CN115762377A - 伽马补正方法和采用其的显示装置 - Google Patents

Abstract

提供伽马补正方法和采用其的显示装置。伽马补正方法包括：基于亮度因子和代表性显示面板来执行深度学习(deep learning)，从而生成代表性面板模型的步骤；基于所述代表性面板模型和显示面板来执行迁移学习(transfer learning)，从而生成面板模型的步骤；以及基于所述面板模型来决定对于所述显示面板的灰度电压的步骤。

Description

伽马补正方法和采用其的显示装置

技术领域

本发明涉及显示装置。更详细而言，涉及伽马补正方法和采用伽马补正方法的显示装置。

背景技术

为了使显示装置的画质符合于目标值，可以执行使显示装置具有特定伽马特性的伽马补正。伽马特性可以表现出灰度级与亮度的相关关系。具体而言，伽马补正可以为了使显示装置具有特定伽马特性而预先决定与灰度相关的灰度电压。然而，由于亮度也受到其他因素的影响，因此伽马特性可能会因其他因素而变化。

发明内容

本发明的一目的在于，提供一种可以通过深度学习(deep learning)执行伽马补正的伽马补正方法。

本发明的其他目的在于，提供一种可以通过深度学习执行伽马补正的显示装置。

然而，本发明要解决的课题并不限于以上所提及的课题，在不超出本发明的思想和领域的范围可以进行各种扩展。

为了达成本发明的目的，本发明的实施例涉及的伽马补正方法包括：基于亮度因子和代表性显示面板来执行深度学习(deep learning)，从而生成代表性面板模型的步骤；基于所述代表性面板模型和显示面板来执行迁移学习(transfer learning)，从而生成面板模型的步骤；以及基于所述面板模型来决定对于所述显示面板的灰度电压的步骤。

在一实施例中，可以是，所述亮度因子包括灰度级，并且还包括帧频、占空比、电源电压和初始化电压中的至少一个。

在一实施例中，可以是，所述伽马补正方法还包括：存储对于所述灰度电压的信息的步骤。

在一实施例中，可以是，所述伽马补正方法还包括：基于所述亮度因子来决定亮度和色坐标的调谐点的步骤；在各个所述调谐点中决定目标亮度和目标色坐标的步骤；以及在所述调谐点中测量施加到与所述目标亮度及所述目标色坐标相应的所述代表性显示面板所包括的像素的第一测试电压的步骤，所述深度学习基于所述调谐点、所述目标亮度、所述目标色坐标和所述第一测试电压来执行。

在一实施例中，可以是，所述深度学习将所述调谐点、所述目标亮度和所述目标色坐标作为输入值并将所述第一测试电压作为目标值。

在一实施例中，可以是，决定所述调谐点的步骤包括：决定各个所述亮度因子的基准值的步骤；以及基于所述基准值来决定所述调谐点的步骤。

在一实施例中，可以是，所述调谐点的数量为各个所述亮度因子的所述基准值的数量之积。

在一实施例中，可以是，所述伽马补正方法还包括：在所述调谐点中的一部分中测量施加到与所述目标亮度及所述目标色坐标相应的所述显示面板所包括的像素的第二测试电压的步骤，所述迁移学习基于所述调谐点中的所述一部分、所述调谐点中的所述一部分中的所述目标亮度、所述调谐点中的所述一部分中的所述目标色坐标、所述第二测试电压和所述代表性面板模型来执行。

在一实施例中，可以是，所述面板模型的生成在单元工序中实现，所述代表性面板模型的生成在所述单元工序之前实现。

为了达成本发明的其他目的，本发明的实施例涉及的伽马补正方法包括：基于亮度因子和代表性显示面板来执行深度学习(deep learning)，从而生成代表性面板模型的步骤；基于所述代表性面板模型和显示面板来执行迁移学习(transfer learning)，从而生成面板模型的步骤；存储所述面板模型的权重值的步骤；基于所述面板模型的所述权重值来再现所述面板模型，从而生成再现面板模型的步骤；以及基于所述再现面板模型来决定对于所述显示面板的灰度电压的步骤。

在一实施例中，可以是，所述亮度因子包括灰度级，并且还包括帧频、占空比、电源电压和初始化电压中的至少一个。

在一实施例中，可以是，所述伽马补正方法还包括：基于所述亮度因子来决定亮度和色坐标的调谐点的步骤；在各个所述调谐点中决定目标亮度和目标色坐标的步骤；以及在所述调谐点中测量施加到与所述目标亮度及所述目标色坐标相应的所述代表性显示面板所包括的像素的第一测试电压的步骤，所述深度学习基于所述调谐点、所述目标亮度、所述目标色坐标和所述第一测试电压来执行。

在一实施例中，可以是，所述深度学习将所述调谐点、所述目标亮度和所述目标色坐标作为输入值并将所述第一测试电压作为目标值。

在一实施例中，可以是，决定所述调谐点的步骤包括：决定各个所述亮度因子的基准值的步骤；以及基于所述基准值来决定所述调谐点的步骤。

在一实施例中，可以是，所述调谐点的数量为各个所述亮度因子的所述基准值的数量之积。

在一实施例中，可以是，所述伽马补正方法还包括：在所述调谐点中的一部分中测量施加到与所述目标亮度及所述目标色坐标相应的所述显示面板所包括的像素的第二测试电压的步骤，所述迁移学习基于所述调谐点中的所述一部分、所述调谐点中的所述一部分中的所述目标亮度、所述调谐点中的所述一部分中的所述目标色坐标、所述第二测试电压和所述代表性面板模型来执行。

在一实施例中，可以是，所述面板模型的生成在单元工序中实现，所述代表性面板模型的生成在所述单元工序之前实现。

在一实施例中，可以是，所述再现面板模型的生成在所述显示面板的驱动时实现。

为了达成本发明的又一目的，本发明的实施例涉及的显示装置包括：显示面板，包括像素；栅极驱动部，向所述像素施加栅极信号；数据驱动部，向所述像素施加数据电压；驱动控制部，控制所述栅极驱动部和所述数据驱动部；以及存储器装置，存储面板模型的权重值，所述驱动控制部从所述存储器装置接收所述面板模型的所述权重值，基于所述面板模型的所述权重值来再现所述面板模型，从而生成再现面板模型，并基于所述再现面板模型来决定对于所述显示面板的灰度电压，所述面板模型是以符合所述显示面板的特性的方式在单元工序中对代表性面板模型执行迁移学习(transfer learning)而生成的模型，所述再现面板模型在输入亮度因子时输出所述灰度电压。

在一实施例中，可以是，所述亮度因子包括灰度级，并且还包括帧频、占空比、电源电压和初始化电压中的至少一个。

(发明效果)

本发明的实施例涉及的伽马补正方法执行迁移学习(transfer learning)，从而可以减少生成用于伽马补正的面板模型所需的数据的量。

本发明的实施例涉及的伽马补正方法利用基于亮度因子执行深度学习而生成的代表性面板模型，从而即使在亮度因子变化的情况下也可以维持伽马特性。

本发明的实施例涉及的显示装置存储面板模型的权重值，从而可以减少存储在存储器装置中的数据的量。

然而，本发明的效果并不限于上述的效果，在不超出本发明的思想和领域的范围可以进行各种扩展。

附图说明

图1是示出本发明的实施例涉及的伽马补正方法的顺序图。

图2是示出采用图1的伽马补正方法的显示装置的一例的框图。

图3是示出图2的显示装置所包括的像素的一例的电路图。

图4是示出在图1的伽马补正方法中使用的代表性面板模型的图。

图5是示出在图1的伽马补正方法中使用的面板模型的图。

图6是示出本发明的实施例涉及的伽马补正方法的顺序图。

图7是示出图6的伽马补正方法的调谐点的一例的图。

图8是示出图6的伽马补正方法执行深度学习的一例的图。

图9是示出本发明的实施例涉及的伽马补正方法的顺序图。

图10是示出本发明的实施例涉及的伽马补正方法的顺序图。

图11是示出采用图10的伽马补正方法的显示装置的一例的框图。

图12是示出本发明的实施例涉及的伽马补正方法的顺序图。

图13是示出本发明的实施例涉及的伽马补正方法的顺序图。

符号说明：

1000、2000：显示装置；200：显示面板；300、300′：驱动控制部；400：栅极驱动部；500：数据驱动部；600、600′：存储器装置；10：代表性面板模型；20：面板模型；11：隐藏层。

具体实施方式

以下，参照附图，更详细说明本发明。

图1是示出本发明的实施例涉及的伽马补正方法的顺序图，图2是示出采用图1的伽马补正方法的显示装置1000的一例的框图，图3是示出图2的显示装置1000所包括的像素P的一例的电路图，图4是示出在图1的伽马补正方法中使用的代表性面板模型10的图，图5是示出在图1的伽马补正方法中使用的面板模型20的图。图4和图5例示了亮度因子LF包括灰度级GL、帧频FF、占空比OD、第一电源电压ELVDD、第二电源电压ELVSS以及初始化电压VINT。

参照图1至图3，显示装置1000可以包括显示面板200、驱动控制部300、栅极驱动部400、数据驱动部500以及存储器装置600。根据实施例，驱动控制部300和数据驱动部500可以集成到一个芯片。

显示面板200可以包括显示图像的显示部AA以及与显示部AA相邻地配置的周边部PA。根据实施例，栅极驱动部400可以安装在周边部PA。

显示面板200可以包括栅极线Gl、数据线DL以及与栅极线Gl及数据线DL电连接的多个像素P。栅极线Gl可以在第一方向D1上延伸，数据线DL可以在与第一方向D1交叉的第二方向D2上延伸。

驱动控制部300可以从外部的装置(例如，图形处理单元(graphic processingunit；GPU)等)接收输入图像数据IMG和输入控制信号CONT。例如，输入图像数据IMG可以包括红色图像数据、绿色图像数据以及蓝色图像数据。根据实施例，输入图像数据IMG还可以包括白色图像数据。又例如，输入图像数据IMG可以包括品红色(magenta)图像数据、黄色(yellow)图像数据以及青色(cyan)图像数据。输入控制信号CONT可以包括主时钟信号和数据选通信号。输入控制信号CONT还可以包括垂直同步信号和水平同步信号。

驱动控制部300可以基于输入图像数据IMG、对于灰度电压的信息IGV和输入控制信号CONT来生成第一控制信号CONT1、第二控制信号CONT2和数据信号DATA。

驱动控制部300可以基于输入控制信号CONT来生成用于控制栅极驱动部400的操作的第一控制信号CONT1，并将第一控制信号CONT1输出到栅极驱动部400。第一控制信号CONT1可以包括垂直起始信号和栅极时钟信号。

驱动控制部300可以基于输入控制信号CONT来生成用于控制数据驱动部500的操作的第二控制信号CONT2，并将第二控制信号CONT2输出到数据驱动部500。第二控制信号CONT2可以包括水平起始信号和负载信号。

驱动控制部300可以接收输入图像数据IMG和对于灰度电压的信息IGV来生成数据信号DATA。驱动控制部300可以将数据信号DATA输出到数据驱动部500。

栅极驱动部400可以响应于从驱动控制部300输入的第一控制信号CONT1，生成用于驱动栅极线Gl的栅极信号GW(j)、GC(j)、GI(j)、GB(j)。根据实施例，栅极驱动部400可以响应于从驱动控制部300输入的第一控制信号CONT1，生成用于驱动栅极线Gl的栅极信号GW(j)、GC(j)、GI(j)、GB(j)和发光信号EM(j)。栅极驱动部400可以将所述栅极信号GW(j)、GC(j)、GI(j)、GB(j)输出到栅极线Gl。例如，栅极驱动部400可以将所述栅极信号GW(j)、GC(j)、GI(j)、GB(j)依次输出到栅极线Gl。在此，j可以是正整数。

数据驱动部500可以从驱动控制部300接收第二控制信号CONT2和数据信号DATA的输入。数据驱动部500可以生成将数据信号DATA变换为模拟形态的电压的数据电压DV。数据驱动部500可以将数据电压DV输出到数据线DL。

存储器装置600可以存储对于灰度电压的信息IGV。对于灰度电压的信息IGV可以包括与亮度因子LF相应的灰度电压GV(参照图5)。存储器装置600可以接收亮度因子LF来将与亮度因子LF相应的对于灰度电压的信息IGV施加到驱动控制部300。

在一实施例中，像素P可以包括发光元件EE、晶体管T1至T8以及储能电容器CST。发光元件EE的第一电极可以与第六晶体管T6连接，发光元件EE的第二电极可以与第二电源电压ELVSS连接。发光元件EE可以包括有机发光二极管或无机发光二极管。发光元件EE可以与从第一晶体管T1供给的驱动电流对应地生成预定亮度的光。

第一晶体管T1可以结合在与第一电源电压ELVDD电连接的第一节点N1和与发光元件EE的第一电极电连接的第二节点N2之间。第一晶体管T1可以生成驱动电流来将其提供到发光元件EE。第一晶体管T1的栅电极可以结合到第三节点N3。第一晶体管T1起到像素P的驱动晶体管的功能。

第二晶体管T2可以结合在数据电压DV与第一节点N1之间。第二晶体管T2可以包括接收写入栅极信号GW(j)的栅电极。

第三晶体管T3可以结合在第二节点N2与第三节点N3之间。第三晶体管T3可以包括接收补偿栅极信号GC(j)的栅电极。当第三晶体管T3被导通时，第一晶体管T1可以被连接为二极管形态。即，第三晶体管T3可以起到执行对第一晶体管T1写入数据电压DV和补偿阈值电压的作用。

储能电容器CST可以连接在第一电源电压ELVDD与第三节点N3之间。储能电容器CST可以存储与数据电压DV及第一晶体管T1的阈值电压对应的电压。

第四晶体管T4可以结合在第三节点N3与初始化电压VINT之间。第四晶体管T4可以包括接收初始化栅极信号GI(j)的栅电极。在一实施例中，初始化栅极信号GI(j)可以相应于前一像素线的补偿栅极信号。通过第四晶体管T4的导通，第一晶体管T1的栅极电压可以被初始化为初始化电压VINT的电压。在一实施例中，初始化电压VINT可以被设定为比数据电压DV的最低电压低的电压。

第五晶体管T5可以结合在第一电源电压ELVDD与第一节点N1之间。第五晶体管T5可以包括接收发光信号EM(j)的栅电极。

第六晶体管T6可以结合在第二节点N2与发光元件EE的第一电极之间。第六晶体管T6可以包括接收发光信号EM(j)的栅电极。

第七晶体管T7可以结合在初始化电压VINT与发光元件EE的第一电极之间。第七晶体管T7可以包括接收旁路栅极信号GB(j)的栅电极。在一实施例中，旁路栅极信号GB(j)可以相应于写入栅极信号GW(j)。然而，这是例示，旁路栅极信号GB(j)也可以相应于供给到前一像素行的写入栅极信号或供给到下一像素行的写入栅极信号。

第八晶体管T8可以结合在旁路电压VB与第一节点N1之间。第八晶体管T8可以包括接收旁路栅极信号GB(j)的栅电极。

然而，写入栅极信号GW(j)、补偿栅极信号GC(j)、初始化栅极信号GI(j)和旁路栅极信号GB(j)仅仅是为了便于说明而用于区分提供到像素P内的彼此不同的构成要素的栅极信号GW(j)、GC(j)、GI(j)、GB(j)的表述，并不限定各个栅极信号GW(j)、GC(j)、GI(j)、GB(j)的功能。

在一实施例中，第一晶体管T1、第二晶体管T2、第五晶体管T5、第六晶体管T6、第七晶体管T7和第八晶体管T8可以是P型低温多晶硅(LTPS)薄膜晶体管，第三晶体管T3和第四晶体管T4可以分别为N型氧化物半导体薄膜晶体管。由于N型氧化物半导体薄膜晶体管与P型LTPS薄膜晶体管相比漏电流特性出色，因此作为开关晶体管的第三晶体管T3和第四晶体管T4可以形成为N型氧化物半导体薄膜晶体管。由此，由于大幅减少了第三晶体管T3和第四晶体管T4中的漏电流，因此可以削减功耗。

参照图1至图5，图1的伽马补正方法可以基于亮度因子LF和代表性显示面板来执行深度学习，从而生成代表性面板模型10(S110)，基于代表性面板模型10和显示面板200来执行迁移学习，从而生成面板模型20(S120)，基于面板模型20来决定对于显示面板200的灰度电压GV(S130)。根据实施例，图1的伽马补正方法可以存储对于灰度电压的信息IGV。例如，图1的伽马补正方法可以在存储器装置600存储对于灰度电压的信息IGV。例如，代表性面板模型10的生成可以在单元工序之前实现，面板模型20的生成可以在单元工序中实现。因此，可以在量产显示面板200之前预先生成代表性面板模型10，在量产显示面板200的过程中基于代表性面板模型10来生成面板模型20。

具体而言，图1的伽马补正方法可以基于亮度因子LF和代表性显示面板来执行深度学习，从而生成代表性面板模型10(S110)。亮度因子LF可以是可对显示面板200的亮度产生影响的因素。例如，亮度因子LF可以包括灰度级GL。根据实施例，亮度因子LF可以包括灰度级GL，并且还可以包括帧频FF、占空比OD、第一电源电压ELVDD、第二电源电压ELVSS和初始化电压VINT中的至少一个。因此，对于显示面板200的灰度电压GV可以根据灰度级GL、帧频FF、占空比OD、第一电源电压ELVDD、第二电源电压ELVSS和初始化电压VINT等而具有不同的值。

代表性显示面板是在制造显示面板200之前制作的面板，可以是用于生成用于迁移学习的事先学习模型(即，代表性面板模型10)的面板。对于迁移学习的说明将后述。代表性面板模型10可以接收亮度因子LF、亮度因子LF下的目标亮度TL和亮度因子LF下的目标色坐标TC的输入，从而输出对于代表性显示面板的灰度电压GV′。

深度学习是用于制作代表性面板模型10的学习过程，根据实施例，可以使人工神经网络(neural network)模型学习。若向人工神经网络模型输入数据，则根据人工神经网络模型的隐藏层的权重值的值而输出的数据可以变得不同。深度学习可以调整所述权重值的值来使人工神经网络模型输出期望的目标值。例如，可以设定与亮度因子LF相关的目标亮度TL和目标色坐标TC，在改变施加到代表性显示面板的数据电压的同时测量用于显示目标亮度TL和目标色坐标TC的第一测试电压。深度学习可以将亮度因子LF、目标亮度TL和目标色坐标TC作为输入值并将第一测试电压作为目标值，人工神经网络模型可以通过深度学习进行学习。其结果，图1的伽马补正方法可以将结束了学习的人工神经网络模型决定为代表性面板模型10，将代表性面板模型10的输出值决定为对于代表性显示面板的灰度电压GV′。对于灰度电压GV′的说明将后述。

具体而言，图1的伽马补正方法可以基于代表性面板模型10和显示面板200来执行迁移学习，从而生成面板模型20(S120)。迁移学习表示将在特定环境下制作的事先学习模型利用于在其他环境下使用的人工神经网络的学习中。迁移学习可以再次使用之前生成的事先学习模型的隐藏层的一部分，可以原样采用事先学习模型的权重值中的一部分。由于迁移学习利用事先学习模型来使人工神经网络模型学习，因此仅通过少量数据也可以执行迁移学习。因此，通过将代表性面板模型10作为事先学习模型来执行迁移学习，从而迁移学习可以减少生成面板模型20所需的数据。例如，可以设定与亮度因子LF相关的目标亮度TL和目标色坐标TC，在改变施加到显示面板200的数据电压DV的同时测量用于显示目标亮度TL和目标色坐标TC的第二测试电压。可以在比测量第二测试电压时具有更多亮度因子LF的条件下测量出第一测试电压。例如，在亮度因子LF包括灰度级GL的情况下，第一测试电压可以包括灰度级GL为10、20、30、40、50、60、70、80、90、100、110、120、130、140、150、160、170、180、190、200、210、220、230、240、250时的电压值，第二测试电压可以包括灰度级GL为50、100、150、200、250时的电压值。若测量出第二测试电压，则可以执行对于人工神经网络模型的迁移学习。迁移学习可以将亮度因子LF、目标亮度TL和目标色坐标TC作为输入值并将第二测试电压作为目标值，再次使用事先学习模型(即，代表性面板模型10)的隐藏层的一部分，并原样采用事先学习模型(即，代表性面板模型10)的权重值的一部分。其结果，可以将结束了迁移学习的人工神经网络模型作为面板模型20，将面板模型20的输出值决定为对于显示面板200的灰度电压GV。对于灰度电压GV的说明将后述。

具体而言，图1的伽马补正方法可以基于面板模型20来决定对于显示面板200的灰度电压GV(S130)。灰度电压GV可以表示为了在显示面板200基于输入图像数据IMG显示图像而与亮度因子LF相关的数据电压DV的电压值。例如，在亮度因子LF仅包括灰度级GL和占空比OD，灰度级GL为10且占空比OD为0.9时，假设灰度电压GV为1V。在该情况下，在以输入图像数据IMG的灰度级GL为10且占空比OD为0.9来显示图像时的数据电压DV的电压值可以是1V。如上所述，可以将灰度电压GV决定为使显示装置1000具有特定伽马特性。所述特定伽马特性表示灰度级GL与亮度间的相关关系。亮度不仅受灰度级GL的影响，而且也受其他因素(例如，帧频FF、占空比OD、第一电源电压ELVDD、第二电源电压ELVSS和初始化电压VINT等)的影响，因此通过考虑所述其他因素来决定灰度电压GV，从而可以使显示装置1000更准确地具有特定伽马特性。

具体而言，图1的伽马补正方法可以存储对于灰度电压的信息IGV。根据实施例，图1的伽马补正方法可以将对于灰度电压的信息IGV存储于存储器装置600。根据实施例，对于灰度电压的信息IGV可以包括亮度因子LF的特定值下的灰度电压GV的电压值。例如，对于灰度电压的信息IGV可以仅包括在具有每个亮度因子LF的基准值时的灰度电压GV的电压值，亮度因子LF不具有基准值时的灰度电压GV的电压值可以通过插值(interpolation)来求出。

图6是示出本发明的实施例涉及的伽马补正方法的顺序图，图7是示出图6的伽马补正方法的调谐点TP的一例的图，图8是示出图6的伽马补正方法执行深度学习的一例的图。图7假设调谐点TP包括灰度级GL、帧频FF、占空比OD、第一电源电压ELVDD和初始化电压VINT。

本实施例涉及的伽马补正方法除了生成代表性面板模型10之前的步骤以外实质上与图1的伽马补正方法相同，因此对于相同或类似的构成要素使用相同的符号，并省略重复的说明。

参照图6至图8，图6的伽马补正方法可以基于亮度因子LF来决定亮度和色坐标的调谐点TP(S150)，在各个调谐点TP中决定目标亮度TL和目标色坐标TC(S160)，在调谐点TP中测量施加到与目标亮度TL及目标色坐标TC相应的代表性显示面板所包括的像素的第一测试电压TV1(S170)，基于亮度因子LF和代表性显示面板来执行深度学习，从而生成代表性面板模型10(S110)，基于代表性面板模型10和显示面板200来执行迁移学习，从而生成面板模型20(S120)，基于面板模型20来决定对于显示面板200的灰度电压GV(S130)。根据实施例，图6的伽马补正方法可以存储对于灰度电压的信息IGV。例如，图6的伽马补正方法可以在存储器装置600存储对于灰度电压的信息IGV。

具体而言，图6的伽马补正方法可以基于亮度因子LF来决定亮度和色坐标的调谐点TP(S150)。图6的伽马补正方法可以决定各个亮度因子LF的基准值，并基于基准值来决定调谐点TP。调谐点TP可以是测量第一测试电压TV1的亮度因子LF的状态。由于测量与亮度因子LF的所有值相关的第一测试电压TV1需要太多的数据，因此图6的伽马补正方法可以决定亮度因子LF的基准值并基于其来决定调谐点TP。调谐点TP可以是各个亮度因子LF的基准值的交叉点。调谐点TP的数量可以是各个亮度因子LF的基准值的数量之积。

例如，假设灰度级GL的基准值为50、100、150、200、250这五个，占空比OD的基准值为0.3、0.6、0.9这三个，第一电源电压ELVDD的基准值为3V、4V、5V这三个，初始化电压VINT的基准值为0.1V、0.2V、0.3V这三个，且帧频FF的基准值为30Hz、60Hz、120Hz这三个。灰度级GL为50、占空比OD为0.3、第一电源电压ELVDD为3V且初始化电压VINT为0.1V的状态可以成为一个调谐点TP。调谐点TP的数量可以是作为各个亮度因子LF的基准值的数量之积的405(即，5×3×3×3×3＝405)。各个亮度因子LF的基准值可以在驱动显示面板200时可出现的值之中的最大值与最小值之间确定。

具体而言，图6的伽马补正方法可以在各个调谐点TP中决定目标亮度TL和目标色坐标TC(S160)，在调谐点TP中测量施加到与目标亮度TL及目标色坐标TC相应的代表性显示面板所包括的像素的第一测试电压TV1(S170)，基于亮度因子LF和代表性显示面板来执行深度学习，从而生成代表性面板模型10(S110)。可以以基于亮度因子LF决定的调谐点TP、目标亮度TL、目标色坐标TC和第一测试电压TV1为基础来执行深度学习。例如，可以设定调谐点TP中的目标亮度TL和目标色坐标TC，可以在改变施加到代表性显示面板的数据电压的同时在调谐点TP中测量用于显示目标亮度TL和目标色坐标TC的第一测试电压TV1。深度学习可以将调谐点TP、目标亮度TL和目标色坐标TC作为输入值，将第一测试电压TV1作为目标值，通过深度学习来使人工神经网络模型学习。因此，若向人工神经网络模型输入调谐点TP、目标亮度TL和目标色坐标TC，则人工神经网络模型可以输出第一测试电压TV1。其结果，可以将结束了学习的人工神经网络模型作为代表性面板模型10，并将代表性面板模型10的输出值决定为对于代表性显示面板的灰度电压GV′。

图9是示出本发明的实施例涉及的伽马补正方法的顺序图。

本实施例涉及的伽马补正方法除了第二测试电压的测量以外实质上与图6的伽马补正方法相同，因此对于相同或类似的构成要素使用相同的符号，并省略重复的说明。

参照图1和图9，图9的伽马补正方法可以基于亮度因子LF来决定亮度和色坐标的调谐点TP(S150)，在各个调谐点TP中决定目标亮度TL和目标色坐标TC(S160)，在调谐点TP中测量施加到与目标亮度TL及目标色坐标TC相应的代表性显示面板所包括的像素的第一测试电压TV1(S170)，基于亮度因子LF和代表性显示面板来执行深度学习，从而生成代表性面板模型10(S110)，在调谐点TP的一部分中测量施加到与目标亮度TL和目标色坐标TC相应的显示面板200所包括的像素P的第二测试电压(S180)，基于代表性面板模型10和显示面板200来执行迁移学习，从而生成面板模型20(S120)，基于面板模型20来决定对于显示面板200的灰度电压GV(S130)。根据实施例，图9的伽马补正方法可以存储对于灰度电压的信息IGV。例如，图9的伽马补正方法可以在存储器装置600存储对于灰度电压的信息IGV。

具体而言，图9的伽马补正方法可以在调谐点TP的一部分中测量施加到与目标亮度TL及目标色坐标TC相应的显示面板200所包括的像素P的第二测试电压(S180)，基于代表性面板模型10和显示面板200来执行迁移学习，从而生成面板模型20(S120)。可以基于调谐点TP中的所述一部分、调谐点TP中的所述一部分中的目标亮度TL、调谐点TP中的所述一部分中的目标色坐标TC、第二测试电压和代表性面板模型10来执行迁移学习。由于迁移学习利用事先学习模型来使人工神经网络模型进行学习，因此仅通过少量数据就可以执行迁移学习。因此，由于将代表性面板模型10作为事先学习模型来执行迁移学习，因此可以基于在调谐点TP中的所述一部分中测量出的第二测试电压来执行迁移学习。可以在比测量第二测试电压时更多的调谐点TP中测量第一测试电压TV1。例如，可以在所有调谐点TP中测量第一测试电压TV1，并且在调谐点TP中的所述一部分中测量第二测试电压。若测量出第二测试电压，则可以执行对于人工神经网络模型的迁移学习。迁移学习可以将调谐点TP中的所述一部分、调谐点TP中的所述一部分中的目标亮度TL以及调谐点TP中的所述一部分中的目标色坐标TC作为输入值，将调谐点TP中的所述一部分中的第二测试电压作为目标值，再次使用事先学习模型(即，代表性面板模型10)的隐藏层11的一部分，原样采用事先学习模型(即，代表性面板模型10)的权重值中的一部分。其结果，可以将结束了迁移学习的人工神经网络模型决定为面板模型20，将面板模型20的输出值决定为对于显示面板200的灰度电压GV。

图10是示出本发明的实施例涉及的伽马补正方法的顺序图。图11是示出采用图10的伽马补正方法的显示装置2000的一例的框图。

本实施例涉及的伽马补正方法除了生成面板模型20之后的步骤以外实质上与图1的伽马补正方法相同，因此对于相同或类似的构成要素使用相同的符号，并省略重复的说明。

参照图10和图11，显示装置2000可以包括显示面板200、驱动控制部300′、栅极驱动部400、数据驱动部500以及存储器装置600′。

显示面板200可以包括像素P。栅极驱动部400可以将栅极信号GW(j)、GC(j)、GI(j)、GB(j)施加到像素P。数据驱动部500可以将数据电压DV施加到像素P。驱动控制部300′可以控制栅极驱动部400和数据驱动部500。

驱动控制部300′可以基于输入图像数据IMG、面板模型20的权重值W和输入控制信号CONT，生成第一控制信号CONT1、第二控制信号CONT2和数据信号DATA。驱动控制部300′可以接收输入图像数据IMG和面板模型20的权重值W，从而生成数据信号DATA。驱动控制部300′可以将数据信号DATA输出到数据驱动部500。

存储器装置600′可以存储面板模型20的权重值W。驱动控制部300′从存储器装置600′接收面板模型20的权重值W并基于面板模型20的权重值W来再现面板模型20，从而可以生成再现面板模型，基于再现面板模型来决定灰度电压GV。比起存储与对于亮度因子LF的所有值的灰度电压相关的信息，在存储器装置600′存储面板模型20的权重值W可以减少被存储的数据的量。在一实施例中，可以在驱动显示面板时实现再现面板模型的生成。

图10的伽马补正方法可以基于亮度因子LF和代表性显示面板来执行深度学习，从而生成代表性面板模型10(S710)，基于代表性面板模型10和显示面板200来执行迁移学习，从而生成面板模型20(S720)，存储面板模型20的权重值W(S730)，基于面板模型20的权重值W来再现面板模型20，从而生成再现面板模型(S740)，基于再现面板模型来决定对于显示面板200的灰度电压GV(S750)。根据实施例，面板模型20的权重值W可以被存储在存储器装置600′中。

具体而言，图10的伽马补正方法可以存储面板模型20的权重值W(S730)，基于面板模型20的权重值W来再现面板模型20，从而生成再现面板模型(S740)，基于再现面板模型来决定对于显示面板200的灰度电压GV(S750)。若向人工神经网络模型输入数据，则根据人工神经网络模型的隐藏层11的权重值的值输出的数据可以不同。深度学习可以调整所述权重值的值使得人工神经网络模型输出期望的目标值。因此，通过将面板模型20的权重值W的值适用于人工神经网络模型，可以再现面板模型20。例如，再现的再现面板模型可以具有与面板模型20相同的权重值W，因此可以对相同的输入值输出相同的输出值。根据实施例，显示装置2000可以将面板模型20的权重值W存储在存储器装置600′中，可以通过驱动控制部300′来再现面板模型20。

图12是示出本发明的实施例涉及的伽马补正方法的顺序图。

本实施例涉及的伽马补正方法除了生成代表性面板模型10之前的步骤以外实质上与图10的伽马补正方法相同，因此对于相同或类似的构成要素使用相同的符号，并省略重复的说明。

参照图12，图12的伽马补正方法可以基于亮度因子LF来决定亮度和色坐标的调谐点TP(S760)，在各个调谐点TP中决定目标亮度TL和目标色坐标TC(S770)，在调谐点TP中测量施加到与目标亮度TL及目标色坐标TC相应的代表性显示面板所包括的像素的第一测试电压TV1(S780)，基于亮度因子LF和代表性显示面板来执行深度学习，从而生成代表性面板模型10(S710)，基于代表性面板模型10和显示面板200来执行迁移学习，从而生成面板模型20(S720)，存储面板模型20的权重值W(S730)，基于面板模型20的权重值W来再现面板模型20，从而生成再现面板模型(S740)，基于再现面板模型来决定对于显示面板200的灰度电压GV(S750)。根据实施例，面板模型20的权重值W可以被存储在存储器装置600′中。

具体而言，图12的伽马补正方法可以基于亮度因子LF来决定亮度和色坐标的调谐点TP(S760)。图12的伽马补正方法可以决定各个亮度因子LF的基准值，并基于基准值来决定调谐点TP。调谐点TP可以是测量第一测试电压TV1的亮度因子LF的状态。测量与亮度因子LF的所有值相关的第一测试电压TV1需要太多的数据，因此图12的伽马补正方法可以决定亮度因子LF的基准值并基于此来决定调谐点TP。调谐点TP可以是各个亮度因子LF的基准值的交叉点。调谐点TP的数量可以是各个亮度因子LF的基准值的数量之积。

例如，假设灰度级GL的基准值为50、100、150、200、250这五个，占空比OD的基准值为0.3、0.6、0.9这三个，第一电源电压ELVDD的基准值为3V、4V、5V这三个，初始化电压VINT的基准值为0.1V、0.2V、0.3V这三个，且帧频FF的基准值为30Hz、60Hz、120Hz这三个。灰度级GL为50、占空比OD为0.3、第一电源电压ELVDD为3V且初始化电压VINT为0.1V的状态可以成为一个调谐点TP。调谐点TP的数量可以是作为各个亮度因子LF的基准值的数量之积的405(即，5×3×3×3×3＝405)。各个亮度因子LF的基准值可以在驱动显示面板200时可出现的值之中的最大值与最小值之间确定。

具体而言，图12的伽马补正方法可以在各个调谐点TP中决定目标亮度TL和目标色坐标TC(S770)，在调谐点TP中测量施加到与目标亮度TL及目标色坐标TC相应的代表性显示面板所包括的像素的第一测试电压TV1(S780)，基于亮度因子LF和代表性显示面板来执行深度学习，从而生成代表性面板模型10(S710)。深度学习可以以基于亮度因子决定的调谐点TP、目标亮度TL、目标色坐标TC和第一测试电压TV1为基础来执行。例如，可以设定调谐点TP中的目标亮度TL和目标色坐标TC，在改变施加到代表性显示面板的数据电压的同时在调谐点TP中测量用于显示目标亮度TL和目标色坐标TC的第一测试电压TV1。深度学习可以将调谐点TP、目标亮度TL和目标色坐标TC作为输入值并将第一测试电压TV1作为目标值，通过深度学习来使人工神经网络模型进行学习。因此，若向人工神经网络模型输入调谐点TP、目标亮度TL和目标色坐标TC，则人工神经网络模型可以输出第一测试电压TV1。其结果，可以将结束了学习的人工神经网络模型作为代表性面板模型10，将代表性面板模型10的输出值决定为对于代表性显示面板的灰度电压GV′。

图13是示出本发明的实施例涉及的伽马补正方法的顺序图。

本实施例涉及的伽马补正方法除了第二测试电压的测量以外实质上与图12的伽马补正方法相同，因此对于相同或类似的构成要素使用相同的符号，并省略重复的说明。

参照图13，图13的伽马补正方法可以基于亮度因子LF来决定亮度和色坐标的调谐点TP(S760)，在各个调谐点TP中决定目标亮度TL和目标色坐标TC(S770)，在调谐点TP中测量施加到与目标亮度TL及目标色坐标TC相应的代表性显示面板所包括的像素的第一测试电压TV1(S780)，基于亮度因子LF和代表性显示面板来执行深度学习，从而生成代表性面板模型10(S710)，在调谐点TP的一部分中测量施加到与目标亮度TL及目标色坐标TC相应的显示面板200所包括的像素P的第二测试电压(S790)，基于代表性面板模型10和显示面板200来执行迁移学习，从而生成面板模型20(S720)，存储面板模型20的权重值W(S730)，基于面板模型20的权重值W来再现面板模型20，从而生成再现面板模型(S740)，基于再现面板模型来决定对于显示面板200的灰度电压GV(S750)。根据实施例，面板模型20的权重值W可以被存储在存储器装置600′中。

具体而言，图13的伽马补正方法可以在调谐点TP的一部分中测量施加到与目标亮度TL及目标色坐标TC相应的显示面板200所包括的像素P的第二测试电压(S790)，基于代表性面板模型10和显示面板200来执行迁移学习，从而生成面板模型20(S720)。可以基于调谐点TP中的所述一部分、调谐点TP中的所述一部分中的目标亮度TL、调谐点TP中的所述一部分中的目标色坐标TC、第二测试电压和代表性面板模型10来执行迁移学习。迁移学习利用事先学习模型来使人工神经网络模型进行学习，因此仅通过少量数据就可以执行迁移学习。因此，由于将代表性面板模型10作为事先学习模型来执行迁移学习，因而可以基于在调谐点TP中的所述一部分中测量出的第二测试电压来执行迁移学习。可以在比测量第二测试电压时更多的调谐点TP中测量第一测试电压TV1。例如，可以在所有调谐点TP中测量第一测试电压TV1，并且可以在调谐点TP中的所述一部分中测量第二测试电压。若测量出第二测试电压，则可以执行对于人工神经网络模型的迁移学习。迁移学习可以将调谐点TP中的所述一部分、调谐点TP中的所述一部分中的目标亮度TL和调谐点TP中的所述一部分中的目标色坐标TC作为输入值，将调谐点TP中的所述一部分中的第二测试电压作为目标值，再次使用事先学习模型(即，代表性面板模型10)的隐藏层11的一部分，原样采用事先学习模型(即，代表性面板模型10)的权重值中的一部分。其结果，可以将结束了迁移学习的人工神经网络模型作为面板模型20，并将面板模型20的输出值决定为对于显示面板200的灰度电压GV。

本发明可以适用于显示装置和包括其的电子设备。例如，本发明可以适用于数字TV、3D TV、移动电话、智能电话、平板计算机、VR设备、PC、家用电子设备、笔记本计算机、PDA、PMP、数码相机、音乐播放器、便携式游戏机、导航仪等。

以上，参照实施例进行了说明，但是本领域技术人员应当能够理解在不超出本发明的思想和领域的范围内可以对本发明进行各种修正以及变更。

Claims (20)

1.一种伽马补正方法，包括：

基于亮度因子和代表性显示面板来执行深度学习，从而生成代表性面板模型的步骤；

基于所述代表性面板模型和显示面板来执行迁移学习，从而生成面板模型的步骤；以及

基于所述面板模型来决定对于所述显示面板的灰度电压的步骤。

2.根据权利要求1所述的伽马补正方法，其特征在于，

所述亮度因子包括灰度级，并且还包括帧频、占空比、电源电压和初始化电压中的至少一个。

3.根据权利要求1所述的伽马补正方法，其特征在于，还包括：

存储对于所述灰度电压的信息的步骤。

4.根据权利要求1所述的伽马补正方法，其特征在于，还包括：

基于所述亮度因子来决定亮度和色坐标的调谐点的步骤；

在各个所述调谐点中决定目标亮度和目标色坐标的步骤；以及

在所述调谐点中测量施加到与所述目标亮度及所述目标色坐标相应的所述代表性显示面板所包括的像素的第一测试电压的步骤，

所述深度学习基于所述调谐点、所述目标亮度、所述目标色坐标和所述第一测试电压来执行。

5.根据权利要求4所述的伽马补正方法，其特征在于，

所述深度学习将所述调谐点、所述目标亮度和所述目标色坐标作为输入值并将所述第一测试电压作为目标值。

6.根据权利要求4所述的伽马补正方法，其特征在于，

决定所述调谐点的步骤包括：

决定各个所述亮度因子的基准值的步骤；以及

基于所述基准值来决定所述调谐点的步骤。

7.根据权利要求6所述的伽马补正方法，其特征在于，

所述调谐点的数量为各个所述亮度因子的所述基准值的数量之积。

8.根据权利要求4所述的伽马补正方法，其特征在于，还包括：

在所述调谐点中的一部分中测量施加到与所述目标亮度及所述目标色坐标相应的所述显示面板所包括的像素的第二测试电压的步骤，

所述迁移学习基于所述调谐点中的所述一部分、所述调谐点中的所述一部分中的所述目标亮度、所述调谐点中的所述一部分中的所述目标色坐标、所述第二测试电压和所述代表性面板模型来执行。

9.根据权利要求1所述的伽马补正方法，其特征在于，

所述面板模型的生成在单元工序中实现，

所述代表性面板模型的生成在所述单元工序之前实现。

10.一种伽马补正方法，包括：

基于亮度因子和代表性显示面板来执行深度学习，从而生成代表性面板模型的步骤；

基于所述代表性面板模型和显示面板来执行迁移学习，从而生成面板模型的步骤；

存储所述面板模型的权重值的步骤；

基于所述面板模型的所述权重值来再现所述面板模型，从而生成再现面板模型的步骤；以及

基于所述再现面板模型来决定对于所述显示面板的灰度电压的步骤。

11.根据权利要求10所述的伽马补正方法，其特征在于，

所述亮度因子包括灰度级，并且还包括帧频、占空比、电源电压和初始化电压中的至少一个。

12.根据权利要求10所述的伽马补正方法，其特征在于，还包括：

基于所述亮度因子来决定亮度和色坐标的调谐点的步骤；

在各个所述调谐点中决定目标亮度和目标色坐标的步骤；以及

在所述调谐点中测量施加到与所述目标亮度及所述目标色坐标相应的所述代表性显示面板所包括的像素的第一测试电压的步骤，

所述深度学习基于所述调谐点、所述目标亮度、所述目标色坐标和所述第一测试电压来执行。

13.根据权利要求12所述的伽马补正方法，其特征在于，

所述深度学习将所述调谐点、所述目标亮度和所述目标色坐标作为输入值并将所述第一测试电压作为目标值。

14.根据权利要求12所述的伽马补正方法，其特征在于，

决定所述调谐点的步骤包括：

决定各个所述亮度因子的基准值的步骤；以及

基于所述基准值来决定所述调谐点的步骤。

15.根据权利要求14所述的伽马补正方法，其特征在于，

所述调谐点的数量为各个所述亮度因子的所述基准值的数量之积。

16.根据权利要求12所述的伽马补正方法，其特征在于，还包括：

在所述调谐点中的一部分中测量施加到与所述目标亮度及所述目标色坐标相应的所述显示面板所包括的像素的第二测试电压的步骤，

所述迁移学习基于所述调谐点中的所述一部分、所述调谐点中的所述一部分中的所述目标亮度、所述调谐点中的所述一部分中的所述目标色坐标、所述第二测试电压和所述代表性面板模型来执行。

17.根据权利要求10所述的伽马补正方法，其特征在于，

所述面板模型的生成在单元工序中实现，

所述代表性面板模型的生成在所述单元工序之前实现。

18.根据权利要求17所述的伽马补正方法，其特征在于，

所述再现面板模型的生成在所述显示面板的驱动时实现。

19.一种显示装置，包括：

显示面板，包括像素；

栅极驱动部，向所述像素施加栅极信号；

数据驱动部，向所述像素施加数据电压；

驱动控制部，控制所述栅极驱动部和所述数据驱动部；以及

存储器装置，存储面板模型的权重值，

所述驱动控制部从所述存储器装置接收所述面板模型的所述权重值，基于所述面板模型的所述权重值来再现所述面板模型，从而生成再现面板模型，并基于所述再现面板模型来决定对于所述显示面板的灰度电压，

所述面板模型是以符合所述显示面板的特性的方式在单元工序中对代表性面板模型执行迁移学习而生成的模型，

所述再现面板模型在输入亮度因子时输出所述灰度电压。

20.根据权利要求19所述的显示装置，其特征在于，

所述亮度因子包括灰度级，并且还包括帧频、占空比、电源电压和初始化电压中的至少一个。

Images