CN111382841B - 一种估计屏体灯点间距的方法 - Google Patents

一种估计屏体灯点间距的方法 Download PDF

Info

Publication number
CN111382841B
CN111382841B CN202010143015.9A CN202010143015A CN111382841B CN 111382841 B CN111382841 B CN 111382841B CN 202010143015 A CN202010143015 A CN 202010143015A CN 111382841 B CN111382841 B CN 111382841B
Authority
CN
China
Prior art keywords
value
neuron
layer
screen
input
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.)
Active
Application number
CN202010143015.9A
Other languages
English (en)
Other versions
CN111382841A (zh
Inventor
何志民
王利文
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.)
Colorlight Cloud Technology Co Ltd
Original Assignee
Colorlight Shenzhen Cloud 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 Colorlight Shenzhen Cloud Technology Co Ltd filed Critical Colorlight Shenzhen Cloud Technology Co Ltd
Priority to CN202010143015.9A priority Critical patent/CN111382841B/zh
Publication of CN111382841A publication Critical patent/CN111382841A/zh
Application granted granted Critical
Publication of CN111382841B publication Critical patent/CN111382841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09F—DISPLAYING; ADVERTISING; SIGNS; LABELS OR NAME-PLATES; SEALS
    • G09F9/00—Indicating arrangements for variable information in which the information is built-up on a support by selection or combination of individual elements
    • G09F9/30—Indicating arrangements for variable information in which the information is built-up on a support by selection or combination of individual elements in which the desired character or characters are formed by combining individual elements
    • G09F9/302—Indicating arrangements for variable information in which the information is built-up on a support by selection or combination of individual elements in which the desired character or characters are formed by combining individual elements characterised by the form or geometrical disposition of the individual elements
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09F—DISPLAYING; ADVERTISING; SIGNS; LABELS OR NAME-PLATES; SEALS
    • G09F9/00—Indicating arrangements for variable information in which the information is built-up on a support by selection or combination of individual elements
    • G09F9/30—Indicating arrangements for variable information in which the information is built-up on a support by selection or combination of individual elements in which the desired character or characters are formed by combining individual elements
    • G09F9/33—Indicating arrangements for variable information in which the information is built-up on a support by selection or combination of individual elements in which the desired character or characters are formed by combining individual elements being semiconductor devices, e.g. diodes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明涉及屏体灯点校正技术领域，尤其涉及一种估计屏体灯点间距的方法。该方法包括：采集显示屏屏幕信息的数据样本；对输入变量进行归一化处理，获得对应的归一化对象，并记录对应的归一化映射规则；搭建BP神经网络框架，并以输入变量以及输出变量作为训练样本，对搭建的BP神经网络框架进行训练，获得训练完成的BP神经网络；获取待预测屏体灯点间距的显示屏的屏幕信息，并根据记录的归一化映射规则，将当前的屏幕信息作为输入变量，进行归一化处理，并将归一化处理后的数值输入至训练完成的BP神经网络中，输出显示屏的屏体灯点间距。与现有技术相比，该方法可以估计屏体灯点间距，且无需输入，简化用户操作，减少出错风险。

Description

一种估计屏体灯点间距的方法
技术领域
本发明涉及屏体灯点校正技术领域，尤其涉及一种估计屏体灯点间距的方法。
背景技术
目前市面上的LED校正系统，大部分需要用户手动输入屏体灯点间距以用于后续分析。用户需要实现测量或获知屏体灯点间距用以输入，否则就会在校正过程中停滞在当前这一步，不方便也不智能；如胡乱输入，则会导致后续工作出现问题，难以排查。
发明内容
为解决上述问题，本发明提供了一种估计屏体灯点间距的方法，使用时只需要进行一次建模，用户操作简单，使用方便，减少出错风险。
本发明采用的技术方案如下所述：
一种估计屏体灯点间距的方法，该方法包括：
S100：采集显示屏屏幕信息的数据样本，数据样本包括输入变量以及输出变量；其中，输入变量包括箱体宽度、箱体高度、数据组数以及打折数X，输出变量包括屏体灯点间距。
S200：对输入变量进行归一化处理，获得对应的归一化对象，并记录对应的归一化映射规则。
S300：根据归一化对象及归一化映射规则搭建BP神经网络框架，并以输入变量以及输出变量作为训练样本，对搭建的BP神经网络框架进行训练，获得训练完成的BP神经网络。
S400：获取待预测屏体灯点间距的显示屏的屏幕信息，并根据S200中记录的归一化映射规则，将当前的屏幕信息作为输入变量，进行归一化处理，并将归一化处理后的数值输入至训练完成的BP神经网络中，输出显示屏的屏体灯点间距。
进一步的，步骤S200中，归一化处理的规则为：
Figure GDA0002804184880000021
其中，Xmax为输入变量中的最大值，Xmin为输入变量中的最小值，X为输入变量，
Figure GDA0002804184880000022
为输入变量进行归一化处理后的数值。
进一步的，对步骤S300中，BP神经网络的训练方法为：
S301：初始化BP神经网络权重，利用随机函数产生的数值赋值给每两个神经元之间的网络连接权重，以及每个神经元的偏置值。
S302：BP神经网络包括：依次连接的输入层、隐含层和输出层；在正向传播过程中，输入变量从输入层经隐含层逐层处理，并传向输出层，获得每个神经元的输出值；并通过激活函数获取最终的实际输出值，其中，激活函数为logistic函数或sigmoid函数。
S303：将输出层的实际输出值与预期输出值进行比较，获得输出层的误差，且通过BP神经网络反向传播误差，依次获得最后一个隐含层到第一隐含层的每一神经元误差值。
S304：从输入层与第一隐含层的连接权重开始，依次反向传播调整权重，并调整神经元的偏置值。
S305：若当前的误差值小于预设的误差值或当前训练步数达到训练步数上限，则训练结束，选取下一个样本，重新执行步骤S302；否则，训练步数加一，继续使用当前样本执行步骤S302。
进一步的，在步骤S302正向传播过程中，每个神经元的输出值对应的计算公式为：
Figure GDA0002804184880000031
其中：O为神经元的输出值，S为神经元总输入，θ为神经元的偏置值，wij为上一层的神经元i到本神经元j的网络权重，m为输入层节点数，i的取值为1，2，…，m；j的取值为1,2，…，n，n为选取的输入变量的样本数量。
进一步的，在步骤S302中激活函数为：
Figure GDA0002804184880000032
其中：Q为激活函数，S为神经元总输入。
进一步的，在步骤S303中，输出层的误差值计算公式为：
Ej＝Oj*(1-Oj)*(Tj-Oj)
隐含层的每一神经元误差值的计算公式为：
Figure GDA0002804184880000033
其中：E为误差值，T为输出变量的预期输出值，wjk为上一层的神经元j到本神经元k的网络权重，k的取值为1，2，…，p；p为隐含层节点数。
进一步的，在步骤S304中，调整权重的计算公式为：
wij＝wij+Δwij＝wij+L*Oi*Ej
调整神经元的偏置值的计算公式为：
θj＝θj+Δθj＝θj+L*E′j
其中：L为学习率，取0～1之间的常数。
进一步的，预设的误差值为0.000001，训练步数上限10000次，学习率L取0.001。
与现有技术相比，本发明技术方案获得的有益效果：本发明从影响屏体灯点间距的主导因素角度，结合大量的显示屏屏幕信息数据样本，建立屏幕参数与屏体灯点间距间的关系式；并在用户使用校正软件时，自动回读当前的屏幕参数；将当前的屏幕参数带入至建立的屏幕参数与屏体灯点间距间的关系式中，输出对应的屏体灯点间距，无需输入，简化用户操作，减少出错风险。同时，上述估计屏体灯点间距的方法，使用时只需要进行一次建模，后续用户使用只需要进行步骤S400即可，用户操作简单，使用方便。
本发明中还提供了一种估计屏体灯点间距的预测系统，该预测系统包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，计算机指令被处理器运行时，完成上述任一项估计屏体灯点间距的方法中的步骤。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种实施例的估计屏体灯点间距的方法的步骤流程图一；
图2为本发明一种实施例的估计屏体灯点间距的方法的步骤流程图二；
图3为图1中BP神经网络的训练步骤流程图；
图4为本发明一种实施例的估计屏体灯点间距的方法的步骤流程图三。
具体实施方式
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
下面结合附图1至附图4以及具体实施例，详细论述本发明：
一种估计屏体灯点间距的方法，具体步骤实施：
S100：采集显示屏屏幕信息的数据样本，数据样本包括输入变量以及输出变量；其中，输入变量包括箱体宽度、箱体高度、数据组数以及打折数X，输出变量包括屏体灯点间距。需要说明的，本发明中的箱体宽度为单张接收卡带载在箱体宽度方向的实际像素点数目，而箱体高度则为单张接收卡带载在箱体高度方向的实际像素点数目。同时，显示屏图像的变化是由接收卡控制，每张接收卡都控制一部分画面，这一部分画面又可以分成很多组来控制，每一组画面所需要的红、绿、蓝数据信号由固定管脚来控制输出，这样以红绿蓝为一组的控制数据，称之为数据组数，一般用RGB(红绿蓝)来表示一组数据。打折数X，可以为1折、2折、3折、4折、5折、6折、7折、8折等，打折数的设定是与输入变量中的其它变量相匹配的。其作用是通过减少带载高度，或者将未利用的HUB口移到屏体的宽度上，从而达到增加带载宽度和提高显示效果的目的。
S200：对输入变量进行归一化处理，获得对应的归一化对象，并记录对应的归一化映射规则。由于输入变量中的数据变动范围很大，为了加快BP神经网络模型的训练速度，需要对反映显示屏屏幕信息的数据进行归一化处理，将输入变量转化为[0,1]区间的实数，用于完成神经网络模型的训练。具体的，步骤S200中归一化处理的规则为：
Figure GDA0002804184880000051
其中，Xmax为输入变量中的最大值，Xmin为输入变量中的最小值，X为输入变量，
Figure GDA0002804184880000052
为输入变量进行归一化处理后的数值。
S300：根据归一化对象及归一化映射规则搭建BP神经网络框架，该BP神经网络框架包括：依次连接的输入层、隐含层和输出层，并以输入变量以及输出变量作为训练样本，对搭建的BP神经网络框架进行训练，获得训练完成的BP神经网络。其中，在导入归一化处理的输入变量后，可以对输入变量顺序编号，按照编号给出对应的输出变量即标签，方便输入变量与输出变量的对应。
在本实施例中，输入层设置四个节点，即输入层设置四个向量维度，分别为箱体宽度、箱体高度、数据组数以及打折数X；隐含层设置3层，每层设置的节点数目依次为10、6、2，输出层设置一个向量维度，即屏体灯点间距。需要说明的是，该BP神经网络还可替换为决策数，随机森林等均可实现本方案，本方案以采用BP神经网络技术方案为例，对本发明进行说明。其中，步骤S300中，BP神经网络的训练方法具体为：
S301：初始化BP神经网络权重，利用随机函数产生的数值赋值给每两个神经元之间的网络连接权重，以及每个神经元的偏置值。同时选取第一个输入变量作为第一训练样本，进行训练。
S302：而该BP神经网络在正向传播过程中，输入变量从输入层经隐含层逐层处理，并传向输出层，获得每个神经元的输出值。具体的，在步骤S302正向传播过程中，每个神经元的输出值对应的计算公式为：
Figure GDA0002804184880000061
其中：O为神经元的输出值，Oj为j神经元的输出值，Oi为上一层神经元i的输出值；W为权重，wij为上一层的神经元i到本神经元j的网络权重；S为神经元总输入，Sj为j神经元总输入；θ神经元的偏置值，θj为本神经元j的偏置值；m为输入层节点数，i的取值为1，2，…，m；j的取值为1,2，…，n，n为选取的输入变量的样本数量。该计算公式中，利用θj即本神经元j的偏置值充当阈值，可以改变神经元的活性。
且从上述公式可以看到，j神经元的输出值取决于神经元总输入，即
Figure GDA0002804184880000071
并通过激活函数获取最终的实际输出值，其中，激活函数为logistic函数或sigmoid函数，该激活函数能够将输入值映射为区间0～1之间的一个值。具体的，步骤S302中的激活函数为：
Figure GDA0002804184880000072
其中：Q为激活函数；S为神经元总输入；j的取值为1,2，…，n。
S303：将输出层的实际输出值与预期输出值进行比较，获得输出层的误差，且通过BP神经网络反向传播误差，前一层神经元的误差可以通过和它连接的后一层的所有神经元的误差计算所得，并依次获得最后一个隐含层到第一隐含层的每一神经元误差值。具体的，在步骤S303中，输出层的误差值计算公式为：
Ej＝Oj*(1-Oj)*(Tj-Oj)
隐含层的每一神经元误差值的计算公式为：
Figure GDA0002804184880000073
其中：E为误差值，Ej为j神经元的误差值；T为输出变量的预期输出值，Tj为j神经元的预期输出值；wjk为上一层的神经元j到本神经元k的网络权重，k的取值为1，2，…，p；p为隐含层的节点数目。
S304：从输入层与第一隐含层的连接权重开始，依次反向传播调整权重，并调整神经元的偏置值。具体的，在步骤S304中，调整权重的计算公式为：
wij＝wij+Δwij＝wij+L*Oi*Ej
调整神经元的偏置值的计算公式为：
θj＝θj+Δθj＝θj+L*E′j
其中：L为学习率，取0～1之间的常数。
S305：若当前的误差值小于预设的误差值或当前训练步数达到训练步数上限，则训练结束，选取下一个训练样本，重新执行步骤S302；否则，训练步数加一，继续使用当前训练样本执行步骤S302；将所有训练样本均训练完成后，获得对应的训练完成的BP神经网络。具体的，在本实施例中，预设的误差值取0.000001，训练步数上限10000次，学习率L取0.001。同时，本发明中样本顺序选择即可，无需设置特定的选取顺序。
S400：获取待预测屏体灯点间距的显示屏的屏幕信息，并根据S200中记录的归一化映射规则，将当前的屏幕信息作为输入变量，进行归一化处理，并将归一化处理后的数值输入至训练完成的BP神经网络中，输出对应的显示屏的屏体灯点间距。具体的，获取待预测屏体灯点间距的显示屏的屏幕信息的方法是通过校正软件自动回读当前的屏幕参数，回读为校正软件自动进行，无需用户进行多余操作。
采用上述估计屏体灯点间距的方法，使用时只需要进行一次建模，后续用户使用只需要进行步骤S400即可，用户说操作简单，使用方便，减少出错风险。同时，步骤S400和步骤S100中需要的屏幕参数为校正前屏幕必须参数，存放在屏幕箱体的接收卡中，回读为校正软件自动进行，无需用户进行多余操作。
从上述的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
从影响屏体灯点间距的主导因素角度，结合大量的显示屏屏幕信息数据样本，建立屏幕参数与屏体灯点间距间的关系式；并在用户使用校正软件时，自动回读当前的屏幕参数；将当前的屏幕参数带入至建立的屏幕参数与屏体灯点间距间的关系式中，输出对应的屏体灯点间距，无需输入，简化用户操作，减少出错风险。用户甚至不用点击“估计/计算”，而各个选项则正好选中了正确的位置。
本发明中还提供了一种估计屏体灯点间距的预测系统，该预测系统包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，计算机指令被处理器运行时，完成上述任一项估计屏体灯点间距的方法的步骤。该系统结构简单，同时具有该估计屏体灯点间距的方法的全部优点。
本发明说明书中使用的术语和措辞仅仅为了举例说明，并不意味构成限定。本领域技术人员应当理解，在不脱离所公开的实施方式的基本原理的前提下，对上述实施方式中的各细节可进行各种变化。因此，本发明的范围只由权利要求确定，在权利要求中，除非另有说明，所有的术语应按最宽泛合理的意思进行理解。

Claims (9)

1.一种估计屏体灯点间距的方法，其特征在于，所述方法包括：
S100：采集显示屏屏幕信息的数据样本，所述数据样本包括输入变量以及输出变量；其中，所述输入变量包括箱体宽度、箱体高度、数据组数以及打折数X，所述输出变量包括屏体灯点间距；
S200：对所述输入变量进行归一化处理，获得对应的归一化对象，并记录对应的归一化映射规则；
S300：根据所述归一化对象及归一化映射规则搭建BP神经网络框架，并以所述输入变量以及所述输出变量作为训练样本，对搭建的BP神经网络框架进行训练，获得训练完成的BP神经网络；
S400：获取待预测屏体灯点间距的显示屏的屏幕信息，并根据S200中记录的所述归一化映射规则，将当前的所述屏幕信息作为输入变量，进行归一化处理，并将归一化处理后的数值输入至训练完成的BP神经网络中，输出所述显示屏的屏体灯点间距。
2.根据权利要求1所述的估计屏体灯点间距的方法，其特征在于：步骤S200中，所述归一化处理的规则为：
Figure FDA0002804184870000011
其中，Xmax为输入变量中的最大值，Xmin为输入变量中的最小值，X为输入变量，
Figure FDA0002804184870000012
为输入变量进行归一化处理后的数值。
3.根据权利要求1所述的估计屏体灯点间距的方法，其特征在于：对步骤S300中，所述BP神经网络的训练方法为：
S301：初始化BP神经网络权重，利用随机函数产生的数值赋值给每两个神经元之间的网络连接权重，以及每个神经元的偏置值；
S302：所述BP神经网络包括：依次连接的输入层、隐含层和输出层；在正向传播过程中，所述输入变量从所述输入层经所述隐含层逐层处理，并传向所述输出层，获得每个神经元的输出值；并通过激活函数获取最终的实际输出值，其中，激活函数为logistic函数或sigmoid函数；
S303：将所述输出层的实际输出值与预期输出值进行比较，获得输出层的误差，且通过所述BP神经网络反向传播所述误差，依次获得最后一个隐含层到第一隐含层的每一神经元误差值；
S304：从输入层与所述第一隐含层的连接权重开始，依次反向传播调整权重，并调整神经元的偏置值；
S305：若当前的误差值小于预设的误差值或当前训练步数达到训练步数上限，则训练结束，选取下一个样本，重新执行步骤S302；否则，训练步数加一，继续使用当前样本执行步骤S302。
4.根据权利要求3所述的估计屏体灯点间距的方法，其特征在于：在步骤S302正向传播过程中，所述每个神经元的输出值对应的计算公式为：
Figure FDA0002804184870000021
其中：O为神经元的输出值，S为神经元总输入，θ为神经元的偏置值，wij为上一层的神经元i到本神经元j的网络权重，m为输入层节点数，i的取值为1，2，…，m；j的取值为1,2，…，n，n为选取的输入变量的样本数量。
5.根据权利要求4所述的估计屏体灯点间距的方法，其特征在于：在步骤S302中所述激活函数为：
Figure FDA0002804184870000022
其中：Q为激活函数，S为神经元总输入。
6.根据权利要求5所述的估计屏体灯点间距的方法，其特征在于：在步骤S303中，所述输出层的误差值计算公式为：
Ej＝Oj*(1-Oj)*(Tj-Oj)
所述隐含层的每一神经元误差值的计算公式为：
Figure FDA0002804184870000031
其中：E为误差值，T为输出变量的预期输出值，wjk为上一层的神经元j到本神经元k的网络权重，k的取值为1，2，…，p；p为隐含层节点数。
7.根据权利要求6所述的估计屏体灯点间距的方法，其特征在于：在步骤S304中，所述调整权重的计算公式为：
wij＝wij+Δwij＝wij+L*Oi*Ej
所述调整神经元的偏置值的计算公式为：
θj＝θj+Δθj＝θj+L*E′j
其中：L为学习率，取0～1之间的常数。
8.根据权利要求7所述的估计屏体灯点间距的方法，其特征在于：
所述预设的误差值为0.000001，所述训练步数上限10000次，所述学习率L取0.001。
9.一种估计屏体灯点间距的预测系统，包括：存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-8任一项方法所述的步骤。
CN202010143015.9A 2020-03-04 2020-03-04 一种估计屏体灯点间距的方法 Active CN111382841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010143015.9A CN111382841B (zh) 2020-03-04 2020-03-04 一种估计屏体灯点间距的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010143015.9A CN111382841B (zh) 2020-03-04 2020-03-04 一种估计屏体灯点间距的方法

Publications (2)

Publication Number Publication Date
CN111382841A CN111382841A (zh) 2020-07-07
CN111382841B true CN111382841B (zh) 2021-02-19

Family

ID=71215214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010143015.9A Active CN111382841B (zh) 2020-03-04 2020-03-04 一种估计屏体灯点间距的方法

Country Status (1)

Country Link
CN (1) CN111382841B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104093246A (zh) * 2014-07-03 2014-10-08 广东良得光电科技有限公司 一种填谷式电流修正可调光led驱动电路
CN104485068A (zh) * 2014-12-02 2015-04-01 西安诺瓦电子科技有限公司 一种led显示屏的亮色度校正方法及系统
WO2016101951A1 (en) * 2014-12-25 2016-06-30 Andersen Colour Research Three dimensional, hue-plane preserving and differentiable quasi-linear transformation method for color correction
KR101654082B1 (ko) * 2015-09-07 2016-09-05 (주) 한일디엔에스 전광판의 단위모듈 휘도 제어 방법 및 그 장치
CN205793484U (zh) * 2016-05-18 2016-12-07 上海欧美拉光电股份有限公司 超节能led灯系统及其整流电路
CN106373497A (zh) * 2016-11-21 2017-02-01 西安诺瓦电子科技有限公司 实现led箱体更换led模组的方法
CN106767822A (zh) * 2016-12-07 2017-05-31 北京邮电大学 基于相机通信与图像定位技术的室内定位系统及方法
CN107944190A (zh) * 2017-12-14 2018-04-20 天津工业大学 基于人工神经网络的大功率led灯具寿命预测方法
CN109799541A (zh) * 2019-01-25 2019-05-24 中国自然资源航空物探遥感中心 一种γ能谱测量谱漂及积分非线性校正方法
CN110599450A (zh) * 2019-08-02 2019-12-20 惠州市圣士照明有限公司 Led光源位置校正方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104093246A (zh) * 2014-07-03 2014-10-08 广东良得光电科技有限公司 一种填谷式电流修正可调光led驱动电路
CN104485068A (zh) * 2014-12-02 2015-04-01 西安诺瓦电子科技有限公司 一种led显示屏的亮色度校正方法及系统
WO2016101951A1 (en) * 2014-12-25 2016-06-30 Andersen Colour Research Three dimensional, hue-plane preserving and differentiable quasi-linear transformation method for color correction
KR101654082B1 (ko) * 2015-09-07 2016-09-05 (주) 한일디엔에스 전광판의 단위모듈 휘도 제어 방법 및 그 장치
CN205793484U (zh) * 2016-05-18 2016-12-07 上海欧美拉光电股份有限公司 超节能led灯系统及其整流电路
CN106373497A (zh) * 2016-11-21 2017-02-01 西安诺瓦电子科技有限公司 实现led箱体更换led模组的方法
CN106767822A (zh) * 2016-12-07 2017-05-31 北京邮电大学 基于相机通信与图像定位技术的室内定位系统及方法
CN107944190A (zh) * 2017-12-14 2018-04-20 天津工业大学 基于人工神经网络的大功率led灯具寿命预测方法
CN109799541A (zh) * 2019-01-25 2019-05-24 中国自然资源航空物探遥感中心 一种γ能谱测量谱漂及积分非线性校正方法
CN110599450A (zh) * 2019-08-02 2019-12-20 惠州市圣士照明有限公司 Led光源位置校正方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彩色视觉装置的颜色校正对比实验研究;祝振敏 等;《应用光学》;20131115;第34卷(第6期);全文 *

Also Published As

Publication number Publication date
CN111382841A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
US11487995B2 (en) Method and apparatus for determining image quality
US20230409918A1 (en) Using batches of training items for training a network
US7991719B2 (en) Information processing method and apparatus, and image pickup device
EP3540636A1 (en) Method for distinguishing a real three-dimensional object from a two-dimensional spoof of the real object
KR102428054B1 (ko) 화상 처리 방법, 장치, 전자 장치 및 저장 매체
CN108776834A (zh) 系统增强学习方法和装置、电子设备、计算机存储介质
US20220207331A1 (en) Apparatus for machine learning-based visual equipment selection
CN106779050A (zh) 一种卷积神经网络的优化方法和装置
CN114580308B (zh) 一种人员疏散时间预测方法、装置、存储介质及终端设备
CN109978870A (zh) 用于输出信息的方法和装置
Cullell-Dalmau et al. Convolutional neural network for skin lesion classification: understanding the fundamentals through hands-on learning
KR20200111151A (ko) 비색표를 이용한 소변 검사를 제공하는 컴퓨터 프로그램 및 단말기
WO2024032010A1 (zh) 一种基于迁移学习策略的少样本目标实时检测方法
CN109583367A (zh) 图像文本行检测方法及装置、存储介质和电子设备
CN111382841B (zh) 一种估计屏体灯点间距的方法
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
KR102151723B1 (ko) 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
EP4191480A1 (en) Neural network model training method and apparatus for complex characteristic classification and common localization
CN114419378A (zh) 图像分类的方法、装置、电子设备及介质
KR20220144281A (ko) 신경망 모델의 최적화 방법 및 이를 수행하는 신경망 모델 처리 시스템
CN117371511A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN111914567A (zh) 人工智能判别模型的解释方法、装置、设备和存储介质
CN111489203A (zh) 理财产品推荐方法及系统
CN117576381B (zh) 目标检测训练方法及电子设备、计算机可读存储介质
US12020215B2 (en) System for applying an artificial intelligence engine in real-time to affect course corrections and influence outcomes

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
CP03 Change of name, title or address

Address after: 518000 room 3801, block a, block 8, block C, Wanke Yuncheng phase III, Liuxin 4th Street, Xili community, Xili street, Nanshan District, Shenzhen City, Guangdong Province (37-39 floors)

Patentee after: Carlette cloud Technology Co.,Ltd.

Address before: 518000 101, integrated circuit Industrial Park, 1089 chaguang Road, Xili street, Shenzhen City, Guangdong Province

Patentee before: COLORLIGHT (SHENZHEN) CLOUD TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address