CN117352533B - 发光二极管及制备方法 - Google Patents
发光二极管及制备方法 Download PDFInfo
- Publication number
- CN117352533B CN117352533B CN202311659143.9A CN202311659143A CN117352533B CN 117352533 B CN117352533 B CN 117352533B CN 202311659143 A CN202311659143 A CN 202311659143A CN 117352533 B CN117352533 B CN 117352533B
- Authority
- CN
- China
- Prior art keywords
- light
- sub
- opaque
- substrate
- pixel block
- 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
- 238000002360 preparation method Methods 0.000 title claims abstract description 7
- 239000000758 substrate Substances 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 43
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 239000012788 optical film Substances 0.000 abstract description 4
- 238000005520 cutting process Methods 0.000 abstract description 3
- 238000000149 argon plasma sintering Methods 0.000 description 4
- 239000010408 film Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L27/00—Devices consisting of a plurality of semiconductor or other solid-state components formed in or on a common substrate
- H01L27/15—Devices consisting of a plurality of semiconductor or other solid-state components formed in or on a common substrate including semiconductor components having potential barriers, specially adapted for light emission
- H01L27/153—Devices consisting of a plurality of semiconductor or other solid-state components formed in or on a common substrate including semiconductor components having potential barriers, specially adapted for light emission in a repetitive configuration, e.g. LED bars
- H01L27/156—Devices consisting of a plurality of semiconductor or other solid-state components formed in or on a common substrate including semiconductor components having potential barriers, specially adapted for light emission in a repetitive configuration, e.g. LED bars two-dimensional arrays
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L33/00—Semiconductor devices having potential barriers specially adapted for light emission; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
- H01L33/005—Processes
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L33/00—Semiconductor devices having potential barriers specially adapted for light emission; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
- H01L33/44—Semiconductor devices having potential barriers specially adapted for light emission; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof characterised by the coatings, e.g. passivation layer or anti-reflective coating
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Led Devices (AREA)
Abstract
本发明具体涉及一种发光二极管及制备方法,包括衬底以及衬底下部的各层,不透光矩阵下端两侧具有延伸部,每两个相邻的不透光矩阵的底部对应一个子像素块,不透光矩阵以及延伸部均用于遮挡子像素块的光线避免对其他相邻的子像素块光造成影响,每两个相邻的不透光矩阵的之间预留光通道,每两个相邻的不透光矩阵的上肩部形成一个光膜,光通道以及光膜均用于透过子像素块的光线。本申请能够有效降低子像素块的光线串扰且不需要光束发射角度调整层,降低了计算难度和工艺难度,并且还能够尽可能减少不透光矩阵的宽度,这样能够提高二极管切割效率,还能够满足高密度的像素模块,保留了高密度二极管并且实现高效率工艺。
Description
技术领域
本发明属于半导体领域,具体涉及一种发光二极管及制备方法。
背景技术
现有技术中,为了提高显示屏的像素密度,经常会将多个子像素led相邻布置,且通过不透光矩阵将多个led隔开。如图1,所示的这种现有技术当子像素led发射的光进入衬底401会发生一定程度的折射,折射的光有可能会散射到其他的子像素led所对应的光通道200,从而造成干扰(正常情况下只有子像素led正上方的光通道需要对应正下方子像素led的光线)。为了解决这种问题,现有技术通常设置如图1,所示的光束发射角度调整层400,这样的结构一般设置在衬底与不透光矩阵300之间并且需要非常复杂的计算和工艺才能够完成,而且,即便进行极其复杂的工艺配置,仍然会有一定亮的光发散到其他的光通道,造成对其他光通道干扰。
发明内容
本发明的目的在于提供一种发光二极管及制备方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
发光二极管,包括衬底以及衬底下部的各层,衬底下部的各层中形成子像素块,子像素块用于发射光束,在衬底上部具有相邻的多个不透光矩阵,每一个不透光矩阵下端两侧具有延伸部,每两个相邻的不透光矩阵的底部对应一个子像素块,不透光矩阵以及延伸部均用于遮挡子像素块的光线避免对其他相邻的子像素块光造成影响,每两个相邻的不透光矩阵的之间预留光通道,每两个相邻的不透光矩阵的上肩部形成一个光膜,光通道以及光膜均用于透过子像素块的光线;延伸部的形成深度根据其他层的尺寸和掺杂具体类型确定。
进一步,衬底下部的各层包括衬底下部的第一掺杂层以及形成在第一掺杂层上部的子像素块。
进一步,衬底下部的各层包括第一掺杂层下部的阱层以及阱层下部的第二掺杂层。
发光二极管的制备方法包括步骤:首先形成衬底以及衬底下部的各层,在衬底上形成相邻的多个不透光矩阵,在每一个不透光矩阵下端两侧形成延伸部,多个不透光矩阵形成工艺包括连续制作牺牲层与遮光图形然后再次制作牺牲层与遮光图形,两次遮光图形通过牺牲层间隔开,去除牺牲层及第二次遮光图形形成不透光矩阵;延伸部的形成深度根据其他层的尺寸和掺杂具体类型确定。
进一步,延伸部的形成深度根据其他层的尺寸和掺杂具体类型确定;具体统计其他层的尺寸和掺杂具体类型的数据与对应的子像素块的光线串扰比率数据确定延伸部的最优化形成深度。
进一步,统计其他层的尺寸和掺杂具体类型的数据与对应的子像素块的光线串扰比率数据确定延伸部的最优化形成深度,具体包括有,将衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度均量化并且均作为原因参数,将子像素块的光线串扰比率量化并且作为结果参数,收集历史二极管制作数据形成制作样本数据,每一个样本均包括衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度以及对应的子像素块的光线串扰比率;
然后通过贝叶斯算法构建多个原因参数和一个结果参数的联系;
构建一个贝叶斯网络,该网络由多个节点和一个根节点组成;使用训练数据集,通过贝叶斯学习算法来学习网络中的参数,包括条件概率表和结构参数;对于给定的输入数据,使用推理算法来计算结果参数的概率分布;根据计算得到的结果概率分布,选择一个最可能的类别作为输出结果;使用测试数据集来评估分类器的性能,包括准确率、召回率,根据评估结果,对贝叶斯网络的结构和参数进行优化,将优化后的分类器应用于实际数据集,即在其他原因参数不变的基础上仅仅改变延伸部的形成深度来预测最低的子像素块的光线串扰比率,确定使得子像素块的光线串扰比率最低的延伸部的形成深度作为延伸部的最优化形成深度。
进一步,统计其他层的尺寸和掺杂具体类型的数据与对应的子像素块的光线串扰比率数据确定延伸部的最优化形成深度,具体包括有,将衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度均量化并且均作为原因参数,将子像素块的光线串扰比率量化并且作为结果参数,收集历史二极管制作数据形成制作样本数据,每一个样本均包括衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度以及对应的子像素块的光线串扰比率;
然后通过贝叶斯算法构建多个原因参数和一个结果参数的联系;
构建一个贝叶斯网络,该网络由多个节点和一个根节点组成;使用训练数据集,通过贝叶斯学习算法来学习网络中的参数,包括条件概率表和结构参数;对于给定的输入数据,使用推理算法来计算结果参数的概率分布;根据计算得到的结果概率分布,选择一个最可能的类别作为输出结果;使用测试数据集来评估分类器的性能,包括准确率、召回率,根据评估结果,对贝叶斯网络的结构和参数进行优化,将优化后的分类器应用于实际数据集,在其他原因参数不变的基础上连续多次减少不透光矩阵底部宽度且改变延伸部的形成深度来预测最低的子像素块的光线串扰比率,确定使得子像素块的光线串扰比率最低的延伸部的形成深度以及满足阈值的不透光矩阵底部宽度作为延伸部的最优化形成深度和不透光矩阵底部优化宽度。
有益效果:本申请能够有效降低子像素块的光线串扰且不需要光束发射角度调整层,降低了计算难度和工艺难度,并且还能够尽可能减少不透光矩阵的宽度,这样能够提高二极管切割效率,还能够满足高密度的像素模块,保留了高密度二极管并且实现高效率工艺。
附图说明
图1为现有技术的发光二极管结构图;
图2为本申请发光二极管结构图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图2,本申请公开的发光二极管包括衬底401以及衬底401下部的各层,衬底401下部的各层中形成子像素块501,子像素块501用于发射光束,在衬底401上部具有相邻的多个不透光矩阵300,每一个不透光矩阵300下端两侧具有延伸部301,每两个相邻的不透光矩阵300的底部对应一个子像素块501,不透光矩阵300以及延伸部301均用于遮挡子像素块501的光线避免对其他相邻的子像素块501光造成影响,每两个相邻的不透光矩阵300的之间预留光通道,每两个相邻的不透光矩阵300的上肩部形成一个光膜,光通道以及光膜均用于透过子像素块501的光线;延伸部301的形成深度根据其他层的尺寸和掺杂具体类型确定;衬底401下部的各层包括衬底401下部的第一掺杂层500以及形成在第一掺杂层500上部的子像素块501,衬底401下部的各层包括第一掺杂层500下部的阱层600以及阱层600下部的第二掺杂层700;第一掺杂层500为N型掺杂层,第二掺杂层700为P型掺杂层,二极管电极均由掺杂层引出,本申请公开的发光二极管制备方法包括步骤:
首先形成衬底401以及衬底401下部的各层,在衬底401上形成相邻的多个不透光矩阵300,在每一个不透光矩阵300下端两侧形成延伸部301,多个不透光矩阵300形成工艺包括连续制作牺牲层与遮光图形然后再次制作牺牲层与遮光图形,两次遮光图形通过牺牲层间隔开,去除牺牲层及第二次遮光图形形成不透光矩阵300;延伸部301的形成深度根据其他层的尺寸和掺杂具体类型确定;延伸部301的形成深度根据其他层的尺寸和掺杂具体类型确定;本申请子像素块的光线串扰比率指,子像素块的光线散射中,“子像素块的光线散射对其他子像素块的光线造成串扰的散射角度范围一个具体的角度范围比如10度”与“子像素块的光线散射中全部的散射角度范围一个具体的角度范围比如60度”的比率,具体统计其他层的尺寸和掺杂具体类型的数据与对应的子像素块的光线串扰比率数据确定延伸部301的最优化形成深度;统计其他层的尺寸和掺杂具体类型的数据与对应的子像素块的光线串扰比率数据确定延伸部301的最优化形成深度,具体包括有,将衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度均量化并且均作为原因参数,将子像素块的光线串扰比率量化并且作为结果参数,收集历史二极管制作数据形成制作样本数据,每一个样本均包括衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度以及对应的子像素块的光线串扰比率;然后通过贝叶斯算法构建多个原因参数和一个结果参数的联系;构建一个贝叶斯网络,该网络由多个节点代表原因参数和一个根节点代表结果参数组成;使用训练数据集,通过贝叶斯学习算法如最大似然估计或贝叶斯估计来学习网络中的参数,包括条件概率表和结构参数;对于给定的输入数据即原因参数,使用推理算法如贝叶斯定理或马尔科夫链蒙特卡罗方法来计算结果参数的概率分布;根据计算得到的结果概率分布,选择一个最可能的类别作为输出结果;使用测试数据集来评估分类器的性能,包括准确率、召回率,根据评估结果,对贝叶斯网络的结构和参数进行优化,将优化后的分类器应用于实际数据集,即在其他原因参数不变的基础上仅仅改变延伸部的形成深度来预测最低的子像素块的光线串扰比率,确定使得子像素块的光线串扰比率最低的延伸部的形成深度作为延伸部301的最优化形成深度;进一步,即在其他原因参数不变的基础上连续多次减少不透光矩阵底部宽度且改变延伸部的形成深度来预测最低的子像素块的光线串扰比率,确定使得子像素块的光线串扰比率最低的延伸部的形成深度以及满足阈值的不透光矩阵底部宽度作为延伸部301的最优化形成深度和不透光矩阵底部优化宽度。
可见本申请能够有效降低子像素块的光线串扰且不需要光束发射角度调整层,降低了计算难度和工艺难度,并且还能够尽可能减少不透光矩阵的宽度,这样能够提高二极管切割效率,还能够满足高密度的像素模块,保留了高密度二极管并且实现高效率工艺。
本申请需要保护的实施例包括:
发光二极管包括,衬底401以及衬底401下部的各层,衬底401下部的各层中形成子像素块501,子像素块501用于发射光束,在衬底401上部具有相邻的多个不透光矩阵300,每一个不透光矩阵300下端两侧具有延伸部301,每两个相邻的不透光矩阵300的底部对应一个子像素块501,不透光矩阵300以及延伸部301均用于遮挡子像素块501的光线避免对其他相邻的子像素块501光造成影响,每两个相邻的不透光矩阵300的之间预留光通道,每两个相邻的不透光矩阵300的上肩部形成一个光膜,光通道以及光膜均用于透过子像素块501的光线;延伸部301的形成深度根据其他层的尺寸和掺杂具体类型确定。
优选地,衬底401下部的各层包括衬底401下部的第一掺杂层500以及形成在第一掺杂层500上部的子像素块501。
优选地,衬底401下部的各层包括第一掺杂层500下部的阱层600以及阱层600下部的第二掺杂层700。
发光二极管制备方法包括步骤:
首先形成衬底401以及衬底401下部的各层,在衬底401上形成相邻的多个不透光矩阵300,在每一个不透光矩阵300下端两侧形成延伸部301,多个不透光矩阵300形成工艺包括连续制作牺牲层与遮光图形然后再次制作牺牲层与遮光图形,两次遮光图形通过牺牲层间隔开,去除牺牲层及第二次遮光图形形成不透光矩阵300;延伸部301的形成深度根据其他层的尺寸和掺杂具体类型确定。
优选地,延伸部301的形成深度根据其他层的尺寸和掺杂具体类型确定;具体统计其他层的尺寸和掺杂具体类型的数据与对应的子像素块的光线串扰比率数据确定延伸部301的最优化形成深度,优选地,统计其他层的尺寸和掺杂具体类型的数据与对应的子像素块的光线串扰比率数据确定延伸部301的最优化形成深度,具体包括有,将衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度均量化并且均作为原因参数,将子像素块的光线串扰比率量化并且作为结果参数,收集历史二极管制作数据形成制作样本数据,每一个样本均包括衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度以及对应的子像素块的光线串扰比率;
然后通过贝叶斯算法构建多个原因参数和一个结果参数的联系;
构建一个贝叶斯网络,该网络由多个节点和一个根节点组成;使用训练数据集,通过贝叶斯学习算法来学习网络中的参数,包括条件概率表和结构参数;对于给定的输入数据,使用推理算法来计算结果参数的概率分布;根据计算得到的结果概率分布,选择一个最可能的类别作为输出结果;使用测试数据集来评估分类器的性能,包括准确率、召回率,根据评估结果,对贝叶斯网络的结构和参数进行优化,将优化后的分类器应用于实际数据集,即在其他原因参数不变的基础上仅仅改变延伸部的形成深度来预测最低的子像素块的光线串扰比率,确定使得子像素块的光线串扰比率最低的延伸部的形成深度作为延伸部301的最优化形成深度。
优选地,统计其他层的尺寸和掺杂具体类型的数据与对应的子像素块的光线串扰比率数据确定延伸部301的最优化形成深度,具体包括有,将衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度均量化并且均作为原因参数,将子像素块的光线串扰比率量化并且作为结果参数,收集历史二极管制作数据形成制作样本数据,每一个样本均包括衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度以及对应的子像素块的光线串扰比率;
然后通过贝叶斯算法构建多个原因参数和一个结果参数的联系;
构建一个贝叶斯网络,该网络由多个节点和一个根节点组成;使用训练数据集,通过贝叶斯学习算法来学习网络中的参数,包括条件概率表和结构参数;对于给定的输入数据,使用推理算法来计算结果参数的概率分布;根据计算得到的结果概率分布,选择一个最可能的类别作为输出结果;使用测试数据集来评估分类器的性能,包括准确率、召回率,根据评估结果,对贝叶斯网络的结构和参数进行优化,将优化后的分类器应用于实际数据集,在其他原因参数不变的基础上连续多次减少不透光矩阵底部宽度且改变延伸部的形成深度来预测最低的子像素块的光线串扰比率,确定使得子像素块的光线串扰比率最低的延伸部的形成深度以及满足阈值的不透光矩阵底部宽度作为延伸部301的最优化形成深度和不透光矩阵底部优化宽度。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的,所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (2)
1.发光二极管,其特征在于,包括衬底(401)以及衬底(401)下部的各层,衬底(401)下部的各层中形成子像素块(501),子像素块(501)用于发射光束,在衬底(401)上部具有相邻的多个不透光矩阵(300),每一个不透光矩阵(300)下端两侧具有延伸部(301),每两个相邻的不透光矩阵(300)的底部对应一个子像素块(501),不透光矩阵(300)以及延伸部(301)均用于遮挡子像素块(501)的光线避免对其他相邻的子像素块(501)光造成影响,每两个相邻的不透光矩阵(300)的之间预留光通道,每两个相邻的不透光矩阵(300)的上肩部形成一个光膜,光通道以及光膜均用于透过子像素块(501)的光线;衬底(401)下部的各层包括衬底(401)下部的第一掺杂层(500)以及形成在第一掺杂层(500)上部的子像素块(501);该发光二极管的制备方法,包括步骤:首先形成衬底(401)以及衬底(401)下部的各层,在衬底(401)上形成相邻的多个不透光矩阵(300),在每一个不透光矩阵(300)下端两侧形成延伸部(301),多个不透光矩阵(300)形成工艺包括连续制作牺牲层与遮光图形然后再次制作牺牲层与遮光图形,两次遮光图形通过牺牲层间隔开,去除牺牲层及第二次遮光图形形成不透光矩阵(300);延伸部(301)的形成深度根据其他层的尺寸和掺杂具体类型确定,具体为:统计其他层的尺寸和掺杂具体类型的数据与对应的子像素块的光线串扰比率数据确定延伸部(301)的最优化形成深度;更加具体为:将衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度均量化并且均作为原因参数,将子像素块的光线串扰比率量化并且作为结果参数,收集历史二极管制作数据形成制作样本数据,每一个样本均包括衬底厚度、第一掺杂层类型、光通道最底部宽度、不透光矩阵底部宽度、延伸部的形成深度以及对应的子像素块的光线串扰比率;
然后通过贝叶斯算法构建多个原因参数和一个结果参数的联系;
构建一个贝叶斯网络,该网络由多个节点和一个根节点组成;使用训练数据集,通过贝叶斯学习算法来学习网络中的参数,包括条件概率表和结构参数;对于给定的输入数据,使用推理算法来计算结果参数的概率分布;根据计算得到的结果概率分布,选择一个最可能的类别作为输出结果;使用测试数据集来评估分类器的性能,包括准确率、召回率,根据评估结果,对贝叶斯网络的结构和参数进行优化,将优化后的分类器应用于实际数据集,即在其他原因参数不变的基础上仅仅改变延伸部的形成深度来预测最低的子像素块的光线串扰比率,确定使得子像素块的光线串扰比率最低的延伸部的形成深度作为延伸部(301)的最优化形成深度;
或者,在其他原因参数不变的基础上连续多次减少不透光矩阵底部宽度且改变延伸部的形成深度来预测最低的子像素块的光线串扰比率,确定使得子像素块的光线串扰比率最低的延伸部的形成深度以及满足阈值的不透光矩阵底部宽度作为延伸部(301)的最优化形成深度和不透光矩阵底部优化宽度。
2.根据权利要求1所述的发光二极管,其特征在于,衬底(401)下部的各层包括第一掺杂层(500)下部的阱层(600)以及阱层(600)下部的第二掺杂层(700)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311659143.9A CN117352533B (zh) | 2023-12-06 | 2023-12-06 | 发光二极管及制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311659143.9A CN117352533B (zh) | 2023-12-06 | 2023-12-06 | 发光二极管及制备方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117352533A CN117352533A (zh) | 2024-01-05 |
CN117352533B true CN117352533B (zh) | 2024-02-09 |
Family
ID=89367172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311659143.9A Active CN117352533B (zh) | 2023-12-06 | 2023-12-06 | 发光二极管及制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117352533B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017134426A (ja) * | 2017-04-21 | 2017-08-03 | 凸版印刷株式会社 | カラーフィルタおよび液晶表示装置 |
CN107316888A (zh) * | 2017-08-22 | 2017-11-03 | 京东方科技集团股份有限公司 | 一种基板和显示装置 |
CN111933653A (zh) * | 2020-08-05 | 2020-11-13 | 上海天马微电子有限公司 | 一种显示面板及其制备方法、显示装置 |
CN112164705A (zh) * | 2020-10-26 | 2021-01-01 | 厦门强力巨彩光电科技有限公司 | 一种Micro-LED显示面板和Micro-LED显示装置 |
KR102286322B1 (ko) * | 2020-05-29 | 2021-08-06 | 한국광기술원 | 마이크로 led 검사 시스템 및 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6817835B2 (ja) * | 2017-02-07 | 2021-01-20 | キヤノン株式会社 | 撮像装置及び撮像システム |
-
2023
- 2023-12-06 CN CN202311659143.9A patent/CN117352533B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017134426A (ja) * | 2017-04-21 | 2017-08-03 | 凸版印刷株式会社 | カラーフィルタおよび液晶表示装置 |
CN107316888A (zh) * | 2017-08-22 | 2017-11-03 | 京东方科技集团股份有限公司 | 一种基板和显示装置 |
KR102286322B1 (ko) * | 2020-05-29 | 2021-08-06 | 한국광기술원 | 마이크로 led 검사 시스템 및 방법 |
CN111933653A (zh) * | 2020-08-05 | 2020-11-13 | 上海天马微电子有限公司 | 一种显示面板及其制备方法、显示装置 |
CN112164705A (zh) * | 2020-10-26 | 2021-01-01 | 厦门强力巨彩光电科技有限公司 | 一种Micro-LED显示面板和Micro-LED显示装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117352533A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7894926B2 (en) | Global predictive monitoring system for a manufacturing facility | |
Jalalkamali et al. | Groundwater modeling using hybrid of artificial neural network with genetic algorithm | |
CN113673196A (zh) | 一种基于可布线性预测的全局布线优化方法 | |
CN105469118B (zh) | 基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法 | |
CN107860889A (zh) | 土壤有机质的预测方法和设备 | |
CN117352533B (zh) | 发光二极管及制备方法 | |
CN106162663A (zh) | 一种基于改进蜂群算法的传感节点覆盖方法 | |
CN114169251A (zh) | 一种超短期风电功率预测方法 | |
CN109242150A (zh) | 一种电网可靠性预测方法 | |
CN110362900A (zh) | 一种led寿命的预测方法 | |
CN116993000A (zh) | 基于随机森林及元胞自动机的果树病虫害防治预测方法 | |
CN107527340B (zh) | 一种基于图像处理技术的快速评判及优化导光板发光质量的方法 | |
CN113657610B (zh) | 一种基于随机森林的冰雹气候特征预测方法 | |
CN110543615A (zh) | 基于spss解释结构模型的风险因子交互作用分析方法 | |
CN114442438B (zh) | 一种变网格的芯粒排布寻优算法 | |
CN108961372B (zh) | 一种基于统计模型检验的渐进式光子映射方法 | |
CN103995750B (zh) | 一种多Agent系统非对称分布式约束优化方法 | |
CN115718983A (zh) | 一种基于城市尺度和风向通道的污染热点区域识别方法 | |
CN113420501B (zh) | 一种改进的人工神经网络室内光源布局方法 | |
CN115936176A (zh) | 基于数据增强策略和残差自修正学习模型的负荷预测方法 | |
Hsu | Improving the lighting performance of a 3535 packaged hi-power LED using genetic programming, quality loss functions and particle swarm optimization | |
CN111210088B (zh) | 一种基于时空因素的交通状态指数预测方法 | |
CN114417092A (zh) | 沙漠化监测指数的构建方法及沙漠化状态变化趋势评价方法 | |
CN106991616A (zh) | 基于边零模型的网络边社团发现方法 | |
CN113343279A (zh) | 一种位置大数据统计发布方法及系统 |
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 |