CN113177387A - 显示面板的像素版图生成方法及装置 - Google Patents
显示面板的像素版图生成方法及装置 Download PDFInfo
- Publication number
- CN113177387A CN113177387A CN202110480820.5A CN202110480820A CN113177387A CN 113177387 A CN113177387 A CN 113177387A CN 202110480820 A CN202110480820 A CN 202110480820A CN 113177387 A CN113177387 A CN 113177387A
- Authority
- CN
- China
- Prior art keywords
- pixel layout
- display panel
- target
- matching model
- sample
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Control Of Indicators Other Than Cathode Ray Tubes (AREA)
Abstract
本发明实施例提供一种显示面板的像素版图生成方法及装置,其中,方法包括:获取用户输入的目标显示面板的期望目标参数;将所述期望目标参数输入至预置的匹配模型,所述匹配模型用于根据所述期望目标参数从预置的像素版图库中匹配对应的像素版图;若所述匹配模型的输出结果不为空,则根据所述匹配模型的输出结果确定所述目标显示面板的目标像素版图。本发明实施例提供的方法及装置,通过引入匹配模型和像素版图库,能够按照用户的需求得到符合用户需求的像素版图,实现了显示面板的像素设计智能化,避免了人工检查和修改,提高了显示面板的像素设计过程的效率和准确率。
Description
技术领域
本发明实施例涉及显示技术领域,尤其涉及一种显示面板的像素版图生成方法及装置。
背景技术
随着显示技术的发展,液晶显示面板(Liquid Crystal Display,LCD)和有机发光二极管显示面板(Organic Light Emitting Display,OLED)等显示面板因具有高画质、省电、机身薄及应用范围广等优点,而被广泛的应用于手机、电视、个人数字助理、数字相机、笔记本电脑、台式计算机等各种消费性电子产品,成为显示面板中的主流。像素作为显示面板中的发光单元,其性能优劣直接影响着显示面板的显示效果,因此,像素的设计对于显示面板至关重要。
现有技术中像素的设计过程如下:
设计师根据所需要设计的新产品的规格,例如穿透率、分辨率和刷新率等,参考规格相似的产品,将规格相似的产品的像素版图作为初版版图,在初版版图的基础上对其进行修改,得到修改后的版图;
通过一系列的检查手段检查修改后的版图是否符合设计规则,例如最小线宽线距规则;
若符合设计规则,则对修改后的版图进行一系列的数据提取得到版图数据,对版图数据进行仿真模拟,得到其对应的产品的性能参数,例如开口率、充电率、充电时间、错充电压、峰值电压和保持电压;
判断性能参数是否符合标准,若符合标准,则将修改后的版图作为最终的版图,根据最终的版图设计新产品,否则,重新对其进行修改,反复进行多次迭代,得到最终符合设计规则和标准的版图。
由上可知,现有技术中设计像素的过程需要多次重复操作,导致设计周期较长,并且设计过程中的每次判断和版图的修改都依赖于设计师的主观经验,需求人力较多,同时存在误判风险,任何一个设计错误,都会降低像素的良率,影响显示面板的显示效果。
发明内容
本发明实施例提供一种显示面板的像素版图生成方法及装置,用以解决现有的显示面板的像素设计过程效率低且准确率低的问题。
第一方面,本发明实施例提供一种显示面板的像素版图生成方法,包括:
获取用户输入的目标显示面板的期望目标参数;
将所述期望目标参数输入至预置的匹配模型,所述匹配模型用于根据所述期望目标参数从预置的像素版图库中匹配对应的像素版图;
若所述匹配模型的输出结果不为空,则根据所述匹配模型的输出结果确定所述目标显示面板的目标像素版图。
在一些实施例中,所述方法还包括:
若所述匹配模型的输出结果为空,则将所述期望目标参数输入至预置的预测模型,所述预测模型用于根据所述期望目标参数生成对应的像素版图;
根据所述预测模型的输出结果确定所述目标显示面板的目标像素版图。
在一些实施例中,将所述期望目标参数输入至预置的匹配模型,之前还包括:
获取用于训练所述匹配模型的第一训练集;
基于深度学习分类匹配算法,根据所述第一训练集训练所述匹配模型。
在一些实施例中,将所述期望目标参数输入至预置的预测模型,之前还包括:
获取用于训练所述预测模型的第二训练集;
基于深度学习神经网络预测算法,根据所述第二训练集训练所述预测模型。
在一些实施例中,所述第一训练集与所述第二训练集为同一训练集,获取所述训练集的步骤包括:
获取多个样本显示面板的样本像素版图;
将每个所述样本显示面板的样本像素版图进行模拟仿真,得到每个所述样本显示面板的样本实际目标参数;
将每个所述样本显示面板的样本像素版图和样本实际目标参数作为一个训练样本,将多个所述训练样本作为所述训练集。
在一些实施例中,若所述匹配模型的输出结果不为空,则所述匹配模型的输出结果包括所述期望目标参数、所述期望目标参数对应的像素版图以及所述像素版图对应的实际目标参数。
在一些实施例中,所述预测模型的输出结果包括所述期望目标参数、所述期望目标参数对应的像素版图以及所述像素版图对应的实际目标参数。
第二方面,本发明实施例提供一种显示面板的像素版图生成装置,包括:
获取模块,用于获取用户输入的目标显示面板的期望目标参数;
第一输入模块,用于将所述期望目标参数输入至预置的匹配模型,所述匹配模型用于根据所述期望目标参数从预置的像素版图库中匹配对应的像素版图;
第一确定模块,用于若所述匹配模型的输出结果不为空,则根据所述匹配模型的输出结果确定所述目标显示面板的目标像素版图。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面实施例中所提供的方法。
第四方面,本发明实施例提供了非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面实施例中所提供的方法。
本发明实施例提供的显示面板的像素版图生成方法及装置,通过引入匹配模型和像素版图库,以将用户针对于待设计的目标显示面板所期望其具有的性能参数,也即期望目标参数输入至匹配模型,能够使匹配模型从像素版图库中匹配与期望目标参数对应的像素版图并进行输出,也即,本发明实施例提供的方法及装置,能够按照用户的需求得到符合用户需求的像素版图,实现了显示面板的像素设计智能化,避免了人工检查和修改,提高了显示面板的像素设计过程的效率和准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,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他的附图。
图1为本发明实施例提供的显示面板的像素版图生成方法的流程图;
图2为本发明另一实施例提供的显示面板的像素版图生成方法的流程图;
图3为本发明实施例提供的显示面板的像素版图生成装置的结构示意图;
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种显示面板的像素版图生成方法、装置、电子设备及非暂态计算机可读存储介质,以下分别进行详细说明。
首先介绍本发明实施例中的显示面板的像素版图生成方法,该方法在电子设备中执行,电子设备可以是台式终端或移动终端,电子设备具体还可以是手机、平板电脑和笔记本电脑等中的一种,本发明实施例对此不作具体限定。
图1为本发明实施例提供的显示面板的像素版图生成方法的流程图,如图1所示,该方法包括:
步骤S1,获取用户输入的目标显示面板的期望目标参数。
步骤S2,将所述期望目标参数输入至预置的匹配模型,所述匹配模型用于根据所述期望目标参数从预置的像素版图库中匹配对应的像素版图。
步骤S3,若所述匹配模型的输出结果不为空,则根据所述匹配模型的输出结果确定所述目标显示面板的目标像素版图。
本发明实施例可以在显示面板的像素设计阶段,按照用户的需求,生成符合用户需求的像素版图,实现了显示面板的像素设计智能化,避免了人工检查和修改,提高了显示面板的像素设计过程的效率和准确率。
在本发明实施例中,显示面板的像素版图生成方法的执行流程可以是以插件形式加载在显示面板设计程序中,也可以是独立于显示面板设计程序之外的像素版图生成程序,只要是能在显示面板设计程序中获取用户输入的目标显示面板的期望目标参数即可。
其中,显示面板设计程序可以是现有的显示面板设计的电子设计自动化(Electronics Design Automation,EDA)程序,例如华大九天、laker、ismo等。
获取显示面板设计程序中用户输入的目标显示面板的期望目标参数,例如,可以在显示面板的像素版图生成方法对应的插件或像素版图生成程序中,预先定义一个调用接口,在显示面板设计程序中采集用户输入的目标显示面板的期望目标参数。
目标显示面板指的是待设计的显示面板,期望目标参数指的是针对于目标显示面板用户所期望其具有的性能参数,例如,开口率、充电率、充电时间、错充电压、峰值电压和保持电压等,本发明实施例对此不作具体限定。
获取到用户输入的目标显示面板的期望目标参数之后,将期望目标参数输入至预置的匹配模型,匹配模型用于根据期望目标参数从预置的像素版图库中匹配对应的像素版图。其中,预置的像素版图库中存储有多个像素版图以及每个像素版图对应的性能参数,匹配模型能够根据期望目标参数,从预置的像素版图库中挑选性能参数不差于期望目标参数的像素版图,也即性能参数与期望目标参数一致或性能参数优于期望目标参数的像素版图,并将这些像素版图作为输出结果进行输出。可以理解的是,若匹配模型未能从像素版图库中匹配到期望目标参数对应的版图,则输出结果为空,也即匹配模型不进行任何输出。
将期望目标参数输入至预置的匹配模型之后,判断匹配模型的输出结果是否为空,若输出结果不为空,则代表匹配模型从预置的像素版图库中匹配到了期望目标参数对应的像素版图。需要说明的是,匹配到的像素版图可以为一个或多个,若像素版图仅为一个,则可将其直接作为目标显示面板的目标像素版图,若像素版图为多个,则可用用户从中选择一个作为目标显示面板的目标像素版图。
本发明实施例提供的方法,通过引入匹配模型和像素版图库,以将用户针对于待设计的目标显示面板所期望其具有的性能参数,也即期望目标参数输入至匹配模型,能够使匹配模型从像素版图库中匹配与期望目标参数对应的像素版图并进行输出,也即,本发明实施例提供的方法,能够按照用户的需求得到符合用户需求的像素版图,实现了显示面板的像素设计智能化,避免了人工检查和修改,提高了显示面板的像素设计过程的效率和准确率。
基于上述任一实施例可知,匹配模型可能不能从像素版图库中匹配到期望目标参数对应的版图,此时,本发明实施例提供另一种解决途径。图2为本发明另一实施例提供的显示面板的像素版图生成方法的流程图,如图2所示,本发明实施例提供的显示面板的像素版图生成方法,还包括:
步骤S4,若所述匹配模型的输出结果为空,则将所述期望目标参数输入至预置的预测模型,所述预测模型用于根据所述期望目标参数生成对应的像素版图。
步骤S5,根据所述预测模型的输出结果确定所述目标显示面板的目标像素版图。
具体而言,本发明实施例中的预测模型不同于上述实施例中的匹配模型,两者的区别在于,匹配模型用于基于用户输入的期望目标参数,从预置的像素版图库中匹配期望目标参数对应的像素版图,而预测模型用于当匹配模型输出结果为空时根据期望目标参数生成对应于期望目标参数的新的像素版图,需要说明的是,预测模型生成的新的像素版图的性能参数不差于期望目标参数的像素版图,也即预测模型生成的新的像素版图的性能参数与期望目标参数一致或优于期望目标参数,并将这些像素版图作为输出结果进行输出。需要说明的是,生成的像素版图可以为一个或多个,若像素版图仅为一个,则可将其直接作为目标显示面板的目标像素版图,若像素版图为多个,则可用用户从中选择一个作为目标显示面板的目标像素版图。
本发明实施例提供的方法,当匹配模型无法从预置的像素版图库中匹配到期望目标参数对应的版图时,通过引入预测模型,将目标参数版图重新输入至预测模型,能够使预测模型根据期望目标参数生成对应于期望目标参数的新的像素版图,并进行输出,也即,本发明实施例提供的方法,能够按照用户的需求得到符合用户需求的像素版图,实现了显示面板的像素设计智能化,避免了人工检查和修改,提高了显示面板的像素设计过程的效率和准确率。
基于上述任一实施例,本发明实施例提供的显示面板的像素版图生成方法,将所述期望目标参数输入至预置的匹配模型,之前还包括:
获取用于训练所述匹配模型的第一训练集。
基于深度学习分类匹配算法,根据所述第一训练集训练所述匹配模型。
具体而言,在深度学习和传统机器学习领域中的模型均需要进行一定程度的学习也即训练后才能够进行使用,因此,本发明实施例主要说明匹配模型的训练过程。首先,获取用于训练匹配模型的训练集,为了将其与后文中训练预测模型的训练集进行区分,将训练匹配模型的训练集称为第一训练集。
其中,第一训练集中包括多个训练样本,每个训练样本包括样本显示面板的样本像素版图以及对样本像素版图进行模拟仿真后得到的样本实际目标参数,此处的模拟仿真可通过EDA程序进行,本发明实施例对此不作限定。
进一步地,在本发明实施例中,基于深度学习分类匹配算法,根据第一训练集训练匹配模型,其中,深度学习分类匹配算法可以是XGBOOST分类匹配算法,本发明实施例对此不作具体限定。可以理解的是,通过上述训练过程对匹配模型进行训练后,能够使匹配模型具有根据目标期望参数从预置的像素版图库中匹配对应的像素版图的功能。
基于上述任一实施例,本发明实施例提供的显示面板的像素版图生成方法,将所述期望目标参数输入至预置的预测模型,之前还包括:
获取用于训练所述预测模型的第二训练集。
基于深度学习神经网络预测算法,根据所述第二训练集训练所述预测模型。
具体而言,在深度学习和传统机器学习领域中的模型均需要进行一定程度的学习也即训练后才能够进行使用,因此,本发明实施例主要说明匹配模型的训练过程。首先,获取用于训练匹配模型的训练集,为了将其与前文中训练匹配模型的第一训练集进行区分,将训练预测模型的训练集称为第二训练集。可以理解的是,第一训练集可以与第二训练集为同一训练集,也可为不同训练集,在本发明实施例中,将第一训练集和第二训练集优选为同一训练集,即,使用同一训练集对匹配模型和预测模型进行训练。
其中,第二训练集中包括多个训练样本,每个训练样本包括样本显示面板的样本像素版图以及对样本像素版图进行模拟仿真后得到的样本实际目标参数,此处的模拟仿真可通过EDA程序进行,本发明实施例对此不作限定。
进一步地,在本发明实施例中,基于深度学习神经网络预测算法,根据第二训练集训练预测模型,其中,深度学习神经网络预测算法可以是遗传算法(Genetic Algorithm,GA)或模拟退火算法(Simulated Annealing,SA),本发明实施例对此不作具体限定。可以理解的是,通过上述训练过程对预测模型进行训练后,能够使预测模型具有根据期望目标参数生成对应于期望目标参数的新的像素版图的功能。
基于上述任一实施例,本发明实施例对第一训练集和第二训练集的获取步骤进行说明,本发明实施例中将第一训练集和第二训练集优选为同一训练集,获取训练集的步骤包括:
获取多个样本显示面板的样本像素版图。
将每个所述样本显示面板的样本像素版图进行模拟仿真,得到每个所述样本显示面板的样本实际目标参数。
将每个所述样本显示面板的样本像素版图和样本实际目标参数作为一个训练样本,将多个所述训练样本作为所述训练集。
需要说明的是,获取训练样本的方式有两种,其一为设计师手动收集样本显示面板的样本像素版图并计算得到样本显示面板的实际目标参数;其二为EDA程序自动设置样本显示面板的样本像素版图并计算得到样本显示面板的实际目标参数,本发明实施例对训练样本的获取不作具体限定。
基于上述实施例,本发明实施例对匹配模型的输出结果进行具体说明,若所述匹配模型的输出结果不为空,则所述匹配模型的输出结果包括期望目标参数、所述期望目标参数对应的像素版图以及所述像素版图对应的实际目标参数。可以理解的是,若匹配模型根据期望目标参数从像素版图库中匹配到了多个像素版图,则将像素版图库中的每个像素版图对应的性能参数称作为该像素版图对应的实际目标参数。用户可根据多个像素版图所分别对应的多组实际目标参数,从中根据实际需求选择一组最合适的实际目标参数所对应的像素版图作为目标显示面板的目标像素版图。
基于上述实施例,本发明实施例对预测模型的输出结果进行具体说明,所述预测模型的输出结果包括所述期望目标参数、所述期望目标参数对应的像素版图以及所述像素版图对应的实际目标参数。可以理解的是,若匹配模型根据期望目标参数从像素版图库中匹配到了多个像素版图,则将预测模型预测得到的每个像素版图对应的性能参数称作为该像素版图对应的实际目标参数。用户可根据多个像素版图所分别对应的多组实际目标参数,从中根据实际需求选择一组最合适的实际目标参数所对应的像素版图作为目标显示面板的目标像素版图。
图3为本发明实施例提供的显示面板的像素版图生成装置的结构示意图,如图3所示,该装置包括:获取模块301,用于获取用户输入的目标显示面板的期望目标参数;第一输入模块302,用于将所述期望目标参数输入至预置的匹配模型,所述匹配模型用于根据所述期望目标参数从预置的像素版图库中匹配对应的像素版图;第一确定模块303,用于若所述匹配模型的输出结果不为空,则根据所述匹配模型的输出结果确定所述目标显示面板的目标像素版图。
需要说明的是,本发明实施例提供的装置用于执行上述实施例中的方法,由于上述实施例已对方法进行了详细说明,因此此处不对该装置进行赘述。
本发明提供的装置,通过引入匹配模型和像素版图库,以将用户针对于待设计的目标显示面板所期望其具有的性能参数,也即期望目标参数输入至匹配模型,能够使匹配模型从像素版图库中匹配与期望目标参数对应的像素版图并进行输出,也即,本发明实施例提供的装置,能够按照用户的需求得到符合用户需求的像素版图,实现了显示面板的像素设计智能化,避免了人工检查和修改,提高了显示面板的像素设计过程的效率和准确率。
在一些实施例中,该装置还包括:
第二输入模块,用于当所述匹配模型的输出结果为空时,将所述期望目标参数输入至预置的预测模型,所述预测模型用于根据所述期望目标参数生成对应的像素版图;第二确定模块,用于根据所述预测模型的输出结果确定所述目标显示面板的目标像素版图。
在一些实施例中,该装置还包括:
第一训练集获取模块,用于获取用于训练所述匹配模型的第一训练集;
匹配模型训练模块,用于基于深度学习分类匹配算法,根据所述第一训练集训练所述匹配模型。
在一些实施例中,该装置还包括:
第二训练集获取模块,用于获取用于训练所述预测模型的第二训练集;
预测模型训练模块,用于基于深度学习神经网络预测算法,根据所述第二训练集训练所述预测模型。
在一些实施例中,所述第一训练集与所述第二训练集为同一训练集,也即,第一训练集获取模块与第二训练集获取模块可为同一模块,在此基础上,第一训练集获取模块(也即第二训练集获取模块)包括:
样本像素版图获取单元,用于获取多个样本显示面板的样本像素版图;
样本实际目标参数获取单元,用于将每个所述样本显示面板的样本像素版图进行模拟仿真,得到每个所述样本显示面板的样本实际目标参数;
训练样本获取单元,用于将每个所述样本显示面板的样本像素版图和样本实际目标参数作为一个训练样本,将多个所述训练样本作为所述训练集。
在一些实施例中,若所述匹配模型的输出结果不为空,则所述匹配模型的输出结果包括所述目标显示面板的目标像素版图、所述用户输入的期望目标参数以及所述目标显示面板的实际目标参数。
在一些实施例中,所述预测模型的输出结果包括所述目标显示面板的目标像素版图、所述用户输入的期望目标参数以及所述目标显示面板的实际目标参数。
基于相同的原理,本发明实施例还提供了一种电子设备,该电子设备包括存储器、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,处理器执行该计算机程序时实现本发明任一实施例所提供的方法,具体可实现如下情况:
获取用户输入的目标显示面板的期望目标参数;将所述期望目标参数输入至预置的匹配模型,所述匹配模型用于根据所述期望目标参数从预置的像素版图库中匹配对应的像素版图;若所述匹配模型的输出结果不为空,则根据所述匹配模型的输出结果确定所述目标显示面板的目标像素版图。
基于相同的原理,本发明实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明任一实施例所提供的方法,具体可实现如下情况:
获取用户输入的目标显示面板的期望目标参数;将所述期望目标参数输入至预置的匹配模型,所述匹配模型用于根据所述期望目标参数从预置的像素版图库中匹配对应的像素版图;若所述匹配模型的输出结果不为空,则根据所述匹配模型的输出结果确定所述目标显示面板的目标像素版图。
可以理解的是,非暂态计算机可读存储介质上存储的是显示面板的像素版图生成方法对应的计算机程序。
图4为本发明实施例提供的电子设备的结构示意图,如图4所示,该电子设备包括:处理器401和存储器403。其中,处理器401和存储器403相连,如通过总线402相连。进一步地,电子设备还可以包括收发器404,电子设备可以通过收发器404与其他电子设备进行数据的交互。需要说明的是,实际应用中收发器404不限于一个,该电子设备的结构并不构成对本发明实施例的限定。
其中,处理器401应用于本发明实施例中,可以用于实现图3所示的装置的功能。
处理器401可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器401也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线402可包括一通路,在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器403用于存储执行本发明方案的应用程序代码,并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码,以实现图3所示实施例提供的装置的动作。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种显示面板的像素版图生成方法,其特征在于,包括:
获取用户输入的目标显示面板的期望目标参数;
将所述期望目标参数输入至预置的匹配模型,所述匹配模型用于根据所述期望目标参数从预置的像素版图库中匹配对应的像素版图;
若所述匹配模型的输出结果不为空,则根据所述匹配模型的输出结果确定所述目标显示面板的目标像素版图。
2.根据权利要求1所述的方法,其特征在于,还包括:
若所述匹配模型的输出结果为空,则将所述期望目标参数输入至预置的预测模型,所述预测模型用于根据所述期望目标参数生成对应的像素版图;
根据所述预测模型的输出结果确定所述目标显示面板的目标像素版图。
3.根据权利要求2所述的方法,其特征在于,将所述期望目标参数输入至预置的匹配模型,之前还包括:
获取用于训练所述匹配模型的第一训练集;
基于深度学习分类匹配算法,根据所述第一训练集训练所述匹配模型。
4.根据权利要求3所述的方法,其特征在于,将所述期望目标参数输入至预置的预测模型,之前还包括:
获取用于训练所述预测模型的第二训练集;
基于深度学习神经网络预测算法,根据所述第二训练集训练所述预测模型。
5.根据权利要求4所述的方法,其特征在于,所述第一训练集与所述第二训练集为同一训练集,获取所述训练集的步骤包括:
获取多个样本显示面板的样本像素版图;
将每个所述样本显示面板的样本像素版图进行模拟仿真,得到每个所述样本显示面板的样本实际目标参数;
将每个所述样本显示面板的样本像素版图和样本实际目标参数作为一个训练样本,将多个所述训练样本作为所述训练集。
6.根据权利要求5所述的方法,其特征在于,若所述匹配模型的输出结果不为空,则所述匹配模型的输出结果包括所述期望目标参数、所述期望目标参数对应的像素版图以及所述像素版图对应的实际目标参数。
7.根据权利要求5所述的方法,其特征在于,所述预测模型的输出结果包括所述期望目标参数、所述期望目标参数对应的像素版图以及所述像素版图对应的实际目标参数。
8.一种显示面板的像素版图生成装置,其特征在于,包括:
获取模块,用于获取用户输入的目标显示面板的期望目标参数;
第一输入模块,用于将所述期望目标参数输入至预置的匹配模型,所述匹配模型用于根据所述期望目标参数从预置的像素版图库中匹配对应的像素版图;
第一确定模块,用于若所述匹配模型的输出结果不为空,则根据所述匹配模型的输出结果确定所述目标显示面板的目标像素版图。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480820.5A CN113177387A (zh) | 2021-04-30 | 2021-04-30 | 显示面板的像素版图生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480820.5A CN113177387A (zh) | 2021-04-30 | 2021-04-30 | 显示面板的像素版图生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177387A true CN113177387A (zh) | 2021-07-27 |
Family
ID=76925733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480820.5A Pending CN113177387A (zh) | 2021-04-30 | 2021-04-30 | 显示面板的像素版图生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177387A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736061A (zh) * | 2023-05-09 | 2023-09-12 | 珠海妙存科技有限公司 | 三极管的匹配精度检测方法、控制器及存储介质 |
CN117313636A (zh) * | 2023-11-22 | 2023-12-29 | 全芯智造技术有限公司 | 用于生成版图的方法、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033545A (zh) * | 2018-07-03 | 2018-12-18 | 北京华大九天软件有限公司 | 一种根据像素阵列的定义快速生成像素版图的方法 |
WO2020220814A1 (zh) * | 2019-04-29 | 2020-11-05 | 京东方科技集团股份有限公司 | 阵列基板及其制作方法、显示面板、显示装置 |
CN112417805A (zh) * | 2020-11-11 | 2021-02-26 | 深圳市华星光电半导体显示技术有限公司 | 像素版图处理方法、装置及存储介质 |
-
2021
- 2021-04-30 CN CN202110480820.5A patent/CN113177387A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033545A (zh) * | 2018-07-03 | 2018-12-18 | 北京华大九天软件有限公司 | 一种根据像素阵列的定义快速生成像素版图的方法 |
WO2020220814A1 (zh) * | 2019-04-29 | 2020-11-05 | 京东方科技集团股份有限公司 | 阵列基板及其制作方法、显示面板、显示装置 |
CN112417805A (zh) * | 2020-11-11 | 2021-02-26 | 深圳市华星光电半导体显示技术有限公司 | 像素版图处理方法、装置及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736061A (zh) * | 2023-05-09 | 2023-09-12 | 珠海妙存科技有限公司 | 三极管的匹配精度检测方法、控制器及存储介质 |
CN117313636A (zh) * | 2023-11-22 | 2023-12-29 | 全芯智造技术有限公司 | 用于生成版图的方法、设备和介质 |
CN117313636B (zh) * | 2023-11-22 | 2024-02-23 | 全芯智造技术有限公司 | 用于生成版图的方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240152679A1 (en) | Integrated Circuit Layout Validation Using Machine Learning | |
US20230267730A1 (en) | Image abnormality detection model training | |
CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
JP7262539B2 (ja) | 会話推薦方法、装置及び機器 | |
US20170103337A1 (en) | System and method to discover meaningful paths from linked open data | |
CN109299258A (zh) | 一种舆情事件检测方法、装置及设备 | |
CN114610900A (zh) | 知识图谱补全方法及系统 | |
CN116362351B (zh) | 利用噪声扰动训练预训练语言模型的方法及装置 | |
US20220392242A1 (en) | Method for training text positioning model and method for text positioning | |
EP3920076A1 (en) | Method, apparatus, and storage medium for obtaining document layout | |
McDonald et al. | Reducing llm hallucination using knowledge distillation: A case study with mistral large and mmlu benchmark | |
US20190188236A1 (en) | Free-form discovery of differential equations | |
CN113177387A (zh) | 显示面板的像素版图生成方法及装置 | |
Wasilewski et al. | Measuring the perceived iq of multimodal large language models using standardized iq tests | |
US10409890B2 (en) | Evaluation of formulas via modal attributes | |
US20240078473A1 (en) | Systems and methods for end-to-end machine learning with automated machine learning explainable artificial intelligence | |
CN114253539A (zh) | 一种页面自动配色方法、装置、设备及存储介质 | |
US20230342626A1 (en) | Model processing method and related apparatus | |
CN117349424A (zh) | 应用于语言模型的提示模板的处理方法、装置及电子设备 | |
CN117539975A (zh) | 大语言模型的提示词信息的生成方法、装置、设备及介质 | |
CN112507098A (zh) | 问题处理方法、装置、电子设备、存储介质及程序产品 | |
CN116468479A (zh) | 确定页面质量评估维度方法、页面质量的评估方法和装置 | |
CN113032443A (zh) | 用于处理数据的方法、装置、设备和计算机可读存储介质 | |
CN113010687A (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
US11704470B2 (en) | Pre-characterization mixed-signal design, placement, and routing using machine learning |
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 |