CN116453438B - 一种显示屏参数检测方法、装置、设备及存储介质 - Google Patents
一种显示屏参数检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116453438B CN116453438B CN202310722565.XA CN202310722565A CN116453438B CN 116453438 B CN116453438 B CN 116453438B CN 202310722565 A CN202310722565 A CN 202310722565A CN 116453438 B CN116453438 B CN 116453438B
- Authority
- CN
- China
- Prior art keywords
- display screen
- target
- parameter
- temperature value
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 220
- 238000004458 analytical method Methods 0.000 claims abstract description 164
- 239000013598 vector Substances 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 238000007621 cluster analysis Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 25
- 230000006399 behavior Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
- G09G3/006—Electronic inspection or testing of displays and display drivers, e.g. of LED or LCD displays
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及人工智能领域，公开了一种显示屏参数检测方法、装置、设备及存储介质，用于实现显示屏参数的智能检测和分析并提高显示屏参数检测的准确率。方法包括：将显示图像数据输入显示屏参数分析模型进行显示屏参数分析，得到第一参数数据；根据第一参数数据构建目标特征子集；对目标图像信号构建目标显示屏模组的基础特征子集；分别对每个测试温度值的目标特征子集和基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；根据每个测试温度值的多个目标特征差值生成目标评价向量，并将目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种显示屏参数检测方法、装置、设备及存储介质。
背景技术
显示屏在现代生活中得到了广泛的应用，无论是个人使用还是商业领域，都离不开显示屏，对于其质量的要求越来越高。
但是现有的检测方法在检测不同显示屏和温度条件下的参数时可能需要重新设计测试方案，检测方案不够精确，需要进行多次测试和参数分析，而目前所用的显示屏参数分析模型以及温度性能分析模型其检测的准确率较低。
发明内容
本发明提供了一种显示屏参数检测方法、装置、设备及存储介质，用于实现显示屏参数的智能检测和分析并提高显示屏参数检测的准确率。
本发明第一方面提供了一种显示屏参数检测方法，所述显示屏参数检测方法包括：
基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试，并分别采集每个测试温度值的显示图像数据；
分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型进行显示屏参数分析，得到每个测试温度值的第一参数数据；
根据所述第一参数数据，分别构建每个测试温度值的目标特征子集；
对所述目标图像信号进行标准显示参数分析，得到第二参数数据，并根据所述第二参数数据构建所述目标显示屏模组的基础特征子集；
分别对每个测试温度值的目标特征子集和所述基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；
根据每个测试温度值的多个目标特征差值生成目标评价向量，并将所述目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果。
结合第一方面，在本发明第一方面的第一实施方式中，所述基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试，并分别采集每个测试温度值的显示图像数据，包括：
基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试；
在所述目标显示屏模组进行显示屏模组测试时，分别构建每个测试温度值对应的有限元模型；
基于所述有限元模型响应所述目标图像信号，并控制所述目标显示屏模组中的每个像素点进行亮度和颜色值调整；
通过预置的测试控制程序，分别采集每个测试温度值的显示图像数据。
结合第一方面，在本发明第一方面的第二实施方式中，所述分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型进行显示屏参数分析，得到每个测试温度值的第一参数数据，包括：
分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型，其中，所述显示屏参数分析模型包括：两层卷积网络、预测网络和判别网络；
通过所述显示屏参数分析模型对所述显示图像数据进行特征提取和特征分类，得到每个显示图像数据的多个参数特征；
分别对每个显示图像数据的多个参数特征进行参数特征映射，得到每个测试温度值的第一参数数据，其中，所述第一参数数据包括：屏幕刷新数据以及色彩饱和度数据。
结合第一方面，在本发明第一方面的第三实施方式中，所述根据所述第一参数数据，分别构建每个测试温度值的目标特征子集，包括：
对所述第一参数数据进行数据特征维度提取，得到每个第一参数数据对应的目标特征维度；
根据所述目标特征维度，确定所述第一参数数据的第一目标特征点；
根据所述第一目标特征点，对所述第一参数数据进行聚类分析，得到每个测试温度值的目标特征子集。
结合第一方面，在本发明第一方面的第四实施方式中，所述对所述目标图像信号进行标准显示参数分析，得到第二参数数据，并根据所述第二参数数据构建所述目标显示屏模组的基础特征子集，包括：
获取标准显示参数列表，并对所述目标图像信号进行信号编码，得到目标信号编码；
将所述目标信号编码作为索引词，并通过所述目标信号编码对所述标准显示参数列表进行搜索，得到第二参数数据；
提取所述第二参数数据的第二目标特征点，并根据所述第二目标特征点，对所述第二参数数据进行聚类分析，得到所述目标显示屏模组的基础特征子集。
结合第一方面，在本发明第一方面的第五实施方式中，所述分别对每个测试温度值的目标特征子集和所述基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值，包括：
获取每个目标特征子集所对应的多个第一特征值，以及获取所述基础特征子集对应的多个第二特征值；
对所述多个第一特征值以及所述多个第二特征值进行特征值匹配，得到多个特征值匹配结果；
通过所述多个特征值匹配结果进行特征值差值运算，得到每个测试温度值的多个目标特征差值。
结合第一方面，在本发明第一方面的第六实施方式中，所述根据每个测试温度值的多个目标特征差值生成目标评价向量，并将所述目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果，包括：
对每个测试温度值的多个目标特征差值进行向量编码，得到每个测试温度值的子特征向量；
对每个测试温度值的子特征向量进行向量拼接，得到目标评价向量；
将所述目标评价向量输入预置的显示屏温度性能分析模型，其中，所述显示屏温度性能分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及分类网络；
通过所述显示屏温度性能分析模型对所述目标评价向量进行显示屏温度性能分析，得到显示屏温度性能分析结果，其中，所述显示屏温度性能分析结果用于指示所述目标显示屏模组的最佳工作温度值。
本发明第二方面提供了一种显示屏参数检测装置，所述显示屏参数检测装置包括：
测试模块，用于基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试，并分别采集每个测试温度值的显示图像数据；
第一分析模块，用于分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型进行显示屏参数分析，得到每个测试温度值的第一参数数据；
构建模块，用于根据所述第一参数数据，分别构建每个测试温度值的目标特征子集；
处理模块，用于对所述目标图像信号进行标准显示参数分析，得到第二参数数据，并根据所述第二参数数据构建所述目标显示屏模组的基础特征子集；
运算模块，用于分别对每个测试温度值的目标特征子集和所述基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；
第二分析模块，用于根据每个测试温度值的多个目标特征差值生成目标评价向量，并将所述目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果。
本发明第三方面提供了一种显示屏参数检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述显示屏参数检测设备执行上述的显示屏参数检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的显示屏参数检测方法。
本发明提供的技术方案中，将显示图像数据输入显示屏参数分析模型进行显示屏参数分析，得到第一参数数据；根据第一参数数据构建目标特征子集；对目标图像信号构建目标显示屏模组的基础特征子集；分别对每个测试温度值的目标特征子集和基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；根据每个测试温度值的多个目标特征差值生成目标评价向量，并将目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果，本发明通过对不同温度下的显示屏进行多方面的参数检测和分析，以及温度性能分析，实现了显示屏参数的智能检测和分析，并提高了显示屏参数检测的准确率。
附图说明
图1为本发明实施例中显示屏参数检测方法的一个实施例示意图；
图2为本发明实施例中显示屏参数分析的流程图；
图3为本发明实施例中构建目标特征子集的流程图；
图4为本发明实施例中构建基础特征子集的流程图；
图5为本发明实施例中显示屏参数检测装置的一个实施例示意图；
图6为本发明实施例中显示屏参数检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种显示屏参数检测方法、装置、设备及存储介质，用于实现显示屏参数的智能检测和分析并提高显示屏参数检测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。进一步地，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中显示屏参数检测方法的一个实施例包括：
S101、基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试，并分别采集每个测试温度值的显示图像数据；
可以理解的是，本发明的执行主体可以为显示屏参数检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器基于预设的多个测试温度值进行操作，这些测试温度值是在测试计划中事先确定的，旨在模拟目标显示屏在不同温度条件下的性能表现。这些温度值能够覆盖一定的范围，以涵盖目标显示屏可能面临的各种工作环境。在测试开始时，服务器将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试。这意味着将预定的图像信号输入目标显示屏，以评估其在不同温度下的显示质量和性能。通过这一步骤，能够获取目标显示屏在不同温度条件下的实际工作情况。服务器在目标显示屏模组进行显示屏模组测试时，针对每个测试温度值分别构建相应的有限元模型。有限元模型是一种数值模型，用于模拟物体在受力或热力作用下的行为。在这里，为了模拟每个测试温度值下目标显示屏的响应，需要构建与该温度值对应的有限元模型。有了每个测试温度值对应的有限元模型后，服务器基于这些模型对目标图像信号进行响应，并控制目标显示屏模组中的每个像素点进行亮度和颜色值的调整。这意味着通过有限元模型，能够模拟目标显示屏在不同温度条件下的像素点的亮度和颜色变化，从而进行调整以满足预期的显示要求。服务器通过预置的测试控制程序，分别采集每个测试温度值下的显示图像数据。这意味着在每个温度下，记录并保存目标显示屏模组所显示的图像数据。通过采集这些数据，能够对每个温度值下的显示效果进行评估和分析，从而了解目标显示屏在不同温度条件下的性能特征和变化趋势。通过测试控制程序采集每个测试温度值的显示图像数据。这一步骤是非常关键的，因为通过采集显示图像数据，服务器获取每个测试温度值下目标显示屏模组的实际表现和性能指标。在执行测试控制程序时，需要确保采集到的显示图像数据具有可靠性和准确性。为此，测试控制程序应当包括适当的校准和校验步骤，以保证测试结果的可信度。这能够涉及到对显示图像数据进行校正，去除可能的噪声或失真，并进行数据的精确测量和记录。通过采集每个测试温度值下的显示图像数据，服务器获得关于目标显示屏在不同温度条件下的各种指标和性能参数。这些参数可能包括亮度、色彩准确性、对比度、响应时间等。通过对这些参数的分析和比较，服务器评估目标显示屏在不同温度下的显示质量和稳定性，并得出结论和改进建议。进一步地，采集到的显示图像数据还能够用于进行后续的数据处理和分析。例如，能够进行图像处理算法的评估，检查目标显示屏在不同温度条件下的图像处理能力。还能够通过图像比对和对比度分析等方法，研究目标显示屏在不同温度下对细节和色彩的保真度。
S102、分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型进行显示屏参数分析，得到每个测试温度值的第一参数数据；
具体的，服务器针对每个测试温度值的显示图像数据，将其分别输入预置的显示屏参数分析模型进行分析。该显示屏参数分析模型包括两层卷积网络、预测网络和判别网络。这些网络结构被设计用于处理和分析显示图像数据，并提取出关键的参数特征。通过输入显示图像数据到显示屏参数分析模型，能够进行特征提取和特征分类。具体而言，卷积网络能够通过一系列卷积和池化操作，从显示图像数据中提取出重要的视觉特征。这些特征能够包括边缘、纹理、颜色分布等。服务器预测网络和判别网络能够根据这些特征对显示图像数据进行分类，识别出不同的参数特征。通过显示屏参数分析模型，每个显示图像数据能够得到多个参数特征。这些参数特征可能包括屏幕刷新数据以及色彩饱和度数据等。屏幕刷新数据能够用于描述显示屏在每秒钟刷新的帧数，以反映其响应速度和流畅度。而色彩饱和度数据则用于描述显示屏对颜色的还原程度和色彩强度。服务器对每个显示图像数据的多个参数特征进行参数特征映射。参数特征映射是将原始参数特征映射到更具有可解释性和实用性的参数值或指标的过程。通过参数特征映射，能够将复杂的参数特征转化为更容易理解和分析的形式，便于后续的数据处理和结果解释。最终，通过参数特征映射，能够得到每个测试温度值的第一参数数据。这些第一参数数据包括屏幕刷新数据以及色彩饱和度数据。屏幕刷新数据能够用于评估显示屏的响应速度和动态。
S103、根据第一参数数据，分别构建每个测试温度值的目标特征子集；
需要说明的是，服务器根据第一参数数据进行数据特征维度提取。这意味着对第一参数数据进行分析和处理，以提取出与目标特征相关的关键维度。这些维度可能包括屏幕刷新数据和色彩饱和度数据等。通过对第一参数数据进行特征维度提取，能够将原始数据转换为更具有表达力和可解释性的形式。服务器根据目标特征维度，确定第一参数数据的第一目标特征点。目标特征点是在特征空间中具有显著性和重要性的点。通过对第一参数数据进行分析，能够确定其在目标特征维度上的主要特征点。这些特征点可能是数据的峰值、拐点或其他具有特殊意义的点。服务器根据第一目标特征点，对第一参数数据进行聚类分析。聚类分析是将数据划分为具有相似特征的组或类别的过程。在这里，通过将第一参数数据基于第一目标特征点进行聚类，能够将相似的数据点归为同一组。每个组代表一个测试温度值的目标特征子集。聚类分析能够采用不同的算法和方法，例如K均值聚类、层次聚类或密度聚类等。这些算法能够根据数据的相似性和距离度量来划分数据点。通过聚类分析，能够将每个测试温度值的第一参数数据划分为不同的组别，从而得到每个测试温度值的目标特征子集。目标特征子集提供了对于每个测试温度值的相关参数特征的集合。这些子集能够用于进一步的分析和研究。例如，能够通过比较不同测试温度值的目标特征子集之间的差异，来了解温度对显示屏性能的影响。这能够帮助揭示不同温度下的显示屏行为和特征变化，为温度控制和调节提供参考。进一步地，目标特征子集也能够用于模型训练和预测。通过将目标特征子集作为输入数据，能够训练机器学习模型或建立预测模型，以预测不同温度值下显示屏的性能表现。这能够为显示屏设计和优化提供有针对性的指导和决策依据。通过构建每个测试温度值的目标特征子集，能够更加准确地理解和分析显示屏在不同温度条件下的行为和性能变化。这有助于优化显示屏的设计和制造过程，提高其在各种温度环境下的性能和稳定性。并且，目标特征子集的构建还能够为后续的数据处理和分析提供基础。通过将第一参数数据划分为不同的目标特征子集，能够减少数据集的复杂性，并更好地聚焦于特定温度值下的显示屏特征。
S104、对目标图像信号进行标准显示参数分析，得到第二参数数据，并根据第二参数数据构建目标显示屏模组的基础特征子集；
具体的，获取标准显示参数列表。标准显示参数列表是一组与显示屏性能相关的参数，包括像素密度、对比度、色域覆盖范围、响应时间等。这些参数提供了对显示屏性能的定量描述。通过获得标准显示参数列表，能够作为参考依据来评估目标显示屏模组的性能。服务器对目标图像信号进行信号编码，得到目标信号编码。信号编码是将目标图像信号转化为一种可用于索引和搜索的编码形式。这能够通过使用合适的编码算法或方法来实现，例如哈希编码或特征提取。目标信号编码的目的是将目标图像信号转换为可用于后续分析的数值表示。将目标信号编码作为索引词，并通过目标信号编码对标准显示参数列表进行搜索，得到第二参数数据。这意味着将目标信号编码作为检索关键词，对标准显示参数列表进行搜索，以找到与目标信号相匹配的标准参数数据。这能够通过比对目标信号编码和标准参数列表中的编码进行匹配和相似性度量来实现。提取第二参数数据的第二目标特征点，并根据第二目标特征点对第二参数数据进行聚类分析，得到目标显示屏模组的基础特征子集。第二参数数据是根据标准显示参数列表搜索得到的与目标信号匹配的参数数据。然后，根据第二参数数据提取第二目标特征点，这些特征点可能是参数数据的峰值、拐点或其他具有重要性的点。服务器根据第二目标特征点，对第二参数数据进行聚类分析，将相似的数据点归类为同一组。这样就能够构建目标显示屏模组的基础特征子集，其中每个子集代表一组相似的参数特征。目标显示屏模组的基础特征子集提供了对显示屏性能的关键参数特征的集合。这些子集能够用于深入分析和理解目标显示屏模组的特征和行为。通过比较不同基础特征子集之间的差异，能够揭示不同显示屏模组之间的性能差异和特征变化。基于第二参数数据的基础特征子集，能够进行进一步的数据处理和分析。例如，能够应用机器学习算法对基础特征子集进行训练和建模，以预测和优化目标显示屏模组的性能。
S105、分别对每个测试温度值的目标特征子集和基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；
具体的，服务器服务器获取每个目标特征子集所对应的多个第一特征值，以及获取基础特征子集对应的多个第二特征值。目标特征子集是在前面的步骤中构建的，其中包含了与目标显示屏模组性能相关的特征数据。每个目标特征子集对应着多个第一特征值，这些特征值能够是在特征提取和聚类分析过程中提取得到的重要参数。同样地，基础特征子集也对应着多个第二特征值，这些特征值能够是从标准显示参数列表中提取得到的性能参数。服务器对多个第一特征值以及多个第二特征值进行特征值匹配，得到多个特征值匹配结果。特征值匹配的目的是将每个目标特征子集中的第一特征值与对应的基础特征子集中的第二特征值进行对应和匹配。这能够通过特征值之间的相似性度量或匹配算法来实现，例如计算欧氏距离或应用相似度匹配算法。特征值匹配结果将反映目标特征子集和基础特征子集之间的关联程度。服务器通过多个特征值匹配结果进行特征值差值运算，得到每个测试温度值的多个目标特征差值。特征值差值运算是将每个特征值匹配结果中的第一特征值与对应的第二特征值进行差值计算。这能够用于评估目标特征子集与基础特征子集之间的差异和变化程度。差值的结果将提供关于目标显示屏模组在不同温度值下性能变化的信息，以及与基准性能参数的比较。通过对每个测试温度值的目标特征子集和基础特征子集进行特征值差值运算，能够获得多个目标特征差值。这些目标特征差值提供了关于目标显示屏模组在不同温度条件下性能的详细信息。通过分析和比较这些特征差值，能够了解目标显示屏模组的温度适应性、性能稳定性以及与基准性能参数的比较。
S106、根据每个测试温度值的多个目标特征差值生成目标评价向量，并将目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果。
具体的，服务器对每个测试温度值的多个目标特征差值进行向量编码，得到每个测试温度值的子特征向量。目标特征差值是在前面的步骤中计算得到的，它们代表了目标显示屏模组在不同温度条件下的性能差异。通过对这些差值进行向量编码，能够将它们转化为数值向量的形式，便于后续的分析和处理。服务器对每个测试温度值的子特征向量进行向量拼接，得到目标评价向量。子特征向量是每个测试温度值对应的特征差值的向量表示，将它们进行拼接能够构成一个更综合的目标评价向量。拼接的过程能够通过简单地将子特征向量按照一定的顺序连接在一起实现，形成一个包含所有测试温度值的目标评价向量。将所述目标评价向量输入预置的显示屏温度性能分析模型进行分析，该模型包括第一长短时记忆网络、第二长短时记忆网络以及分类网络。显示屏温度性能分析模型是一个预先训练好的神经网络模型，它经过学习和训练能够对输入的目标评价向量进行分析和处理。其中，第一长短时记忆网络（LSTM）和第二长短时记忆网络（LSTM）是用于对序列数据进行建模和提取关键特征的神经网络结构，而分类网络则用于将提取的特征映射到最终的显示屏温度性能分析结果上。通过显示屏温度性能分析模型对目标评价向量进行分析，得到显示屏温度性能分析结果。该结果用于指示目标显示屏模组的最佳工作温度值。分析过程涉及将目标评价向量传递给显示屏温度性能分析模型，模型会对输入的特征进行处理和学习，最终输出一个预测结果或评分，表示在给定的温度条件下目标显示屏模组的性能表现和适应性。
本发明实施例中，将显示图像数据输入显示屏参数分析模型进行显示屏参数分析，得到第一参数数据；根据第一参数数据构建目标特征子集；对目标图像信号构建目标显示屏模组的基础特征子集；分别对每个测试温度值的目标特征子集和基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；根据每个测试温度值的多个目标特征差值生成目标评价向量，并将目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果，本发明通过对不同温度下的显示屏进行多方面的参数检测和分析，以及温度性能分析，实现了显示屏参数的智能检测和分析，并提高了显示屏参数检测的准确率。
在一具体实施例中，执行步骤S101的过程能够具体包括如下步骤：
（1）基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试；
（2）在目标显示屏模组进行显示屏模组测试时，分别构建每个测试温度值对应的有限元模型；
（3）基于有限元模型响应目标图像信号，并控制目标显示屏模组中的每个像素点进行亮度和颜色值调整；
（4）通过预置的测试控制程序，分别采集每个测试温度值的显示图像数据。
具体的，服务器基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试：在显示屏模组的测试过程中，需要使用不同的温度值来评估显示屏的性能和表现。这些温度值是根据预设的测试要求和目标应用环境来确定的。通过在不同温度下进行测试，能够模拟显示屏在各种温度条件下的工作情况，从而评估其性能的稳定性和可靠性。服务器为了进行显示屏模组测试，目标图像信号被输入到待检测的目标显示屏模组中。目标图像信号能够是任何需要在显示屏上显示的图像，例如图片、视频或其他图形内容。这些信号通过相应的输入接口传输到显示屏模组中，以便在显示屏上进行显示。对于每个预设的测试温度值，目标图像信号被输入到待检测的目标显示屏模组中进行测试。这意味着在每个温度下都需要进行一次显示屏模组测试。通过在不同温度条件下进行测试，能够评估显示屏在不同环境温度下的性能和表现是否稳定，是否出现异常现象，以及在不同温度下显示的图像质量如何。在目标显示屏模组进行显示屏模组测试时，分别构建每个测试温度值对应的有限元模型：有限元模型是一种数学建模技术，用于描述和模拟物体的结构和行为。在目标显示屏模组进行显示屏模组测试时，需要为每个测试温度值构建相应的有限元模型。有限元模型基于目标显示屏模组的物理特性和结构，以及所处的温度条件。它通过将显示屏模组分解为有限数量的离散元素，如节点和单元，来近似描述其行为。每个元素的特性和相互作用被定义为模型的一部分。构建有限元模型的过程包括定义模型的几何形状、材料属性、边界条件和加载条件。在这种情况下，需要考虑显示屏模组的物理结构、材料特性以及目标温度值。通过建立每个测试温度值对应的有限元模型，能够模拟显示屏在不同温度下的物理行为和响应。基于有限元模型响应目标图像信号，并控制目标显示屏模组中的每个像素点进行亮度和颜色值调整：在显示屏模在目标显示屏模组进行显示屏模组测试时，基于构建的有限元模型，能够通过模型来响应目标图像信号并进行相应的像素点亮度和颜色值调整。服务器目标图像信号被输入到有限元模型中。模型会根据输入的信号以及模型中定义的物理特性和结构，计算每个像素点的亮度和颜色值。这些计算考虑了温度的影响，因为有限元模型是基于不同测试温度值构建的。通过有限元模型的响应，能够获得每个像素点的期望亮度和颜色值。然后，根据这些期望值与实际显示屏模组中的像素点当前亮度和颜色值之间的差异，进行相应的调整。调整像素点的亮度和颜色值能够使用控制电路或算法来实现。通过调整像素点的电压或电流，能够改变其亮度。而通过调整红、绿、蓝三个通道的电压或电流，能够实现对颜色值的调整。这样，就能够使得显示屏模组在不同的温度下显示出更准确和稳定的图像。本实施例中，亮度和颜色值的调整是根据有限元模型和目标图像信号进行的。通过对模型进行建立和校准，以及对目标图像信号进行分析和处理，能够确保调整的准确性和效果。这样能够在不同温度下实现显示屏模组的一致性和稳定性，提高其性能和质量。通过预置的测试控制程序，分别采集每个测试温度值的显示图像数据：在进行显示屏模组的测试过程中，采集显示图像数据是必要的。通过预置的测试控制程序，能够分别在每个测试温度值下对显示屏模组进行图像数据的采集。测试控制程序会指导采集设备或系统在每个测试温度值下对显示屏进行图像数据的捕捉和记录。这包括将显示屏上显示的图像进行拍摄、采集或记录。能够使用专用的图像采集设备、摄像机或传感器来进行数据采集。通过采集显示图像数据，能够获得每个测试温度值下显示屏模组的实际图像表现。这些数据能够包括图像的亮度、颜色、对比度、清晰度等方面的信息。通过对这些数据进行分析和比较，能够评估显示屏在不同温度条件下的性能和表现。采集到的显示图像数据能够用于进一步分析和评估显示屏模组的性能。能够通过图像处理和分析的方法提取出各种图像特征，例如亮度分布、颜色准确度、对比度范围、图像失真等。这些特征能够帮助判断显示屏在不同温度下的表现是否符合预期要求。进一步地，采集到的显示图像数据还能够与先前的目标评价向量进行比较和匹配。目标评价向量是在前面步骤中生成的，它包含了根据目标特征差值和基础特征子集计算得到的目标显示屏的性能评价。通过将采集到的图像数据与目标评价向量进行对比，能够得出显示屏在每个测试温度值下的性能评估结果。预置的测试控制程序确保了测试的一致性和准确性。它提供了标准化的测试流程和步骤，以确保每个测试温度值下的显示图像数据采集都按照相同的规范和标准进行。这样能够消除不同测试环境和设备带来的差异，使得测试结果更可靠和可比较。
在一具体实施例中，如图2所示，执行步骤S102的过程能够具体包括如下步骤：
S201、分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型，其中，显示屏参数分析模型包括：两层卷积网络、预测网络和判别网络；
S202、通过显示屏参数分析模型对显示图像数据进行特征提取和特征分类，得到每个显示图像数据的多个参数特征；
S203、分别对每个显示图像数据的多个参数特征进行参数特征映射，得到每个测试温度值的第一参数数据，其中，第一参数数据包括：屏幕刷新数据以及色彩饱和度数据。
具体的，服务器分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型，其中，显示屏参数分析模型包括：两层卷积网络、预测网络和判别网络。显示屏参数分析模型是一个经过预先训练的神经网络模型，用于分析显示图像数据并提取关键的参数信息。该模型由两层卷积网络、预测网络和判别网络组成，每个部分具有特定的功能。第一，卷积网络是用于特征提取的重要组件。它通过一系列卷积和池化操作，对输入的显示图像数据进行处理，提取出图像中的重要特征。卷积网络能够学习到不同尺度和级别的特征表示，如边缘、纹理和形状等，从而捕捉显示屏模组的细节和结构特征。第二，预测网络是用于预测参数数值的部分。它接收经过卷积网络处理后的特征表示，并通过一系列全连接层和激活函数，将这些特征映射到具体的参数数值。预测网络的目标是根据输入的显示图像数据，预测出与显示屏模组性能相关的参数，如亮度、色温、对比度等。通过预测网络，能够将显示图像数据转化为具体的参数数值，从而更好地理解和评估显示屏的性能。第三，判别网络是用于判别和分类的部分。它接收预测网络输出的参数数值，并将其与预置的标准参数进行比较和分类。判别网络通过比较预测的参数数值与预设标准的差异，对显示屏的性能进行评估和分类。通过判别网络，能够判断显示屏在不同测试温度值下是否符合预期的性能标准，并进一步确定显示屏的工作状态和质量。本实施例中，显示屏参数分析模型是一个复杂的神经网络系统，通过输入显示图像数据，并经过卷积网络、预测网络和判别网络的处理，能够提取关键的参数信息并评估显示屏的性能。通过显示屏参数分析模型对显示图像数据进行特征提取和特征分类，得到每个显示图像数据的多个参数特征。在显示屏参数分析过程中，显示图像数据被输入到预置的显示屏参数分析模型中，经过一系列的处理和计算，从中提取出多个关键的参数特征。服务器卷积网络部分对输入的显示图像数据进行特征提取。通过卷积网络的卷积和池化操作，显示图像数据被转换成一系列的特征图。这些特征图表示了不同层次和抽象级别的图像特征，例如边缘、纹理和形状等。通过多个卷积层和非线性激活函数的组合，卷积网络能够捕捉到显示图像数据中的各种局部和全局特征。服务器预测网络部分接收卷积网络提取的特征图，并将其映射到具体的参数数值。预测网络通常由多个全连接层和激活函数组成，通过学习和优化参数权重，将特征图转换为参数数值的估计值。例如，对于亮度参数，预测网络能够输出一个数值，表示显示屏在该测试温度下的亮度水平。同时，判别网络部分对预测网络输出的参数数值进行分类和判别。判别网络将预测的参数数值与预设的标准参数进行比较，并根据差异度量显示屏的性能。判别网络能够将显示屏的性能分为不同的类别，如优秀、良好、一般或不合格等，以便进一步的评估和分析。本实施例中，通过显示屏参数分析模型，每个显示图像数据经过特征提取和特征分类后，能够得到多个参数特征。这些参数特征可能包括亮度、色温、对比度等与显示屏性能相关的参数。这些特征能够更准确地描述显示屏在不同测试温度值下的表现，并为后续的温度性能分析提供重要的数据基础。分别对每个显示图像数据的多个参数特征进行参数特征映射，得到每个测试温度值的第一参数数据，其中，第一参数数据包括：屏幕刷新数据以及色彩饱和度数据。在显示屏参数分析过程中，对于每个显示图像数据的多个参数特征，进行参数特征映射以获取第一参数数据。参数特征映射是将原始的参数特征转换为更具代表性和可解释性的形式，以更好地理解和分析显示屏的性能。一种常见的参数特征映射方法是将参数特征归一化或标准化到特定的范围或标准值。例如，对于屏幕刷新数据，能够将其映射为每秒刷新次数或帧率的数值。这能够提供有关显示屏刷新速度的信息，帮助确定显示屏在不同温度下的刷新性能。另一种参数特征映射的方法是对色彩饱和度数据进行处理。色彩饱和度是指显示屏所能呈现的颜色的饱和度程度，通常以百分比表示。通过参数特征映射，能够将色彩饱和度数据转换为更直观和可比较的形式，例如将其映射为颜色饱和度等级，如低、中、高等级，或者将其映射为数值范围，如0-100。通过参数特征映射，每个显示图像数据的多个参数特征被转换为第一参数数据，其中包括屏幕刷新数据和色彩饱和度数据。这些映射后的数据更易于理解和比较，能够作为评估显示屏温度性能的重要指标。它们提供了关于显示屏在不同温度下的刷新速度和色彩表现的信息，为后续的温度性能分析和优化提供基础。
在一具体实施例中，如图3所示，执行步骤S103的过程能够具体包括如下步骤：
S301、对第一参数数据进行数据特征维度提取，得到每个第一参数数据对应的目标特征维度；
S302、根据目标特征维度，确定第一参数数据的第一目标特征点；
S303、根据第一目标特征点，对第一参数数据进行聚类分析，得到每个测试温度值的目标特征子集。
具体的，服务器对第一参数数据进行数据特征维度提取，得到每个第一参数数据对应的目标特征维度。在进行温度性能分析时，从第一参数数据中提取关键的特征维度，以便更好地描述和比较不同测试温度值下的目标显示屏模组性能。通过对第一参数数据进行特征提取，服务器识别出与温度相关的重要特征维度。特征提取是从原始数据中提取出具有代表性和区分度的特征的过程。对于第一参数数据，服务器使用各种特征提取方法，例如统计特征、频域特征或时域特征等。识别出与温度变化密切相关的特征维度，如屏幕亮度、颜色饱和度、响应时间等。通过特征提取，服务器得到每个第一参数数据对应的目标特征维度。每个测试温度值都可能有不同的目标特征维度，这些维度反映了在不同温度下显示屏模组的性能表现。目标特征维度的提取为后续的目标特征点确定和聚类分析提供了基础。根据目标特征维度，确定第一参数数据的第一目标特征点。目标特征维度是从第一参数数据中提取的关键维度，用于描述不同测试温度值下显示屏模组的性能。在确定第一目标特征点之前，服务器对目标特征维度进行分析和理解。通过分析目标特征维度，服务器确定哪些特征在不同温度下对显示屏性能的影响最为显著。例如，某些特征维度可能在低温下表现出较好的性能，而在高温下表现较差，或者某些特征维度可能在不同温度下呈现非线性的变化趋势。根据目标特征维度的分析结果，服务器确定第一参数数据的第一目标特征点。这个目标特征点代表了在不同测试温度值下显示屏模组的性能特征的关键位置。服务器定位每个测试温度值在目标特征空间中的位置，为后续的聚类分析提供起点。根据第一目标特征点，对第一参数数据进行聚类分析，得到每个测试温度值的目标特征子集。在温度性能分析中，通过对第一参数数据进行聚类分析，能够将相似的数据点归为同一类别，从而得到每个测试温度值的目标特征子集。聚类分析是一种无监督学习方法，它能够自动将数据分成具有相似特征的群组。基于第一目标特征点的位置信息，服务器将第一参数数据投影到目标特征空间中，并根据数据之间的相似度进行聚类。聚类的目标是使得同一类别内的数据点相似度较高，而不同类别之间的相似度较低。通过聚类分析，服务器得到每个测试温度值的目标特征子集，即具有相似特征的数据点的集合。这些目标特征子集代表了在相应的测试温度下，显示屏模组所具有的共性特征。它们可能包含不同的簇或群组，每个簇代表着一组相似的目标特征。聚类分析的结果能够为后续的温度性能评估和优化提供基础。通过比较不同测试温度值的目标特征子集，实现了解不同温度下显示屏模组的性能差异，进而针对不同温度设计相应的优化策略。进一步地，聚类分析能够识别异常或离群点，以及发现温度对显示屏性能的关键影响因素。
在一具体实施例中，如图4所示，执行步骤S104的过程能够具体包括如下步骤：
S401、获取标准显示参数列表，并对目标图像信号进行信号编码，得到目标信号编码；
S402、将目标信号编码作为索引词，并通过目标信号编码对标准显示参数列表进行搜索，得到第二参数数据；
S403、提取第二参数数据的第二目标特征点，并根据第二目标特征点，对第二参数数据进行聚类分析，得到目标显示屏模组的基础特征子集。
具体的，服务器获取标准显示参数列表，并对目标图像信号进行信号编码，得到目标信号编码：在显示屏温度性能分析中，使用标准显示参数列表来评估显示屏的性能。这个列表包含了一系列的参数，如亮度、对比度、色彩饱和度等，用于描述显示屏的特性。服务器获取标准显示参数列表，这些参数是根据行业标准或特定需求确定的。它们反映了理想情况下显示屏的性能水平。服务器将目标图像信号进行信号编码，将其转化为数值或二进制表示形式。信号编码的目的是将目标图像转化为计算机可处理的形式，以便进行后续的处理和分析。通过对目标图像信号进行信号编码，得到了目标信号编码，它是表示目标图像的数值或二进制序列。将目标信号编码作为索引词，并通过目标信号编码对标准显示参数列表进行搜索，得到第二参数数据：将目标信号编码作为索引词，服务器通过它来搜索标准显示参数列表，以找到与目标信号相匹配的参数。通过将目标信号编码与标准显示参数列表进行比对和匹配，服务器找到与目标信号最相似的参数组合。这些参数组合代表了与目标信号在性能上最匹配的显示参数。在搜索过程中，能够使用各种匹配算法和技术，如相似度计算、模式匹配等。这些方法能够根据目标信号编码和标准显示参数列表的特征进行匹配，从而找到最佳匹配结果。作为结果，得到了第二参数数据，它是与目标信号编码相匹配的标准显示参数列表中的参数值。第二参数数据提供了有关目标信号在标准显示参数方面的性能表现。提取第二参数数据的第二目标特征点，并根据第二目标特征点，对第二参数数据进行聚类分析，得到目标显示屏模组的基础特征子集：在第二参数数据中，服务器提取具有显著特征的数据点，这些数据点被称为目标特征点。目标特征点反映了第二参数数据中的重要特征或关键性能。提取第二参数数据的第二目标特征点是为了确定第二参数数据中最具代表性的特征点。这些特征点可能具有与目标显示屏模组的性能密切相关的特征。根据第二参数数据中的第二目标特征点，服务器进行聚类分析来获得目标显示屏模组的基础特征子集。聚类分析是一种无监督学习方法，它将相似的数据点分组到同一个簇中，而不需要预先定义类别。通过对第二参数数据中的第二目标特征点进行聚类分析，服务器识别出具有相似特征的数据点，并将它们归为同一簇。每个簇代表了一组具有相似性能特征的数据点，这些特征在目标显示屏模组的基础特征中起着重要作用。
在一具体实施例中，执行步骤S105的过程能够具体包括如下步骤：
（1）获取每个目标特征子集所对应的多个第一特征值，以及获取基础特征子集对应的多个第二特征值；
（2）对多个第一特征值以及多个第二特征值进行特征值匹配，得到多个特征值匹配结果；
（3）通过多个特征值匹配结果进行特征值差值运算，得到每个测试温度值的多个目标特征差值。
具体的，获取每个目标特征子集所对应的多个第一特征值，以及获取基础特征子集对应的多个第二特征值。在目标特征子集和基础特征子集中，有多个特征值来描述它们的性能特征。这些特征值能够是各种度量指标，例如亮度、对比度、色彩饱和度等。针对每个目标特征子集，服务器通过特定的算法或方法从中提取多个第一特征值。这些特征值能够是目标特征子集中最具代表性或最重要的性能特征的度量。这些特征值能够反映目标特征子集的关键属性。对于基础特征子集，服务器获取了多个第二特征值。这些特征值代表了基础特征子集的性能特征，它们与目标特征子集的第一特征值进行对比和匹配。对多个第一特征值以及多个第二特征值进行特征值匹配，得到多个特征值匹配结果。本实施例中，服务器对目标特征子集的第一特征值与基础特征子集的第二特征值进行匹配和比较。这能够通过各种匹配算法或方法来实现，如欧氏距离、相似性度量等。通过特征值匹配，服务器评估目标特征子集与基础特征子集之间的相似性或差异性。匹配结果能够提供有关它们之间的关联程度或相对性能的信息。匹配结果可能以数值形式呈现，例如相似度得分或差异度量。这些结果可用于进一步分析和比较不同特征子集之间的性能差异。通过多个特征值匹配结果进行特征值差值运算，得到每个测试温度值的多个目标特征差值。本实施例中，服务器通过特征值匹配的结果来计算目标特征子集与基础特征子集之间的特征差异。这能够通过简单的数学运算来实现，如减法运算。通过特征值差值运算，服务器得到每个测试温度值对应的多个目标特征差值。这些特征差值表示这些测试温度值在各个特征方面与基础特征子集的差异程度。目标特征差值能够提供关于每个测试温度值与基础特征子集之间性能差异的信息。这些目标特征差值能够表示为数值或向量形式，具体取决于特征值的性质和差值的计算方法。它们能够用于评估不同测试温度值在不同特征方面的优劣或差异，进而指导后续的分析和决策。目标特征差值的计算实现测试温度对显示屏模组性能的影响。通过比较不同测试温度值的目标特征差值，服务器确定哪些温度值可能导致性能下降或优化，进而指导调整显示屏的工作温度。
在一具体实施例中，执行步骤S106的过程能够具体包括如下步骤：
（1）对每个测试温度值的多个目标特征差值进行向量编码，得到每个测试温度值的子特征向量；
（2）对每个测试温度值的子特征向量进行向量拼接，得到目标评价向量；
（3）将目标评价向量输入预置的显示屏温度性能分析模型，其中，显示屏温度性能分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及分类网络；
（4）通过显示屏温度性能分析模型对目标评价向量进行显示屏温度性能分析，得到显示屏温度性能分析结果，其中，显示屏温度性能分析结果用于指示目标显示屏模组的最佳工作温度值。
具体的，对每个测试温度值的多个目标特征差值进行向量编码，得到每个测试温度值的子特征向量：服务器将针对每个测试温度值的目标特征差值进行向量编码。向量编码是将数据转换为向量表示的过程，它能够更好地表达特征之间的关系和差异。通过将目标特征差值转换为子特征向量，服务器更好地描述每个测试温度值在各个特征方面的性能表现。向量编码的方法能够有多种选择，如使用统计特征、聚类方法或深度学习模型进行编码。具体的编码方法应根据数据的性质和特征的重要性进行选择，以确保编码的准确性和表达能力。对每个测试温度值的子特征向量进行向量拼接，得到目标评价向量：服务器将每个测试温度值的子特征向量进行向量拼接。通过将子特征向量按照一定的顺序连接起来，服务器得到目标评价向量。目标评价向量综合了每个测试温度值在不同特征方面的性能差异，提供了一个综合评价的视角。向量拼接的过程能够简单地将子特征向量按照一定的顺序连接在一起，也能够考虑使用特定的连接方式或权重分配来更好地捕捉各个子特征向量之间的关系和重要性。将目标评价向量输入预置的显示屏温度性能分析模型，其中，显示屏温度性能分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及分类网络：服务器将目标评价向量作为输入传递给预置的显示屏温度性能分析模型。该模型是一个复杂的神经网络结构，由第一长短时记忆网络、第二长短时记忆网络以及分类网络组成。这些网络层通过学习和训练，能够提取和分析目标评价向量中的关键特征，并将其与显示屏的温度性能进行关联。第一长短时记忆网络（LSTM）和第二长短时记忆网络（LSTM）是一种专门用于处理序列数据的神经网络结构。它们能够记住和通过输入序列中的长期依赖关系，并从中提取有用的上下文信息。这对于显示屏温度性能分析非常重要，因为目标评价向量往往包含时间序列数据和序列间的相关性。分类网络是模型的最后一层，它接收来自LSTM网络的输出，并将其映射到不同的类别或标签。在显示屏温度性能分析中，分类网络会对目标评价向量进行分类，以确定目标显示屏模组的最佳工作温度值。通过显示屏温度性能分析模型对目标评价向量进行显示屏温度性能分析，得到显示屏温度性能分析结果，其中，显示屏温度性能分析结果用于指示目标显示屏模组的最佳工作温度值：经过显示屏温度性能分析模型的处理，目标评价向量被用来评估目标显示屏模组在不同温度下的性能表现。模型会分析目标评价向量中的特征和模式，并结合预先学习的知识，进行温度性能的推断和预测。通过分析，模型会得出显示屏温度性能分析结果，这些结果提供了关于目标显示屏模组在不同温度条件下的表现和适应性的重要信息。其中，最关键的结果是指示目标显示屏模组的最佳工作温度值。最佳工作温度值是指在该温度下，目标显示屏模组能够实现最佳的图像质量、稳定性和可靠性。它是通过对目标评价向量的分析和模型的推断得出的。进一步地，通过显示屏温度性能分析，还能够了解不同温度下显示屏的性能变化和特征，比如对比度、色彩准确性、响应时间等。这对于一些特定应用场景中对显示质量要求较高的行业，如广告、设计和医疗等领域，尤为重要。
上面对本发明实施例中显示屏参数检测方法进行了描述，下面对本发明实施例中显示屏参数检测装置进行描述，请参阅图5，本发明实施例中显示屏参数检测装置一个实施例包括：
测试模块501，用于基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试，并分别采集每个测试温度值的显示图像数据；
第一分析模块502，用于分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型进行显示屏参数分析，得到每个测试温度值的第一参数数据；
构建模块503，用于根据所述第一参数数据，分别构建每个测试温度值的目标特征子集；
处理模块504，用于对所述目标图像信号进行标准显示参数分析，得到第二参数数据，并根据所述第二参数数据构建所述目标显示屏模组的基础特征子集；
运算模块505，用于分别对每个测试温度值的目标特征子集和所述基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；
第二分析模块506，用于根据每个测试温度值的多个目标特征差值生成目标评价向量，并将所述目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果。
通过上述各个组成部分的协同合作，将显示图像数据输入显示屏参数分析模型进行显示屏参数分析，得到第一参数数据；根据第一参数数据构建目标特征子集；对目标图像信号构建目标显示屏模组的基础特征子集；分别对每个测试温度值的目标特征子集和基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；根据每个测试温度值的多个目标特征差值生成目标评价向量，并将目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果，本发明通过对不同温度下的显示屏进行多方面的参数检测和分析，以及温度性能分析，实现了显示屏参数的智能检测和分析，并提高了显示屏参数检测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的显示屏参数检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中显示屏参数检测设备进行详细描述。
图6是本发明实施例提供的一种显示屏参数检测设备的结构示意图，该显示屏参数检测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对显示屏参数检测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在显示屏参数检测设备600上执行存储介质630中的一系列指令操作。
显示屏参数检测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，MacOS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的显示屏参数检测设备结构并不构成对显示屏参数检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种显示屏参数检测设备，所述显示屏参数检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述显示屏参数检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述显示屏参数检测方法的步骤。
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。
所述集成的单元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，本发明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全部或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）执行本发明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（randomacceS 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，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 (8)
1.一种显示屏参数检测方法，其特征在于，所述显示屏参数检测方法包括：
基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试，并分别采集每个测试温度值的显示图像数据；
分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型进行显示屏参数分析，得到每个测试温度值的第一参数数据，具体包括；分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型，其中，所述显示屏参数分析模型包括：两层卷积网络、预测网络和判别网络；通过所述显示屏参数分析模型对所述显示图像数据进行特征提取和特征分类，得到每个显示图像数据的多个参数特征；分别对每个显示图像数据的多个参数特征进行参数特征映射，得到每个测试温度值的第一参数数据，其中，所述第一参数数据包括：屏幕刷新数据以及色彩饱和度数据；
根据所述第一参数数据，分别构建每个测试温度值的目标特征子集；
对所述目标图像信号进行标准显示参数分析，得到第二参数数据，并根据所述第二参数数据构建所述目标显示屏模组的基础特征子集；
分别对每个测试温度值的目标特征子集和所述基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；
根据每个测试温度值的多个目标特征差值生成目标评价向量，并将所述目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果，具体包括：对每个测试温度值的多个目标特征差值进行向量编码，得到每个测试温度值的子特征向量；对每个测试温度值的子特征向量进行向量拼接，得到目标评价向量；将所述目标评价向量输入预置的显示屏温度性能分析模型，其中，所述显示屏温度性能分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及分类网络；通过所述显示屏温度性能分析模型对所述目标评价向量进行显示屏温度性能分析，得到显示屏温度性能分析结果，其中，所述显示屏温度性能分析结果用于指示所述目标显示屏模组的最佳工作温度值。
2.根据权利要求1所述的显示屏参数检测方法，其特征在于，所述基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试，并分别采集每个测试温度值的显示图像数据，包括：
基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试；
在所述目标显示屏模组进行显示屏模组测试时，分别构建每个测试温度值对应的有限元模型；
基于所述有限元模型响应所述目标图像信号，并控制所述目标显示屏模组中的每个像素点进行亮度和颜色值调整；
通过预置的测试控制程序，分别采集每个测试温度值的显示图像数据。
3.根据权利要求1所述的显示屏参数检测方法，其特征在于，所述根据所述第一参数数据，分别构建每个测试温度值的目标特征子集，包括：
对所述第一参数数据进行数据特征维度提取，得到每个第一参数数据对应的目标特征维度；
根据所述目标特征维度，确定所述第一参数数据的第一目标特征点；
根据所述第一目标特征点，对所述第一参数数据进行聚类分析，得到每个测试温度值的目标特征子集。
4.根据权利要求1所述的显示屏参数检测方法，其特征在于，所述对所述目标图像信号进行标准显示参数分析，得到第二参数数据，并根据所述第二参数数据构建所述目标显示屏模组的基础特征子集，包括：
获取标准显示参数列表，并对所述目标图像信号进行信号编码，得到目标信号编码；
将所述目标信号编码作为索引词，并通过所述目标信号编码对所述标准显示参数列表进行搜索，得到第二参数数据；
提取所述第二参数数据的第二目标特征点，并根据所述第二目标特征点，对所述第二参数数据进行聚类分析，得到所述目标显示屏模组的基础特征子集。
5.根据权利要求1所述的显示屏参数检测方法，其特征在于，所述分别对每个测试温度值的目标特征子集和所述基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值，包括：
获取每个目标特征子集所对应的多个第一特征值，以及获取所述基础特征子集对应的多个第二特征值；
对所述多个第一特征值以及所述多个第二特征值进行特征值匹配，得到多个特征值匹配结果；
通过所述多个特征值匹配结果进行特征值差值运算，得到每个测试温度值的多个目标特征差值。
6.一种显示屏参数检测装置，其特征在于，所述显示屏参数检测装置包括：
测试模块，用于基于预设的多个测试温度值，分别将目标图像信号输入待检测的目标显示屏模组进行显示屏模组测试，并分别采集每个测试温度值的显示图像数据；
第一分析模块，用于分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型进行显示屏参数分析，得到每个测试温度值的第一参数数据，具体包括；分别将每个测试温度值的显示图像数据输入预置的显示屏参数分析模型，其中，所述显示屏参数分析模型包括：两层卷积网络、预测网络和判别网络；通过所述显示屏参数分析模型对所述显示图像数据进行特征提取和特征分类，得到每个显示图像数据的多个参数特征；分别对每个显示图像数据的多个参数特征进行参数特征映射，得到每个测试温度值的第一参数数据，其中，所述第一参数数据包括：屏幕刷新数据以及色彩饱和度数据；
构建模块，用于根据所述第一参数数据，分别构建每个测试温度值的目标特征子集；
处理模块，用于对所述目标图像信号进行标准显示参数分析，得到第二参数数据，并根据所述第二参数数据构建所述目标显示屏模组的基础特征子集；
运算模块，用于分别对每个测试温度值的目标特征子集和所述基础特征子集进行特征值差值运算，得到每个测试温度值的多个目标特征差值；
第二分析模块，用于根据每个测试温度值的多个目标特征差值生成目标评价向量，并将所述目标评价向量输入预置的显示屏温度性能分析模型进行显示屏温度性能分析，得到显示屏温度性能分析结果，具体包括：对每个测试温度值的多个目标特征差值进行向量编码，得到每个测试温度值的子特征向量；对每个测试温度值的子特征向量进行向量拼接，得到目标评价向量；将所述目标评价向量输入预置的显示屏温度性能分析模型，其中，所述显示屏温度性能分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及分类网络；通过所述显示屏温度性能分析模型对所述目标评价向量进行显示屏温度性能分析，得到显示屏温度性能分析结果，其中，所述显示屏温度性能分析结果用于指示所述目标显示屏模组的最佳工作温度值。
7.一种显示屏参数检测设备，其特征在于，所述显示屏参数检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述显示屏参数检测设备执行如权利要求1-5中任一项所述的显示屏参数检测方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的显示屏参数检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722565.XA CN116453438B (zh) | 2023-06-19 | 2023-06-19 | 一种显示屏参数检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722565.XA CN116453438B (zh) | 2023-06-19 | 2023-06-19 | 一种显示屏参数检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116453438A CN116453438A (zh) | 2023-07-18 |
| CN116453438B true CN116453438B (zh) | 2023-08-18 |
Family
ID=87122396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310722565.XA Active CN116453438B (zh) | 2023-06-19 | 2023-06-19 | 一种显示屏参数检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116453438B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116962884B (zh) * | 2023-09-19 | 2024-03-15 | 北京凯视达科技股份有限公司 | 显示屏检测装置、方法、设备、存储介质及电子设备 |
| CN117348831B (zh) * | 2023-12-06 | 2024-02-06 | 深圳康荣电子有限公司 | 液晶显示屏的画面调校方法及系统 |
| CN117451744B (zh) * | 2023-12-20 | 2024-03-19 | 东莞市钜欣电子有限公司 | 红外透镜的缺陷检测方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010014503A (ja) * | 2008-07-02 | 2010-01-21 | Sharp Corp | 画像検査処理装置、画像検査処理方法、プログラム、及び、記録媒体 |
| CN108961238A (zh) * | 2018-07-02 | 2018-12-07 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
| CN112884712A (zh) * | 2021-01-22 | 2021-06-01 | 深圳精智达技术股份有限公司 | 一种显示面板缺陷分类的方法及相关装置 |
| CN113240112A (zh) * | 2021-06-01 | 2021-08-10 | Oppo广东移动通信有限公司 | 屏幕显示的调节方法、装置、电子设备及存储介质 |
| CN114512085A (zh) * | 2022-03-17 | 2022-05-17 | 广州康盛网络科技有限公司 | 一种tft显示屏的视觉色彩校准方法 |
| CN114862845A (zh) * | 2022-07-04 | 2022-08-05 | 深圳市瑞桔电子有限公司 | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 |
-
2023
- 2023-06-19 CN CN202310722565.XA patent/CN116453438B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010014503A (ja) * | 2008-07-02 | 2010-01-21 | Sharp Corp | 画像検査処理装置、画像検査処理方法、プログラム、及び、記録媒体 |
| CN108961238A (zh) * | 2018-07-02 | 2018-12-07 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
| CN112884712A (zh) * | 2021-01-22 | 2021-06-01 | 深圳精智达技术股份有限公司 | 一种显示面板缺陷分类的方法及相关装置 |
| CN113240112A (zh) * | 2021-06-01 | 2021-08-10 | Oppo广东移动通信有限公司 | 屏幕显示的调节方法、装置、电子设备及存储介质 |
| CN114512085A (zh) * | 2022-03-17 | 2022-05-17 | 广州康盛网络科技有限公司 | 一种tft显示屏的视觉色彩校准方法 |
| CN114862845A (zh) * | 2022-07-04 | 2022-08-05 | 深圳市瑞桔电子有限公司 | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116453438A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
| US20180365089A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
| Wu et al. | Blind image quality assessment based on rank-order regularized regression | |
| CN110969200B (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| CN111008643B (zh) | 基于半监督学习的图片分类方法、装置和计算机设备 | |
| US11593299B2 (en) | Data analysis device, data analysis method and data analysis program | |
| JP2020198092A (ja) | 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム | |
| CN117171696B (zh) | 一种基于物联网的传感器生产监测方法及系统 | |
| CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
| KR102622895B1 (ko) | 지도 학습 모델 및 비지도 학습 모델의 앙상블 구조를 이용한 대기질 데이터의 이상 판정 방법 및 시스템 | |
| JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
| CN117434429B (zh) | 芯片的稳定性测试方法及相关装置 | |
| EP3712728A1 (en) | Apparatus for predicting equipment damage | |
| CN116151319A (zh) | 搜索神经网络集成模型的方法、装置和电子设备 | |
| CN117052970A (zh) | 用于气动球阀装配的智能控制系统及其方法 | |
| CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
| CN112529025A (zh) | 一种数据处理方法及装置 | |
| CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
| CN115620083A (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
| JP7206892B2 (ja) | 画像検査装置、画像検査のための学習方法および画像検査プログラム | |
| CN114355234A (zh) | 一种电源模块的智能化质量检测方法及系统 | |
| CN113221995A (zh) | 基于半监督深度分类算法的数据分类方法、设备及装置 | |
| JP2021193503A (ja) | 分割プログラム、分割方法および情報処理装置 | |
| CN111553418B (zh) | 神经元重建错误的检测方法、装置和计算机设备 | |
| CN112788331B (zh) | 一种视频重压缩检测方法、终端设备及存储介质 |
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 |