CN115165312A - 屏幕漏光量的检测方法、装置和电子设备 - Google Patents

Abstract

本申请实施例提供一种屏幕漏光量的检测方法、装置和电子设备，对于屏下的屏幕漏光量具有较高的检测性能。该屏幕漏光量的检测方法包括：在显示屏显示图像期间，采集显示屏下方的漏光信号形成漏光波形数据，漏光波形数据用于表征驱动显示屏显示图像的驱动信号；利用目标神经网络对漏光波形数据进行预测，以检测得到显示屏的屏幕漏光量。该方案对于屏幕的参数要求不高，对于任何类型的显示屏，均能利用目标神经网络建立漏光波形数据与屏幕漏光量较为准确的对应关系，得到屏幕漏光量准确的检测结果。

Description

屏幕漏光量的检测方法、装置和电子设备

技术领域

本申请涉及光电技术领域，并且更为具体地，涉及一种屏幕漏光量的检测方法、装置和电子设备。

背景技术

当今社会，随着科技的快速发展，电子设备越来越成为人们生活中必不可少的工具。为了追求更好的使用体验，全面屏受到越来越多的关注，电子设备内各器件向屏下发展是未来的发展趋势，屏下传感器也应运而生。

屏下传感器检测各种信号光必需要去除屏幕漏光的影响。例如，随着屏幕透过率越来越低，屏幕漏光量对环境光检测准确性的影响也越来越大，因此，如何提高电子设备中屏幕漏光量的检测性能是屏下光感方案的难点和关键。

发明内容

本申请实施例提供一种屏幕漏光量的检测方法、装置和电子设备，对于屏下的屏幕漏光量具有较高的检测性能。

第一方面，提供一种屏幕漏光量的检测方法，包括：在显示屏显示图像期间，采集显示屏下方的漏光信号形成漏光波形数据，漏光波形数据用于表征驱动显示屏显示图像的驱动信号；利用目标神经网络对漏光波形数据进行预测，以检测得到显示屏的屏幕漏光量。

通过本申请实施例的技术方案，在显示屏显示图像期间，同步采集显示屏下方的漏光信号形成漏光波形数据，该漏光波形数据可表征显示屏显示图像的驱动信号，且该漏光波形数据的波形特征受环境光影响较小，根据该漏光波形数据，利用目标神经网络进行预测，能够检测得到准确度较高的屏幕漏光量。该方案对于屏幕的参数要求不高，对于任何类型的显示屏，均能利用目标神经网络建立漏光波形数据与屏幕漏光量较为准确的对应关系，得到屏幕漏光量准确的检测结果。

在一些可能的实施方式中，上述利用目标神经网络对漏光波形数据进行处理，以检测得到显示屏的屏幕漏光量，包括：对漏光波形数据进行特征提取，以得到特征波形数据；利用目标神经网络对特征波形数据进行预测，以检测得到显示屏的屏幕漏光量。

在一些可能的实施方式中，上述对漏光波形数据进行特征提取，以得到特征波形数据，包括：选择漏光波形数据中最低值数据以及与最低值数据相邻的多个数据，以得到第一跌落特征波形数据。

在一些可能的实施方式中，在上述选择漏光波形数据中最低值数据以及与最低值数据相邻的多个数据，以得到第一跌落特征波形数据之后，上述对漏光波形数据进行特征提取，以得到特征波形数据，还包括：将第一跌落特征波形数据减去漏光波形数据的平均值，得到第二跌落特征波形数据。

在一些可能的实施方式中，上述将第一跌落特征波形数据减去漏光波形数据中至少部分数据的平均值，得到第二跌落特征波形数据，包括：将第一跌落特征波形数据减去漏光波形数据中多个平坦波形数据的平均值，得到第二跌落特征波形数据，其中多个平坦波形数据为漏光波形数据中除最低值数据之外的至少部分数据。

在一些可能的实施方式中，目标神经网络为通过多个特征波形数据样本训练得到的神经网络；在利用目标神经网络对特征波形数据进行预测，以检测得到显示屏的屏幕漏光量之前，检测方法还包括：对特征波形数据进行第一线性变换，以使得特征波形数据的数量级与多个特征波形数据样本的数量级相同。

在一些可能的实施方式中，上述利用目标神经网络对特征波形数据进行预测，以检测得到显示屏的屏幕漏光量，包括：利用目标神经网络对经过第一线性变换后的特征波形数据进行预测，以检测得到显示屏的初始屏幕漏光量；对初始屏幕漏光量进行第二线性变换，以输出显示屏的屏幕漏光量，其中，第二线性变换为第一线性变换的逆变换。

在一些可能的实施方式中，漏光波形数据包括多通道的漏光波形子数据；其中，上述利用目标神经网络对漏光波形数据进行预测，以检测得到显示屏的屏幕漏光量，包括：利用目标神经网络对漏光波形数据中的多通道的漏光波形子数据分别进行预测，以分别检测得到显示屏的多个屏幕漏光分量。

在一些可能的实施方式中，多通道的漏光波形子数据包括以下至少两种数据：红色通道漏光波形子数据、绿色通道漏光子数据、蓝色通道漏光子数据和透明通道漏光波形子数据。

在一些可能的实施方式中，目标神经网络为在显示屏的第一亮度范围内训练得到的神经网络；其中，在利用目标神经网络对漏光波形数据进行预测，以检测得到显示屏的屏幕漏光量之前，检测方法还包括：确定显示屏的亮度在第一亮度范围内；根据第一亮度范围，在多个神经网络中选择目标神经网络，其中，多个神经网络中除目标神经网络以外的其它神经网络为在显示屏的其它亮度范围内训练得到的神经网络。

在一些可能的实施方式中，检测方法还包括：在处于黑暗环境中的样机显示屏显示多种样本图像时，采集样机显示屏下方的多个漏光信号样本形成多个漏光波形数据样本，其中，多种样本图像在预设的第一亮度范围内且具有不同灰度；通过多个漏光波形数据样本对初始神经网络进行训练，得到目标神经网络。

在一些可能的实施方式中，上述通过多个漏光波形数据样本对初始神经网络进行训练，得到目标神经网络，包括：对多个漏光波形数据样本中的每一个漏光波形数据样本进行特征提取，以得到多个特征波形数据样本；通过多个特征波形数据样本对初始神经网络进行训练，得到目标神经网络。

在一些可能的实施方式中，上述对多个漏光波形数据样本中的每一个漏光波形数据样本进行特征提取，以得到多个特征波形数据样本，包括：计算第一漏光波形数据样本中的每个数据与第一真实漏光量的相关性系数，选择相关性系数最大的N个数据，得到第一跌落特征波形数据样本，其中，第一真实漏光量为第一漏光波形数据样本的平均值，N为预设的正整数，且N大于1。

在一些可能的实施方式中，在得到第一跌落特征波形数据样本之后，对多个漏光波形数据样本中的每一个漏光波形数据样本进行特征提取，以得到多个特征波形数据样本，还包括：将第一跌落特征波形数据样本减去第一漏光波形数据样本中至少部分数据的平均值，得到第二跌落特征波形数据样本。

在一些可能的实施方式中，多个漏光波形数据样本中每一个漏光波形数据样本包括多通道的漏光波形子数据样本；其中，通过多个漏光波形数据样本对初始神经网络进行训练，得到目标神经网络，包括：通过多个漏光波形数据样本中多通道的漏光波形子数据样本，对初始神经网络进行训练，得到目标神经网络。

在一些可能的实施方式中，每一个漏光波形数据样本包括如下至少两种数据：红色通道漏光波形子数据样本、绿色通道漏光子数据样本、蓝色通道漏光子数据样本和透明通道漏光波形子数据样本。

在一些可能的实施方式中，目标神经网络为一维卷积神经网络。

在一些可能的实施方式中，一维卷积神经网络包括残差网络。

第二方面，提供一种屏幕漏光量的检测装置，包括：光传感器，设置于显示屏的下方，在显示屏显示图像期间，光传感器用于采集显示屏下方的漏光信号形成漏光波形数据，漏光波形数据用于表征驱动显示屏显示图像的驱动信号；处理器，连接于光传感器，处理器用于利用目标神经网络对漏光波形数据进行预测，以检测得到显示屏的屏幕漏光量。

第三方面，提供一种电子设备，包括：显示屏，以及，上述第二方面中的屏幕漏光量的检测装置，该检测装置用于检测显示屏的屏幕漏光量。

通过在该电子设备中设置上述屏幕漏光量的检测装置，可以检测得到较为准确的屏幕漏光量，该较为准确的屏幕漏光量可用于修正电子设备中其它屏下设备的检测结果，例如，该屏幕漏光量可以修正屏下环境光的检测结果，以提升电子设备的整体性能。

附图说明

图1为本申请实施例提供的一种屏幕漏光量的检测方法的示意性流程框图。

图2为本申请实施例提供的一种漏光波形数据的示意图。

图3为本申请实施例提供的另一屏幕漏光量的检测方法的示意性流程框图。

图4为本申请实施例提供的另一屏幕漏光量的检测方法的示意性流程框图。

图5为本申请实施例提供的另一屏幕漏光量的检测方法的示意性流程框图。

图6为本申请实施例提供的另一屏幕漏光量的检测方法的示意性流程框图。

图7为本申请实施例提供的另一屏幕漏光量的检测方法的示意性流程框图。

图8为本申请实施例提供的另一屏幕漏光量的检测方法的示意性流程框图。

图9为本申请实施例提供的另一屏幕漏光量的检测方法的示意性流程框图。

图10为本申请实施例提供的另一屏幕漏光量的检测方法的示意性流程框图。

图11为本申请实施例提供的一种屏幕漏光量的检测装置的示意性结构框图。

图12为本申请实施例提供的一种电子设备的示意性结构框图。

图13为本申请实施例提供的一种目标神经网络的训练装置的示意性结构框图。

具体实施方式

下面将结合附图，对本申请实施例中的技术方案进行描述。

在电子设备中，显示屏是人机交互的基础硬件，随着手机等终端设备全面屏的来临，将各种正面器件，例如，接近感应传感器、环境光传感器(Ambient Light Sensor，ALS)等置于屏下也是一种必然的趋势。对于屏下环境光传感器而言，技术上最大的挑战来自于屏幕光的干扰，并且随着屏幕透过率越来越低，屏幕漏光量对环境光检测准确性的影响也越来越大，因此，如何提供一种准确度较高的屏幕漏光量的检测方法，是业内较为关注且亟待解决的一项技术问题。

在一些相关技术方案中，可以根据屏幕显示信息(例如，颜色信息等)，通过神经网络模型预测屏幕漏光量。在该实施方式中，需要实时截取屏幕的显示信息作为神经网络模块的输入，才能预测得到屏幕漏光量。该实时截取屏幕的显示信息对于电子设备的功耗相对较高，且对电子设备的系统耦合较深。

在另一些相关技术方案中，可以通过检测显示屏的驱动信号，并拟合驱动信号上不同变量的线性关系计算屏幕漏光量。具体地，屏幕通过驱动信号驱动屏幕发光像素(pixel)依次亮起以显示图像。在显示图像的过程中，屏幕发光功率不会一直保持不变，一般会有发光功率大的区间和发光功率小的区间，用光传感器高速采样就可以看到一个类似正弦波的特征波形，该特征波形可用于表征屏幕驱动图像显示的驱动信号。在通过大量样本数据拟合得到该特征波形上不同变量与屏幕漏光量的线性关系后，在实际应用阶段，检测实时的特征波形，根据特征波形上的变量参数以及线性关系，检测得到屏幕漏光量。该实施方式对于屏幕的参数要求较高，需要通过较优的特征波形才能拟合得到较为准确的线性关系，而对于类似于采用低温多晶硅(Low Temperature Poly-Silicon，LTPS)技术制造的屏幕，对其采集到的特征波形性能不佳，无法拟合得到较为准确的线性关系，造成屏幕漏光量的检测准确度较低。

鉴于此，本申请提供一种屏幕漏光量的检测方法，能够兼顾检测的准确性且降低检测所需的功耗。

图1示出了本申请实施例提供的一种屏幕漏光量的检测方法100的示意性流程框图。

如图1所示，该检测方法100包括以下步骤。

S110：在显示屏显示图像期间，采集显示屏下方的漏光信号形成漏光波形数据，其中，该漏光波形数据用于表征驱动该显示屏显示图像的驱动信号。

S120：利用目标神经网络对漏光波形数据进行预测，以检测得到显示屏的屏幕漏光量。

具体地，在本申请实施例中，步骤S110的执行主体可以为设置于显示屏下方的光传感器，其包括但不限于是环境光传感器(ALS)、指纹传感器等等。

在显示屏显示图像期间，该光传感器可同步采集该显示屏下方的漏光信号，该漏光信号包括穿过显示屏的环境光信号和显示屏的漏光信号。具体地，由于显示屏具有一定的透光率，因此，环境光信号可穿过显示屏被屏下的光传感器接收，另外，显示屏自身发出的光信号也会向屏下的光传感器泄露，以形成漏光信号被光传感器接收。

具体地，光传感器的采集时间可与显示屏显示图像的时间相同，在该显示屏显示至少一帧图像的时间段内，光传感器可对漏光信号多次采样，得到多个漏光数据，该多个漏光数据随时间变化形成漏光波形数据。其中，多个漏光数据中每个漏光数据可以为光传感器对漏光信号采样得到的多个采样值的平均值，或者，该每个漏光数据也可以为光传感器对漏光信号单次采样得到的单个采样值。

如上文所述，显示屏可受驱动信号驱动显示至少一帧图像，在显示屏显示至少一帧图像的同时采集显示屏下方的漏光信号，该漏光信号形成的漏光波形数据可以表征显示屏的驱动信号。即显示屏驱动信号造成的显示屏亮度变化会引起漏光波形数据的波形特征变化，而环境光一般较为稳定，其对该漏光波形数据的波形特征影响较小。

为了便于理解，图2示出了本申请实施例提供的一种漏光波形数据的示意图。

作为示例，如图2所示，该漏光波形数据包括20个漏光数据，该20个漏光数据可为显示屏在刷新一次图像的周期内，光传感器采集得到的漏光数据。在图像刷新过程中，该20个漏光数据中可出现最低值，该最低值也可以称之为漏光波形数据中的跌落点。该跌落点及其附近的波形数据可形成漏光波形数据中的跌落特征波形数据。类似地，在显示屏刷新多次图像的过程中，光传感器可采集得到多个漏光波形数据，每个漏光波形数据中包括一个最低值，即跌落点。

鉴于上述特性，在步骤S120中，可利用目标神经网络对该漏光波形数据进行预测，以检测得到显示屏的屏幕漏光量。可选地，该步骤S120的执行主体包括但不限于是处理器，该处理器可以为电子设备中的主处理器，或者，也可以为集成于光传感器中的微处理器。

具体地，该目标神经网络为已经过大量样本数据训练后得到的神经网络，相比于简单的线性关系拟合，该目标神经网络能够建立漏光波形数据与屏幕漏光量之间较为准确的对应关系。因此，通过该目标神经网络对漏光波形数据进行预测，能够得到较为准确的屏幕漏光量。

综上，通过本申请实施例的技术方案，在显示屏显示图像期间，同步采集显示屏下方的漏光信号形成漏光波形数据，该漏光波形数据可表征显示屏显示图像的驱动信号，且该漏光波形数据的波形特征受环境光影响较小，根据该漏光波形数据，利用目标神经网络进行预测，能够检测得到准确度较高的屏幕漏光量。该方案不需要实时截取屏幕的显示信息作为神经网络模块的输入，因而该方案与电子设备的系统耦合小，所消耗的功耗也较低。另外，该方案对于屏幕的参数要求不高，不论任何类型的显示屏，均能利用神经网络建立漏光波形数据与屏幕漏光量较为准确的对应关系，得到屏幕漏光量准确的检测结果。

图3示出了本申请实施例提供的另一屏幕漏光量的检测方法300的示意性流程框图。

如图3所示，该检测方法300可以包括以下步骤。

S310：在显示屏显示图像期间，采集显示屏下方的漏光信号形成漏光波形数据，其中，该漏光波形数据用于表征驱动该显示屏显示图像的驱动信号。

S320：对漏光波形数据进行特征提取，以得到特征波形数据。

S330：利用目标神经网络对特征波形数据进行预测，以检测得到显示屏的屏幕漏光量。

可选地，在本申请实施例中，步骤S310可以参见上文图1中步骤S110的相关描述，步骤S320和步骤S330可以为上文步骤S120的一种实现方式。

具体地，在本申请实施例中，在光传感器采集到漏光波形数据后，处理器可对漏光波形数据进行特征提取，以得到漏光波形数据中较为显著的特征波形，以及该特征波形对应的特征波形数据。作为示例，如上图2所示，处理器可提取漏光波形数据中的跌落特征波形，进一步地，处理器可利用目标神经网络对该跌落特征波形中的波形数据进行预测，得到显示屏的屏幕漏光量。

通过该实施方式的技术方案，对漏光波形数据进行特征提取，可以得到漏光波形数据中的特征波形数据，该特征波形数据可以呈现较为显著的波形特征，从而便于目标神经网络对于该特征波形数据的处理，也能进一步优化屏幕漏光量的检测准确度。

图4示出了本申请实施例提供的另一屏幕漏光量的检测方法400的示意性流程框图。

如图4所示，该检测方法400可以包括以下步骤。

S410：在显示屏显示图像期间，采集显示屏下方的漏光信号形成漏光波形数据，其中，该漏光波形数据用于表征驱动该显示屏显示图像的驱动信号。

S420：选择漏光波形数据中最低点数据以及与该最低点数据相邻的多点数据，以得到第一跌落特征波形数据。

S430：将第一跌落特征波形数据减去漏光波形数据中至少部分数据的平均值，得到第二跌落特征波形数据。

S440：利用目标神经网络对跌落特征波形数据进行预测，以检测得到显示屏的屏幕漏光量。

可选地，在本申请实施例中，步骤S310可以参见上文图1中步骤S110的相关描述，步骤S420至步骤S430可以为上文步骤S320的一种实现方式。对应的，步骤S440可以为上文步骤S330的一种实现方式。

具体地，在步骤S420中，处理器直接选择漏光波形数据中最低值数据以及与该最低值数据相邻的多个数据以作为初始跌落特征波形数据，其中，漏光波形数据中的最低值数据即为漏光波形数据中的跌落点，与该跌落点相邻的多个数据可以为预设数量的多个数据。作为示例，在上述图2所示示例中，可选择该跌落点、跌落点前的2-3个数据以及该跌落点后的2-3个数据以形成第一跌落特征波形数据。

可选地，在本申请实施例的一种实现方式中，方法400仅包括步骤S410、S420以及S440，其中，步骤S440可执行于步骤S420之后，即处理器在对漏光波形数据处理得到第一跌落特征波形数据后，可利用目标神经网络对该第一跌落特征波形数据进行处理，以检测得到显示屏的屏幕漏光量。

可选地，在本申请实施例的另一种实现方式中，方法400除了包括步骤S410、S420以及S440以外，还可进一步包括步骤S430，步骤S440可执行于步骤S430之后。

在步骤S430中，处理器可将上述第一跌落特征波形数据减去漏光波形数据中至少部分数据的平均值，得到第二跌落特征波形数据。在该情况下，在步骤S440中，处理器可进一步通过目标神经网络模型对该第二跌落特征波形数据进行屏幕光漏光量的预测。

可选地，该平均值可以为该漏光波形数据中部分漏光数据的平均值。例如，该平均值可以为该漏光波形数据中多个平坦波形数据的平均值，所述多个平坦波形数据可以为漏光波形数据中除了跌落点数据(最低值数据)之外的至少部分数据。可选地，该多个平坦波形数据形成的波形可以基本形成一条直线。相比于该多个平坦波形数据的平均值，该多个平坦波形数据的波动范围可以在一定的预设范围内，例如，35％等等。可选地，该多个平坦波形数据可以为漏光波形数据中除第一跌落特征波形数据以外的至少部分数据。

例如，在上述图2所示示例中，步骤S430中的平均值可以为20个漏光数据中多个平坦波形数据的平均值。可选地，该平均值可以为图2中跌落点左侧8个平坦波形数据的平均值，或者，该平均值也可以为图2中跌落点右侧7个平坦波形数据的平均值，又或者，该平均值也可以为图2中跌落点两侧15个平坦波形数据的平均值。

在该步骤中，将上述第一跌落特征波形数据中的每个数据减去平均值，可以在一定程度上消减该第一跌落特征波形数据中的环境光分量，该第一跌落特征波形数据减去平均值后得到的第二跌落波形数据能够更好的表征显示屏的屏幕漏光量。进一步的，在步骤S440中，处理器可通过目标神经网络模型对该第二跌落特征波形数据进行屏幕光漏光量的预测，能够得到更为准确的预测结果。

图5示出了本申请实施例提供的另一屏幕漏光量的检测方法500的示意性流程框图。

如图5所示，该检测方法500包括以下步骤。

S510：在显示屏显示图像期间，采集显示屏下方的漏光信号形成漏光波形数据，其中，该漏光波形数据用于表征驱动该显示屏显示图像的驱动信号。

S520：对漏光波形数据进行特征提取，以得到特征波形数据。

S530：对特征波形数据进行第一线性变换，以使得特征波形数据的数量级与用于训练目标神经网络的多个特征波形数据样本的数量级相同。

S540：利用目标神经网络对第一线性变换后的特征波形数据进行预测，以得到显示屏的初始屏幕漏光量。

S550：对初始屏幕漏光量进行第二线性变换，以输出显示屏的屏幕漏光量，第二线性变换为第一线性变换的逆变换。

可选地，本申请实施例中提供的方法500可理解为：在上文图3中所示的方法300的基础上，增加了步骤S530，其中，步骤S540至步骤S550可以为方法300中步骤S330的一种实现方式。具体地，步骤S510和S520可以参见上文方法300中步骤S310和步骤S320的相关描述，此处不做过多赘述。

在处理器对漏光波形数据进行特征提取得到特征波形数据后，例如，处理器可按照图4所示实施例的步骤S420至步骤S440提取得到第一跌落特征波形数据或第二跌落特征波形数据后，在步骤S530中，处理器可进一步的对该特征波形数据进行第一线性变换。

具体地，在本申请实施例中，目标神经网络是通过多个特征波形数据样本进行训练得到的神经网络。可选地，在目标神经网络的训练过程中，该多个特征波形数据样本同样可以通过多个漏光波形数据样本进行特征提取得到，且该漏光波形数据样本同样可通过光传感器对样机显示屏的屏下漏光信号进行采集得到。在实际应用过程中，待测的显示屏与样机显示屏可能具有较大差异，因此，该待测的显示屏对应的漏光波形数据与样机显示屏对应的漏光波形数据样本具有较大差异，进一步地，该待测的显示屏对应的特征波形数据与样机显示屏对应的特征波形数据样本也具有较大差异。

鉴于此，为了使得目标神经网络对于待预测的特征波形数据具有良好的处理和预测效果，处理器可通过第一线性变换使得该特征波形数据与用于训练目标神经网络的特征波形数据样本的数量级保持一致。当然，除了第一线性变换的方式以外，在其它替代实施方式，也可以通过其它变换方式使得特征波形数据与特征波形数据样本的数量级保持一致，本申请实施例对该变换方式不做限定。

在上述步骤S530的基础上，在步骤S540中，处理器可利用目标神经网络对第一线性变换后的特征波形数据进行预测，以得到显示屏的初始屏幕漏光量。由于第一线性变换后的特征波形数据已经偏离了原始特征波形数据的数量级，因而，基于目标神经网络预测得到的初始屏幕漏光量的数量级也会对应偏离真实的屏幕漏光量。

鉴于此，在步骤S550中，处理器需对该初始屏幕漏光量进行第二线性变换，以消除第一线性变换对预测结果的影响。其中，该第二线性变换可以为第一线性变换的逆变换，例如，若第一线性变换中，处理器将特征波形数据与某系数K相乘。则对应的，在该第二线性变换中，处理器可将该初始屏幕漏光量与系数K相除。

综上，通过本申请实施例的技术方案，为了使得目标神经网络对特征波形数据具有更好的处理性能，可提前对特征波形数据进行了第一线性变换，且在目标神经网络对特征波形数据进行预测处理之后，再将预测得到的初始屏幕漏光量进行第二线性变换，以消除第一线性变换对预测结果的影响，综合保证屏幕漏光量预测的准确性。

可选地，在一些实施方式中，上文用于执行漏光信号采集的光传感器可为单通道光传感器，其采集的漏光信号可以为任意波段的光信号，例如，其可以为可见光波段乃至红外光波段中任意波段的光信号。

在另一些实施方式中，上文用于执行漏光信号采集的光传感器也可以为多通道光传感器，其每一个通道均可用于接收某一波段的光信号，且不同通道可接收不同波段的光信号。

作为示例而非限定，在一些实施方式中，该光传感器可包括红-绿-蓝(Red，Green，Blue，RGB)三个通道，其中，R通道设置有红色滤光层，其可主要用于接收红色漏光信号，G通道设置有绿色滤光层，可主要用于接收绿色漏光信号，B通道设置有蓝色滤光层，可主要用于接收蓝色漏光信号。在另一些实施方式中，该光传感器也可包括红-绿-蓝-透明(Red，Green，Blue，Clear，RGBC)四个通道，其中C通道未设置有滤光层，且可用于接收全部可见光波段的屏下漏光信号。当然，在其它可替代的实施方式中，该光传感器还可以包括其它类型的通道，例如IR通道等等，该IR通道可主要用于接收红外光信号。本申请实施例对于光传感器中具体的通道类型不做限定。

在光传感器为多通道光传感器的情况下，该光传感器采集的漏光波形数据可包括多通道的漏光波形子数据，其中，多通道光传感器包括以下至少两个通道：R通道、G通道、B通道和C通道，对应的，该多通道的漏光波形子数据包括以下至少两种数据：R通道漏光波形子数据、G通道漏光子数据、B通道漏光子数据和C通道漏光波形子数据。

图6示出了本申请实施例提供的另一屏幕漏光量的检测方法600的示意性流程框图。

如图6所示，该检测方法600包括以下步骤。

S610：在显示屏显示图像期间，采集显示屏下方的漏光信号形成漏光波形数据，其中，该漏光波形数据包括多通道的漏光波形子数据。

S620：利用目标神经网络对多通道的漏光波形子数据分别进行预测，以分别检测得到显示屏的多个屏幕漏光分量。

可选地，在本申请实施例中，步骤S610可以为上文图1中步骤S110的一种实现方式，步骤S620可以为步骤S120的一种实现方式。

具体地，在步骤S610中，多通道光传感器用于分别采集对应波段的光信号，以得到多个通道的漏光波形子数据。作为一种示例，对于RGB三通道光传感器，其对漏光信号进行采集可得到R通道漏光波形子数据、G通道漏光波形子数据以及B通道漏光波形子数据，其中，R通道漏光波形子数据可主要反映漏光信号中红色分量，G通道漏光波形子数据可主要反映漏光信号中绿色分量，且B通道漏光波形子数据可主要反映漏光信号中蓝色分量。作为另一示例，对于RGBC四通道光传感器，其对漏光信号进行采集除了可得到R通道漏光波形子数据、G通道漏光波形子数据以及B通道漏光波形子数据以外，还可得到C通道漏光波形子数据，该C通道漏光波形子数据可主要反映漏光信号中全部可见光分量。

具体地，在步骤S620中，处理器可利用目标神经网络对多通道的漏光波形子数据分别进行预测，以分别检测得到显示屏的多个屏幕漏光分量。例如，处理器可利用目标神经网络对R通道漏光波形子数据、G通道漏光波形子数据以及B通道漏光波形子数据分别进行预测，以分别检测得到显示屏的屏幕漏光R分量、屏幕漏光G分量以及屏幕漏光B分量。类似地，处理器还可利用目标神经网络对C通道漏光波形子数据进行预测，以检测得到屏幕漏光C分量。

可选地，处理器可采用上文图3至图5所示实施例中的任一实施例的技术方案对每一通道的漏光波形子数据进行预测，以检测得到显示屏的多个屏幕漏光分量。

作为示例，处理器可采用图3所示实施例的技术方案对R通道漏光波形子数据进行处理，即处理器可对该R通道漏光波形子数据进行特征提取，以得到R通道特征波形子数据，然后，处理器可利用目标神经网络对该R通道特征波形数据进行预测，以检测得到显示屏的屏幕漏光R分量。

或者，处理器可采用图4所示实施例的技术方案对R通道漏光波形子数据进行处理，即处理器选择R通道漏光波形子数据中最低点数据以及与该最低点数据相邻的多点数据，以得到对应于R通道的第一跌落特征波形数据。进一步的，处理器将该对应于R通道的第一跌落特征波形数据减去漏光波形数据的平均值，得到对应于R通道的第二跌落特征波形数据。最后，处理器可利用目标神经网络对上述对应于R通道的第一跌落特征波形数据或第二跌落特征波形数据进行预测，以检测得到显示屏的屏幕漏光R分量。

又或者，处理器可采用图5所示实施例的技术方案对R通道漏光波形子数据进行处理，即处理器对R通道漏光波形子数据进行特征提取得到R通道特征波形数据(例如，上述对应于R通道的第一跌落特征波形数据或第二跌落特征波形数据)后，可对于该R通道特征波形数据进行第一线性变换，且在处理器利用目标神经网络对第一线性变换后的R通道特征波形数据进行预测，以得到显示屏的初始屏幕漏光R分量后，处理器可进一步的对该初始屏幕漏光R分量进行第二线性变换，以输出显示屏最终的屏幕漏光R分量。

类似地，处理器可按照上述对R通道漏光波形子数据的处理方式，对其它通道漏光波形子数据进行处理，以得到对应的屏幕漏光分量。

需要说明的是，目标神经网络中可包括多个用于输入该多通道漏光波形子数据的输入接口以及多个用于输出屏幕漏光分量的输出接口，因此，处理器可通过该目标神经网络对该多通道漏光波形子数据同时进行预测，以同时输出显示屏的多个屏幕漏光分量。

通过本申请实施例的技术方案，目标神经网络可以基于多通道漏光波形子数据分别输出显示屏的多个屏幕漏光分量，该多个屏幕漏光分量可以包括屏幕漏光量中的多种信息，例如颜色信息等，且该多个屏幕漏光分量可以更为便捷且灵活的应用于各种场景。

图7示出了本申请实施例提供的另一屏幕漏光量的检测方法700的示意性流程框图。

如图7所示，该检测方法700包括以下步骤。

S710：在显示屏显示图像期间，采集显示屏下方的漏光信号形成漏光波形数据，其中，该漏光波形数据用于表征驱动该显示屏显示图像的驱动信号。

S720：确定显示屏的亮度在第一亮度范围内。

S730：根据第一亮度范围，在多个神经网络模型中选择目标神经网络。其中，多个神经网络模型中除目标网络模型以外的其它模型为在显示屏的其它亮度范围内训练得到的神经网络。

S740：利用目标神经网络对漏光波形数据进行预测，以检测得到显示屏的屏幕漏光量。

可选地，本申请实施例中提供的方法700可理解为：在上文图1中所示的方法100的基础上，增加了步骤S720和S730。具体地，步骤S710和步骤S740的相关技术方案可以参见上文实施例的相关描述，此处不做过多赘述。

具体地，在步骤S720和步骤S730中，在处理器利用目标神经网络对漏光波形数据进行预测之前，还在多个神经网络中选择该目标神经网络。该多个神经网络分别适用于不同的屏幕亮度范围，即该多个神经网络分别在不同屏幕亮度范围下训练得到。因此，在本申请实施例中，处理器可在多个适用于不同屏幕亮度范围的神经网络之间选择，其中，目标神经网络仅可适用于第一亮度范围的屏幕亮度，该第一亮度范围可以为全亮度范围(0-255)中任意部分亮度范围。

相比于在屏幕全亮度范围(0-255)内训练得到的神经网络，在本申请实施例中，仅在第一亮度范围内训练得到的目标神经网络具有更好的针对性以及更为优异的数据处理能力，能够进一步提高屏幕漏光量的检测准确性。

可选地，在本申请实施例中，除了设置分别适用于不同屏幕亮度范围的多个神经网络以外，还可以设置分别适用于不同屏幕调光方式的多个神经网络。例如，可针对屏幕直流(direct current，DC)调光、脉冲宽度调制(pulse width modulation，PWM)调光以及PWM与DC混合调光等方式分别训练得到多个神经网络。

上文结合图1至图7，说明了在实际应用阶段，利用目标神经网络对于屏幕漏光量的检测方法。下面结合图8至图9，说明训练得到上述目标神经网络的方法。

图8示出了本申请实施例提供的另一屏幕漏光量的检测方法800的示意性流程框图。

如图8所示，该检测方法800包括以下步骤。

S810：在处于黑暗环境中的样机显示屏显示多种样本图像时，采集样机显示屏下方的多个漏光信号样本形成多个漏光波形数据样本，其中，多种样本图像在预设的第一亮度范围内且具有不同灰度；

S820：通过多个漏光波形数据样本对初始神经网络进行训练，得到目标神经网络。

具体地，在本申请实施例中，在目标神经网络的训练阶段，初始目标神经网络对于数据的处理方式与上文实施例中目标神经网络对于数据的处理方式类似。差别仅在于，本申请实施例中，初始神经网络输入的数据样本不同于上文实施例中目标神经网络输入的数据样本。

在步骤S810中，样机显示屏位于黑暗环境中，该样机显示屏的下方同样可设置有光传感器，且该光传感器可被配置为连接于处理器。为了便于与上文实施例中的光传感器和处理器区分，下文将用于测试样机显示屏漏光信号的光传感器称之为测试光传感器，对应的，用于训练神经网络的处理器称之为训练处理器。

黑暗环境中的样机显示屏可显示多种样本图像，在样本显示屏显示同一种样本图像期间，测试光传感器可采集得到一个漏光波形数据样本。该漏光波形数据样本的波形特征与上文实施例中的漏光波形数据相同或相近，具体地，该漏光波形数据样本的相关技术方案也可以参见上文图2所示实施例的相关描述。

具体地，在本申请实施例中，不同种样本图像的亮度均在预设的第一亮度范围内且具有不同灰度。可选地，该不同种样本图像可覆盖全灰度图像，以提升目标神经网络的训练性能，且提高目标神经网络的预测精度。

在步骤S820中，训练处理器可通过多个漏光波形数据样本对初始神经网络进行训练，得到目标神经网络。具体地，该初始神经网络的网络结构与目标神经网络的网络结构相同。训练处理器可将多个漏光波形数据样本输入至初始神经网络，且初始神经网络对该多个漏光波形数据样本进行处理得到屏幕漏光量结果后，处理器可根据初始神经网络输出的屏幕漏光量与真实值进行对比，以调整初始神经网络中的相关参数，直至调整之后的相关参数逐渐收敛，和/或，调整之后的初始神经网络的输出结果与真实值的误差在预设范围内，此时，调整之后的初始神经网络可称之为目标神经网络。具体地，在本申请实施例中，初始神经网络中相关参数的调整方式可以参见相关技术中的技术方案，此处不做过多赘述。

在上述过程中，屏幕漏光量的真实值可以由测试光传感器测试得到。具体地，由于样机显示屏处于黑暗环境中，因此，测试光传感器采集到的漏光信号不包括环境光而全部都是样机显示屏的漏光。鉴于此，对于测试光传感器采集到的一个漏光波形数据样本，与其对应的屏幕漏光量的真实值可以为该漏光波形数据样本的平均值。

通过本申请实施例的技术方案，在黑暗环境下采集样本显示屏的多个漏光波形数据样本，能够使得该多个漏光波形数据样本具有较高的可靠性。且该多个漏光波形数据样本是在显示屏显示多种样本图像时采集得到的，该多种样本图像在预设的第一亮度范围内且具有不同灰度，有利于提升目标神经网络的训练性能，且提高目标神经网络的预测精度。

图9示出了本申请实施例提供的另一屏幕漏光量的检测方法900的示意性流程框图。

如图9所示，该检测方法900包括以下步骤。

S910：在处于黑暗环境中的样机显示屏显示多种样本图像时，采集样机显示屏下方的多个漏光信号样本形成多个漏光波形数据样本，其中，多种样本图像在预设的第一亮度范围内且具有不同灰度。

S920：对多个漏光波形数据样本中的每一个漏光波形数据样本进行特征提取，以得到多个特征波形数据样本。

S930：通过多个特征波形数据样本对初始神经网络进行训练，得到目标神经网络。

可选地，在本申请实施例中，步骤S910可以参见上文图8中步骤S810的相关描述，步骤S920和步骤S930可以为上文步骤S820的一种实现方式。

具体地，在该本申请实施例中，在测试光传感器采集到多个漏光波形数据样本后，训练处理器可对该多个漏光波形数据样本中的每一个漏光波形数据样本进行特征提取，以得到每一个漏光波形数据样本中较为显著的特征波形，以及该特征波形对应的特征波形数据样本。可选地，训练处理器可提取每一个漏光波形数据样本中的跌落特征波形数据样本，进一步地，训练处理器可利用该跌落特征波形数据样本对初始神经网络进行训练。

通过该实施方式的技术方案，对每一个漏光波形数据样本进行特征提取，可以得到每一个漏光波形数据样本中的特征波形数据样本，该特征波形数据样本可以呈现较为显著的波形特征，有利于提升目标神经网络的训练速度和预测精度。

图10示出了本申请实施例提供的另一屏幕漏光量的检测方法1000的示意性流程框图。

如图10所示，该检测方法1000可以包括以下步骤。

S1010：在处于黑暗环境中的样机显示屏显示多种样本图像时，采集样机显示屏下方的多个漏光信号样本形成多个漏光波形数据样本，其中，多种样本图像在预设的第一亮度范围内且具有不同灰度。

S1020：计算第一漏光波形数据样本中的每个数据与目标漏光量的相关性系数，选择相关性系数最大的N个数据，得到第一跌落特征波形数据样本。其中，目标漏光量为第一漏光波形数据样本的平均值，N为预设的正整数，且N大于1。

S1030：将第一跌落特征波形数据样本减去第一漏光波形数据样本中至少部分数据的平均值，得到第二跌落特征波形数据样本。

S1040：通过跌落特征波形数据样本对初始神经网络进行训练，得到目标神经网络。

可选地，在本申请实施例中，步骤S1010可以参见上文图8和图9所示实施例中的相关描述，步骤S1020至步骤S1030可以为上文步骤S920的一种实现方式。对应的，步骤S1040可以为上文步骤S930的一种实现方式。

具体地，在步骤S1020中，第一漏光波形数据样本可以为多个漏光波形数据样本中的任意一个样本。训练处理器可计算该第一漏光波形数据样本中的每个数据与第一真实漏光量的相关性系数。如上所述，由于多个漏光波形数据样本是在黑暗环境下由测试光传感器检测得到的，因而该多个漏光波形数据样本中第一漏光波形数据样本对应的第一真实漏光量即为该第一漏光波形数据样本的平均值。在计算第一漏光波形数据样本中的每个数据与第一真实漏光量的相关性系数之后，训练处理器可选择第一漏光波形数据样本中与第一真实漏光量相关性最高的N个数据，即相关性系数最高的N个数据。作为示例，该相关性系数包括但不限于是：最大互信息系数(Maximal information coefficient，MIC)或者皮尔逊相关系数等等。另外，N为预设的正整数，其例如可以为5或6。

通过选择第一漏光波形数据样本中与第一真实漏光量相关性最高的N个数据，可以得到第一漏光波形数据样本中的第一跌落特征波形数据样本，其中，第一漏光波形数据样本中与第一真实漏光量相关性最高的数据即为最低点数据(跌落点)，其它相关性较高的数据即为与最低点数据相邻的数据。

具体地，适应于在该训练阶段，第一跌落特征波形数据样本包括N个数据，返回参考图4中步骤S420，在实际应用阶段，第一跌落特征波形数据同样也包括N个数据。

可选地，在本申请实施例的一种实现方式中，方法1000仅包括步骤S1010、S1020以及S1040，其中，步骤S1040可执行于步骤S1020之后，即训练处理器在对第一漏光波形数据样本处理得到第一跌落特征波形数据样本后，可通过该第一跌落特征波形数据样本对初始神经网络进行训练，以得到目标神经网络。

可选地，在本申请实施例的另一种实现方式中，方法1000除了包括步骤S1010、S1020以及S1040以外，还可进一步包括步骤S1030，步骤S1040可执行于步骤S1030之后。

在步骤S1030中，训练处理器可将上述第一跌落特征波形数据样本减去第一漏光波形数据样本中至少部分数据的平均值，得到第二跌落特征波形数据样本。在该情况下，在步骤S1040中，处理器可通过该第二跌落特征波形数据样本对初始神经网络进行训练，以得到目标神经网络。

与上文图4中步骤S430类似，在该步骤S1030中，平均值可以为该第一漏光波形数据样本中全部漏光数据的平均值，或者，该平均值也可以为该第一漏光波形数据样本中部分漏光数据的平均值。例如，该平均值也可以为该第一漏光波形数据样本中多个平坦波形数据的平均值。

通过该实施方式的技术方案，将第一跌落特征波形数据样本中的全部数据减去平均值得到第二跌落特征波形数据样本，该第二跌落特征波形数据样本可具有更好的波形特征，有利于进一步提升目标神经网络的训练速度和预测精度。

类似于上述对于第一漏光波形数据样本的处理方式，训练处理器还可以对多个漏光波形数据样本中其它数据样本进行处理，进而通过处理后的多个跌落特征波形数据样本对初始神经网络进行训练，以得到性能较优的目标神经网络。

可选地，与上文光传感器类似，在本申请实施例中，测试光传感器也可以为单通道光传感器或者多通道光传感器。

在测试光传感器为多通道光传感器的情况下，多个漏光波形数据样本中每一个漏光波形数据样本可包括多通道的漏光波形子数据样本，训练处理器可通过该多个漏光波形数据样本中多通道的漏光波形子数据样本，对初始神经网络进行训练，得到目标神经网络。

可选地，多通道光传感器包括以下至少两个通道：R通道、G通道、B通道和C通道，对应的，该多通道的漏光波形子数据样本包括以下至少两种数据：R通道漏光波形子数据样本、G通道漏光子数据样本、B通道漏光子数据样本和C通道漏光波形子数据样本。

作为一种示例，多个漏光波形数据样本中的多个R通道漏光波形子数据样本可形成一个R通道样本集，类似地，多个漏光波形数据样本中其它通道的漏光波形子数据样本也可对应形成样本集。该样本集经过特征提取之后，可被用于执行对初始神经网络的训练。可选地，该样本集中的每个样本可以按照图10所示实施例中步骤S1020和步骤S1030的处理方式进行特征提取。

可选地，在一些实施方式中，上述初始神经网络以及目标神经网络可以为一维卷积神经网络，其对于一维的漏光波形数据具有良好的处理能力，且其在模型尺寸、训练时间以及预测精度等方面一定的优势。

可选地，该初始神经网络以及目标神经网络中可包括残差网络(Res-net)，通过在神经网络中加入该残差网络，可以进一步优化目标神经网络对于屏幕漏光量的预测准确度。

上文结合图1至图10，详细描述了本申请中的方法实施例，下面结合图11至图13，描述本申请的装置实施例，下文中的装置实施例与上文中的方法实施例相互对应，因此未详细描述的部分可参见上文实施例的相关描述，此处不再过多赘述。

图11示出了本申请实施例提供的一种屏幕漏光量的检测装置1100的示意性结构框图。

如图11所示，该检测装置1100包括：光传感器1110和处理器1120。具体地，该光传感器1110设置于显示屏的下方，在显示屏显示图像期间，光传感器1110用于采集显示屏下方的漏光信号形成漏光波形数据，漏光波形数据用于表征驱动显示屏显示图像的驱动信号。处理器1120，连接于光传感器1110，处理器1120用于利用目标神经网络对漏光波形数据进行预测，以检测得到显示屏的屏幕漏光量。

可选地，在本申请实施例中，该光传感器1110包括但不限于是环境光传感器(ALS)、指纹传感器等等。该处理器1120可以为电子设备中的主处理器，或者，也可以为集成于光传感器中的微处理器。

在一些可能的实施方式中，在光传感器1110为环境光传感器的情况下，处理器1120检测得到的显示屏的屏幕漏光量可用于修正环境光传感器检测得到的环境光检测结果。

在一些可能的实施方式中，处理器1120用于：对漏光波形数据进行特征提取，以得到特征波形数据；利用目标神经网络对特征波形数据进行预测，以检测得到显示屏的屏幕漏光量。

在一些可能的实施方式中，处理器1120用于：选择漏光波形数据中最低值数据以及与最低值数据相邻的多个数据，以得到第一跌落特征波形数据。

在一些可能的实施方式中，处理器1120用于：将第一跌落特征波形数据减去漏光波形数据中至少部分数据的平均值，得到第二跌落特征波形数据。

在一些可能的实施方式中，处理器1120用于：将第一跌落特征波形数据减去漏光波形数据中多个平坦波形数据的平均值，得到第二跌落特征波形数据，其中，多个平坦波形数据为漏光波形数据中除最低值数据之外的至少部分数据。

在一些可能的实施方式中，上述目标神经网络为通过多个特征波形数据样本训练得到的神经网络；处理器1120还用于：对特征波形数据进行第一线性变换，以使得特征波形数据的数量级与多个特征波形数据样本的数量级相同。

在一些可能的实施方式中，处理器1120用于：利用目标神经网络对经过第一线性变换后的特征波形数据进行预测，以检测得到显示屏的初始屏幕漏光量；对初始屏幕漏光量进行第二线性变换，以输出显示屏的屏幕漏光量，其中，第二线性变换为第一线性变换的逆变换。

在一些可能的实施方式中，上述漏光波形数据包括多通道的漏光波形子数据；处理器1120用于：利用目标神经网络对漏光波形数据中的多通道的漏光波形子数据分别进行预测，以分别检测得到显示屏的多个屏幕漏光分量。

在一些可能的实施方式中，多通道的漏光波形子数据包括以下至少两种数据：红色通道漏光波形子数据、绿色通道漏光子数据、蓝色通道漏光子数据和透明通道漏光波形子数据。

在一些可能的实施方式中，上述目标神经网络为在显示屏的第一亮度范围内训练得到的神经网络；处理器1120还用于：确定显示屏的亮度在第一亮度范围内；根据第一亮度范围，在多个神经网络中选择目标神经网络，其中，多个神经网络中除目标神经网络以外的其它神经网络为在显示屏的其它亮度范围内训练得到的神经网络。

在一些可能的实施方式中，目标神经网络为一维卷积神经网络。

在一些可能的实施方式中，一维卷积神经网络包括残差网络。

图12示出了本申请实施例提供的一种电子设备1200的示意性结构框图。

如图12所示，该电子设备1200包括：显示屏1210，以及上述屏幕漏光量的检测装置1100，该检测装置1100用于检测显示屏1210的屏幕漏光量。

可选地，该显示屏1210可以为基于LTPS技术制造的显示屏，或者，也可以为基于低温多晶氧化物(Low Temperature Polycrystalline Oxide，LTPO)技术制造的屏幕。

可选地，该电子设备可以为手机、电脑、可穿戴设备等包括显示屏的终端设备，通过在该电子设备中设置上述屏幕漏光量的检测装置1100，可以检测得到较为准确的屏幕漏光量，该较为准确的屏幕漏光量可用于修正电子设备中其它屏下设备的检测结果，例如，该屏幕漏光量可以修正屏下环境光的检测结果，以提升电子设备的整体性能。

图13示出了本申请实施例提供的一种目标神经网络的训练装置1300的示意性结构框图。该目标神经网络可用于执行屏幕漏光量的检测。

如图13所示，该训练装置1300包括：样机显示屏1310、测试光传感器1320以及训练处理器1330。

具体地，该样机显示屏1310设置于黑暗环境中。测试光传感器1320设置于样机显示屏1310下方，在样机显示屏1310显示多种样本图像时，该测试光传感器1320用于采集样机显示屏1310下方的多个漏光信号样本形成多个漏光波形数据样本，其中，多种样本图像在预设的第一亮度范围内且具有不同灰度。训练处理器1330连接于测试光传感器1320，该训练处理器1330用于通过多个漏光波形数据样本对初始神经网络进行训练，得到目标神经网络。

在一些可能的实施方式中，训练处理器1330用于：对多个漏光波形数据样本中的每一个漏光波形数据样本进行特征提取，以得到多个特征波形数据样本；通过多个特征波形数据样本对初始神经网络进行训练，得到目标神经网络。

在一些可能的实施方式中，训练处理器1330用于：计算第一漏光波形数据样本中的每个数据与第一真实漏光量的相关性系数，选择相关性系数最大的N个数据，得到第一跌落特征波形数据样本，其中，第一真实漏光量为第一漏光波形数据样本的平均值，N为预设的正整数，且N大于1。

在一些可能的实施方式中，训练处理器1330用于：将第一跌落特征波形数据样本减去第一漏光波形数据样本中至少部分数据的平均值，得到第二跌落特征波形数据样本。

在一些可能的实施方式中，多个漏光波形数据样本中每一个漏光波形数据样本包括多通道的漏光波形子数据样本；训练处理器1330用于：通过多个漏光波形数据样本中多通道的漏光波形子数据样本，对初始神经网络进行训练，得到目标神经网络。

在一些可能的实施方式中，每一个漏光波形数据样本包括如下至少两种数据：红色通道漏光波形子数据样本、绿色通道漏光子数据样本、蓝色通道漏光子数据样本和透明通道漏光波形子数据样本。

在一些可能的实施方式中，上述初始神经网络和目标神经网络为一维卷积神经网络。

在一些可能的实施方式中，上述一维卷积神经网络包括残差网络。

应理解，本文中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例，而非限制本申请实施例的范围。

还应理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

还应理解，本说明书中描述的各种实施方式，既可以单独实施，也可以组合实施，本申请实施例对此并不限定。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。本申请所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应理解，本申请实施例的处理器或处理模块可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过根据软件形式的指令调用处理器中的硬件的集成逻辑电路完成。上述的处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为处理器执行完成取指令、译码和执行运算，其中，指令存储于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

作为示例而非限定，本申请实施例中的电子设备可以为终端设备、手机、平板电脑、笔记本电脑、台式机电脑、游戏设备、车载电子设备或穿戴式智能设备等便携式或移动计算设备，以及电子数据库、汽车、银行自动柜员机(Automated Teller Machine，ATM)等其他电子设备。该穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或部分功能的设备，例如智能手表或智能眼镜等，以及包括只专注于某一类应用功能并且需要和其它设备如智能手机配合使用的设备，例如各类进行体征监测的智能手环、智能首饰等设备。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (30)

1.一种屏幕漏光量的检测方法，其特征在于，包括：

在显示屏显示图像期间，采集所述显示屏下方的漏光信号形成漏光波形数据，所述漏光波形数据用于表征驱动所述显示屏显示所述图像的驱动信号；

利用目标神经网络对所述漏光波形数据进行预测，以检测得到所述显示屏的屏幕漏光量。

2.根据权利要求1所述的检测方法，其特征在于，所述利用目标神经网络对所述漏光波形数据进行处理，以检测得到所述显示屏的屏幕漏光量，包括：

对所述漏光波形数据进行特征提取，以得到特征波形数据；

利用所述目标神经网络对所述特征波形数据进行预测，以检测得到所述显示屏的屏幕漏光量。

3.根据权利要求2所述的检测方法，其特征在于，所述对所述漏光波形数据进行特征提取，以得到特征波形数据，包括：

选择所述漏光波形数据中最低值数据以及与所述最低值数据相邻的多个数据，以得到第一跌落特征波形数据。

4.根据权利要求3所述的检测方法，其特征在于，在所述选择所述漏光波形数据中最低值数据以及与所述最低值数据相邻的多个数据，以得到第一跌落特征波形数据之后，

所述对所述漏光波形数据进行特征提取，以得到特征波形数据，还包括：

将所述第一跌落特征波形数据减去所述漏光波形数据中至少部分数据的平均值，得到第二跌落特征波形数据。

5.根据权利要求4所述的检测方法，其特征在于，所述将所述第一跌落特征波形数据减去所述漏光波形数据中至少部分数据的平均值，得到第二跌落特征波形数据，包括：

将所述第一跌落特征波形数据减去所述漏光波形数据中多个平坦波形数据的平均值，得到所述第二跌落特征波形数据，其中所述多个平坦波形数据为所述漏光波形数据中除所述最低值数据之外的至少部分数据。

6.根据权利要求2至5中任一项所述的检测方法，其特征在于，所述目标神经网络为通过多个特征波形数据样本训练得到的神经网络；

在所述利用所述目标神经网络对所述特征波形数据进行预测，以检测得到所述显示屏的屏幕漏光量之前，所述检测方法还包括：

对所述特征波形数据进行第一线性变换，以使得所述特征波形数据的数量级与所述多个特征波形数据样本的数量级相同。

7.根据权利要求6所述的检测方法，其特征在于，所述利用所述目标神经网络对所述特征波形数据进行预测，以检测得到所述显示屏的屏幕漏光量，包括：

利用所述目标神经网络对经过第一线性变换后的特征波形数据进行预测，以检测得到所述显示屏的初始屏幕漏光量；

对所述初始屏幕漏光量进行第二线性变换，以输出所述显示屏的屏幕漏光量，其中，所述第二线性变换为所述第一线性变换的逆变换。

8.根据权利要求1至7中任一项所述的检测方法，其特征在于，所述漏光波形数据包括多通道的漏光波形子数据；

其中，所述利用目标神经网络对所述漏光波形数据进行预测，以检测得到所述显示屏的屏幕漏光量，包括：

利用目标神经网络对所述漏光波形数据中的所述多通道的漏光波形子数据分别进行预测，以分别检测得到所述显示屏的多个屏幕漏光分量。

9.根据权利要求8所述的检测方法，其特征在于，所述多通道的漏光波形子数据包括以下至少两种数据：红色通道漏光波形子数据、绿色通道漏光子数据、蓝色通道漏光子数据和透明通道漏光波形子数据。

10.根据权利要求1至9中任一项所述的检测方法，其特征在于，所述目标神经网络为在所述显示屏的第一亮度范围内训练得到的神经网络；

其中，在所述利用目标神经网络对所述漏光波形数据进行预测，以检测得到所述显示屏的屏幕漏光量之前，所述检测方法还包括：

确定所述显示屏的亮度在所述第一亮度范围内；

根据所述第一亮度范围，在多个神经网络中选择所述目标神经网络，其中，所述多个神经网络中除所述目标神经网络以外的其它神经网络为在所述显示屏的其它亮度范围内训练得到的神经网络。

11.根据权利要求1至10中任一项所述的检测方法，其特征在于，所述检测方法还包括：

在处于黑暗环境中的样机显示屏显示多种样本图像时，采集所述样机显示屏下方的多个漏光信号样本形成多个漏光波形数据样本，其中，所述多种样本图像在预设的第一亮度范围内且具有不同灰度；

通过所述多个漏光波形数据样本对初始神经网络进行训练，得到所述目标神经网络。

12.根据权利要求11所述的检测方法，其特征在于，所述通过所述多个漏光波形数据样本对初始神经网络进行训练，得到所述目标神经网络，包括：

对所述多个漏光波形数据样本中的每一个漏光波形数据样本进行特征提取，以得到多个特征波形数据样本；

通过所述多个特征波形数据样本对所述初始神经网络进行训练，得到所述目标神经网络。

13.根据权利要求12所述的检测方法，其特征在于，所述对所述多个漏光波形数据样本中的每一个漏光波形数据样本进行特征提取，以得到多个特征波形数据样本，包括：

计算第一漏光波形数据样本中的每个数据与第一真实漏光量的相关性系数，选择相关性系数最大的N个数据，得到第一跌落特征波形数据样本，其中，所述第一真实漏光量为所述第一漏光波形数据样本的平均值，N为预设的正整数，且N大于1。

14.根据权利要求13所述的检测方法，其特征在于，在所述得到第一跌落特征波形数据样本之后，

所述对所述多个漏光波形数据样本中的每一个漏光波形数据样本进行特征提取，以得到多个特征波形数据样本，还包括：

将所述第一跌落特征波形数据样本减去所述第一漏光波形数据样本中至少部分数据的平均值，得到第二跌落特征波形数据样本。

15.根据权利要求11至14中任一项所述的检测方法，其特征在于，所述多个漏光波形数据样本中每一个漏光波形数据样本包括多通道的漏光波形子数据样本；

其中，所述通过所述多个漏光波形数据样本对初始神经网络进行训练，得到所述目标神经网络，包括：

通过所述多个漏光波形数据样本中多通道的漏光波形子数据样本，对所述初始神经网络进行训练，得到所述目标神经网络。

16.根据权利要求15所述的检测方法，其特征在于，所述每一个漏光波形数据样本包括如下至少两种数据：红色通道漏光波形子数据样本、绿色通道漏光子数据样本、蓝色通道漏光子数据样本和透明通道漏光波形子数据样本。

17.根据权利要求1至16中任一项所述的检测方法，其特征在于，所述目标神经网络为一维卷积神经网络，所述一维卷积神经网络包括残差网络。

18.一种屏幕漏光量的检测装置，其特征在于，包括：

光传感器，设置于显示屏的下方，在所述显示屏显示图像期间，所述光传感器用于采集所述显示屏下方的漏光信号形成漏光波形数据，所述漏光波形数据用于表征驱动所述显示屏显示所述图像的驱动信号；

处理器，连接于所述光传感器，所述处理器用于利用目标神经网络对所述漏光波形数据进行预测，以检测得到所述显示屏的屏幕漏光量。

19.根据权利要求18所述的检测装置，其特征在于，所述处理器用于：

对所述漏光波形数据进行特征提取，以得到特征波形数据；

利用所述目标神经网络对所述特征波形数据进行预测，以检测得到所述显示屏的屏幕漏光量。

20.根据权利要求19所述的检测装置，其特征在于，所述处理器用于：

选择所述漏光波形数据中最低值数据以及与所述最低值数据相邻的多个数据，以得到第一跌落特征波形数据。

21.根据权利要求20所述的检测装置，其特征在于，所述处理器用于：

将所述第一跌落特征波形数据减去所述漏光波形数据中至少部分数据的平均值，得到第二跌落特征波形数据。

22.根据权利要求21所述的检测装置，其特征在于，所述处理器用于：

将所述第一跌落特征波形数据减去所述漏光波形数据中多个平坦波形数据的平均值，得到所述第二跌落特征波形数据，其中，所述多个平坦波形数据为所述漏光波形数据中除所述最低值数据之外的至少部分数据。

23.根据权利要求19至22中任一项所述的检测装置，其特征在于，所述目标神经网络为通过多个特征波形数据样本训练得到的神经网络；

所述处理器还用于：对所述特征波形数据进行第一线性变换，以使得所述特征波形数据的数量级与所述多个特征波形数据样本的数量级相同。

24.根据权利要求23所述的检测装置，其特征在于，所述处理器用于：

利用所述目标神经网络对经过第一线性变换后的特征波形数据进行预测，以检测得到所述显示屏的初始屏幕漏光量；

对所述初始屏幕漏光量进行第二线性变换，以输出所述显示屏的屏幕漏光量，其中，所述第二线性变换为所述第一线性变换的逆变换。

25.根据权利要求18至24中任一项所述的检测装置，其特征在于，所述漏光波形数据包括多通道的漏光波形子数据；

所述处理器用于：利用目标神经网络对所述漏光波形数据中的所述多通道的漏光波形子数据分别进行预测，以分别检测得到所述显示屏的多个屏幕漏光分量。

26.根据权利要求25所述的检测装置，其特征在于，所述多通道的漏光波形子数据包括以下至少两种数据：红色通道漏光波形子数据、绿色通道漏光子数据、蓝色通道漏光子数据和透明通道漏光波形子数据。

27.根据权利要求18至26中任一项所述的检测装置，其特征在于，所述目标神经网络为在所述显示屏的第一亮度范围内训练得到的神经网络；

所述处理器还用于：确定所述显示屏的亮度在所述第一亮度范围内；

根据所述第一亮度范围，在多个神经网络中选择所述目标神经网络，其中，所述多个神经网络中除所述目标神经网络以外的其它神经网络为在所述显示屏的其它亮度范围内训练得到的神经网络。

28.根据权利要求18至27中任一项所述的检测装置，其特征在于，所述目标神经网络为一维卷积神经网络，所述一维卷积神经网络包括残差网络。

29.根据权利要求18至28中任一项所述的检测装置，其特征在于，所述光传感器为环境光传感器，所述显示屏的屏幕漏光量用于修正所述环境光传感器检测得到的环境光检测结果。

30.一种电子设备，其特征在于，包括：显示屏，以及

如上述权利要求18至29中任一项所述的屏幕漏光量的检测装置，所述检测装置用于检测所述显示屏的屏幕漏光量。

Images