CN115829042B - 一种量子点扩散板的结构性能评估方法及系统 - Google Patents
一种量子点扩散板的结构性能评估方法及系统 Download PDFInfo
- Publication number
- CN115829042B CN115829042B CN202211513463.9A CN202211513463A CN115829042B CN 115829042 B CN115829042 B CN 115829042B CN 202211513463 A CN202211513463 A CN 202211513463A CN 115829042 B CN115829042 B CN 115829042B
- Authority
- CN
- China
- Prior art keywords
- data
- quantum dot
- evaluation
- diffusion plate
- module
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 175
- 239000002096 quantum dot Substances 0.000 title claims abstract description 153
- 238000009792 diffusion process Methods 0.000 title claims abstract description 115
- 238000013210 evaluation model Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract 2
- 238000011161 development Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 18
- 238000013075 data extraction Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 13
- 238000002360 preparation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000008439 repair process Effects 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012854 evaluation process Methods 0.000 abstract description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 238000002955 isolation Methods 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000005476 size effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Abstract
本发明提供了一种量子点扩散板的结构性能评估方法及系统,涉及光扩散板技术领域,获取量子点结构信息,依据量子点结构信息,基于大数据对量子点扩散板进行应用数据调取,构建标识数据库,训练神经网络,构建多个评估子模型,集成生成性能评估模型,对目标量子点扩散板进行指标参数提取,并输入性能评估模型中,获取性能评估结果,基于性能评估结果对目标量子点扩散板作适应性调整。本发明解决了现有技术中对于量子点扩散板的性能评估主要依靠专业人员根据经验进行判断,造成评估结果不准确、评估过程效率低的技术问题,通过从大数据调取数据构建评估模型,实现了对量子点扩散板的自动化评估,达到提高评估效率和准确性的效果。
Description
技术领域
本发明涉及光扩散板技术领域,具体涉及一种量子点扩散板的结构性能评估方法及系统。
背景技术
自然界中可见光谱的颜色组成了最大的色域空间,传统液晶显示器NTSC色域值一般在70%左右,自主发光的OLED显示器NTSC色域可以达到100%,近年来,量子点材料被应用于LCD背光源领域,理论上可以将色域提升至100%以上,超薄化、超窄边框化是背光模组行业的主要发展趋势,背光模组厂商逐渐研发出更多细小化的MiniLED和MicroLED背光模组产品。目前量子点应用主流为三种:量子点膜、量子点扩散板、透镜,其中,量子点扩散板已实现商业化应用,显示色域得到提升。随着量子点扩散板的大量运用,对量子点扩散板的结构性能评估就显得尤为重要。然而现今常用的量子点扩散板的性能评估方法还存在着一定的弊端,对于量子点扩散板的性能评估还存在着一定的可提升空间。
现有技术中对于量子点扩散板的性能评估主要依靠专业人员根据经验进行判断,使得评估结果不准确、评估过程效率低。
发明内容
本申请实施例提供了一种量子点扩散板的结构性能评估方法及系统,用于针对解决现有技术中对于量子点扩散板的性能评估主要依靠专业人员根据经验进行判断,造成评估结果不准确、评估过程效率低的技术问题。
鉴于上述问题,本申请实施例提供了一种量子点扩散板的结构性能评估方法及系统。
第一方面,本申请实施例提供了一种量子点扩散板的结构性能评估方法,所述方法包括:获取量子点结构信息;依据所述量子点结构信息,基于大数据对量子点扩散板进行应用数据调取,构建标识数据库;基于所述标识数据库训练神经网络,构建多个评估子模型;对所述多个评估子模型进行集成,生成性能评估模型;对目标量子点扩散板进行指标参数提取,将参数提取结果输入所述性能评估模型中,获取性能评估结果,其中,所述性能评估结果为所述多个评估子模型输出结果中出现频次最高的结果;基于所述性能评估结果对所述目标量子点扩散板作适应性调整。
第二方面,本申请实施例提供了一种量子点扩散板的结构性能评估系统,所述系统包括:结构信息获取模块,所述结构信息获取模块用于获取量子点结构信息;应用数据调取模块,所述应用数据调取模块用于依据所述量子点结构信息,基于大数据对量子点扩散板进行应用数据调取,构建标识数据库;训练神经网络模块,所述训练神经网络模块用于基于所述标识数据库训练神经网络,构建多个评估子模型;子模型集成模块,所述子模型集成模块用于对所述多个评估子模型进行集成,生成性能评估模型;指标参数提取模块,所述指标参数提取模块用于对目标量子点扩散板进行指标参数提取,将参数提取结果输入所述性能评估模型中,获取性能评估结果,其中,所述性能评估结果为所述多个评估子模型输出结果中出现频次最高的结果;适应性调整模块,所述适应性调整模块用于基于所述性能评估结果对所述目标量子点扩散板作适应性调整。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种量子点扩散板的结构性能评估方法,涉及光扩散板技术领域,获取量子点结构信息,依据量子点结构信息,基于大数据对量子点扩散板进行应用数据调取,构建标识数据库,训练神经网络,构建多个评估子模型,对多个评估子模型进行集成生成性能评估模型,对目标量子点扩散板进行指标参数提取,将参数提取结果输入性能评估模型中,获取性能评估结果,基于性能评估结果对目标量子点扩散板作适应性调整。解决了现有技术中对于量子点扩散板的性能评估主要依靠专业人员根据经验进行判断,造成评估结果不准确、评估过程效率低的技术问题,通过从大数据调取数据构建评估模型,实现了对量子点扩散板的自动化评估,达到提高评估效率和准确性的效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种量子点扩散板的结构性能评估方法流程示意图;
图2为本申请实施例提供了一种量子点扩散板的结构性能评估方法中构建标识数据库流程示意图;
图3为本申请实施例提供了一种量子点扩散板的结构性能评估方法中生成性能评估模型流程示意图;
图4为本申请实施例提供了一种量子点扩散板的结构性能评估系统示意图。
附图标记说明:结构信息获取模块10,应用数据调取模块20,训练神经网络模块30,子模型集成模块40,指标参数提取模块50,适应性调整模块60。
具体实施方式
本申请实施例通过提供一种量子点扩散板的结构性能评估方法,用于针对解决现有技术中对于量子点扩散板的性能评估主要依靠专业人员根据经验进行判断,造成评估结果不准确、评估过程效率低的技术问题。
实施例一
如图1所示,本申请实施例提供了一种量子点扩散板的结构性能评估方法,该方法包括:
步骤S100:获取量子点结构信息;
具体而言,本申请实施例提供的一种量子点扩散板的结构性能评估方法应用于量子点扩散板的结构性能评估系统。
首先,量子点一般为球形或类球形,其直径常在2-20nm之间,是一种纳米级别的半导体,通过对量子点施加一定的电场或光压,它们便会发出特定频率的光,通过控制量子点的形状、结构和尺寸,就可以方便地调节其能隙宽度、激子束缚能的大小以及激子的能量蓝移等电子状态。随着量子点尺寸的逐渐减小,量子点的光吸收谱出现蓝移现象。尺寸越小,则谱蓝移现象也越显著,这就是人所共知的量子尺寸效应。也就是说,发出的光的频率会随着量子点的尺寸、结构和材料的改变而变化,因而通过调节量子点的尺寸、结构和材料就可以控制其发出的光的颜色。通过量子点结构信息的获取,实现了对量子点结构的初步掌握,为后续对量子点扩散板进行应用数据调取打下基础。
步骤S200:依据所述量子点结构信息,基于大数据对量子点扩散板进行应用数据调取,构建标识数据库;
具体而言,量子点LCD背光各应用方案包括量子点膜、量子点扩散板以及梁子点透镜,量子点扩散板为扩散板、量子点层、扩散板的传统三明治结构,应用场景与量子点膜相似,放置在导光板上面,背光模组中的蓝光LED发出蓝光,未被转换的蓝光和量子点发出绿光、红光一起组成白光,成为液晶显示屏的背光源。通过大数据获取现有的量子点应用数据,包括根据量子点的尺寸、结构和材料以及扩散板结构、材料的不同,而产生的不同的显色情况和作用。根据显色情况对采集到的量子点应用数据进行重复划分,对异常节点数据进行剔除,对剔除后的数据进行指标数据提取,根据提取结果确定指标参数与评估结果,其中,指标数据与评估结果一一对应,基于结构需求性能确定指标权值,对所述指标参数与所述评估结果进行标识,生成标识数据库。
步骤S300:基于所述标识数据库训练神经网络,构建多个评估子模型;
具体而言,将标识数据库中的数据作为训练样本,通过向网络输入训练样本,通过一定算法调整网络的结构,主要是调节权值,使网络的输出与预期值相符。根据学习环境中教师信号的差异,神经网络训练大致可分为二分割学习、输出值学习和无教师学习三种。通过构建多个不同的子模型,实现了构建不同的运行机制,达到提高模型准确性的效果。
步骤S400:对所述多个评估子模型进行集成,生成性能评估模型;
具体而言,基于所述标识数据库有放回的随机提取M项数据,构建第一评估子模型,再次基于所述标识数据库有放回的随机提取M项数据,构建第二评估子模型,重复进行N次数据提取,直至达到预设次数,构建第N评估子模型,对所述第一评估子模型、所述第二评估子模型直至所述第N评估子模型进行集成,生成所述性能评估模型。
步骤S500:对目标量子点扩散板进行指标参数提取,将参数提取结果输入所述性能评估模型中,获取性能评估结果,其中,所述性能评估结果为所述多个评估子模型输出结果中出现频次最高的结果;
具体而言,量子点扩散板的评价指标包括抗性指标和色性指标,其中,抗性指标为隔水隔氧、温湿度、形变等指标,色性指标为亮度均匀性、色度均匀性、色域等指标,根据目标量子点扩散板的性能对各项指标参数进行提取。将参数提取结果输入所述性能评估模型中,经过性能评估模型中N个评估子模型,获取N个输出结果,对输出结果中各结果出现次数进行排序,获得出现次数最多的结果,即为性能评估结果。实现了量子点扩散板的自动化评估,达到提高评估效率与准确性的效果。
步骤S600:基于所述性能评估结果对所述目标量子点扩散板作适应性调整。
具体而言,根据性能评估结果对比目标量子点扩散板与标准量子点扩散板的差距,设定差距阈值,若目标量子点扩散板与标准量子点扩散板的差距满足设定的差距阈值,说明目标量子点扩散板可继续使用,若目标量子点扩散板与标准量子点扩散板的差距不满足设定的差距阈值,说明目标量子点扩散板可进行调整,根据性能评估结果中的参数对目标量子点扩散板的参数进行调整,以达到满足差距阈值内,以此进行目标量子点扩散板的修复调整。实现了对目标量子点扩散板的评估,并对不符合规范的目标量子点扩散板进行修复调整,达到最佳效果。
进一步而言,如图2所示,本申请步骤S200之前还包括:
步骤S210:基于大数据进行量子点扩散板应用数据调取,获取样本数据集;
步骤S220:基于所述样本数据集随机提取一显色数据,作为第一划分数据;
步骤S230:基于所述第一划分数据对所述样本数据集进行划分,生成一级划分节点;
步骤S240:再次基于所述样本数据集随机提取一显色数据,作为第二划分数据;
步骤S250:基于所述第二划分数据对所述一级划分节点进行划分,生成二级划分节点;
步骤S260:重复进行数据划分,直至满足预设划分次数,生成X级划分节点;
步骤S270:对所述一级划分节点、所述二级划分节点直至所述X级划分节点进行异常节点数据剔除,获取标准数据库。
具体而言,基于大数据获取量子点扩散板应用数据,提取其中全部的显色数据,显色数据即为量子点扩散板的显色指数,显色指数(RA)高的,其指数接近100,显色性最好,能正常表现物质本来的颜色,将得到的显色数据作为获取样本数据集。
基于样本数据集随机选择一显色数据,作为划分节点的数据划分临界值,作为第一划分数据,将第一划分数据作为划分依据,可将待分类的样本数据集划分为两组数据,聚类结果作为一级划分节点。再次基于样本数据集随机选择一显色数据,作为划分一级划分节点的数据划分临界值,作为第二划分数据,可将待分类的一级划分节点划分为四组数据,确定四组数据聚类结果,作为二级划分节点。
基于上述层级划分节点构建步骤构建多层级划分节点,直至满足预设划分次数,即所述划分节点的层数达到预设层数,预设层数为最大划分层数,停止进行划分节点构建,生成X级划分节点。将样本数据集输入所述一级划分节点、所述二级划分节点直至所述X级划分节点,经多层级划分节点进行多次二分类划分,将划分获得的单个显色数据作为异常节点数据,将多个异常节点数据从样本数据集中剔除,剩余的作为标准数据库。通过多级划分节点进行异常数据识别,可有效保障异常数据识别的准确性,保障其余数据精度,避免影响后续分析预测结果。
进一步而言,本申请步骤S200还包括:
步骤S200-1:获取性能评估指标,基于所述标准数据库中多组数据分别进行指标数据提取,获取数据提取结果;
步骤S200-2:基于所述数据提取结果确定指标参数与评估结果,其中,所述指标数据与所述评估结果一一对应;
步骤S200-3:基于结构需求性能确定指标权值,对所述指标参数与所述评估结果进行标识,生成标识数据库。
具体而言,量子点扩散板的评价指标包括抗性指标和色性指标,其中,抗性指标为隔水隔氧、温湿度、形变等指标,色性指标为亮度均匀性、色度均匀性、色域等指标,根据目标量子点扩散板的性能对各项指标参数进行提取。
量子点扩散板的性能评估主要以两方面进行:抗性指标和色性指标,获取第一数据,所述第一数据为标准数据库中任一组数据,构建直角坐标系,以隔水隔氧为x轴,温湿度为y轴,形变量为z轴,将第一数据中的隔水隔氧、温湿度、形变输入坐标系中,通过向量计算得到第一数据的抗性指标,其中隔水隔氧、温湿度、形变作为抗性指标的指标参数,以同样的方法获得第一数据的色性指标,其中,亮度均匀性、色度均匀性、色域作为色性指标的指标参数。以此获取标准数据库中多组数据的抗性指标与色性指标,作为数据提取结果。
根据数据提取结果获得标准数据库的多个指标参数,其中每个参数对应一个评估结果,根据量子点扩散板的使用场景、使用需求等确定指标权重,如需要在高湿度环境下工作,则提高抗性指标的权重,如对显示的色度、色域有较高要求,则提高色性指标的权重,以此对所述指标参数与所述评估结果进行标识,生成标识数据库。
进一步而言,如图3所示,本申请步骤S400还包括:
步骤S410:基于所述标识数据库有放回的随机提取M项数据,构建第一评估子模型;
步骤S420:再次基于所述标识数据库有放回的随机提取M项数据,构建第二评估子模型;
步骤S430:重复进行N次数据提取,直至达到预设次数,构建第N评估子模型;
步骤S440:对所述第一评估子模型、所述第二评估子模型直至所述第N评估子模型进行集成,生成所述性能评估模型。
具体而言,从所述标识数据库有放回的随机提取M项数据,作为构建数据集,基于所述构建数据集提取抗性指标数据,构建环境耐受性评估模块,基于所述构建数据集提取色性指标数据,构建显色性能评估模块,基于所述环境耐受性评估模块与所述显色性能评估模块,生成所述第一评估子模型。以同样的方法构建第二评估子模型直至达到预设次数,预设次数为根据标识数据库中数据的数量确定的,当超过预设次数时,提取的数据重复的可能性极大,因此当达到预设次数时应停止提取,以此构建第N评估子模型。合并两个模型的体系以创立一个新模型,生成所述性能评估模型。
进一步而言,本申请步骤S410还包括:
步骤S411:从所述标识数据库有放回的随机提取M项数据,作为构建数据集;
步骤S412:基于所述构建数据集提取抗性指标数据,构建环境耐受性评估模块;
步骤S413:基于所述构建数据集提取色性指标数据,构建显色性能评估模块;
步骤S414:基于所述环境耐受性评估模块与所述显色性能评估模块,生成所述第一评估子模型。
具体而言,有放回抽样为简单随机抽样的操作方式之一,操作方法为从总体W个单位中任意抽取w个单位作为样本,使每个可能的样本被抽中的概率相等的一种抽样方式,从标识数据库中的数据进行有放回抽样,随机提取M项数据,作为构建数据集,构建数据集为构建第一评估子模型的数据集。对构建数据集进行抗性指标提取,构建直角坐标系,以隔水隔氧为x轴,温湿度为y轴,形变量为z轴,构建环境耐受性评估模块;同样地,对构建数据集进行色性指标提取,构建直角坐标系,以亮度均匀度为x轴,色性均匀度为y轴,色域为z轴,构建环境耐受性评估模块。合并环境耐受性评估模块与显色性能评估模块,生成所述第一评估子模型。
进一步而言,本申请步骤S410还包括:
步骤S415:将所述抗性指标数据的所述指标参数作为匹配节点,将所述评估结果作为决策节点,构建所述环境耐受性评估模块;
步骤S416:对所述环境耐受性评估模块与所述显色性能评估模块的输出结果进行加权求和作为所述第一评估子模型的输出结果。
具体而言,抗性指标数据中包含多个指标参数,将评估结果作为决策节点,指标参数作为匹配节点,以决策节点为出发点,引出若干方案枝,每条方案枝代表一组映射关系,每条方案枝的末端有一个匹配节点,每个匹配节点为一种指标参数,这样层层展开,构建决策树,以此作为环境耐受性评估模块。同样的方法构建显色性能评估模块。根据实际应用场景与应用需求,对模块的输出结果进行赋权,如对抗性有要求则增加环境耐受性评估模块输出结果的权重,对显色有要求则增加显色性能评估模块输出结果的权重。
进一步而言,本申请步骤S600还包括:
步骤S610:判断所述性能评估结果是否满足预设阈值;
步骤S620:当不满足时,对所述目标量子点扩散板进行可修复性预测;
步骤S630:获取所述目标量子点扩散板的制备工艺;
步骤S640:对所述制备工艺进行工艺流程巡检,确定待修复工艺流程;
步骤S650:对所述待修复工艺流程进行修复成本与修复难度预测,获取预测结果;
步骤S660:基于所述预测结果进行修复调整。
具体而言,设置评估阈值,该评估阈值用于判断目标量子点扩散板与标准量子点扩散板的差距范围,满足阈值说明目标量子点扩散板与标准量子点扩散板的差距在可接收范围内,则目标量子点扩散板可继续使用,若不满足,说明目标量子点扩散板与标准量子点扩散板的差距过大,则目标量子点扩散板需进行调整,获取需要进行调整的目标量子点扩散板的制备工艺,包括制作原材料、制作工艺、制作过程各项环境参数等,通过调整制备工艺中的某一项或多项参数,达到将目标量子点扩散板调整至满足预设阈值的程度,以此调整后的制备工艺作为待修复工艺流程。对待修复工艺流程中的各项参数进行成本计算和难度预测,对比目标量子点扩散板的成本,若修复成本超过量子点本身的制作成本,或者修复难度过大,则放弃修复,否则就根据待修复工艺流程进行目标量子点扩散板的修复调整。
实施例二
基于与前述实施例中一种量子点扩散板的结构性能评估方法相同的发明构思,如图4所示,本申请提供了一种量子点扩散板的结构性能评估系统,系统包括:
结构信息获取模块10,所述结构信息获取模块10用于获取量子点结构信息;
应用数据调取模块20,所述应用数据调取模块20用于依据所述量子点结构信息,基于大数据对量子点扩散板进行应用数据调取,构建标识数据库;
训练神经网络模块30,所述训练神经网络模块30用于基于所述标识数据库训练神经网络,构建多个评估子模型;
子模型集成模块40,所述子模型集成模块40用于对所述多个评估子模型进行集成,生成性能评估模型;
指标参数提取模块50,所述指标参数提取模块50用于对目标量子点扩散板进行指标参数提取,将参数提取结果输入所述性能评估模型中,获取性能评估结果,其中,所述性能评估结果为所述多个评估子模型输出结果中出现频次最高的结果;
适应性调整模块60,所述适应性调整模块60用于基于所述性能评估结果对所述目标量子点扩散板作适应性调整。
进一步而言,系统还包括:
数据调取模块,用于基于大数据进行量子点扩散板应用数据调取,获取样本数据集;
第一划分数据获取模块,用于基于所述样本数据集随机提取一显色数据,作为第一划分数据;
一级划分节点生成模块,用于基于所述第一划分数据对所述样本数据集进行划分,生成一级划分节点;
第二划分数据获取模块,用于再次基于所述样本数据集随机提取一显色数据,作为第二划分数据;
二级划分节点生成模块,用于基于所述第二划分数据对所述一级划分节点进行划分,生成二级划分节点;
X级划分节点生成模块,用于重复进行数据划分,直至满足预设划分次数,生成X级划分节点;
异常节点数据剔除模块,用于对所述一级划分节点、所述二级划分节点直至所述X级划分节点进行异常节点数据剔除,获取标准数据库。
进一步而言,系统还包括:
指标数据提取模块,用于获取性能评估指标,基于所述标准数据库中多组数据分别进行指标数据提取,获取数据提取结果;
指标参数与评估结果确定模块,用于基于所述数据提取结果确定指标参数与评估结果,其中,所述指标数据与所述评估结果一一对应;
标识模块,用于基于结构需求性能确定指标权值,对所述指标参数与所述评估结果进行标识,生成标识数据库。
进一步而言,系统还包括:
第一评估子模型构建模块,用于基于所述标识数据库有放回的随机提取M项数据,构建第一评估子模型;
第二评估子模型构建模块,用于再次基于所述标识数据库有放回的随机提取M项数据,构建第二评估子模型;
第N评估子模型构建模块,用于重复进行N次数据提取,直至达到预设次数,构建第N评估子模型;
集成模块,用于对所述第一评估子模型、所述第二评估子模型直至所述第N评估子模型进行集成,生成所述性能评估模型。
进一步而言,系统还包括:
构建数据集获取模块,用于从所述标识数据库有放回的随机提取M项数据,作为构建数据集;
抗性指标数据提取模块,用于基于所述构建数据集提取抗性指标数据,构建环境耐受性评估模块;
色性指标数据提取模块,用于基于所述构建数据集提取色性指标数据,构建显色性能评估模块;
第一评估子模型构建模块,用于基于所述环境耐受性评估模块与所述显色性能评估模块,生成所述第一评估子模型。
进一步而言,系统还包括:
环境耐受性评估模块构建模块,用于将所述抗性指标数据的所述指标参数作为匹配节点,将所述评估结果作为决策节点,构建所述环境耐受性评估模块;
加权求和模块,用于对所述环境耐受性评估模块与所述显色性能评估模块的输出结果进行加权求和作为所述第一评估子模型的输出结果。
进一步而言,系统还包括:
性能评估结果判断模块,用于判断所述性能评估结果是否满足预设阈值;
可修复性预测模块,用于当不满足时,对所述目标量子点扩散板进行可修复性预测;
制备工艺获取模块,用于获取所述目标量子点扩散板的制备工艺;
工艺流程巡检模块,用于对所述制备工艺进行工艺流程巡检,确定待修复工艺流程;
预测结果获取模块,用于对所述待修复工艺流程进行修复成本与修复难度预测,获取预测结果;
修复调整模块,用于基于所述预测结果进行修复调整。
本说明书通过前述对一种量子点扩散板的结构性能评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种量子点扩散板的结构性能评估方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种量子点扩散板的结构性能评估方法,其特征在于,所述方法包括:
获取量子点结构信息,所述量子点结构信息包括:尺寸、结构和材料;
依据所述量子点结构信息,基于大数据对量子点扩散板进行应用数据调取,构建标识数据库,包括:根据显色情况对采集到的量子点应用数据进行重复划分,对异常节点数据进行剔除,对剔除后的数据进行指标数据提取,根据提取结果确定指标参数;
基于所述标识数据库,构建多个评估子模型;
对所述多个评估子模型进行集成,生成性能评估模型;
对目标量子点扩散板进行指标参数提取,将参数提取结果输入所述性能评估模型中,获取性能评估结果,其中,所述性能评估结果为所述多个评估子模型输出结果中出现频次最高的结果;
基于所述性能评估结果对所述目标量子点扩散板作适应性调整;
其中,所述构建标识数据库之前,包括:
基于大数据进行量子点扩散板应用数据调取,获取样本数据集;
基于所述样本数据集随机提取一显色数据,作为第一划分数据;
基于所述第一划分数据对所述样本数据集进行划分,生成一级划分节点;
再次基于所述样本数据集随机提取一显色数据,作为第二划分数据;
基于所述第二划分数据对所述一级划分节点进行划分,生成二级划分节点;
重复进行数据划分,直至满足预设划分次数,生成X级划分节点;
对所述一级划分节点、所述二级划分节点直至所述X级划分节点进行异常节点数据剔除,获取标准数据库;
还包括:
获取性能评估指标,基于所述标准数据库中多组数据分别进行指标数据提取,获取数据提取结果;
基于所述数据提取结果确定指标参数与评估结果,其中,所述指标参数与所述评估结果一一对应;
基于结构需求性能确定指标权值,对所述指标参数与所述评估结果进行标识,生成标识数据库。
2.如权利要求1所述的方法,其特征在于,包括:
基于所述标识数据库有放回的随机提取M项数据,构建第一评估子模型;
再次基于所述标识数据库有放回的随机提取M项数据,构建第二评估子模型;
重复进行N次数据提取,直至达到预设次数,构建第N评估子模型;
对所述第一评估子模型、所述第二评估子模型直至所述第N评估子模型进行集成,生成所述性能评估模型。
3.如权利要求2所述的方法,其特征在于,所述基于所述标识数据库有放回的随机提取M项数据,构建第一评估子模型,包括:
从所述标识数据库有放回的随机提取M项数据,作为构建数据集;
基于所述构建数据集提取抗性指标数据,构建环境耐受性评估模块;
基于所述构建数据集提取色性指标数据,构建显色性能评估模块;
基于所述环境耐受性评估模块与所述显色性能评估模块,生成所述第一评估子模型。
4.如权利要求3所述的方法,其特征在于,包括:
将所述抗性指标数据的所述指标参数作为匹配节点,将所述评估结果作为决策节点,构建所述环境耐受性评估模块;
对所述环境耐受性评估模块与所述显色性能评估模块的输出结果进行加权求和作为所述第一评估子模型的输出结果。
5.如权利要求1所述的方法,其特征在于,包括:
判断所述性能评估结果是否满足预设阈值;
当不满足时,对所述目标量子点扩散板进行可修复性预测;
获取所述目标量子点扩散板的制备工艺;
对所述制备工艺进行工艺流程巡检,确定待修复工艺流程;
对所述待修复工艺流程进行修复成本与修复难度预测,获取预测结果;
基于所述预测结果进行修复调整。
6.一种量子点扩散板的结构性能评估系统,其特征在于,所述系统包括:
结构信息获取模块,所述结构信息获取模块用于获取量子点结构信息,所述量子点结构信息包括:尺寸、结构和材料;
应用数据调取模块,所述应用数据调取模块用于依据所述量子点结构信息,基于大数据对量子点扩散板进行应用数据调取,构建标识数据库,包括:根据显色情况对采集到的量子点应用数据进行重复划分,对异常节点数据进行剔除,对剔除后的数据进行指标数据提取,根据提取结果确定指标参数;
训练模块,所述训练模块用于基于所述标识数据库,构建多个评估子模型;
子模型集成模块,所述子模型集成模块用于对所述多个评估子模型进行集成,生成性能评估模型;
指标参数提取模块,所述指标参数提取模块用于对目标量子点扩散板进行指标参数提取,将参数提取结果输入所述性能评估模型中,获取性能评估结果,其中,所述性能评估结果为所述多个评估子模型输出结果中出现频次最高的结果;
适应性调整模块,所述适应性调整模块用于基于所述性能评估结果对所述目标量子点扩散板作适应性调整;
所述系统还包括:
数据调取模块,用于基于大数据进行量子点扩散板应用数据调取,获取样本数据集;
第一划分数据获取模块,用于基于所述样本数据集随机提取一显色数据,作为第一划分数据;
一级划分节点生成模块,用于基于所述第一划分数据对所述样本数据集进行划分,生成一级划分节点;
第二划分数据获取模块,用于再次基于所述样本数据集随机提取一显色数据,作为第二划分数据;
二级划分节点生成模块,用于基于所述第二划分数据对所述一级划分节点进行划分,生成二级划分节点;
X级划分节点生成模块,用于重复进行数据划分,直至满足预设划分次数,生成X级划分节点;
异常节点数据剔除模块,用于对所述一级划分节点、所述二级划分节点直至所述X级划分节点进行异常节点数据剔除,获取标准数据库;
指标数据提取模块,用于获取性能评估指标,基于所述标准数据库中多组数据分别进行指标数据提取,获取数据提取结果;
指标参数与评估结果确定模块,用于基于所述数据提取结果确定指标参数与评估结果,其中,所述指标参数与所述评估结果一一对应;
标识模块,用于基于结构需求性能确定指标权值,对所述指标参数与所述评估结果进行标识,生成标识数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513463.9A CN115829042B (zh) | 2022-11-29 | 2022-11-29 | 一种量子点扩散板的结构性能评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513463.9A CN115829042B (zh) | 2022-11-29 | 2022-11-29 | 一种量子点扩散板的结构性能评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115829042A CN115829042A (zh) | 2023-03-21 |
CN115829042B true CN115829042B (zh) | 2024-04-02 |
Family
ID=85532767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211513463.9A Active CN115829042B (zh) | 2022-11-29 | 2022-11-29 | 一种量子点扩散板的结构性能评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829042B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541483B (zh) * | 2024-01-10 | 2024-03-22 | 深圳市诚誉兴光电有限公司 | 一种扩散板的结构性能评估方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104065851A (zh) * | 2014-06-27 | 2014-09-24 | 杭州度康科技有限公司 | 一种用于电子助视器的led抗眩光照明装置和方法 |
CN106098967A (zh) * | 2016-07-05 | 2016-11-09 | 南昌航空大学 | 一种量子点发光二极管的电荷注入、传输及复合方法 |
CN108007703A (zh) * | 2017-10-24 | 2018-05-08 | 合肥通用机械研究院 | 一种扩散焊紧凑式换热器板片结构综合性能评价方法 |
JP2020003608A (ja) * | 2018-06-27 | 2020-01-09 | 国立大学法人電気通信大学 | 量子ドットシート、これを用いた光電子デバイス、及び量子ドットシートの作製方法 |
CN112990614A (zh) * | 2021-05-21 | 2021-06-18 | 芯视界(北京)科技有限公司 | 水华检测方法及装置、电子设备和存储介质 |
CN113076636A (zh) * | 2021-03-29 | 2021-07-06 | 南京贝迪新材料科技股份有限公司 | 一种光学膜裁切质量的评估方法及系统 |
CN114384725A (zh) * | 2021-12-30 | 2022-04-22 | 南京贝迪新材料科技股份有限公司 | 一种量子点复合膜及其制备方法 |
CN115086089A (zh) * | 2022-08-23 | 2022-09-20 | 广州市宏方网络科技有限公司 | 一种用于网络安全评估预测的方法及系统 |
-
2022
- 2022-11-29 CN CN202211513463.9A patent/CN115829042B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104065851A (zh) * | 2014-06-27 | 2014-09-24 | 杭州度康科技有限公司 | 一种用于电子助视器的led抗眩光照明装置和方法 |
CN106098967A (zh) * | 2016-07-05 | 2016-11-09 | 南昌航空大学 | 一种量子点发光二极管的电荷注入、传输及复合方法 |
CN108007703A (zh) * | 2017-10-24 | 2018-05-08 | 合肥通用机械研究院 | 一种扩散焊紧凑式换热器板片结构综合性能评价方法 |
JP2020003608A (ja) * | 2018-06-27 | 2020-01-09 | 国立大学法人電気通信大学 | 量子ドットシート、これを用いた光電子デバイス、及び量子ドットシートの作製方法 |
CN113076636A (zh) * | 2021-03-29 | 2021-07-06 | 南京贝迪新材料科技股份有限公司 | 一种光学膜裁切质量的评估方法及系统 |
CN112990614A (zh) * | 2021-05-21 | 2021-06-18 | 芯视界(北京)科技有限公司 | 水华检测方法及装置、电子设备和存储介质 |
CN114384725A (zh) * | 2021-12-30 | 2022-04-22 | 南京贝迪新材料科技股份有限公司 | 一种量子点复合膜及其制备方法 |
CN115086089A (zh) * | 2022-08-23 | 2022-09-20 | 广州市宏方网络科技有限公司 | 一种用于网络安全评估预测的方法及系统 |
Non-Patent Citations (1)
Title |
---|
Enhancement of image sharpness and height measurement using a low-speckle light source based on a patterned quantum dot film in dual-wavelength digital holography;Se Hwan Jang等;《Optics Express》;20211011;第29卷(第21期);34220-34228 * |
Also Published As
Publication number | Publication date |
---|---|
CN115829042A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2161555B1 (en) | Coating color database creating method, search method using the database, their system, program, and recording medium | |
CN115829042B (zh) | 一种量子点扩散板的结构性能评估方法及系统 | |
CN103426391B (zh) | 用于显示器校准的方法和装置 | |
CN108491864B (zh) | 基于自动确定卷积核大小卷积神经网络的高光谱图像分类 | |
CN102859346B (zh) | 用于设置光学检查参数的装置与方法 | |
CN111612142B (zh) | 一种基于bp神经网络的大功率led寿命预测方法 | |
CN108682003B (zh) | 一种产品质量检测方法 | |
CN105654469A (zh) | 一种婴儿大便颜色的自动分析方法及系统 | |
CN112308316A (zh) | 基于线性回归算法的犯罪数量预测方法 | |
CN109359815A (zh) | 基于生成对抗网络的智能电网深度学习训练样本生成方法 | |
CN110990784A (zh) | 一种基于梯度提升回归树的烟支通风率预测方法 | |
WO2022059402A1 (ja) | 検査装置、検査方法及び検査プログラム | |
CN103364703A (zh) | Led多应力下可靠性快速评测方法 | |
CN113033704B (zh) | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法及系统 | |
CN113033777B (zh) | 一种基于神经网络标定模型的车载氛围灯色度标定方法 | |
CN112801216B (zh) | 波长补偿方法、装置、计算机设备和存储介质 | |
CN111242053B (zh) | 一种输电线路火焰检测方法及系统 | |
CN112818835A (zh) | 一种利用机器学习方法快速识别和分析二维材料的方法 | |
CN110793472B (zh) | 一种基于四元数奇异值熵指标的磨削表面粗糙度检测方法 | |
CN113465742A (zh) | 一种基于照度优化的白光光源光照颜色分辨能力量化方法及系统 | |
CN101237517B (zh) | 图像处理方法及装置 | |
US20230154422A1 (en) | Display device, method for generating offset current values and current offsetting system | |
CN116306875B (zh) | 基于空间预学习与拟合的排水管网样本增量学习方法 | |
CN115861699A (zh) | 一种基于多目标优化的长尾分布图像分类方法 | |
US20210216802A1 (en) | Systems and methods for tuning light sources for use with object detection algorithms |
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 |