CN117495794A - 显示屏的黑屏一致性测试方法、设备及存储介质 - Google Patents
显示屏的黑屏一致性测试方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117495794A CN117495794A CN202311399887.1A CN202311399887A CN117495794A CN 117495794 A CN117495794 A CN 117495794A CN 202311399887 A CN202311399887 A CN 202311399887A CN 117495794 A CN117495794 A CN 117495794A
- Authority
- CN
- China
- Prior art keywords
- image
- illumination
- display screen
- black screen
- consistency
- 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000005286 illumination Methods 0.000 claims abstract description 72
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/02—Testing optical properties
- G01M11/0242—Testing optical properties by measuring geometrical properties or aberrations
- G01M11/0257—Testing optical properties by measuring geometrical properties or aberrations by analyzing the image formed by the object to be tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明涉及屏幕测试领域,公开了一种显示屏的黑屏一致性测试方法、设备及存储介质。该方法包括:根据预第一光照强度和第二光照强度,对黑屏显示屏进行光照拍摄处理,得到第二观测图像和第一观测图像;根据分解算法,对第一观测图像进行光照分解处理,生成第一反射图像,对第二观测图像进行光照分解处理,生成第二反射图像;基于对抗神经网络,对第一反射图像和第二反射图像进行分解真假判别处理,得到判别结果;当判别结果为真,则解析第一反射图像或第二反射图像的灰度值,得到灰度值矩阵;分析灰度值矩阵的元素值,得到测试结果。在本发明实施例中,解决了显示屏黑屏一致性的识别准确度不高的技术问题。
Description
技术领域
本发明涉及屏幕测试领域,尤其涉及一种显示屏的黑屏一致性测试方法、设备及存储介质。
背景技术
LED显示屏具有高亮度发光、色彩鲜艳、发光效率高、对比度高、响应时间短、工作温度范围广、能耗低等特点,广泛应用于舞台显示设备、广告显示设备、数据可视化显示设备以及商业显示设备。
在结构上,LED显示屏先由多块显示面板拼接成独立箱体,再由多个独立箱体拼接成最后的完整屏体,这种特殊结构,使LED显示屏具备能够在多种使用场景下灵活应用,且无显示拼缝的巨大优势。然而,具备此优势的同时,这种拼装结构也会衍生出其他负面问题,如因制造工艺导致的显示面板板间差异所造成的屏体黑屏一致性问题。
针对屏体黑屏一致性问题,目前LED显示屏行业内暂无系统客观的定量表征方法及验收标准,主要采取人眼主观判定进行操作,而人眼视觉具有差异性,这严重降低了LED显示屏制程的可靠性与专业度。
因此,针对基于人眼判断显示屏黑屏一致性的准确度不高的问题,需要一种技术来解决显示屏一致性的识别准确度不高的技术问题,以代替人眼进行LED显示屏黑屏一致性的表征及验收。
发明内容
本发明的主要目的在于解决显示屏一致性的识别准确度不高的技术问题。
本发明第一方面提供了一种显示屏的黑屏一致性测试方法,所述显示屏的黑屏一致性测试方法包括:
根据预置第一光照强度,对预置黑屏显示屏进行光照拍摄处理,得到第一观测图像;
根据预置第二光照强度,对所述黑屏显示屏进行光照拍摄处理,得到第二观测图像;
根据预置分解算法,对所述第一观测图像进行光照分解处理,生成第一反射图像,以及根据所述分解算法,对所述第二观测图像进行光照分解处理,生成第二反射图像;
基于预置对抗神经网络,对所述第一反射图像和所述第二反射图像进行分解真假判别处理,得到判别结果;
当所述判别结果为真,则解析所述第一反射图像或所述第二反射图像的灰度值,得到灰度值矩阵;
分析所述灰度值矩阵的元素值,得到所述黑屏显示屏的测试结果。
可选的,在本发明第一方面的第一种实现方式中,所述根据预置分解算法,对所述第一观测图像进行光照分解处理,生成第一反射图像,以及根据所述分解算法,对所述第二观测图像进行光照分解处理,生成第二反射图像包括:
根据预置分解算法,对所述第一观测图像进行分解处理,生成第一反射图像和第一光照图像;
根据所述分解算法,对所述第二观测图像进行分解处理,生成第二反射图像和第二光照图像。
可选的,在本发明第一方面的第二种实现方式中,所述根据预置分解算法,对所述第一观测图像进行分解处理,生成第一反射图像和第一光照图像包括:
SL=RL*IL;
其中,SL为第一观测图像,RL为第一反射图像,IL第一光照图像。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述分解算法,对所述第二观测图像进行分解处理,生成第二反射图像和第二光照图像包括:
SN=RN*IN;
其中,SN为第二观测图像,RN为第二反射图像,IN第二光照图像。
可选的,在本发明第一方面的第四种实现方式中,所述基于预置对抗神经网络,对所述第一反射图像和所述第二反射图像进行分解真假判别处理,得到判别结果包括:
根据预置约束公式,对所述第一反射图像和所述第二反射图像进行约束计算,得到生成网络损失值;
根据预置判定公式,对所述第一反射图像和所述第二反射图像进行约束计算,得到判定网络损失值;
基于所述生成网络损失值和所述判定网络损失值,生成判别结果。
可选的,在本发明第一方面的第五种实现方式中,所述约束公式包括:
LLc=||RL*IL-SL||;
LNc=||RN*IN-SN||;
Lr=||RN-RL||;
LG=Ex~PreallogD(X);
L=LG+aLLc+bLNc+cLr;
其中,LLc为第一一致性损失值,LNc为第二一致性损失值,Lr为显示一致损失值,SL为第一观测图像,RL为第一反射图像,IL第一光照图像,SN为第二观测图像,RN为第二反射图像,IN第二光照图像,Ex~Preal为真实数据分布,D(X)为判别器网络,a、b、c为常数系数,X为输入判别器的图像,L为生成网络损失值。
可选的,在本发明第一方面的第六种实现方式中,所述判定公式包括:
LD=Ex~Pfakelog(1-D(X));
其中,LD为判定网络损失值,Ex~Pfake为非真实显示数据分布,D(X)为判别器网络,X为输入判别器的图像。
可选的,在本发明第一方面的第七种实现方式中,所述分析所述灰度值矩阵的元素值,得到所述黑屏显示屏的测试结果包括:
计算所述灰度值矩阵中元素值的标准差;
当所述标准差小于预置显示阈值,则将所述黑屏显示屏确定为黑屏一致;
当所述标准差不小于预置显示阈值,则将所述黑屏显示屏确定为黑屏不一致。
本发明第二方面提供了一种显示屏的黑屏一致性测试设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述显示屏的黑屏一致性测试设备执行上述的显示屏的黑屏一致性测试方法。
本发明的第三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的黑屏一致性测试方法。
在本发明实施例中,本发明提供了一种黑屏一致性评估方法,该方法可以在一定程度下避免环境光的影响,使用光学成像设备拍摄获取的LED显示屏的黑屏图像,输入到算法处理平台进行处理,通过调用分解算法处理拍摄图像,得到处理后的LED显示屏图像并输出给到算法处理平台,最后,通过图像处理分析计算各个显示屏面板所对应的灰度数值,根据灰度值的分布情况对黑屏一致性进行定量分析,解决了显示屏一致性的识别准确度不高的技术问题。
附图说明
图1为本发明实施例中显示屏的黑屏一致性测试方法的一个实施例示意图;
图2为本发明实施例中103步骤的一个具体实施例示意图;
图3为本发明实施例中104步骤的一个具体实施例示意图;
图4为本发明实施例中106步骤的一个具体实施例示意图;
图5为本发明实施例中显示屏的一个实施例示意图;
图6为本发明实施例中显示屏的黑屏一致性测试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的黑屏一致性测试方法、设备及存储介质。
下面将参照附图更详细地描述本发明公开的实施例。虽然附图中显示了本发明公开的某些实施例,然而应当理解的是,本发明公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本发明公开的附图及实施例仅用于示例性作用,并非用于限制本发明公开的保护范围。
在本发明公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
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的黑屏一致性测试方法的一个实施例包括:
101、根据预置第一光照强度,对预置黑屏显示屏进行光照拍摄处理,得到第一观测图像;
在本实施例中,黑屏显示屏可以是有电脑发送黑屏控制指令控制显示屏黑屏显示,得到黑屏显示屏。也可以是,人工控制黑屏显示屏进行黑屏显示,得到黑屏显示屏。使用配对的弱光照数据照射黑屏显示屏,对此时的黑屏显示屏进行光线拍摄处理,得到弱光光照下的黑屏显示屏观测图像。当然,本步骤也可以使用强光照数据照射黑屏显示屏,对此时的黑屏显示屏进行拍摄处理,生成强光关照下的黑屏显示屏观测图像。
102、根据预置第二光照强度,对所述黑屏显示屏进行光照拍摄处理,得到第二观测图像;
在本实施例中,如果第一观测图像是利用弱光照数据照射的黑屏显示屏图像,那么第二观测图像则是利用强光照数据照射的黑屏显示屏图像。反之,如果第一观测图像是利用强光照数据照射的黑屏显示屏图像,则第二观测图像是利用弱光照数据照射的黑屏显示屏图像,也即是第一光照强度与第二光照强度不同。
103、根据预置分解算法,对所述第一观测图像进行光照分解处理,生成第一反射图像,以及根据所述分解算法,对所述第二观测图像进行光照分解处理,生成第二反射图像;
在本实施例中,分解算法是是通过深度学习平台进行训练生成的,可具有Python、C++等平台进行仿真实现。并且可以通过串口、USB等接口进行通信,接收和传输图像,并调用开源计算机视觉库对其进行处理,得到未受环境光影响的显示屏图像。在一个实施例中,该算法为改进的Retinex算法,在Retinex算法中,人眼所看到的所有景象S,都是由反射物体R和入射反射光I(即光照信息)相互作用反射到视网膜上,形成人眼所看到的图像。物体的反射性质是不会随着光源的改变而改变。因此,通过改进的Retinex算法,将目标显示屏图像S进行分解,得到显示屏图像的反射性质图像R,去除光照信息I,从而消除了环境光的影响。
也即是,利用分解算法,对第一观测图像分解,得到第一光照下的第一反射图像,该第一反射图像被认为是黑屏显示屏的物体本身图像。同样的,利用分解算法,对第二观测图像像进行分解,得到第二光照下的第二反射图像,该第二反射图像被认为是黑屏显示屏的物体本身图像。
进一步的,请参阅图2,图2为本发明实施例中103步骤的一个具体实施例示意图,在103步骤中包括以下具体实施方式:
1031、根据预置分解算法,对所述第一观测图像进行分解处理,生成第一反射图像和第一光照图像;
1032、根据所述分解算法,对所述第二观测图像进行分解处理,生成第二反射图像和第二光照图像。
在1031-1032步骤中,分解过程中,会分解出两种图像,一种是黑屏显示屏图像,以及外界光线在黑屏显示屏图像上的光照图像。
在1041步骤中,分解方式为SL=RL*IL;
其中,SL为第一观测图像,RL为第一反射图像,IL第一光照图像。
在1042步骤中,分解方式为SN=RN*IN;
其中,SN为第二观测图像,RN为第二反射图像,IN第二光照图像。
在一个实施方式中,SL为弱光观测图像,SN为正常光照观测图像,RL为弱光照的反射图像,RN为正常光照反射反射图像,IL为弱光照图像,IN为正常光照图像。根据Retinex理论,RL和RN是相同的图像,因为物体的属性是不会随光照的改变而发生改变。
104、基于预置对抗神经网络,对所述第一反射图像和所述第二反射图像进行分解真假判别处理,得到判别结果;
在本实施例中,将光照图像分解后,对不同光照强度下的黑屏显示屏图像进行真假判别,本次利用两次分解的显示屏图像进行分析判断分解的反射图像是否为正,得到判定的结果。如果为假,则回到103步骤中,调整分解比例,直至在对抗神经网络中判别第一反射图像和第二反射图像为真实的黑屏显示屏图像。
进一步的,请参阅图3,图3为本发明实施例中104步骤的一个具体实施例示意图,在104步骤中包括以下具体实施方式:
1041、根据预置约束公式,对所述第一反射图像和所述第二反射图像进行约束计算,得到生成网络损失值;
1042、根据预置判定公式,对所述第一反射图像和所述第二反射图像进行约束计算,得到判定网络损失值;
1043、基于所述生成网络损失值和所述判定网络损失值,生成真判别结果。
在1041-1043步骤中,先进行分解后采用一致性损失LLc和LNc对分解后的图像分量进行约束:
LLc=||RL*IL-SL||;
LNc=||RN*IN-SN||;
在算法训练的过程,图像S可以分解成反射图像R和光照图像I,为了确保算法分解的准确性,需要分解后的R和I可以重塑原图像。
采用反射率一致性损失Lr进行约束,确保配对的图像分解出来的反射图像是一致的,表达式如下:
Lr=||RN-RL||;
分解网络作为生成模型,生成后的图像需要输入到判别器网络中,判别其生成的图像是否为真的概率,因此需要采用生成损失对其进行约束:
LG=Ex~PreallogD(X);
因此,生成器网络总的损失函数为:
L=LG+aLLc+bLNc+cLr;
其中,LLc为第一一致性损失值,LNc为第二一致性损失值,Lr为显示一致损失值,SL为第一观测图像,RL为第一反射图像,IL第一光照图像,SN为第二观测图像,RN为第二反射图像,IN第二光照图像,Ex~Preal为真实数据分布,D(X)为判别器网络,a、b、c为常数系数,X为输入判别器的图像,L为生成网络损失值。
判别器网络在判别生成的图像是否为真时,需要采用判别损失对其约束:
LD=Ex~Pfakelog(1-D(x));
其中,LD为判定网络损失值,Ex~Pfake为非真实显示数据分布,D(x)为判别器网络,X为输入判别器的图像。
以上对抗网络既是学习过程中的判别训练网络,也是利用该对抗网络识别分解图像是否为真的判别网络。一方面以监督学习的方式提高算法模型的准确性;另一方面,通过不同光照的图像进行训练,可以适应在不同亮度环境下分解的效果,从而也提高算法的应用范围,不用特地搭建必要的光学环境进行测试评估黑屏一致性。整体网络架构采用生成对抗网络模型,利用判别器网络,可以进一步判断生成网络的效果。
105、当所述判别结果为真,则解析所述第一反射图像或所述第二反射图像的灰度值,得到灰度值矩阵;
在本实施例中,如果该解析图像判别结果为真实数据,则解析第一反射图像和第二反射图像的灰度值,在计算灰度值矩阵时,可以是采用常规的灰度计算方式,对一整块显示屏按照一定密度顺序进行排布提取,生成灰度值矩阵。
在另一个实施例中,如图5所示,图5为本发明实施例中显示屏的一个实施例示意图,在图5中显示屏由1-12块子显示屏构成,由1-12块构成的显示屏,计算每个子显示屏的灰度平均值,并且记录到每个子显示屏的灰度值,得到灰度值矩阵。
106、分析所述灰度值矩阵的元素值,得到所述黑屏显示屏的测试结果。
在本实施例中,分析灰度值矩阵里面元素值是否一致,如果一致则确定黑屏显示屏的测试结果为一致。而如果灰度值矩阵里面的元素值不一致,则认定黑屏显示屏的测试结果为不一致。
进一步的,请参阅图4,图4为本发明实施例中106步骤的一个具体实施例示意图,在106步骤中包括以下具体实施方式:
1061、计算所述灰度值矩阵中元素值的标准差;
1062、当所述标准差小于预置显示阈值,则将所述黑屏显示屏确定为黑屏一致;
1063、当所述标准差不小于预置显示阈值,则将所述黑屏显示屏确定为黑屏不一致。
在1061-1063步骤中,计算灰度值矩阵中的元素的标准差,如果标准差小于显示阈值0.5,则表明黑屏显示屏的黑屏显示一致,如果标准差不小于显示阈值0.5,则将黑屏显示屏确定为黑屏不一致。确定黑屏不一致后,可以根据灰度值矩阵的数据调整显示屏的显示效果,最终调整黑屏显示屏的显示效果一致。
在本发明实施例中,本发明提供了一种黑屏一致性评估方法,该方法可以在一定程度下避免环境光的影响,使用光学成像设备拍摄获取的LED显示屏的黑屏图像,输入到算法处理平台进行处理,通过调用分解算法处理拍摄图像,得到处理后的LED显示屏图像并输出给到算法处理平台,最后,通过图像处理分析计算各个显示屏面板所对应的灰度数值,根据灰度值的分布情况对黑屏一致性进行定量分析,解决了显示屏一致性的识别准确度不高的技术问题。
图6是本发明实施例提供的一种显示屏的黑屏一致性测试设备的结构示意图,该显示屏的黑屏一致性测试设备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的黑屏一致性测试设备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,在显示屏的黑屏一致性测试设备600上执行存储介质630中的一系列指令操作。
基于显示屏的黑屏一致性测试设备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,Mac OS X,Unix,Linux,Free BSD等等。本领域技术人员可以理解,图6示出的显示屏的黑屏一致性测试设备结构并不构成对基于显示屏的黑屏一致性测试设备的限定,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的黑屏一致性测试方法的步骤。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种显示屏的黑屏一致性测试方法,其特征在于,包括步骤:
根据预置第一光照强度,对预置黑屏显示屏进行光照拍摄处理,得到第一观测图像;
根据预置第二光照强度,对所述黑屏显示屏进行光照拍摄处理,得到第二观测图像;
根据预置分解算法,对所述第一观测图像进行光照分解处理,生成第一反射图像,以及根据所述分解算法,对所述第二观测图像进行光照分解处理,生成第二反射图像;
基于预置对抗神经网络,对所述第一反射图像和所述第二反射图像进行分解真假判别处理,得到判别结果;
当所述判别结果为真,则解析所述第一反射图像或所述第二反射图像的灰度值,得到灰度值矩阵;
分析所述灰度值矩阵的元素值,得到所述黑屏显示屏的测试结果。
2.根据权利要求1所述的显示屏的黑屏一致性测试方法,其特征在于,所述根据预置分解算法,对所述第一观测图像进行光照分解处理,生成第一反射图像,以及根据所述分解算法,对所述第二观测图像进行光照分解处理,生成第二反射图像包括:
根据预置分解算法,对所述第一观测图像进行分解处理,生成第一反射图像和第一光照图像;
根据所述分解算法,对所述第二观测图像进行分解处理,生成第二反射图像和第二光照图像。
3.根据权利要求2所述的显示屏的黑屏一致性测试方法,其特征在于,所述根据预置分解算法,对所述第一观测图像进行分解处理,生成第一反射图像和第一光照图像包括:
SL=RL*IL;
其中,SL为第一观测图像,RL为第一反射图像,IL第一光照图像。
4.根据权利要求3所述的显示屏的黑屏一致性测试方法,其特征在于,所述根据所述分解算法,对所述第二观测图像进行分解处理,生成第二反射图像和第二光照图像包括:
SN=RN*IN;
其中,SN为第二观测图像,RN为第二反射图像,IN第二光照图像。
5.根据权利要求2-4任一项所述的显示屏的黑屏一致性测试方法,其特征在于,所述基于预置对抗神经网络,对所述第一反射图像和所述第二反射图像进行分解真假判别处理,得到判别结果包括:
根据预置约束公式,对所述第一反射图像和所述第二反射图像进行约束计算,得到生成网络损失值;
根据预置判定公式,对所述第一反射图像和所述第二反射图像进行约束计算,得到判定网络损失值;
基于所述生成网络损失值和所述判定网络损失值,生成判别结果。
6.根据权利要求5所述的显示屏的黑屏一致性测试方法,其特征在于,所述约束公式包括:
LLc=||RL*IL-SL||;
LNc=||RN*IN-SN||;
Lr=||RN-RL||;
LG=Ex~PreallogD(X);
L=LG+aLLc+bLNc+cLr;
其中,LLc为第一一致性损失值,LNc为第二一致性损失值,Lr为显示一致损失值,SL为第一观测图像,RL为第一反射图像,IL第一光照图像,SN为第二观测图像,RN为第二反射图像,IN第二光照图像,Ex~Preal为真实数据分布,D(X)为判别器网络,a、b、c为常数系数,X为输入判别器的图像,L为生成网络损失值。
7.根据权利要求6所述的显示屏的黑屏一致性测试方法,其特征在于,所述判定公式包括:
LD=Ex~Pfakelog(1-D(X));
其中,LD为判定网络损失值,Ex~Pfake为非真实显示数据分布,D(X)为判别器网络,X为输入判别器的图像。
8.根据权利要求1所述的显示屏的黑屏一致性测试方法,其特征在于,所述分析所述灰度值矩阵的元素值,得到所述黑屏显示屏的测试结果包括:
计算所述灰度值矩阵中元素值的标准差;
当所述标准差小于预置显示阈值,则将所述黑屏显示屏确定为黑屏一致;
当所述标准差不小于预置显示阈值,则将所述黑屏显示屏确定为黑屏不一致。
9.一种显示屏的黑屏一致性测试设备,其特征在于,所述显示屏的黑屏一致性测试设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述显示屏的黑屏一致性测试设备执行如权利要求1-8中任一项所述的显示屏的黑屏一致性测试方法。
10.一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计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的显示屏的黑屏一致性测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311399887.1A CN117495794A (zh) | 2023-10-25 | 2023-10-25 | 显示屏的黑屏一致性测试方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311399887.1A CN117495794A (zh) | 2023-10-25 | 2023-10-25 | 显示屏的黑屏一致性测试方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495794A true CN117495794A (zh) | 2024-02-02 |
Family
ID=89666840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311399887.1A Pending CN117495794A (zh) | 2023-10-25 | 2023-10-25 | 显示屏的黑屏一致性测试方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495794A (zh) |
-
2023
- 2023-10-25 CN CN202311399887.1A patent/CN117495794A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105474261B (zh) | 用于改进图像质量的方法、系统和计算机程序产品 | |
CN108734690A (zh) | 一种视觉缺陷检测设备及其检测方法 | |
US8577135B2 (en) | System and method for detection of specularity in an image | |
CN111712769B (zh) | 用于设定照明条件的方法、装置、系统以及存储介质 | |
CN111340144B (zh) | 风险样本检测方法、装置、电子设备及存储介质 | |
US11747284B2 (en) | Apparatus for optimizing inspection of exterior of target object and method thereof | |
CN111611851B (zh) | 模型生成方法、虹膜检测方法及装置 | |
US20060257017A1 (en) | Classification methods, classifier determination methods, classifiers, classifier determination devices, and articles of manufacture | |
JPH08504522A (ja) | 境界ピクセル・パラメータの規則正しいシーケンスを用いた物体を識別するための方法及び装置 | |
US9760799B2 (en) | Pipeline for generating an intrinsic image | |
CN114494780A (zh) | 基于特征对比的半监督工业缺陷检测方法及系统 | |
CN108257117B (zh) | 图像曝光度的评测方法及装置 | |
CN108388858B (zh) | 虹膜防伪方法与装置 | |
CN113986561A (zh) | 人工智能任务处理方法、装置、电子设备及可读存储介质 | |
KR102230797B1 (ko) | 적외선 이미지를 이용한 딥러닝 학습 방법 및 시스템 | |
Nirmala et al. | HoG based Naive Bayes classifier for glaucoma detection | |
Yatskou et al. | Method for processing fluorescence decay kinetic curves using data mining algorithms | |
CN117173154A (zh) | 玻璃瓶的在线图像检测系统及其方法 | |
CN117495794A (zh) | 显示屏的黑屏一致性测试方法、设备及存储介质 | |
CN112818774A (zh) | 一种活体检测方法及装置 | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
CN110388879A (zh) | 检查装置 | |
KR102481583B1 (ko) | 인공지능을 이용한 크라우드 아웃소싱 완료 데이터로 검수 기준 데이터를 형성하는 방법 및 그 장치 | |
KR102470856B1 (ko) | 인공지능을 이용한 크라우드 아웃소싱 작업 검수 방법 및 그 장치 | |
KR102480575B1 (ko) | 인공지능을 이용한 크라우드 아웃소싱 작업 분배 방법 및 장치 |
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 |