CN117111777A - 一种灵敏度高的led触摸显示屏 - Google Patents
一种灵敏度高的led触摸显示屏 Download PDFInfo
- Publication number
- CN117111777A CN117111777A CN202311368004.0A CN202311368004A CN117111777A CN 117111777 A CN117111777 A CN 117111777A CN 202311368004 A CN202311368004 A CN 202311368004A CN 117111777 A CN117111777 A CN 117111777A
- Authority
- CN
- China
- Prior art keywords
- touch signal
- feature
- training
- touch
- scale
- 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.)
- Granted
Links
- 230000035945 sensitivity Effects 0.000 title claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 77
- 239000013598 vector Substances 0.000 claims description 56
- 238000010586 diagram Methods 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 17
- 230000007613 environmental effect Effects 0.000 abstract description 11
- 230000004044 response Effects 0.000 abstract description 10
- 238000000034 method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 6
- 230000002441 reversible effect Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000002075 inversion recovery Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/042—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by opto-electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
- G06F3/0416—Control or interface arrangements specially adapted for digitisers
- G06F3/0418—Control or interface arrangements specially adapted for digitisers for error correction or compensation, e.g. based on parallax, calibration or alignment
- G06F3/04182—Filtering of noise external to the device and not generated by digitiser components
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Input By Displaying (AREA)
Abstract
本申请公开了一种灵敏度高的LED触摸显示屏,其通过对触摸信号进行采集后,在后端引入信号处理和分析算法来进行该触摸信号的分析,以此来对于触摸信号进行噪声过滤和滤波处理以识别和过滤掉环境干扰和噪声信号,并利用生成网络来生成优化触摸信号。这样,可以有效地识别和过滤掉环境干扰和噪声信号,从而提高触摸信号的质量,进而提高LED触摸显示屏的灵敏度和响应速度。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种灵敏度高的LED触摸显示屏。
背景技术
LED触摸显示屏是一种将LED显示技术和触摸技术相结合的新型显示设备,它可以实现人机交互的功能,提高用户的体验和效率。随着触摸屏技术的广泛应用,人们对于触摸屏的灵敏度和响应速度提出了更高的要求。然而。传统的触摸屏技术主要包括电阻式触摸屏和电容式触摸屏。电阻式触摸屏通过两层导电薄膜之间的接触来检测触摸位置,但其灵敏度较低,易受到外界环境的干扰。电容式触摸屏则通过感应人体电荷来检测触摸位置,具有较高的灵敏度和响应速度,但需要在显示屏上设置额外的传感器或电路,增加了成本和功耗。
因此,期望一种灵敏度高的LED触摸显示屏。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种灵敏度高的LED触摸显示屏,其通过对触摸信号进行采集后,在后端引入信号处理和分析算法来进行该触摸信号的分析,以此来对于触摸信号进行噪声过滤和滤波处理以识别和过滤掉环境干扰和噪声信号,并利用生成网络来生成优化触摸信号。这样,可以有效地识别和过滤掉环境干扰和噪声信号,从而提高触摸信号的质量,进而提高LED触摸显示屏的灵敏度和响应速度。
根据本申请的一个方面,提供了一种灵敏度高的LED触摸显示屏,其包括:
LED面板;
覆盖在所述LED面板上的透明导电层,所述透明导电层通过电容耦合的方式与LED面板相连接。
信号优化器,所述信号优化器可通信连接于所述透明导电层,所述信号优化器用于接收所述透明导电层的待处理触摸信号,并对所述待处理触摸信号进行信号优化以得到优化触摸信号;
控制器,所述控制器可通信连接于所述LED面板和所述信号优化器,所述控制器用于控制所述LED面板的像素点亮度和颜色。
与现有技术相比,本申请提供的一种灵敏度高的LED触摸显示屏,其通过对触摸信号进行采集后,在后端引入信号处理和分析算法来进行该触摸信号的分析,以此来对于触摸信号进行噪声过滤和滤波处理以识别和过滤掉环境干扰和噪声信号,并利用生成网络来生成优化触摸信号。这样,可以有效地识别和过滤掉环境干扰和噪声信号,从而提高触摸信号的质量,进而提高LED触摸显示屏的灵敏度和响应速度。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的灵敏度高的LED触摸显示屏的框图;
图2为根据本申请实施例的灵敏度高的LED触摸显示屏的系统架构图;
图3为根据本申请实施例的灵敏度高的LED触摸显示屏的训练阶段的框图;
图4为根据本申请实施例的灵敏度高的LED触摸显示屏中信号优化器的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的触摸屏技术主要包括电阻式触摸屏和电容式触摸屏。电阻式触摸屏通过两层导电薄膜之间的接触来检测触摸位置,但其灵敏度较低,易受到外界环境的干扰。电容式触摸屏则通过感应人体电荷来检测触摸位置,具有较高的灵敏度和响应速度,但需要在显示屏上设置额外的传感器或电路,增加了成本和功耗。因此,期望一种灵敏度高的LED触摸显示屏。
在本申请的技术方案中,提出了一种灵敏度高的LED触摸显示屏。图1为根据本申请实施例的灵敏度高的LED触摸显示屏的框图。如图1所示,根据本申请的实施例的灵敏度高的LED触摸显示屏300,包括:LED面板310;覆盖在所述LED面板上的透明导电层320,所述透明导电层通过电容耦合的方式与LED面板相连接。信号优化器330,所述信号优化器可通信连接于所述透明导电层,所述信号优化器用于接收所述透明导电层的待处理触摸信号,并对所述待处理触摸信号进行信号优化以得到优化触摸信号;控制器340,所述控制器可通信连接于所述LED面板和所述信号优化器,所述控制器用于控制所述LED面板的像素点亮度和颜色。
特别地,所述LED面板310。LED面板是一种由多个发光二极管组成的平面显示器件。LED面板通常由许多小型LED组成,这些LED被安装在平面基板上,并按照特定的排列方式连接在一起。LED面板广泛应用于各种领域,包括室内和室外的广告显示、舞台背景、电视显示、信息显示牌、汽车照明和室内照明等。
特别地,所述覆盖在所述LED面板上的透明导电层320,所述透明导电层通过电容耦合的方式与LED面板相连接。在本申请的技术方案中,显示屏包括LED面板和覆盖在LED面板上的透明导电层,透明导电层通过电容耦合的方式与LED面板相连,当用户触摸透明导电层时,透明导电层上的电荷会发生变化,从而改变LED面板上的电压,进而控制LED面板上的像素点的亮度和颜色。通过使用电容耦合的方式,不需要在LED面板上设置额外的传感器或电路,从而减少了成本和功耗,同时提高了显示屏的灵敏度和响应速度。
特别地,所述信号优化器330,所述信号优化器可通信连接于所述透明导电层,所述信号优化器用于接收所述透明导电层的待处理触摸信号,并对所述待处理触摸信号进行信号优化以得到优化触摸信号。值得一提的是,透明导电层是一种具有透明性和导电性的薄膜材料,常用于电子设备、光学器件和触摸屏等应用中。它能够同时具备透明性和导电性的特性,使光线能够透过并且电流能够通过。考虑到在实际使用上述技术方案的LED触摸显示屏时,由于LED触摸显示屏的工作原理是利用电容耦合的方式来检测用户的触摸动作,因此,它也容易受到环境干扰和噪声信号的影响,导致触摸信号的质量下降,从而影响显示屏的灵敏度和准确性。因此,本申请的技术构思为通过对触摸信号进行采集后,在后端引入信号处理和分析算法来进行该触摸信号的分析,以此来对于触摸信号进行噪声过滤和滤波处理以识别和过滤掉环境干扰和噪声信号,并利用生成网络来生成优化触摸信号。这样,可以有效地识别和过滤掉环境干扰和噪声信号,从而提高触摸信号的质量,进而提高LED触摸显示屏的灵敏度和响应速度。特别地,在本申请的一个具体示例中,图2为根据本申请实施例的灵敏度高的LED触摸显示屏的系统架构图。图4为根据本申请实施例的灵敏度高的LED触摸显示屏中信号优化器的框图。如图2和图4所示,所述信号优化器330,包括:触摸信号波形多尺度特征提取模块331,用于通过基于深度神经网络模型的图像波形多尺度特征提取器对所述待处理触摸信号的波形图进行多尺度特征提取以得到触摸信号浅层特征图、触摸信号中层特征图和触摸信号深层特征图;触摸信号多尺度语义特征融合模块332,用于对所述触摸信号浅层特征图、所述触摸信号中层特征图和所述触摸信号深层特征图进行语义特征融合以得到触摸信号多尺度特征图;矩阵展开模块333,用于将所述触摸信号多尺度特征图的沿通道维度的各个特征矩阵分别展开为特征向量以得到触摸信号通道特征向量的序列;特征过滤模块334,用于将所述触摸信号通道特征向量的序列通过特征过滤器以得到过滤后触摸信号语义特征;优化触摸信号生成模块335,用于基于所述过滤后触摸信号语义特征,生成所述优化触摸信号。
具体地,所述触摸信号波形多尺度特征提取模块331,用于通过基于深度神经网络模型的图像波形多尺度特征提取器对所述待处理触摸信号的波形图进行多尺度特征提取以得到触摸信号浅层特征图、触摸信号中层特征图和触摸信号深层特征图。在本申请的技术方案中,考虑到所述待处理触摸信号在时域中的表现形式为波形图,而触摸信号的波形图可以看作是一个时间序列,其中包含了触摸的强度、持续时间、频率等信息。因此,为了能够更为充分地捕捉和刻画出所述触摸信号的时序分布特征信息,在本申请的技术方案中,进一步将所述待处理触摸信号的波形图通过基于金字塔网络的图像波形多尺度特征提取器以得到触摸信号浅层特征图、触摸信号中层特征图和触摸信号深层特征图。应可以理解,所述金字塔网络是一种多尺度特征提取的方法,它通过在不同尺度上对所述待处理触摸信号进行处理,从而提取出所述待处理触摸信号的波形图在不同层次上的特征信息。也就是说,通过对所述待处理触摸信号进行多尺度特征提取,可以获取到不同层次的特征表示,从而更全面地描述触摸信号的特征。
值得注意的是,金字塔网络(Pyramid Network)是一种深度学习网络架构,旨在解决传统卷积神经网络(CNN)在处理多尺度信息时的局限性。金字塔网络通过引入多个并行的子网络,每个子网络负责处理不同尺度的输入数据,然后将它们的输出进行融合,以获得更全面的特征表示。金字塔网络的核心思想是通过构建不同分辨率的特征金字塔来捕捉不同尺度的信息。每个子网络都有自己的卷积层和池化层,用于处理不同分辨率的输入。较低分辨率的子网络通常具有更大的感受野,可以捕捉到更广阔的上下文信息,而较高分辨率的子网络可以更好地处理细节。在金字塔网络中,不同尺度的子网络可以共享参数,以减少网络的计算量和参数量。通过并行处理多个子网络,金字塔网络可以同时获得多个尺度的特征表示,从而提高模型的感知能力和泛化能力。金字塔网络在目标检测、语义分割和图像分类等计算机视觉任务中得到了广泛的应用。
相应的,在一种可能的实现方式中,可通过以下步骤将所述待处理触摸信号的波形图通过基于金字塔网络的图像波形多尺度特征提取器以得到触摸信号浅层特征图、触摸信号中层特征图和触摸信号深层特征图,例如:构建金字塔网络模型。金字塔网络由多个并行的子网络组成,每个子网络负责处理不同尺度的输入数据。子网络的结构可以是卷积神经网络(CNN)或其他适合的网络结构;将触摸信号的波形图输入金字塔网络模型;在每个子网络中,对输入数据进行卷积操作和池化操作。卷积操作可以提取局部特征,而池化操作可以降低特征图的尺寸并保留重要的特征;在较低分辨率的子网络中,卷积层和池化层的感受野较大,可以捕捉到更广阔的上下文信息。这些子网络可以提取触摸信号的浅层特征;在较高分辨率的子网络中,卷积层和池化层的感受野较小,可以更好地处理触摸信号的细节。这些子网络可以提取触摸信号的深层特征;在中间分辨率的子网络中,可以获得介于浅层特征和深层特征之间的中层特征;将每个子网络的输出特征图进行融合。融合的方式可以是简单的连接操作或者其他融合策略,例如使用注意力机制;融合后的特征图表示了触摸信号在不同尺度上的多尺度特征。
具体地,所述触摸信号多尺度语义特征融合模块332,用于对所述触摸信号浅层特征图、所述触摸信号中层特征图和所述触摸信号深层特征图进行语义特征融合以得到触摸信号多尺度特征图。考虑到在基于金字塔网络的图像波形多尺度特征提取器中,每个层次的特征图都包含了一定数量的通道,每个通道代表了不同的特征。例如,所述触摸信号浅层特征图通常包含关于触摸信号的局部和细节的特征信息,所述触摸信号中层特征图则表示触摸信号的更为抽象特征信息,而所述触摸信号深层特征图则可能包含更高级的语义信息。因此,在本申请的技术方案中,进一步沿着通道维度对所述触摸信号浅层特征图、所述触摸信号中层特征图和所述触摸信号深层特征图进行聚合以得到触摸信号多尺度特征图。通过沿着通道维度对这些特征图进行聚合,可以将不同层次的特征信息进行融合,得到所述触摸信号多尺度特征图。这样,能够综合利用该触摸信号的不同层次特征,以获取更全面、更丰富且更具有表征能力的触摸信号特征表示,从而提高对触摸信号的理解和分析能力。
具体地,所述矩阵展开模块333,用于将所述触摸信号多尺度特征图的沿通道维度的各个特征矩阵分别展开为特征向量以得到触摸信号通道特征向量的序列。在本申请的技术方案中,将所述触摸信号多尺度特征图的沿通道维度的各个特征矩阵分别展开为特征向量以得到触摸信号通道特征向量的序列,以便于后续进行特征的组合、融合和处理。也就是说,通过将沿通道维度的所述各个特征矩阵展开为特征向量,可以保留每个通道的特征信息,并且使得特征在序列上具有时序关系。
具体地,所述特征过滤模块334,用于将所述触摸信号通道特征向量的序列通过特征过滤器以得到过滤后触摸信号语义特征。应可以理解,为了进一步提取触摸信号的时序语义关联特征,以此来进行消除噪声的影响,需要再将所述触摸信号通道特征向量的序列通过基于Bi-LSTM模型的特征过滤器以得到过滤后触摸信号语义特征向量。应可以理解,所述Bi-LSTM在处理序列数据时能够同时考虑前向和后向的上下文信息,通过使用所述Bi-LSTM模型,可以有效地捕捉到所述触摸信号通道特征向量的序列中的时序依赖关系和语义信息。也就是说,通过利用Bi-LSTM模型的长短期记忆能力,对触摸信号的时序信息进行有效提取和保留,从而消除噪声信号对触摸信号语义信息的影响。
值得注意的是,Bi-LSTM(Bidirectional Long Short-Term Memory)是一种循环神经网络(RNN)的变体,用于处理序列数据。与传统的单向LSTM只考虑过去的上下文信息不同,Bi-LSTM同时考虑了过去和未来的上下文信息,从而提供了更全面的序列信息。Bi-LSTM的主要特点是在隐藏层中引入了两个方向的信息流动。具体而言,它由两个LSTM层组成:一个正向LSTM和一个反向LSTM。正向LSTM从序列的起始位置开始处理数据,而反向LSTM从序列的结束位置开始处理数据。这样,每个时间步都可以同时考虑过去和未来的上下文。在每个时间步,正向LSTM和反向LSTM分别计算前向隐藏状态和后向隐藏状态。这些隐藏状态包含了序列数据在过去和未来的上下文信息。然后,这两个隐藏状态会被拼接在一起,形成一个综合的表示,其中包含了序列数据在双向上下文中的特征。
相应的,在一种可能的实现方式中,可通过以下步骤将所述触摸信号通道特征向量的序列通过基于Bi-LSTM模型的特征过滤器以得到过滤后触摸信号语义特征向量作为所述过滤后触摸信号语义特征,例如:将触摸信号通道特征向量的序列作为输入数据。每个触摸信号通道特征向量代表一个时间步的特征;构建一个基于Bi-LSTM的特征过滤器模型;将触摸信号通道特征向量序列输入到Bi-LSTM模型中;在每个时间步,Bi-LSTM模型计算正向LSTM的前向隐藏状态,这些隐藏状态包含了序列数据在过去的上下文信息;在每个时间步,Bi-LSTM模型计算反向LSTM的前向隐藏状态,这些隐藏状态包含了序列数据在未来的上下文信息;将正向LSTM的前向隐藏状态和反向LSTM的前向隐藏状态进行拼接,形成一个综合的特征表示,这个综合的特征表示捕捉了序列数据在双向上下文中的特征;将拼接后的特征表示作为过滤后触摸信号的语义特征向量,所述过滤后触摸信号的语义特征向量包含了通过Bi-LSTM模型过滤后的触摸信号的语义信息。
具体地,所述优化触摸信号生成模块335,用于基于所述过滤后触摸信号语义特征,生成所述优化触摸信号。在本申请的一个具体示例中,将所述过滤后触摸信号语义特征向量通过基于对抗生成网络模型的触摸信号优化生成器,以利用生成网络来对于过滤后触摸信号的时序语义特征进行处理,以此来生成优化触摸信号。这样,能够对于触摸信号进行噪声过滤和滤波处理以识别和过滤掉环境干扰和噪声信号,从而提高触摸信号的质量,进而提高LED触摸显示屏的灵敏度和响应速度。
值得注意的是,对抗生成网络(Generative Adversarial Networks,GANs)是一种由生成器和判别器组成的神经网络框架,用于生成逼真的样本数据。GANs的核心思想是通过生成器和判别器之间的对抗学习来提高生成器生成样本的质量。GANs的工作原理如下:生成器:生成器是一个神经网络模型,它接收一个随机噪声向量作为输入,并输出一个与真实数据相似的样本。生成器的目标是学习生成逼真的样本数据;判别器:判别器也是一个神经网络模型,它接收真实样本和由生成器生成的样本作为输入,并输出一个概率值,表示输入样本是真实样本的概率。判别器的目标是学习区分真实样本和生成样本;对抗学习:生成器和判别器通过对抗学习进行训练。生成器试图生成更逼真的样本来欺骗判别器,而判别器试图准确地区分真实样本和生成样本。二者相互竞争,不断提高性能;训练过程:训练过程中,首先固定判别器,通过最小化生成样本与真实样本之间的差异来更新生成器的参数。然后固定生成器,通过最大化判别器对真实样本和生成样本的区分能力来更新判别器的参数。通过交替训练生成器和判别器,GANs能够逐渐提高生成器生成样本的质量。GANs的优点在于能够生成逼真的样本数据,无需显式地定义概率分布。它在图像生成、文本生成、视频生成等领域取得了显著的成果。
相应的,在一种可能的实现方式中,可通过以下步骤将所述过滤后触摸信号语义特征向量通过基于对抗生成网络模型的触摸信号优化生成器以得到所述优化触摸信号,例如:构建一个基于对抗生成网络(GANs)的模型。生成器模型接收过滤后触摸信号语义特征向量作为输入,并输出生成的触摸信号。判别器模型接收真实触摸信号和生成的触摸信号作为输入,并输出一个概率值,表示输入样本是真实触摸信号的概率;通过交替训练生成器和判别器,使生成器能够生成逼真的触摸信号,同时判别器能够准确地区分真实触摸信号和生成触摸信号。训练过程中,首先固定判别器,通过最小化生成触摸信号与真实触摸信号之间的差异来更新生成器的参数。然后固定生成器,通过最大化判别器对真实触摸信号和生成触摸信号的区分能力来更新判别器的参数;将过滤后触摸信号语义特征向量输入到生成器模型中,生成优化的触摸信号。生成器模型通过学习过滤后触摸信号的语义特征,能够还原出原始触摸信号的特征,并生成更优化的触摸信号。
特别地,所述控制器340,所述控制器可通信连接于所述LED面板和所述信号优化器,所述控制器用于控制所述LED面板的像素点亮度和颜色。也就是,控制器可以通过通信连接与LED面板和信号优化器进行交互,实现对LED面板像素点亮度和颜色的控制。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于金字塔网络的图像波形多尺度特征提取器、基于Bi-LSTM模型的特征过滤器和所述基于对抗生成网络模型的触摸信号优化生成器进行训练。也就是说,根据本申请的灵敏度高的LED触摸显示屏300,还包括训练阶段400,用于对所述基于金字塔网络的图像波形多尺度特征提取器、基于Bi-LSTM模型的特征过滤器和所述基于对抗生成网络模型的触摸信号优化生成器进行训练。
图3为根据本申请实施例的灵敏度高的LED触摸显示屏的训练阶段的框图。如图3所示,根据本申请实施例的灵敏度高的LED触摸显示屏300,包括:训练阶段400,包括:训练数据采集单元410,用于获取训练数据,所述训练数据包括训练待处理触摸信号,以及,所述优化触摸信号的真实信号;训练触摸信号波形特征提取单元420,用于将所述训练待处理触摸信号的波形图通过所述基于金字塔网络的图像波形多尺度特征提取器以得到训练触摸信号浅层特征图、训练触摸信号中层特征图和训练触摸信号深层特征图;训练触摸信号多尺度特征融合单元430,用于沿着通道维度对所述训练触摸信号浅层特征图、所述训练触摸信号中层特征图和所述训练触摸信号深层特征图进行聚合以得到训练触摸信号多尺度特征图;训练矩阵展开单元440,用于将所述训练触摸信号多尺度特征图的沿通道维度的各个特征矩阵分别展开为特征向量以得到训练触摸信号通道特征向量的序列;训练特征过滤单元450,用于将所述训练触摸信号通道特征向量的序列通过所述基于Bi-LSTM模型的特征过滤器以得到训练过滤后触摸信号语义特征向量;特征分布优化单元460,用于对所述训练过滤后触摸信号语义特征向量进行基于尺度表征和反演式恢复的特征精度对齐以得到优化训练过滤后触摸信号语义特征向量;训练优化触摸信号生成单元470,用于将所述优化训练过滤后触摸信号语义特征向量通过所述基于对抗生成网络模型的触摸信号优化生成器以得到训练优化触摸信号;训练触摸信号波形交叉熵损失单元480,用于计算所述训练优化触摸信号的波形图和所述真实信号的波形图之间的交叉熵损失函数值以得到触摸信号波形图间交叉熵损失函数值;模型训练单元490,用于基于所述触摸信号波形图间交叉熵损失函数值并通过梯度下降的方向传播来对所述基于金字塔网络的图像波形多尺度特征提取器、基于Bi-LSTM模型的特征过滤器和所述基于对抗生成网络模型的触摸信号优化生成器进行训练。
特别地,在本申请的技术方案中,将所述待处理触摸信号的波形图通过基于金字塔网络的图像波形多尺度特征提取器时,得到的所述触摸信号浅层特征图、所述触摸信号中层特征图和所述触摸信号深层特征图具有基于金字塔网络的不同特征提取尺度的不同深度的图像语义特征表示,由此,在沿着通道维度对所述触摸信号浅层特征图、所述触摸信号中层特征图和所述触摸信号深层特征图进行聚合以得到触摸信号多尺度特征图时,所述触摸信号多尺度特征图的沿通道维度的各个局部特征具有多尺度局部图像语义关联特征表达。在将所述号多尺度特征图的沿通道维度的各个特征矩阵分别展开为特征向量,并将所述触摸信号通道特征向量的序列通过基于Bi-LSTM模型的特征过滤器时,所得到的所述过滤后触摸信号语义特征向量还具有全局特征域下各个局部特征的多尺度局部图像语义关联特征之间的关联特征表达。但是,所述过滤后触摸信号语义特征向量的不同尺度的局部图像语义关联特征表示和全局图像语义关联特征表示在通过对抗生成网络模型的触摸信号优化生成器时,会由于不同尺度的局部-全局图像语义关联特征的关联精度差异,影响所述过滤后触摸信号语义特征向量通过对抗生成网络模型的触摸信号优化生成器训练时的训练效果,由此,本申请的申请人在训练过程中,对所述过滤后触摸信号语义特征向量,例如记为进行基于尺度表征和反演式恢复的特征精度对齐,具体表示为:
其中是所述过滤后触摸信号语义特征向量的第个位置的特征值,表示所述过滤后触摸信号语义特征向量的零范数,是所述过滤后触摸信号语义特征向量的长度,且是权重超参数。这里,针对基于尺度的对于图像语义特征参数的高维特征编码与局部-全局关联图像特征语义编辑之间的精度矛盾,所述基于尺度表征和反演式恢复的特征精度对齐通过将关联特征语义编辑视为图像语义特征参数的高维特征编码的反演式嵌入生成,来通过对作为编码表示的特征值配备尺度表征的稀疏分布均衡,并基于向量计数来进行关联细节的反演式恢复,以实现精度差异在训练过程中的自适应对齐,提升所述过滤后触摸信号语义特征向量通过过滤后触摸信号语义特征向量进行对抗生成训练时的训练效果。这样,能够对于触摸信号进行噪声过滤和滤波处理以识别和过滤掉环境干扰和噪声信号,以此来生成优化触摸信号,从而提高触摸信号的质量,进而提高LED触摸显示屏的灵敏度和响应速度。
如上所述,根据本申请实施例的灵敏度高的LED触摸显示屏300可以实现在各种无线终端中,例如具有灵敏度高的LED触摸显示算法的服务器等。在一种可能的实现方式中,根据本申请实施例的灵敏度高的LED触摸显示屏300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该灵敏度高的LED触摸显示屏300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该灵敏度高的LED触摸显示屏300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该灵敏度高的LED触摸显示屏300与该无线终端也可以是分立的设备,并且该灵敏度高的LED触摸显示屏300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种灵敏度高的LED触摸显示屏,其特征在于,包括:
LED面板;
覆盖在所述LED面板上的透明导电层,所述透明导电层通过电容耦合的方式与LED面板相连接;
信号优化器,所述信号优化器可通信连接于所述透明导电层,所述信号优化器用于接收所述透明导电层的待处理触摸信号,并对所述待处理触摸信号进行信号优化以得到优化触摸信号;
控制器,所述控制器可通信连接于所述LED面板和所述信号优化器,所述控制器用于控制所述LED面板的像素点亮度和颜色。
2.根据权利要求1所述的灵敏度高的LED触摸显示屏,其特征在于,所述信号优化器,包括:
触摸信号波形多尺度特征提取模块,用于通过基于深度神经网络模型的图像波形多尺度特征提取器对所述待处理触摸信号的波形图进行多尺度特征提取以得到触摸信号浅层特征图、触摸信号中层特征图和触摸信号深层特征图;
触摸信号多尺度语义特征融合模块,用于对所述触摸信号浅层特征图、所述触摸信号中层特征图和所述触摸信号深层特征图进行语义特征融合以得到触摸信号多尺度特征图;
矩阵展开模块,用于将所述触摸信号多尺度特征图的沿通道维度的各个特征矩阵分别展开为特征向量以得到触摸信号通道特征向量的序列;
特征过滤模块,用于将所述触摸信号通道特征向量的序列通过特征过滤器以得到过滤后触摸信号语义特征;
优化触摸信号生成模块,用于基于所述过滤后触摸信号语义特征,生成所述优化触摸信号。
3.根据权利要求2所述的灵敏度高的LED触摸显示屏,其特征在于,所述深度神经网络模型为金字塔网络。
4.根据权利要求3所述的灵敏度高的LED触摸显示屏,其特征在于,所述触摸信号多尺度语义特征融合模块,用于:沿着通道维度对所述触摸信号浅层特征图、所述触摸信号中层特征图和所述触摸信号深层特征图进行聚合以得到所述触摸信号多尺度特征图。
5.根据权利要求4所述的灵敏度高的LED触摸显示屏,其特征在于,所述特征过滤模块,用于:将所述触摸信号通道特征向量的序列通过基于Bi-LSTM模型的特征过滤器以得到过滤后触摸信号语义特征向量作为所述过滤后触摸信号语义特征。
6.根据权利要求5所述的灵敏度高的LED触摸显示屏,其特征在于,所述优化触摸信号生成模块,用于:将所述过滤后触摸信号语义特征向量通过基于对抗生成网络模型的触摸信号优化生成器以得到所述优化触摸信号。
7.根据权利要求6所述的灵敏度高的LED触摸显示屏,其特征在于,还包括用于对基于金字塔网络的图像波形多尺度特征提取器、基于Bi-LSTM模型的特征过滤器和所述基于对抗生成网络模型的触摸信号优化生成器进行训练的训练模块。
8.根据权利要求7所述的灵敏度高的LED触摸显示屏,其特征在于,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括训练待处理触摸信号,以及,所述优化触摸信号的真实信号;
训练触摸信号波形特征提取单元,用于将所述训练待处理触摸信号的波形图通过所述基于金字塔网络的图像波形多尺度特征提取器以得到训练触摸信号浅层特征图、训练触摸信号中层特征图和训练触摸信号深层特征图;
训练触摸信号多尺度特征融合单元,用于沿着通道维度对所述训练触摸信号浅层特征图、所述训练触摸信号中层特征图和所述训练触摸信号深层特征图进行聚合以得到训练触摸信号多尺度特征图;
训练矩阵展开单元,用于将所述训练触摸信号多尺度特征图的沿通道维度的各个特征矩阵分别展开为特征向量以得到训练触摸信号通道特征向量的序列;
训练特征过滤单元,用于将所述训练触摸信号通道特征向量的序列通过所述基于Bi-LSTM模型的特征过滤器以得到训练过滤后触摸信号语义特征向量;
特征分布优化单元,用于对所述训练过滤后触摸信号语义特征向量进行基于尺度表征和反演式恢复的特征精度对齐以得到优化训练过滤后触摸信号语义特征向量;
训练优化触摸信号生成单元,用于将所述优化训练过滤后触摸信号语义特征向量通过所述基于对抗生成网络模型的触摸信号优化生成器以得到训练优化触摸信号;
训练触摸信号波形交叉熵损失单元,用于计算所述训练优化触摸信号的波形图和所述真实信号的波形图之间的交叉熵损失函数值以得到触摸信号波形图间交叉熵损失函数值;
模型训练单元,用于基于所述触摸信号波形图间交叉熵损失函数值并通过梯度下降的方向传播来对所述基于金字塔网络的图像波形多尺度特征提取器、基于Bi-LSTM模型的特征过滤器和所述基于对抗生成网络模型的触摸信号优化生成器进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368004.0A CN117111777B (zh) | 2023-10-23 | 2023-10-23 | 一种灵敏度高的led触摸显示屏 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368004.0A CN117111777B (zh) | 2023-10-23 | 2023-10-23 | 一种灵敏度高的led触摸显示屏 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117111777A true CN117111777A (zh) | 2023-11-24 |
CN117111777B CN117111777B (zh) | 2024-01-23 |
Family
ID=88805808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311368004.0A Active CN117111777B (zh) | 2023-10-23 | 2023-10-23 | 一种灵敏度高的led触摸显示屏 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111777B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110025635A1 (en) * | 2008-04-22 | 2011-02-03 | Atlab Inc. | Touch and proximity sensitive display panel, display device and touch and proximity sensing method using the same |
US20110134076A1 (en) * | 2009-06-29 | 2011-06-09 | Sony Corporation | Capacitive touch panel and display device with touch detection function |
CN113778256A (zh) * | 2021-07-30 | 2021-12-10 | 怀美电子科技(上海)有限公司 | 具有触摸屏的电子设备及其触摸解锁方法 |
US20220019311A1 (en) * | 2020-07-17 | 2022-01-20 | Apple Inc. | Machine learning method and system for suppressing display induced noise in touch sensors using information from display circuitry |
US20230089160A1 (en) * | 2021-09-22 | 2023-03-23 | Synaptics Incorporated | Touch-to-display noise mitigation for touchscreen devices |
CN116069182A (zh) * | 2021-11-03 | 2023-05-05 | 三星电子株式会社 | 预测触摸传感器的噪声的显示装置和计算系统 |
CN116225264A (zh) * | 2023-03-15 | 2023-06-06 | 瑞态常州高分子科技有限公司 | 基于触摸屏传感器的信号干扰噪声去除系统 |
-
2023
- 2023-10-23 CN CN202311368004.0A patent/CN117111777B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110025635A1 (en) * | 2008-04-22 | 2011-02-03 | Atlab Inc. | Touch and proximity sensitive display panel, display device and touch and proximity sensing method using the same |
US20110134076A1 (en) * | 2009-06-29 | 2011-06-09 | Sony Corporation | Capacitive touch panel and display device with touch detection function |
US20220019311A1 (en) * | 2020-07-17 | 2022-01-20 | Apple Inc. | Machine learning method and system for suppressing display induced noise in touch sensors using information from display circuitry |
CN113778256A (zh) * | 2021-07-30 | 2021-12-10 | 怀美电子科技(上海)有限公司 | 具有触摸屏的电子设备及其触摸解锁方法 |
US20230089160A1 (en) * | 2021-09-22 | 2023-03-23 | Synaptics Incorporated | Touch-to-display noise mitigation for touchscreen devices |
CN116069182A (zh) * | 2021-11-03 | 2023-05-05 | 三星电子株式会社 | 预测触摸传感器的噪声的显示装置和计算系统 |
CN116225264A (zh) * | 2023-03-15 | 2023-06-06 | 瑞态常州高分子科技有限公司 | 基于触摸屏传感器的信号干扰噪声去除系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117111777B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537136B (zh) | 基于姿态归一化图像生成的行人重识别方法 | |
Kim et al. | Beyond classification: Directly training spiking neural networks for semantic segmentation | |
Huang et al. | Retracted: Jointly network image processing: Multi‐task image semantic segmentation of indoor scene based on CNN | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN111709470B (zh) | 图像生成方法、装置、设备及介质 | |
CN112149637B (zh) | 用于生成目标再识别模型和用于目标再识别的方法和装置 | |
CN111832568A (zh) | 车牌识别方法、车牌识别模型的训练方法和装置 | |
CN110120049B (zh) | 由单张图像联合估计场景深度与语义的方法 | |
CN113408671B (zh) | 一种对象识别方法及装置、芯片及电子设备 | |
CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
Chaudhary et al. | Depth‐based end‐to‐end deep network for human action recognition | |
CN112508004A (zh) | 一种文字识别方法、装置、电子设备及存储介质 | |
Song et al. | Deep domain adaptation based multi-spectral salient object detection | |
CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
CN115131281A (zh) | 变化检测模型训练和图像变化检测方法、装置及设备 | |
Makarov et al. | Russian sign language dactyl recognition | |
Ma et al. | Dynamic gesture contour feature extraction method using residual network transfer learning | |
CN113792807B (zh) | 皮肤病分类模型训练方法、系统、介质和电子设备 | |
Fan et al. | Multi-task and multi-modal learning for rgb dynamic gesture recognition | |
Wang et al. | Improved YOLOv5 with BiFPN on PCB defect detection | |
Cao et al. | Effective action recognition with embedded key point shifts | |
Liu et al. | Two-stream refinement network for RGB-D saliency detection | |
CN117173422B (zh) | 基于图融合多尺度特征学习的细粒度图像识别方法 | |
CN113901931A (zh) | 一种基于知识蒸馏模型的红外和可见光视频的行为识别方法 | |
CN117636326A (zh) | 车牌检测方法、装置、存储介质和电子设备 |
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 |