CN114333736B - 显示装置和显示装置的亮度调节方法 - Google Patents

Abstract

本申请提供一种显示装置和显示装置的亮度调节方法，显示装置包括显示面板和驱动芯片，通过在驱动芯片中植入原始特征模型，并在显示面板的使用过程中循环进行多维度测试参数下的实际亮度数据和理想亮度数据采集，构建训练样本集和测试样本集对原始特征模型进行训练和调整，显示面板使用过程中的亮度调节可直接利用目标特征模型来自动调节，而不需要依赖人力完成，因此画质改善的成本较低，同时由于原始特征模型是综合了多维度测试参数下的数据进行的训练，且使用过程中会经过多次迭代训练和调整得到多级目标特征模型，每一级目标特征模型均可用于亮度调节，因此使得显示面板在整个生命周期内亮度调节的精度和准确性均较高，画质也较为稳定。

Description

显示装置和显示装置的亮度调节方法

技术领域

本申请涉及显示技术领域，尤其是涉及一种显示装置和显示装置的亮度调节方法。

背景技术

当前在对显示面板的画质进行改善时，改善处理策略有很多，但策略数据的分析很大程度上都依赖人力完成，人工在处理海量数据时较为费时费力，使得画质改善的成本高昂。

所以，现有的显示面板存在画质改善成本较高的技术问题，需要改进。

发明内容

本申请实施例提供一种显示装置和显示装置的亮度调节方法，用以缓解现有的显示面板中画质改善成本较高的技术问题。

本申请实施例提供一种显示装置，包括：

显示面板，所述显示面板包括实际数据获取模块，所述实际数据获取模块用于循环获取所述显示面板在多维度测试参数下的实际亮度数据；

驱动芯片，与所述显示面板电连接，所述驱动芯片包括理想数据获取模块、数据处理模块、亮度调节模块和原始特征模型；其中，

所述理想数据获取模块用于循环获取所述显示面板在多维度测试参数下的理想亮度数据；

所述数据处理模块用于，根据第n个循环内的多维度测试参数和实际亮度数据生成多个训练数据集，根据第n个循环内的多维度测试参数和理想亮度数据生成多个测试数据集，根据第n个循环内的多个训练数据集和多个测试数据集对所述原始特征模型进行训练和调整，得到第n级目标特征模型，并根据第n+1个循环内的多个训练数据集和多个测试数据集，对第n级目标特征模型进行训练和调整，得到第n+1级目标特征模型，n为正整数；

所述亮度调节模块用于，根据所述显示面板的当前使用参数，通过当前级目标特征模型输出所述显示面板的目标亮度数据。

在一种实施例中，在第n个循环内，所述实际数据获取模块用于：

获取所述显示面板在多个不同第一灰阶下的第一实际亮度数据，根据所述多个不同第一灰阶和所述第一实际亮度数据，生成第一训练数据集；

获取在至少一个第一灰阶下，所述显示面板在多个不同环境状态下的第二实际亮度数据，根据所述至少一个第一灰阶、所述多个不同环境状态和所述第二实际亮度数据，生成第二训练数据集。

在一种实施例中，在第n个循环内，所述理想数据获取模块用于：

获取所述显示面板在多个不同第二灰阶下的第一理想亮度数据，根据所述多个不同第二灰阶和所述第一理想亮度数据，生成第一测试数据集；

获取在至少一个第二灰阶下，所述显示面板在多个不同环境状态下的第二理想亮度数据，根据所述至少一个第二灰阶、所述多个不同环境状态和所述第二理想亮度数据，生成第二测试数据集。

在一种实施例中，所述多个第一灰阶与所述多个第二灰阶的数值均不同。

在一种实施例中，所述数据处理模块包括：

分组单元，用于将第n个循环内的多个训练数据集和多个测试数据集分组，得到多个数据集组，每个数据集组包括同一维度测试参数下的训练数据集和测试数据集；

训练和调整单元，用于在第n个循环内，按照预设顺序，基于各数据集组对初始特征模型进行逐级训练和调整，得到第n级目标特征模型；在n为1时，所述初始特征模型为所述原始特征模型，在n大于1时，所述初始特征模型为第n-1级目标特征模型。

在一种实施例中，在第n个循环内，所述训练和调整单元用于：

根据所述第一训练数据集对所述初始特征模型进行训练，得到第一级特征训练模型，根据所述第一测试数据集对所述第一级特征训练模型进行调整，得到第一级特征模型；

根据所述第二训练数据集对所述第一级特征模型进行训练，得到第二级特征训练模型，根据所述第二测试数据集对所述第二级特征训练模型进行调整，得到第n级目标特征模型。

在一种实施例中，所述实际数据获取模块包括设置在所述显示面板中的第一光学传感器，所述第一光学传感器用于采集显示面板的实际亮度数据。

在一种实施例中，所述实际数据获取模块包括设置在所述显示面板中的第二光学传感器，所述第二光学传感器用于采集所述显示面板的环境亮度数据。

在一种实施例中，所述实际数据获取模块包括设置在所述显示面板中的相机模组，所述相机模组用于采集用户对所述显示面板的观看数据。

本申请还提供一种显示装置的亮度调节方法，包括：

循环获取显示面板在多维度测试参数下的实际亮度数据和理想亮度数据；

根据第n个循环内的多维度测试参数和实际亮度数据生成多个训练数据集，根据第n个循环内的多维度测试参数和理想亮度数据生成多个测试数据集，根据第n个循环内的多个训练数据集和多个测试数据集对所述原始特征模型进行训练和调整，得到第n级目标特征模型，n为正整数；

根据第n+1个循环内的多个训练数据集和多个测试数据集，对第n级目标特征模型进行训练和调整，得到第n+1级目标特征模型；

根据所述显示面板的当前使用参数，通过当前级目标特征模型输出所述显示面板的目标亮度数据。

有益效果：本申请提供一种显示装置和显示装置的亮度调节方法，通过在驱动芯片中植入原始特征模型，并在显示面板的使用过程中进行亮度数据采集，构建训练样本集和测试样本集对原始特征模型进行训练和调整，显示面板使用过程中的亮度调节可直接利用目标特征模型来自动调节，而不需要依赖人力完成，因此画质改善的成本较低，同时，由于原始特征模型是综合了多维度测试参数下的数据进行的训练，且使用过程中会经过多次迭代训练和调整得到多级目标特征模型，每一级目标特征模型均可用于亮度调节，且随着训练和调整次数的增加，亮度调节效果也越来越好，因此使得显示面板在整个生命周期内亮度调节的精度和准确性均较高，画质也较为稳定。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。

图1为本申请实施例中显示装置的结构示意图。

图2为本申请实施例中显示面板的结构示意图。

图3为本申请实施例中各级目标特征模型的生成流程示意图。

图4为本申请实施例中显示装置的亮度调节方法的流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

在本申请中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本申请提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。

本申请实施例提供一种显示装置和显示装置的亮度调节方法，用以缓解现有的显示面板中画质改善成本较高的技术问题。

如图1所示，本申请实施例提供一种显示装置，包括显示面板100和驱动芯片200，显示面板100包括实际数据获取模块，实际数据获取模块用于循环获取显示面板100在多维度测试参数下的实际亮度数据，驱动芯片200与显示面板100电连接，驱动芯片200包括理想数据获取模块、数据处理模块、亮度调节模块和原始特征模型，理想数据获取模块用于循环获取显示面板100在多维度测试参数下的理想亮度数据，数据处理模块用于根据第n个循环内的多维度测试参数和实际亮度数据生成多个训练数据集，根据第n个循环内的多维度测试参数和理想亮度数据生成多个测试数据集，根据第n个循环内的多个训练数据集和多个测试数据集对原始特征模型进行训练和调整，得到第n级目标特征模型，并根据第n+1个循环内的多个训练数据集和多个测试数据集，对第n级目标特征模型进行训练和调整，得到第n+1级目标特征模型，n为正整数，亮度调节模块用于根据显示面板100的当前使用参数，通过当前级目标特征模型输出显示面板100的目标亮度数据。

显示面板100与驱动芯片200之间电连接，驱动芯片200给显示面板100提供驱动信号，使显示面板100可以显示对应灰阶下的图像数据，显示面板100中设置有实际数据获取模块，用于将采集到的感应数据发送给驱动芯片200进行处理，感应数据包括显示面板100的实际亮度数据、环境亮度数据和用户对显示面板100的观看数据等。驱动芯片200可以是SOC(System on Chip，系统级芯片)。

如图2所示，实际数据获取模块具体可包括第一光学传感器101、第二光学传感器102和相机模组103，第一光学传感器101、第二光学传感器102和相机模组103的数量、分布位置和型号等均可根据需要设置。第一光学传感器101用于采集显示面板100的实际亮度数据，第二光学传感器用于采集显示面板100的环境亮度数据，相机模组103用于采集用户对显示面板100的观看数据，如观看距离、观看角度、观看时长等。

在本申请实施例中，实际数据获取模块获取到的为显示面板在多维度测试参数下的实际亮度数据，其中，多维度测试参数指从多个不同角度对显示面板100进行测试时的相关参数，具体地，驱动芯片200根据预先配置的测试图像数据，对显示面板100输入多个不同的灰阶值并在每个灰阶下对亮度数据进行采集为第一个维度，该维度对应的测试参数为多个灰阶；对同一灰阶下显示面板100在不同环境状态下的亮度数据进行采集为第二个维度，该维度对应的测试参数为灰阶和环境状态，环境状态包括环境亮度数据和观看数据等。实际亮度数据也包括两部分，一部分是在第一个维度使用参数下获取到的，另一部分是在第二个维度使用参数下获取到的。

实际数据获取模块在获取实际亮度数据时为循环获取，即每间隔一段时间进行一次多维度测试参数下的实际亮度数据的获取操作，每次间隔的时间可以相同，也可以不相同，每次获取过程为一个循环。在不同循环内，多维度测试参数的数值不完全相同，如在某个循环内，获取到的实际亮度数据对应某个灰阶范围和某些环境状态，在另一个循环内，获取到的实际亮度数据对应另一个灰阶范围和另一些环境状态。

理想数据获取模块获取到的为显示面板100在多维度测试参数下的理想亮度数据，可以通过计算或查表等方式得到。在每个循环内获取的实际亮度数据和理想亮度数据对应相同的多维度测试参数。

在获取到第1个循环内的这些实际亮度数据和理想亮度数据后，由数据处理模块对这些亮度数据进行转换和处理，并供给原始特征模型进行训练。数据处理模块对第1个循环内多维度的实际亮度数据进行处理，得到每个维度下的一个训练样本集，并最终得到多个训练样本集，对第1个循环内多维度的理想亮度数据进行处理，得到每个维度下的一个测试样本集，并最终得到多个测试样本集。原始特征模型为深度学习模型，通过第1个循环内的多个训练样本集可对原始特征模型进行有监督学习，通过第1个循环内的多个测试样本可以训练后模型进行调整，使其输出值与预期值的误差在可接受范围内，训练和调整完成后，得到第1级目标特征模型。

具体地，对显示面板100输入多个不同的灰阶值并分别对亮度数据进行采集得到一组实际亮度数据，对这些实际亮度数据处理得到一个训练样本集，对显示面板100输入上述多个不同的灰阶值时的理想亮度数据进行处理，得到一个测试样本集。使用该训练样本集对原始特征模型进行训练后，当输入一个新的灰阶值给训练后的模型，模型会输出一个该灰阶下的面板应该显示的亮度值。此时，将测试样本集中的某个灰阶值输入至训练后的模型，模型输出该灰阶值下应该显示的亮度值，将输出的亮度值与该灰阶下的理想亮度值也即理想亮度数据进行对比，如果两者之间的误差小于阈值，则表示模型的训练较好，可以直接使用，如果两者之间的误差不小于阈值，则表示模型中神经元的权重设置存在一定的不合理，需要对神经元的权重进行调整后，再次用测试样本集进行测试，直至两者之间的误差小于阈值，模型训练完成。在计算两者之间的误差时，可采用预设的损失函数来衡量，当损失函数收敛至预设值时，表示模型训练完成。

在本申请中，由于训练数据集和测试数据集均为多个，可根据多个训练数据集和多个测试数据集对原始特征模型进行逐级训练和调整，最终得到当前级目标特征模型。

由于实际亮度数据和理想亮度数据的获取均循环进行，在每个循环内，均得到该循环内对应的多个训练样本集和测试样本集。然后，自第2个循环开始，在每个循环内以上个循环得到的上一级目标特征模型作为初始特征模型，通过当前循环内的多个训练样本集和测试样本集进行再一次训练和调整，得到当前级目标特征模型，并将当前级目标特征模型作为下一循环的初始特征模型。依次类推，每进行一次获取实际亮度数据和理想亮度数据的循环，目标特征模型就进行新一级的训练和调整，且每一级的目标特征模型均存储在驱动芯片200中，随时可用于显示面板100的亮度调整。

显示面板100具有当前使用参数，当前使用参数包括当前灰阶和当前环境状态中的至少一个。在显示面板100需要进行亮度调节时，驱动芯片200中最新一级的目标特征作为当前级目标特征模型，当前级目标特征模型可以当前使用参数为输入值，然后自动计算并输出在当前使用参数下显示面板100的目标亮度数据，也即实际应该显示的亮度。由于当前级目标特征模型经过多个维度的训练数据集和测试数据集的训练和调整，其可以接收多个维度的输入数据并输出对应的目标亮度数据，实现画质的精细化和准确化调整。

具体地，显示面板100的当前环境状态为w1，当前灰阶为n1，则将这些参数输入当前级目标特征模型，会输出一个目标亮度数据，该目标亮度数据为当前使用参数下的使用户观感最好的亮度。在未设置原始特征模型并进行迭代训练和调整时，实际输出的亮度值会因面板老化、显示时间过长等因素的影响，与所需显示的灰阶数值不匹配，且不会随着用户观看位置、观看时长、观看环境等因素的变化而变化，使得用户体验不佳。而通过在驱动芯片中训练得到多级目标特征模型，在想要显示某个灰阶时，会综合考虑上述各项因素，通过当前最新一级的目标特征模型对亮度进行调节，使得显示面板100可以显示较为理想的目标亮度数据，实现对画质的改善。

通过上述实施例可知，本申请的显示装置，通过在驱动芯片200中植入原始特征模型，并在显示面板100的使用过程中进行亮度数据采集，构建训练样本集和测试样本集对原始特征模型进行训练和调整，显示面板100使用过程中的亮度调节可直接利用目标特征模型来自动调节，而不需要依赖人力完成，因此画质改善的成本较低，同时，由于原始特征模型是综合了多维度测试参数下的数据进行的训练，且使用过程中会经过多次迭代训练和调整得到多级目标特征模型，每一级目标特征模型均可用于亮度调节，因此使得显示面板100在整个生命周期内亮度调节的精度和准确性均较高，画质也较为稳定，保证了显示质量。在应用过程中，通过同时对灰阶和环境状态进行实时监测，实现了基于使用环境来调整优化亮度调节策略，进一步达到最优显示效果。

在一种实施例中，在第n个循环内，实际数据获取模块用于：获取显示面板100在多个不同第一灰阶下的第一实际亮度数据，根据多个第一灰阶和第一实际亮度数据，生成第一训练数据集；获取在至少一个第一灰阶下，显示面板100在多个不同环境状态下的第二实际亮度数据，根据至少一个第一灰阶、多个不同环境状态和第二实际亮度数据，生成第二训练数据集。

具体地，以显示面板100可以显示256个灰阶为例，多个第一灰阶可以是0至255灰阶中的其中N个灰阶，各第一灰阶值均不相同。在第n个循环内，对每个第一灰阶，均获取一个第一实际亮度数据，进一步地，由于采集亮度数据时通过至少一个光学探头进行，第一实际亮度数据包括所有光学探头对显示面板100采集得到的亮度数据，以光学探头为8个为例，则每个灰阶下的第一实际亮度数据包括8个亮度。对n个灰阶均进行一次数据采集，则共可以得到N个包括第一灰阶值和该第一灰阶值对应的第一实际亮度数据的数据组，生成第一训练数据集A1。

在第n个循环内，从多个第一灰阶中取一个作为目标第一灰阶，在目标第一灰阶下，获取显示面板100在不同环境状态下的第二实际亮度数据，环境状态可以包括环境亮度数据和用户对显示面板100的观看数据等，通过图2中的第二光学传感器102和相机模组103共同获得。不同环境状态下的亮度数据和观看数据不完全相等，以光学探头为8个为例，则每个环境状态下的第二实际亮度数据也包括8个亮度。环境状态案例总数用W表示，则最终可得到一个包括目标第一灰阶、W个环境状态和W个第二实际亮度数据的数据组，然后生成包括这个数据组的第二训练数据集A2。

通过上述过程，实际数据获取模块生成了第n个循环内的第一训练数据集A1和第二训练数据集A2。在接下来的每个循环内均执行一次上述操作，则可得到每个循环内的第一训练数据集A1和第二训练数据集A2。

需要说明的是，上述实施例以一个目标第一灰阶为例进行说明，但本申请不以此为限，还可以取两个或多个目标第一灰阶，对每个目标第一灰阶，均执行上述过程，得到该目标第一灰阶下对应的数据组，当对所有N个第一灰阶仅执行一次上述过程时，可得到N个包括目标第一灰阶、W个环境状态和W个第二实际亮度数据的数据组，然后生成包括N个数据组的第二训练数据集A2本领域的技术人员可根据需要选择获取全部或部分第一灰阶下的第二实际亮度数据，选取的第一灰阶数量越多，样本集的数据量越大，对模型的训练效果越好。

在一种实施例中，在第n个循环内，理想数据获取模块用于：获取显示面板100在多个不同第二灰阶下的第一理想亮度数据，根据多个不同第二灰阶和第一理想亮度数据，生成第一测试数据集；获取在至少一个第二灰阶下，显示面板100在多个不同环境状态下的第二理想亮度数据，根据至少一个第二灰阶、多个不同环境状态和第二理想亮度数据，生成第二测试数据集。

在第n个循环内，各测试数据集的生成原理与各训练数据集的生成原理相似，在此不再赘述，两者的区别在于，各测试数据集中的理想亮度数据不是实际测试得到的数据，而是计算或查表得到的理论值。通过上述过程，理想数据获取模块生成了第n个循环内的第一测试数据集B1和第二测试数据集B2，在接下来的每个循环内均执行一次上述操作，则可得到每个循环内的第一测试数据集B1和第二测试数据集B2。

在一种实施例中，多个第一灰阶与多个第二灰阶的数值均不同。为避免模型出现过拟合，在每个循环内，训练数据集中的数据与测试数据集中的数据应当是不同的，因此第一灰阶可以是0至255灰阶中的其中N个灰阶，第二灰阶可以是0至255灰阶中的其中M个灰阶，多个第二灰阶的数值也不同，且N个第一灰阶与M个第二灰阶的数值均不相同。

在一种实施例中，数据处理模块包括分组单元以及训练和调整单元，分组单元用于将第n个循环内的多个训练数据集和多个测试数据集分组，得到多个数据集组，每个数据集组包括同一维度测试参数下的训练数据集和测试数据集；训练和调整单元用于在第n个循环内，按照预设顺序，基于各数据集组对初始特征模型进行逐级训练和调整，得到第n级目标特征模型；在n为1时，初始特征模型为原始特征模型，在n大于1时，初始特征模型为第n-1级目标特征模型。

在得到两个训练数据集和两个测试数据集后，分组单元将同维度的一个训练数据集和一个测试数据集作为一个数据集组，共得到两个数据集组。具体地，将第n个循环内的第一训练数据集A1和第一测试数据集B1形成第一数据集组，第二训练数据集A2和第二测试数据集B2形成第二数据集组。训练和调整单元按照预设顺序将两个数据集组进行排序，例如顺序为第一数据集组-第二数据集组，则按照该顺序，依次对初始特征模型进行两次训练-调整过程，具体为先用第一数据集组对初始特征模型进行一次训练-调整过程，得到训练特征模型，然后用第二数据集组对训练特征模型再进行一次训练-调整过程，在经过两次训练-调整过程后，得到第n个循环内的第n级目标特征模型。

对于第1次循环，初始特征模型为原始特征模型，对于第2次、第3次和其他循环，初始特征模型均为上一次循环得到的第n-1级目标特征模型。

在一种实施例中，在第n个循环内，训练和调整单元用于：根据第一训练数据集对初始特征模型进行训练，得到第一级特征训练模型，根据第一测试数据集对第一级特征训练模型进行调整，得到第一级特征模型；根据第二训练数据集对第一级特征模型进行训练，得到第二级特征训练模型，根据第二测试数据集对第二级特征训练模型进行调整，得到第n级目标特征模型。通过训练和调整单元的两次训练-调整过程，最终得到第n级目标特征模型。

如图3所示，为本申请实施例中各级目标特征模型的生成流程示意图，该流程具体包括：

步骤11：开始。

步骤12：不同灰阶亮度采集。提前设定需要采集亮度数据的N个灰阶数，在每个灰阶下均进行一次亮度的采集。

步骤13：判断是否不小于目标灰阶数。目标灰阶数为N，在每进行一次亮度采集后，判断当前已经采集的次数是否已经达到N次，以实现遍历所有预设的N个灰阶数。

若否，表示N个灰阶的亮度数据还未采集完成，则继续执行步骤12，直至采集次数为N为止。若是，表示N个灰阶的亮度数据已采集完成，则根据采集的亮度数据生成第一训练样本集，对原始特征模型21进行训练，得到第一级特征训练模型22。同时，根据不同灰阶下的理想亮度数据生成第一测试样本集，并用第一测试样本集对第一级特征训练模型22进行调整，得到第一级特征模型23。

若是，同时执行步骤14：同灰阶不同环境亮度采集。提前设定需要在哪个灰阶下采集W个不同环境状态下的W个亮度数据，并据此进行亮度数据采集。

步骤15：判断是否不小于目标环境案例数。目标环境案例数为W，在每进行一次亮度采集后，判断当前已经采集的次数是否已经达到W次，以实现遍历所有预设的W个环境状态。

若否，表示W个环境状态的亮度数据还未采集完成，则继续执行步骤14，直至采集次数为W为止。若是，表示W个环境状态的亮度数据已采集完成，则根据采集的亮度数据生成第二训练样本集，对上一阶段得到的第一级特征模型23进行训练，得到第二级特征训练模型24。同时，根据同灰阶不同环境下的理想亮度数据生成第二测试样本集，并用第二测试样本集对第二级特征训练模型24进行调整，得到第二级特征模型25。

循环执行上述步骤12至步骤15，每进行一次循环均得到一个第二级特征模型25，作为第n个循环的第n级目标特征模型。当需要进行亮度调节时，将最后一个循环的最新一级目标特征模型作为当前级目标特征模型。

步骤16：生成模型。此处模型为当前级目标特征模型。

步骤17：结束。可利用当前级目标特征模型对显示面板的亮度进行调节，从而改进画质。

通过上述流程可知，本申请中原始特征模型是综合了多维度测试参数下的数据进行的训练，且使用过程中会经过多次迭代训练和调整得到多级目标特征模型，每一级目标特征模型均可用于亮度调节，因此使得显示面板在整个生命周期内亮度调节的精度和准确性均较高，画质也较为稳定。

如图4所示，本申请还提供一种显示装置的亮度调节方法，包括：

步骤401：循环获取显示面板在多维度测试参数下的实际亮度数据和理想亮度数据；

步骤402：根据第n个循环内的多维度测试参数和实际亮度数据生成多个训练数据集，根据第n个循环内的多维度测试参数和理想亮度数据生成多个测试数据集，根据第n个循环内的多个训练数据集和多个测试数据集对原始特征模型进行训练和调整，得到第n级目标特征模型，并根据第n+1个循环内的多个训练数据集和多个测试数据集，对第n级目标特征模型进行训练和调整，得到第n+1级目标特征模型，n为正整数；

步骤403：根据显示面板的当前使用参数，通过当前级目标特征模型输出显示面板的目标亮度数据。

在一种实施例中，步骤401包括：在第n个循环内，获取所述显示面板在多个不同第一灰阶下的第一实际亮度数据，根据所述多个不同第一灰阶和所述第一实际亮度数据，生成第一训练数据集；获取在至少一个第一灰阶下，所述显示面板在多个不同环境状态下的第二实际亮度数据，根据所述至少一个第一灰阶、所述多个不同环境状态和所述第二实际亮度数据，生成第二训练数据集。

在一种实施例中，步骤401包括：在第n个循环内，获取所述显示面板在多个不同第二灰阶下的第一理想亮度数据，根据所述多个不同第二灰阶和所述第一理想亮度数据，生成第一测试数据集；获取在至少一个第二灰阶下，所述显示面板在多个不同环境状态下的第二理想亮度数据，根据所述至少一个第二灰阶、所述多个不同环境状态和所述第二理想亮度数据，生成第二测试数据集。

在一种实施例中，所述多个第一灰阶与所述多个第二灰阶的数值均不同。

在一种实施例中，步骤402包括：将第n个循环内的多个训练数据集和多个测试数据集分组，得到多个数据集组，每个数据集组包括同一维度测试参数下的训练数据集和测试数据集；在第n个循环内，按照预设顺序，基于各数据集组对初始特征模型进行逐级训练和调整，得到第n级目标特征模型；在n为1时，所述初始特征模型为所述原始特征模型，在n大于1时，所述初始特征模型为第n-1级目标特征模型。

在一种实施例中，步骤402包括：在第n个循环内，根据所述第一训练数据集对所述初始特征模型进行训练，得到第一级特征训练模型，根据所述第一测试数据集对所述第一级特征训练模型进行调整，得到第一级特征模型；根据所述第二训练数据集对所述第一级特征模型进行训练，得到第二级特征训练模型，根据所述第二测试数据集对所述第二级特征训练模型进行调整，得到第n级目标特征模型。

在一种实施例中，步骤401包括：通过设置在所述显示面板中的第一光学传感器采集显示面板的实际亮度数据。

在一种实施例中，步骤401包括：通过设置在所述显示面板中的第二光学传感器采集所述显示面板的环境亮度数据。

在一种实施例中，步骤401包括：通过设置在所述显示面板中的相机模组采集用户对所述显示面板的观看数据。

根据上述实施例可知：

本申请提供一种显示装置和显示装置的亮度调节方法，通过在驱动芯片中植入原始特征模型，并在显示面板的使用过程中进行亮度数据采集，构建训练样本集和测试样本集对原始特征模型进行训练和调整，显示面板使用过程中的亮度调节可直接利用目标特征模型来自动调节，而不需要依赖人力完成，因此画质改善的成本较低，同时，由于原始特征模型是综合了多维度测试参数下的数据进行的训练，且使用过程中会经过多次迭代训练和调整得到多级目标特征模型，每一级目标特征模型均可用于亮度调节，因此使得显示面板在整个生命周期内亮度调节的精度和准确性均较高，画质也较为稳定。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上对本申请实施例所提供的一种显示装置和显示装置的亮度调节方法进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；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申请各实施例的技术方案的范围。

Claims (10)

1.一种显示装置，其特征在于，包括：

显示面板，所述显示面板包括实际数据获取模块，所述实际数据获取模块用于循环获取所述显示面板在多维度测试参数下的实际亮度数据；

驱动芯片，与所述显示面板电连接，所述驱动芯片包括理想数据获取模块、数据处理模块、亮度调节模块和原始特征模型；其中，

所述理想数据获取模块用于循环获取所述显示面板在多维度测试参数下的理想亮度数据；

所述数据处理模块用于，根据第n个循环内的多维度测试参数和实际亮度数据生成多个训练数据集，根据第n个循环内的多维度测试参数和理想亮度数据生成多个测试数据集，根据第n个循环内的多个训练数据集和多个测试数据集对所述原始特征模型进行训练和调整，得到第n级目标特征模型，并根据第n+1个循环内的多个训练数据集和多个测试数据集，对第n级目标特征模型进行训练和调整，得到第n+1级目标特征模型，n为正整数；

所述亮度调节模块用于，根据所述显示面板的当前使用参数，通过当前级目标特征模型输出所述显示面板的目标亮度数据。

2.如权利要求1所述的显示装置，其特征在于，在第n个循环内，所述实际数据获取模块用于：

获取所述显示面板在多个不同第一灰阶下的第一实际亮度数据，根据所述多个不同第一灰阶和所述第一实际亮度数据，生成第一训练数据集；

获取在至少一个第一灰阶下，所述显示面板在多个不同环境状态下的第二实际亮度数据，根据所述至少一个第一灰阶、所述多个不同环境状态和所述第二实际亮度数据，生成第二训练数据集。

3.如权利要求2所述的显示装置，其特征在于，在第n个循环内，所述理想数据获取模块用于：

获取所述显示面板在多个不同第二灰阶下的第一理想亮度数据，根据所述多个不同第二灰阶和所述第一理想亮度数据，生成第一测试数据集；

获取在至少一个第二灰阶下，所述显示面板在多个不同环境状态下的第二理想亮度数据，根据所述至少一个第二灰阶、所述多个不同环境状态和所述第二理想亮度数据，生成第二测试数据集。

4.如权利要求3所述的显示装置，其特征在于，所述多个第一灰阶与所述多个第二灰阶的数值均不同。

5.如权利要求3所述的显示装置，其特征在于，所述数据处理模块包括：

分组单元，用于将第n个循环内的多个训练数据集和多个测试数据集分组，得到多个数据集组，每个数据集组包括同一维度测试参数下的训练数据集和测试数据集；

训练和调整单元，用于在第n个循环内，按照预设顺序，基于各数据集组对初始特征模型进行逐级训练和调整，得到第n级目标特征模型；在n为1时，所述初始特征模型为所述原始特征模型，在n大于1时，所述初始特征模型为第n-1级目标特征模型。

6.如权利要求5所述的显示装置，其特征在于，在第n个循环内，所述训练和调整单元用于：

根据所述第一训练数据集对所述初始特征模型进行训练，得到第一级特征训练模型，根据所述第一测试数据集对所述第一级特征训练模型进行调整，得到第一级特征模型；

根据所述第二训练数据集对所述第一级特征模型进行训练，得到第二级特征训练模型，根据所述第二测试数据集对所述第二级特征训练模型进行调整，得到第n级目标特征模型。

7.如权利要求1所述的显示装置，其特征在于，所述实际数据获取模块包括设置在所述显示面板中的第一光学传感器，所述第一光学传感器用于采集显示面板的实际亮度数据。

8.如权利要求1所述的显示装置，其特征在于，所述实际数据获取模块包括设置在所述显示面板中的第二光学传感器，所述第二光学传感器用于采集所述显示面板的环境亮度数据。

9.如权利要求1所述的显示装置，其特征在于，所述实际数据获取模块包括设置在所述显示面板中的相机模组，所述相机模组用于采集用户对所述显示面板的观看数据。

10.一种显示装置的亮度调节方法，其特征在于，包括：

循环获取显示面板在多维度测试参数下的实际亮度数据和理想亮度数据；

根据第n个循环内的多维度测试参数和实际亮度数据生成多个训练数据集，根据第n个循环内的多维度测试参数和理想亮度数据生成多个测试数据集，根据第n个循环内的多个训练数据集和多个测试数据集对原始特征模型进行训练和调整，得到第n级目标特征模型，并根据第n+1个循环内的多个训练数据集和多个测试数据集，对第n级目标特征模型进行训练和调整，得到第n+1级目标特征模型，n为正整数；

根据所述显示面板的当前使用参数，通过当前级目标特征模型输出所述显示面板的目标亮度数据。

Images