有限公司 一种OLED屏的灰阶gamma快速调整方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
秦明 等: "《工业大数据集成应用综述》", 《软件导刊》 *
邰永航 等: "《主动式有机发光显示器的伽马校正》", 《光电工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110459170A (zh) * 2019-10-11 2019-11-15 武汉精立电子技术有限公司 一种模组Gamma校正方法、终端设备及计算机可读介质
CN110675818A (zh) * 2019-12-03 2020-01-10 武汉精立电子技术有限公司 一种基于曲线匹配的模组Gamma校正方法及系统
CN110675818B (zh) * 2019-12-03 2020-05-19 武汉精立电子技术有限公司 一种基于曲线匹配的模组Gamma校正方法及系统
CN110728362A (zh) * 2019-12-19 2020-01-24 武汉精立电子技术有限公司 一种基于LSTM神经网络的模组Gamma调节方法
CN110728362B (zh) * 2019-12-19 2020-05-22 武汉精立电子技术有限公司 一种基于LSTM神经网络的模组Gamma调节方法
CN112863421A (zh) * 2021-02-09 2021-05-28 武汉天马微电子有限公司 伽马调节方法及装置、驱动芯片、显示装置

Also Published As

Publication number Publication date
CN110310596B (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN110310596A (zh) 一种oled模组的gamma调节初值预测方法及系统
CN104655403B (zh) 一种点阵光源发光均匀性测试方法
CN108492776B (zh) 一种amoled屏亮度不均智能外部光学补偿方法
EP2161555B1 (en) Coating color database creating method, search method using the database, their system, program, and recording medium
CN106373523B (zh) 拼接亮暗线补偿方法
CN104821157B (zh) 显示校正系统
WO2022088954A1 (zh) 用于显示装置的亮度补偿方法、驱动方法及装置
CN106920496A (zh) 显示面板的检测方法和检测装置
CN110675818B (zh) 一种基于曲线匹配的模组Gamma校正方法及系统
CN107346653B (zh) 一种基于深度学习的gamma曲线调校方法及装置
CN112534243B (zh) 检查装置与方法及计算机能读取的非临时性的记录介质
CN109872309A (zh) 检测系统、方法、装置及计算机可读存储介质
CN107682682A (zh) 一种自动校正显示屏幕的色坐标和亮度的方法及相关设备
CN109637441B (zh) 一种基于卡尔曼滤波的模组Gamma校正方法
CN201904067U (zh) 全彩led显示屏非均匀性逐点校正系统
CN104851387A (zh) 显示装置及其驱动方法
CN109819245B (zh) 基于aoi平台的色度亮度数据的在线测量方法及装置
CN113191988B (zh) 亮度矫正方法及装置、存储介质、电子装置
CN107180605A (zh) 一种消除显示设备Mura的方法、消除显示设备Mura装置和显示设备
CN109872687A (zh) 伽马校正方法、伽马校正模组、显示面板和显示装置
CN109978864A (zh) 显示面板检测系统、方法、装置以及存储介质
CN106226033A (zh) 检测透光基板透过率的方法及装置
CN110113591A (zh) 白平衡调整系统
CN117831481B (zh) 超薄型lcm显示屏及其显示优化方法
CN112598582A (zh) 图像校正及校正数据产生方法、装置及系统和显示方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant