KR102690525B1 - 표시 장치, 그것의 데이터 신호 보상 방법 및 딥러닝 기반 보상모델 생성 방법 - Google Patents

Abstract

본 발명은 디스플레이 표시 패널에서 번인(Burn-in) 현상이 발생되지 않도록 데이터 전압을 보상하여 각 화소에 공급할 수 있도록 하는 표시 장치, 그것의 데이터 신호 보상 방법 및 딥러닝 기반 보상모델 생성 방법에 관한 것이다.
이를 실현하기 위해, 본 발명은 각 화소에 대한 온도, 시간, 평균밝기, 데이터 전압을 딥 러닝 방식으로 학습하여 생성된 보상 모델이 탑재된 타이밍 컨트롤러를 포함하는 표시 장치를 제공한다.
따라서, 본 발명은 보상 모델을 통하여 생성된 보상 데이터 전압을 각 화소에 공급함으로써 각 화소에는 번인 현상이 발생되지 않는 효과가 있다.

Description

표시 장치, 그것의 데이터 신호 보상 방법 및 딥러닝 기반 보상모델 생성 방법{Display device, method for compensation data signal of display device, and a method of generating a compensation model based on a deep learning of a display device}

본 발명은 유기 발광(OLED) 표시 패널에서 번인(Burn-in) 현상이 발생되지 않도록 데이터 전압을 보상하여 공급할 수 있도록 하는 표시 장치, 그것의 데이터 신호 보상 방법 및 딥러닝 기반 보상모델 생성 방법에 관한 것이다.

일반적으로, 유기발광 표시장치는 표시패널에 구비되는 유기전계 발광다이오드(OLED)가 높은 휘도와 낮은 동작 전압 특성을 가지며, 또한 스스로 빛을 내는 자체 발광형이다. 따라서 명암대비(contrast ratio)가 크고, 초박형 디스플레이의 구현이 가능하다는 장점이 있다. 또한, 응답시간이 수 마이크로초(㎲) 정도로 동화상 구현이 쉽고, 시야각의 제한이 없으며 저온에서도 안정적인 특성이 있다.

유기전계 발광다이오드(OLED)는 구동 박막트랜지스터(D-TFT)의 드레인 전극에 애노드 전극이 접속되며, 캐소드 전극이 접지(VSS)되며, 캐소드 전극과 애노드 전극 사이에 형성되는 유기 발광층을 포함한다.

전술한 유기발광 표시장치는 구동 박막트랜지스터의 게이트 전극에 데이터 전압(Vd)이 인가되면, 게이트-소스간 전압(Vgs)에 따라 드레인-소스간 전류가 흐르게 되며, 이는 유기전계 발광다이오드에 흐르는 전류가 된다. 이러한 유기발광 표시장치는 구동 박막트랜지스터에 의해 유기전계 발광다이오드에 흐르는 전류의 양을 조절하여 영상의 계조를 표시하는 것이다.

그런데, 유기발광 표시장치는 우수한 성능을 지닌 차세대 디스플레이 장치이지만 번인(Burn-in) 현상이라는 치명적인 단점이 있다. 이는 OLED의 동작방식에서 그 원인을 찾을 수 있다. OLED 디스플레이는 각 픽셀에 탑재된 TFT 소자로 OLED 소자에 인가되는 전류 양을 조절하여 자체 발광하는 OLED의 밝기를 조절한다. 일반적으로 OLED를 구동하는 TFT 소자는 온도에 민감한데, TFT 소자는 OLED에서 발산되는 높은 온도로 인해 픽셀마다 그 편차가 커지며, OLED의 사용시간, 평균밝기에도 영향을 받아 최종적으로 TFT-OLED 구동전압의 편차 문제를 발생시킨다. 결과적으로 동일한 디스플레이 패널의 각 픽셀마다 밝기편차가 생기며 이를 OLED의 번인현상으로 정의하며 시간에 따른 화질저하의 원인이 된다.

기존에는 이러한 번인 현상을 해결하기 위해 화소회로 내에서 회로적인 기법으로 TFT의 편차를 보상하는 내부보상 방식, 그리고 패널 외부에 독립적인 회로를 구성하여 TFT의 전자 이동도와 문턱전압 등을 센싱하여 이를 기반으로 OLED의 균일한 밝기를 출력하기 위해 OLED에 인가해야 할 부족한 TFT 구동전압을 TFT 소자로 추가 보상해 주는 외부 보상을 사용했다.

또한, 기존에는 OLED의 휘도(Luminance)를 광학 센서(optical sensor)로 측정한 후, 부족한 전압을 계산하여 TFT를 통해서 추가 전압을 인가함으로써 OLED 번인 현상을 개선하는 방식을 사용했다.

종래의 기술들은 센서를 통해 OLED의 휘도를 센싱하여 부족한 전압을 TFT를 통해서 추가적으로 인가하여 번인 현상을 극복하는 방법으로 특정 소자에 장착(fitting)되어 있기 때문에 소자가 변경되면 전체 보상 회로를 수정해야 하기 때문에 많은 비용과 시간이 필요한 문제점이 있었다.

또한, 제품의 장시간 사용으로 인해 소자가 변질되어 소자의 초기값 혹은 내부 회로가 손상되면 성능이 크게 떨어지는 문제점이 있었다.

그리고, 외부 보상회로를 구성하기 위해서는 센싱을 위한 다양한 센서들과 소자들이 필요하므로 제품의 소형화가 힘들다는 문제점과, 또한 고가의 소자들이 사용되므로 제작 비용이 높다는 문제점이 있었다.

이에, 본 명세서의 발명자들은 전술한 문제점을 해결하기 위해, 각 화소에 대한 온도, 시간, 평균밝기, 데이터 전압을 딥 러닝 방식으로 학습하여 생성된 보상 모델이 탑재된 마이크로 칩이 포함된 타이밍 컨트롤러를 포함하는 표시 장치를 발명하였다.

또한, 본 명세서의 발명자들은, 상기 보상 모델이 탑재된 마이크로 칩이 포함된 타이밍 컨트롤러에서 데이터 구동부로 데이터 전압을 인가할 때 각 화소에 번인 현상이 발생되지 않도록 상기 보상 모델에서 보상 데이터 전압을 생성하여 데이터 구동부를 통하여 각 화소에 보상 데이터 전압을 인가할 수 있도록 하는 표시 장치의 데이터 신호 보상 방법을 발명하였다.

또한, 본 명세서의 발명자들은, 컴퓨터 시뮬레이터에 비디오 데이터, 시간 및 온도를 입력하여, 컴퓨터 시뮬레이터가 비디오 데이터에 근거하여 각 화소에 대한 평균밝기 값, 가중치 적용시간, TFT 문턱전압 이동도, 전자 이동도, 인가 데이터 전압 및 초기 데이터 전압을 산출하고, 이러한 데이터들을 딥 러닝 방식으로 학습하여 인가 데이터 전압을 보상하는 보상 데이터 전압을 출력하는 보상 모델을 생성하는 표시 장치의 딥러닝 기반 보상 모델 생성 방법을 발명하였다.

상기한 본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

본 발명의 일 실시 예에 따른 표시 장치를 제공할 수 있다. 상기 표시 장치는 복수의 게이트 배선 및 데이터 배선이 교차하여 배치된 표시패널에서 각 화소를 교차점에 정의하고, 타이밍 컨트롤러가 게이트 구동부를 통하여 복수의 게이트 배선에 스캔 신호를 인가함과 더불어, 데이터 구동부를 통하여 복수의 데이터 배선에 데이터 신호를 인가한다. 타이밍 컨트롤러는 각 화소에 대한 온도, 가중치가 적용된 시간, 평균밝기, 인가 데이터 신호, 초기 데이터 신호를 딥 러닝 방식으로 학습하여 생성된 보상 모델이 탑재된 마이크로 칩을 포함한다. 마이크로 칩은, 데이터 신호를 보상 모델에 입력하여 보상 데이터 신호를 생성하고, 타이밍 컨트롤러는 생성된 보상 데이터 신호를 데이터 구동부에 인가한다.

또한, 본 발명의 일 실시 예에 따른 표시 장치의 데이터 신호 보상 방법을 제공할 수 있다. 표시 장치에서 타이밍 컨트롤러는 데이터 신호를 마이크로 칩에 전달하고, 마이크로 칩은 데이터를 신호를 보상 모델에 입력하여 보상 데이터 신호를 생성하며, 타이밍 컨트롤러는 생성된 보상 데이터 신호를 데이터 구동부에 인가함으로써 데이터 구동부는 보상 데이터 신호를 복수의 데이터 배선에 인가한다.

또한, 본 발명의 일 실시 예에 따른 표시 장치의 딥러닝 기반 보상 모델 생성 방법을 제공할 수 있다. 컴퓨터 시뮬레이터가 비디오 데이터, 온도 및 시간 데이터를 입력받으면, 비디오 데이터의 각 프레임에 대하여 색상 화소 별(R, G, B)로 분류하여 각 화소 별 평균 밝기를 산출하고, 각 화소 별 평균 밝기를 이용하여 가중치 적용 시간, 화소에 대한 박막 트랜지스터(TFT)의 문턱전압 이동도, 전자 이동도, 인가 데이터 전압 및 초기 데이터 전압에 관한 데이터를 생성한다. 컴퓨터 시뮬레이터는 생성된 데이터를 딥 러닝 기반으로 학습하여, 각 화소가 번인(Burn-in)되지 않게 인가 데이터 전압을 보상하는 보상 데이터 전압을 출력하는 보상 모델을 생성한다.

본 발명의 실시 예에 따라, 타이밍 컨트롤러가 각 화소에 대한 온도, 가중치 적용 시간, 평균밝기, 인가 데이터 신호, 초기 데이터 신호를 딥 러닝 방식으로 학습하여 생성된 보상 모델이 탑재된 마이크로 칩을 구비함으로써 보상 모델을 통하여 생성한 보상 데이터 전압을 각 화소에 공급하게 되어, 각 화소에서 번인 현상이 발생되지 않도록 하는 효과가 있다.

따라서 본 발명은 저비용으로 OLED 디스플레이의 편차를 보상 할 수 있다.

또한, 본 발명은, 비디오 데이터를 비롯하여 각 화소의 TFT 관련 수집된 데이터만 있다면 소자와 회로의 변이에 관계없이 디스플레이의 성능을 유지할 수 있는 보상 회로를 구현 할 수 있다.

또한, 본 발명의 실시 예에 따라, 타이밍 컨트롤러가 보상 모델이 탑재된 마이크로 칩을 구비함으로써 데이터 전압을 보상하기 위해 전체 회로를 수정할 필요가 없기 때문에 많은 비용과 시간이 필요하지 않은 장점이 있다.

또한, 본 발명의 실시 예에 따라, 타이밍 컨트롤러가 보상 모델이 탑재된 마이크로 칩을 구비함으로써 제품의 장시간 사용으로 인해 소자가 변질되는 경우에 마이크로 칩만 별도로 교체할 수 있어 소자의 초기값 또는 내부회로가 손상되어 성능이 크게 떨어지는 것을 방지할 수 있다.

또한, 본 발명의 실시 예에 따라, 타이밍 컨트롤러가 보상 모델을 탑재함으로써 외부 보상 회로를 구성할 필요가 없기 때문에, 센싱을 위한 다양한 센서들과 소자들이 필요치 않음에 따라 제품의 소형화가 가능한 장점이 있다.

또한, 본 발명의 실시 예에 따라, 데이터 전압을 보상하기 위해 고가의 소자들을 사용할 필요가 없으므로, 제작 비용이 높지 않은 장점이 있다.

또한, 본 발명은, 보상 모델이 탑재된 마이크로 칩을 디스플레이 장치에 구비하게 됨으로써, 이를 통하여 영상을 시청하는 시청자들은 TV 이외에도 스마트폰, 소형 디스플레이 등 다양한 크기의 디스플레이에 사용하여 영상을 시청 할 수 있다.

그리고, 본 발명에 따른 딥러닝 기반의 소프트웨어적인 방법을 디스플레이 장치에 적용함으로써 기존의 외부 보상 회로에 비해 매우 간단하고 저비용의 기술이므로 OLED 패널의 번인 현상을 간단한 회로와 칩으로 극복할 수 있다.

본 명세서의 효과는 이상에서 언급한 효과에 제한되지 않으며, 언급되지 않은 또 다른 효과는 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.

도 1은 본 발명의 실시 예에 따른 표시 장치의 전체 구성을 개략적으로 나타낸 구성도이다.
도 2는 본 발명의 실시 예에 따른 보상 모델을 생성하는 시뮬레이터의 구성을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 실시 예에 따른 보상 모델을 시뮬레이터에서 생성하는 과정을 나타낸 동작 흐름도이다.
도 4는 본 발명의 실시 예에 따른 시뮬레이터에서 각 화소에 대한 TFT 데이터를 딥러닝 기반으로 학습하기 위한 딥러닝 모델 구조를 나타낸 도면이다.
도 5는 본 발명의 실시 예에 따른 표시 장치의 데이터 신호 보상 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.
도 6은 본 발명의 실시 예에 따른 시뮬레이터에서 화소별 구동시간과 평균밝기를 산출하는 알고리즘의 한 예를 나타낸 도면이다.
도 7은 본 발명의 실시 예에 따른 딥러닝 학습에 사용되는 데이터를 부트스트랩 방식으로 증폭하는 예를 나타낸 도면이다.
도 8은 본 발명의 실시 예에 따른 딥러닝 학습에 사용되는 데이터를 DAMGD 방식으로 증폭하는 예를 나타낸 도면이다.
도 9는 본 발명의 실시 예에 따른 TFT의 감소된 데이터 전압과 딥러닝 모델을 통해 보상된 데이터 전압을 영상으로 출력한 결과를 나타낸 도면이다.
도 10은 본 발명의 실시 예에 따른 감소된 데이터 전압과 보정된 데이터 전압 각각을 OLED 휘도값으로 변환 후 백색화면에 반영한 영상을 나타낸 도면이다.

전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.

또한 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 상기 구성요소들은 서로 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 다른 구성요소가 "개재"되거나, 각 구성요소가 다른 구성요소를 통해 "연결", "결합" 또는 "접속"될 수도 있는 것으로 이해되어야 할 것이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.

이하에서는, 본 발명의 몇몇 실시 예에 따른 표시 장치를 설명하도록 한다.

먼저, 본 발명의 기본적인 개념은 다음과 같다.

본 발명은 시간, 온도, 픽셀 평균 밝기에 따라 감소되는 TFT의 데이터 전압과 번인현상 발생 전의 초기의 TFT의 데이터 전압을 생성하는 시뮬레이터를 구성하고, 입력으로 온도, 비디오 영상을 넣으면 영상의 특징과 재생시간 그리고 온도에 따라 변하는 TFT의 구동전압을 픽셀별로 출력한다. 이 후 시뮬레이터에서 생성된 데이터로 딥러닝 모델을 학습하며, 딥러닝 입력데이터는 시간, 온도, 평균밝기, 감소한 TFT 구동 데이터 전압으로 구성되고, 타겟데이터는 구동 초기의 TFT 데이터 전압이다. 그리고 입력데이터를 이용하여 타겟데이터를 추정하도록 딥러닝 모델을 학습하여 감소한 TFT 구동 데이터와 구동 초기의 TFT 데이터 전압의 차이 만큼을 보상하는 알고리즘을 제공한다.

여기서, 딥러닝 모델의 성능은 학습데이터의 양이 많을수록 올라가므로 부트스트랩(Bootstrap) 방식과 데이터 증강-다변량 가우시안 분포(Data Augmentation-Multivariate-Gaussian Distribution, DA-MGD) 방식을 이용하여 시뮬레이터에서 생성된 학습 데이터들을 증폭하여 새로운 데이터를 추가 생성한다.

그래서 본 발명은 최종적으로 TFT 소자가 바뀌어도 손쉽게 데이터를 생성하고 모델을 학습시켜 저비용으로 OLED의 번인 현상을 해결하는 방법을 제공한다.

그리고, 본 발명은 제공된 방법의 성능을 확인하기 위해 보상된 데이터 전압과 초기 데이터 전압의 차이를 프레임 단위로 측정하여 모델의 성능을 평가하였으며, 우수한 성능을 수치와 번인 현상이 해결된 영상출력을 통해서 확인하였다.

도 1은 본 발명의 실시 예에 따른 표시 장치의 전체 구성을 개략적으로 나타낸 구성도이다.

도 1을 참조하면, 본 발명의 실시 예에 따른 표시 장치(100)는, 다수의 화소가 정의되는 표시패널(10)과, 표시패널(10)과 연결된 게이트 구동부(110), 데이터 구동부(120) 및 타이밍 컨트롤러(130)를 포함한다.

표시패널(10)은 복수의 게이트 배선(GL) 및 복수의 데이터 배선(DL)이 교차하여 배치되고 교차점에서 각 화소(PX)를 정의한다.

즉, 표시패널(10)은 유기 기판 또는 플라스틱 기판 상에 서로 교차되도록 복수의 게이트 배선(GL) 및 데이터 배선(DL)이 형성되고, 게이트 배선(GL) 및 데이터 배선(DL)이 교차하는 지점에 각각 적(R), 녹(G) 및 청(B)에 해당하는 화소(PX)들이 정의된다.

표시패널(10)의 각 배선(GL, DL)들은 표시패널(10)의 외곽에 형성된 게이트 구동부(110) 및 데이터 구동부(120)와 연결된다. 또한, 도시하지는 않았지만 표시패널(10)에는 데이터 배선(DL)과 평행한 방향으로 형성되는 전원전압 공급배선이 더 형성되어 각 화소들(PX)과 연결될 수 있다.

또한, 도시하지는 않았지만 화소(PX)들은 적어도 하나의 유기전계 발광다이오드, 캐패시터, 스위칭 박막트랜지스터 및 구동 박막트랜지스터를 포함한다. 여기서, 유기전계 발광다이오드는 제 1 전극(정공주입 전극)과 유기 화합물층 및 제 2 전극(전자주입 전극)으로 이루어질 수 있다.

유기 화합물층은 실제 발광이 이루어지는 발광층 이외에 정공 또는 전자의 캐리어를 발광층까지 효율적으로 전달하기 위한 다양한 유기층들을 더 포함할 수 있다. 이러한 유기층들은 제 1 전극과 발광층 사이에 위치하는 정공 주입층 및 정공 수송층, 제 2 전극과 발광층 사이에 위치하는 전자 주입층 및 전자 수송층일 수 있다.

또한, 스위칭 및 구동 박막트랜지스터들은 게이트 배선(GL) 및 제어신호 공급배선(CL)과 데이터 배선(DL)에 연결되며, 게이트 배선(GL)에 입력되는 게이트 전압에 따라 스위칭 박막트랜지스터들이 도통되고, 동시에 데이터 배선(DL)에 입력되는 데이터 전압을 구동 박막트랜지스터로 전송한다. 캐패시터는 박막트랜지스터와 전원공급배선 사이에 연결되며, 박막트랜지스터로부터 전송되는 데이터 전압으로 충전되어 1 프레임 동안 유지하게 된다.

그리고, 구동 박막트랜지스터는 전원공급배선(VL)과 캐패시터에 연결되고, 게이트-소스간 전압에 대응하는 드레인 전류를 유기전계 발광다이오드로 공급한다. 이에 따라 유기전계 발광다이오드는 드레인 전류에 의해 발광하게 된다. 여기서, 구동 박막트랜지스터는 게이트 전극과 소스 전극 및 드레인 전극을 포함하며, 유기전계 발광다이오드의 애노드 전극은 구동 박막트랜지스터의 일 전극에 연결된다.

게이트 구동부(110)는 복수의 게이트 배선(GL)에 스캔 신호를 인가한다. 즉, 게이트 구동부(110)는 게이트 제어 신호(GCS)에 대응하여 각 화소들(PX)에 게이트 전압을 하나의 수평선 단위씩 순차적으로 인가한다. 이러한 게이트 구동부(110)는 1 수평 기간마다 하이레벨의 게이트 전압을 순차적으로 출력하는 다수의 스테이지를 갖는 쉬프트 레지스터로 구현될 수 있다.

데이터 구동부(120)는 복수의 데이터 배선(DL)에 데이터 신호를 인가한다. 즉, 데이터 구동부(120)는 타이밍 콘트롤러(130)로부터 인가되는 디지털 파형의 영상 신호를 입력받아 화소(PX)가 처리할 수 있는 계조값을 갖는 아날로그 전압 형태의 데이터 전압으로 변환하고, 또한 입력되는 데이터 제어 신호(DCS)에 대응하여 데이터 배선(DL)을 통해 각 화소(PX)에 데이터 전압을 공급한다.

여기서, 데이터 구동부(120)는 기준전압 공급부(미도시)로부터 공급되는 다수의 기준전압을 이용하여 영상 신호를 데이터 전압으로 변환하게 된다.

타이밍 컨트롤러(130)는 게이트 구동부(110) 및 데이터 구동부(120)를 제어한다. 즉, 타이밍 콘트롤러(140)는 외부로부터 인가되는 영상 신호와, 클럭 신호, 수직 및 수평 동기신호 등의 타이밍 신호를 인가받아, 게이트 제어 신호(GCS) 및 데이터 제어 신호(DCS)를 생성한다.

여기서, 수평 동기신호는 화면의 한 라인을 표시하는 데 걸리는 시간을 나타내고, 수직 동기신호는 한 프레임의 화면을 표시하는 데 걸리는 시간을 나타낸다. 또한, 클록 신호는 게이트 및 각 구동부의 제어신호의 생성 기준이 되는 신호이다.

한편, 도시하지는 않았지만, 타이밍 컨트롤러(130)는 외부의 시스템과 소정의 인터페이스를 통해 연결되어 그로부터 출력되는 영상 관련 신호와 타이밍 신호를 잡음 없이 고속으로 수신하게 된다. 이러한 인터페이스로는 LVDS(Low Voltage Differential Signal) 방식 또는 TTL(Transistor-Transistor Logic) 인터페이스 방식 등이 이용될 수 있다.

특히, 본 발명의 실시예에 따른 타이밍 컨트롤러(130)는 각 화소의 전류 편차에 따른 데이터 전압의 보상값을 생성하는 보상 모델이 탑재된 마이크로 칩(132)을 내장하고 있으며, 이를 통해 데이터 구동부(120)에 제공하는 영상 신호에 전압 보상값을 적용하여, 이후 데이터 구동부(120)에 의해 공급되는 데이터 전압에 전압 보상값이 반영되도록 한다.

타이밍 컨트롤러(130)는, 각 화소에 대한 온도, 가중치가 적용된 시간, 평균밝기, 인가 데이터 신호, 초기 데이터 신호를 딥 러닝(Deep Learning) 방식으로 학습하여 생성된 보상 모델이 탑재된 마이크로 칩(132)을 포함한다. 여기서 데이터 신호는 데이터 전압을 의미한다.

마이크로 칩(132)은, 데이터 신호를 보상 모델에 입력하여 보상 데이터 신호를 생성하고, 타이밍 컨트롤러(130)는 생성된 보상 데이터 신호를 데이터 구동부(120)에 인가한다.

본 발명의 실시 예에서는 타이밍 컨트롤러(130)가 보상 모델이 탑재된 마이크로 칩(132)을 구비하는 것으로 예시하였으나, 이에 한정되지 않고 프로그램이나 소프트웨어 형태의 보상 모델이 직접 타이밍 컨트롤러(130)에 탑재되는 형태로도 실현할 수 있다.

여기서, 보상 모델은, 각 화소에 대한 온도, 가중치가 적용된 시간, 평균밝기, 인가 데이터 신호, 초기 데이터 신호를 딥 러닝 방식으로 학습하는 컴퓨터 시뮬레이터에 의해 생성된다.

이하, 도면을 참조하여, 컴퓨터 시뮬레이터에 의해 보상 모델이 생성되는 과정을 설명한다.

도 2는 본 발명의 실시 예에 따른 보상 모델을 생성하는 시뮬레이터의 구성을 개략적으로 나타낸 도면이고, 도 3은 본 발명의 실시 예에 따른 보상 모델을 시뮬레이터에서 생성하는 과정을 나타낸 동작 흐름도이다.

TFT 편차보상을 위한 딥러닝 모델을 학습하기 위해 번인과 관련한 데이터 확보는 필수적이다. 그러나 TFT 관련 데이터들은 수집에 막대한 리소스가 필요하기 때문에 획득하는 것이 힘들다. 대신에, 실제 TFT-OLED 소자로 시뮬레이터를 구성하여 딥러닝 모델을 위한 데이터를 생성하는 방법도 있다. 그러나 실제 TFT-OLED 회로에서는 단일 픽셀, 고정된 초기밧으로 데이터를 생성하므로 실제 TFT-OLED 패널환경이 제대로 반영되지 못하는 단점이 있다. 그래서 실제 OLED를 구동하는 TFT 소자의 특성을 최대한 반영한 시뮬레이터를 구성하여 입력 및 출력데이터를 생성하여 딥러닝 모델 학습에 이용한다.

도 2 및 도 3을 참조하면, 본 발명의 실시 예에 따른 시뮬레이터(200)는, 입력데이터 계산, 문턱전압 및 전자이동도 계산, 데이터전압 계산 부분으로 구성된다. 도 2는 TFT 데이터를 생성하기 위해 구성한 시뮬레이터 알고리즘의 블록 다이어그램이다. 도 2에서, 원통형의 TFT 온도, 화소 밝기, 화소 구동시간은 시뮬레이터의 입력정보를 의미하고, 딥러닝 입력데이터를 생성하기 위해 사용된 영상 데이터의 구성은 30 fram/sec, 픽셀사이즈 1920 × 1080, 4가지의 컨텐츠(다큐멘터리, 스포츠, 뉴스, 영화), 총 6시간 길이의 동영상을 사용한다. 도 2에서 원통형의 데이터 전압은 딥러닝 학습의 타겟데이터이다.

본 발명의 실시 예에 따른 시뮬레이터(200)는, 비디오 데이터, 온도 데이터 및 시간 데이터를 입력받고(S310), 비디오 데이터의 각 프레임(frame)에 대하여 레드(R), 그린(G), 블루(B) 등 색상 화소 별로 분류한 후 각 화소 별 평균밝기()를 산출한다(S320).

본 발명의 실시 예에 따른 시뮬레이터(200)는, 입력된 영상 데이터에 대하여 도 6에 도시된 알고리즘을 통하여 프레임의 픽셀별로 구동된 시간()과 평균밝기()를 산출한다. 도 6은 본 발명의 실시 예에 따른 시뮬레이터에서 화소별 구동시간과 평균밝기를 산출하는 알고리즘의 한 예를 나타낸 도면이다. 시뮬레이터(200)는 입력된 영상의 실제 재생된 시간마다 TFT 번인 데이터를 생성하면 실제와 동일한 데이터를 얻을 수 있지만 물리적으로 긴 시간이 필요하므로 알고리즘에서 입력으로 사용한 영상의 화소 별 평균밝기를 이용하여 생성하고자 하는 시간에 대한 데이터를 생성한다.

여기서, 온도 데이터는 예를 들면, 0 ~ 60 ℃이고, 시간 데이터는 0 ~ 10,000 시간의 범위에서 100 시간 단위로 적용할 수 있다.

본 발명의 실시 예에 따른 시뮬레이터(200)는 컴퓨터 단말기에 설치되는 프로그램이나 소프트웨어 형태의 알고리즘이다. 또한, 시뮬레이터(200)는 컴퓨터 단말기 이외에도 프로그램이나 소프트웨어 등을 실행시킬 수 있는 전자 장치에 설치되어 동작할 수 있다.

시뮬레이터(200)는, 생성된 시간에 대한 데이터를 바탕으로 앞서 계산된 평균 밝기데이터를 가중치로 사용하여 수정 계산된 보정 구동시간()을 화소 별로 계산할 수 있다.

이어, 시뮬레이터(200)는, 각 화소 별로 산출된 평균밝기를 이용하여 가중치 적용 시간(), 각 화소의 박막 트랜지스터(TFT)에 대한 문턱전압 이동도()와 전자 이동도(), 인가 데이터 전압 및 초기 데이터 전압에 관한 데이터를 생성한다(S330).

즉, 시뮬레이터(200)는 각 화소 별로 산출된 평균밝기를 이용하여 보정 구동시간인 가중치 적용 시간()을 산출하며, 가중치 적용 시간과 온도값을 이용하여 각 화소의 박막 트랜지스터(TFT)에 대한 문턱전압 이동도()와 그로 인해 변하는 문턱전압() 그리고 전자 이동도()를 산출한다.

이어, 시뮬레이터(200)는 산출된 문턱전압 이동도를 이용하여 각 화소의 박막 트랜지스터(TFT)에 대한 전자 이동도()를 산출하며, 문턱전압 이동도 및 전자 이동도를 이용하여 인가 데이터 신호 및 초기 데이터 신호를 산출한다. 이때, 시뮬레이터(200)는 초기 데이터 신호를 딥러닝 학습을 위한 목표 데이터로 설정한다.

딥러닝 알고리즘을 학습하기 위해서는 데이터가 필수적이지만 디스플레이 산업에서 이를 수집하고 획득하는 데에는 막대한 리소스가 필요하기 때문에 시뮬레이터를 정교하게 구성하여 이 시뮬레이터를 통하여 딥러닝 모델을 학습할 수 있는 데이터를 생성한다.

즉, 시뮬레이터(200)에 입력된 영상의 실제 재생된 시간마다 TFT 번인 데이터를 생성하면 실제와 동일한 데이터를 얻을 수 있지만 물리적으로 긴 시간이 필요하므로 알고리즘에서 입력으로 사용한 영상의 픽셀 별 평균밝기를 이용하여 생성하고자 하는 시간에 대한 데이터를 생성한다. 이를 바탕으로 앞서 계산된 평균 밝기데이터를 가중치로 사용하여 수정 계산된 보정 구동시간인 가중치 적용 시간()을 아래와 같이 화소 별로 계산한다.

시뮬레이터(200)는, 화소 별 평균밝기를 이용하여 가중치가 적용된 시간을 산출하는데, 가중치 적용 시간()에 대하여, 아래 수학식 1과 같이 화소 별 구동시간(), 화소 별 시간 데이터에 대한 가중치() 및 화소 별 평균밝기()를 이용하여 산출한다.

수학식 1에서, 는 가중치 적용 시간을 나타내고, 는 화소 별 구동 시간을 나타내며, 는 화소 별 평균 밝기를 나타내며, 는 가중치를 나타낸다.

화소 별 구동시간 데이터에 대하여 가중치를 적용하는 것은 영상을 장시간 동안 재생할 때 화소 별로 평균적으로 발광되는 밝기가 존재하므로 이를 각 화소 별로 구동시간 데이터에 대하여 가중치를 주기 위함이다.

또한, 시뮬레이터(200)는, 앞에서 산출된 보정 구동시간인 가중치 적용 시간()과 온도값을 이용하여 다음 수학식 2에 따라 문턱전압 이동도()와 그로 인해 변하는 문턱전압() 그리고 전자 이동도()를 아래 수학식 3 및 수학식 4에 따라 산출한다.

수학식 2에서, 는 문턱전압 이동도를 나타내고, 는 가중치가 적용된 시간인 보정 구동시간을 나타내며, 는 문턱전압 이동도 감소계수를 나타낸다.

또한, 시뮬레이터(200)는, 문턱전압 이동도()를 이용하여 다음 수학식 3 및 4에 따라 최종적으로 문턱전압 및 전자 이동도()를 산출한다.

수학식 3에서, 는 문턱전압을 나타내고, 는 문턱전압 감소계수를 나타내며, 는 온도를 나타내며, 는 TFT 성능보장 최대온도를 나타내며, 은 문턱전압 잡음을 나타낸다.

수학식 4에서, 는 전자 이동도를 나타내고, 는 전자 이동도 감소계수를 나타내며, 는 온도를 나타내며, 는 전자 이동도 잡음을 나타낸다.

여기서, 전자회로를 이용한 디스플레이 회로내에서 추가되는 잡음을 고려하여 백색 잡음(white noise)을 다음 수학식 5 및 수학식 6과 같이 생성하여 혼합한다.

최종적으로, 시뮬레이터(200)는, 수학식 3에서 산출된 문턱전압()과, 수학식 4에서 산출된 전자 이동도()를 이용하여, TFT가 OLED에 인가하는 데이터 전압()을 산출한다.

이때, 시뮬레이터(200)는 다음 수학식 7에 따라 잡음을 고려한 인가 데이터 전압()을 산출한다. 즉, 앞서 계산된 문턱전압()과 전자 이동도()로 TFT가 OLED를 구동하는 데이터 전압()을 아래와 같이 계산하며, 잡음을 고려한 데이터 전압을 생성하기 위해 백색 잡음()을 혼합하여 인가 데이터 전압()을 생성하는 것이다.

수학식 7에서, 는 인가 데이터 신호(전압)를 나타내고, 는 박막 트랜지스터(TFT)의 드레인 전압을 나타내며, 는 데이터 전압 감소 계수를 나타내며, 은 박막 트랜지스터(TFT)의 그레이 레벨(Gray level)을 나타내며, 은 박막 트랜지스터(TFT)의 그레이 레벨 범위를 나타내며, 는 잡음이 고려된 박막 트랜지스터(TFT)의 최대 입력전류를 나타내며, 는 전자 이동도를 나타내며, 는 박막 트랜지스터(TFT)의 단위 면적당 커패시터를 나타내며, 은 박막 트랜지스터(TFT)의 채널 길이를 나타내며, 는 박막 트랜지스터(TFT)의 채널 넓이를 나타내며, 는 데이터 전압 잡음을 나타낸다.

또한, 시뮬레이터(200)는, 초기의 TFT 데이터 전압()을 다음 수학식 8에 따라 산출하고, 이 초기 데이터 전압을 딥러닝 알고리즘의 학습 시에 목표 데이터로 사용한다.

수학식 8에서, 는 초기 데이터 신호(전압)를 나타내고, 는 박막 트랜지스터(TFT)의 드레인 전압을 나타내며, 는 데이터 전압 감소 계수를 나타내며, 은 박막 트랜지스터(TFT)의 그레이 레벨을 나타내며, 은 박막 트랜지스터(TFT)의 그레이 레벨 범위를 나타내며, 는 박막 트랜지스터(TFT)의 최대 입력전류를 나타내며, 는 전자 이동도를 나타내며, 는 박막 트랜지스터(TFT)의 단위 면적당 커패시터를 나타내며, 은 박막 트랜지스터(TFT)의 채널 길이를 나타내며, 는 박막 트랜지스터(TFT)의 채널 넓이를 나타낸다.

최종적으로 입력영상을 사용해 시뮬레이터(200)에서 데이터를 생성하면 픽셀 별 평균밝기(), 온도(), 픽셀 별 구동시간(), 픽셀 별 열화된 데이터 전압(), 초기 데이터 전압() 총 5개의 특징(feature)이 딥러닝 모델의 입력데이터로서 생성된다.

본 발명의 실시 예에서 사용되는 파라미터(parameter)와 심볼(Symbol)은 다음 표 1과 같다.

본 발명에 따른 시뮬레이터(200)는 0 ~ 60 ℃의 온도와, 0 ~ 10,000 시간의 범위에서, 100 시간 단위로 대략 500억 개의 화소(pixel) 데이터를 생성하고, 전술한 바와 같은 과정으로 각 화소 데이터에 대하여, 온도, 가중치 적용 시간, 평균밝기, 인가 데이터 전압(감소된 데이터 전압), 초기 데이터 전압 등 총 5 개의 데이터를 생성한다.

전술한 바와 같은 과정으로 각 화소 데이터에 대한 5 개의 데이터를 생성한 시뮬레이터(200)는 5 개의 데이터를 딥 러닝 기반으로 학습을 실행한다.

OLED 소자마다 독립적으로 구동하기 때문에 시뮬레이터(200)는 각 화소 간의 상관 관계가 학습되지 않도록 모델 학습 시 화소 단위로 학습하며, 시뮬레이터(200)는 각 R, G, B 모델 별로 대략 500억개의 픽셀 단위의 데이터를 생성하여 딥러닝 모델의 전체 학습데이터로 사용한다.

[각 화소에 대한 TFT 데이터 증폭]

일반적으로 딥러닝 모델은 데이터의 양이 많을수록 성능이 좋아진다. 때문에 데이터 증폭 방법을 이용하여 시뮬레이터(200)에서 생성한 데이터를 이용하여 데이터를 추가로 생성하여 이를 딥러닝 모델에 추가로 학습시켜서 성능을 증가시킬 수 있다.

본 발명의 실시 예에서는 두 가지 데이터 증폭 방법을 사용하여 데이터를 증폭시키고 이를 딥러닝 모델에 추가로 학습시켜 데이터 증폭 방법의 성능을 평가하였다.

첫 번째는 도 7에 도시된 바와 같이 부트스트랩(bootstrap) 방식으로 데이터를 증폭할 수 있는데, 이는 데이터의 각 특징(feature)의 평균과 표준편차를 구하고, 각 특징 별로 분포도를 구성한 후, 새로 생성되는 데이터가 그 분포도를 따르도록 데이터를 생성하는 방법이다. 도 7은 본 발명의 실시 예에 따른 딥러닝 학습에 사용되는 데이터를 부트스트랩 방식으로 증폭하는 예를 나타낸 도면이다.

부트스트랩의 경우 각 feature 별로 독립적으로 데이터를 증폭하기 때문에 생성하고자 하는 데이터의 feature들이 독립적인 관계로 생성되어야 하는 경우에 사용할 수 있다.

두 번째 방법으로 도 8에 도시된 바와 같이 다변량 가우시안 분포(MGD) 방식을 이용하여 데이터를 증폭할 수 있다. 도 8은 본 발명의 실시 예에 따른 딥러닝 학습에 사용되는 데이터를 DAMGD 방식으로 증폭하는 예를 나타낸 도면이다. 특히, 다변량 가우시안 분포 방식 중에서 DA-MGD를 사용하여 데이터를 증폭하는 것이다. DA-MGD는 각 feature별로 평균과 표준편차를 구한 후, feature들의 평균과 표준편차로 MGD를 구성한다. 여기서, MGD를 간략히 설명하면 n 차원의 가우시안 분포이며, 도 8의 오른쪽 부분은 2차원 MGD를 가시화한 도면이다. DA-MGD는 각 feature들의 평균과 표준편차로 feature들 간의 관계를 공분산으로 구하고 그 관계 값을 feature마다 가중치로 주어 n 차원의 가우시안 분포를 구성하고, 새로 생성되는 데이터가 그 분포도를 따르도록 데이터를 생성하는 방법이다. DA-MGD는 각 feature들 간의 관계가 반영된 분포도를 통해 데이터를 생성한다. 그러므로 데이터 증폭 시, 생성되는 데이터의 각 feature들이 종속적인 관계를 지녀야 할 때 DA-MGD를 사용하는 것이 효과적이다. 본 발명의 실시 예에서는 두 가지 방법, 모두를 사용하여 보상 모델을 생성하였다.

[TFT 데이터를 이용한 딥러닝 모델 학습 및 모델 생성]

앞에서 설명한 바와 같이, 딥러닝 기반 학습 모델은 데이터의 양이 많을수록 성능이 좋아진다. 본 발명의 실시 예에서는 데이터 증폭 방법을 이용하여 시뮬레이터에서 생성한 데이터를 이용하여 추가적으로 데이터를 생성하여 이를 딥러닝 모델에 추가로 학습시켜서 성능을 증가시키며 두 가지 데이터 증폭방법을 사용하여 데이터를 증폭시키고 이를 딥러닝 모델에 추가로 학습시켜 데이터 증폭 방법의 성능을 평가하였다.

본 발명에 따른 시뮬레이터(200)는 전술한 바와 같은 과정으로 각 화소 데이터에 대하여 생성한 온도, 가중치 적용 시간, 평균밝기, 인가 데이터 전압(감소된 데이터 전압), 초기 데이터 전압 등 5 개의 데이터를 도 4에 도시된 바와 같이 딥 러닝 기반으로 학습을 실행한다(S340). 도 4는 본 발명의 실시 예에 따른 시뮬레이터에서 각 화소에 대한 TFT 데이터를 딥러닝 기반으로 학습하기 위한 딥러닝 모델 구조를 나타낸 도면이다. 도 4에 도시된 바와 같이, 딥러닝 모델은 입력층(input layer), 제1 숨은층(hidden layer 1), 제2 숨은층(hidden layer 2), 출력층(output layer)으로 구성된다. 도 4에서, 딥러닝 모델은 입력층과 제1 숨은층 사이에서 배치 정규화(batch normalization) 및 드롭풋(dropout) 과정을 수행하고, 제2 숨은층과 출력층 사이에서 정규화(Regularization)를 수행한다. 학습에 사용된 딥러닝 모델은 multi-layer perceptron 기반의 DNN을 사용할 수 있다. 생성된 데이터 중 4개의 feature(,,,)가 입력 데이터로 사용되고, 1개의 feature()가 타겟 데이터로 사용되어 딥러닝 모델을 학습한다. Batch size는 100,000, hidden layer는 2개, epoch은 5, cost function은 mean square error(MSE), activation function은 rectified linear unit(ReLU)를 사용하여 모델을 구성할 수 있다. 도 4에 도시된 딥러닝 모델은 동일 기술분야에서 널리 사용되고 있으므로, 그에 대한 자세한 설명은 생략한다.

딥러닝의 입력 데이터는 R, G, B 별로 온도(), 평균밝기(), 보정 구동시간인 가중치 적용 시간(), 인가 데이터 전압() 등 총 4개의 feature로 구성되어 있으며, 1개의 타겟 데이터 를 한 개의 학습 데이터쌍으로 하여 총 500억개의 학습데이터로 구성되어 있다. 딥러닝 모델의 출력인 보정된 데이터 전압()이 타겟 데이터 를 따라 가도록 도 4와 같이 모델을 학습시킨다.

딥러닝 모델 학습에 사용한 데이터는 시뮬레이터(200)를 통해 생성하였기 때문에 특징의 차원(feature dimension)이 높지 않고, 이를 학습에 사용하면 과적합(overfitting)의 문제가 발생할 수 있다. 이는 모델의 학습 완료 후 실제 TV에 모델이 탑재되면 학습에 사용되지 않은 데이터가 들어온다면 낮은 성능을 보이기 때문에 과적합(overfitting) 문제의 해결이 매우 중요한 요소이다. 비용 함수(Cost Function)로 평균 제곱 오차(Mean Squared Error) 함수를 이용하고, 최적화(Optimizer)로는 경사 하강법(Gradient Descent)을 이용한다.

본 발명의 실시 예에서는 배치 정규화, 드롭풋, 정규화를 통해 최적화를 진행하였다.

즉, 시뮬레이터(200)는 모델의 훈련 시, 가중치 적용 시간, 화소별 평균밝기, 온도 및 인가 데이터 전압을 딥 러닝 기반으로 학습할 때, 데이터가 각 층(layer)을 통과하면서 아핀 및 비선형성(affine & nonlinearity)을 거칠 때마다 later에 입력되는 데이터의 분포가 바뀌면서 학습 속도가 저하될 수 있어, 배치 정규화(batch normalization)를 통해 각 레이어(layer)의 입력 데이터들의 분포를 조절하면서 학습하고, 모델의 학습 시 임의로 각 레이어 간의 노드(node)를 사용하지 않는 드롭풋(dropout) 방식으로 학습하며, 정규화(Regularization)를 통해 파라미터 값을 줄여 복잡도를 통제하여 학습한 것이다. 따라서, 본 발명의 시뮬레이터(200)는 상기한 과적합(overfitting) 문제를 방지하여 최적화를 이룰 수 있었다.

도 5는 본 발명의 실시 예에 따른 표시 장치의 데이터 신호 보상 방법을 설명하기 위한 동작 흐름도를 나타낸 도면이다.

도 5를 참조하면, 본 발명의 실시 예에 따른 표시 장치(100)에서, 타이밍 컨트롤러(130)는 각 화소에 대한 온도, 가중치 적용 시간(보정 구동시간), 평균밝기, 인가 데이터 신호, 및 초기 데이터 신호를 딥 러닝 방식으로 학습하여 생성된 보상 모델이 탑재된 마이크로 칩(132)을 포함하고 있다.

타이밍 컨트롤러(130)는 데이터 신호를 데이터 구동부(120)에 인가하기 전에 마이크로 칩(132)에 전달한다(S510).

이어, 마이크로 칩(132)은 데이터 신호를 보상 모델에 입력하여 보상 데이터 신호를 생성한다(S520).

이때, 마이크로 칩(132)의 내부에 탑재된 보상 모델은 전술한 바와 같이 각 화소에 대한 온도, 가중치가 적용된 시간, 평균밝기, 인가 데이터 신호, 초기 데이터 신호를 딥 러닝 방식으로 학습하는 시뮬레이터(200)에 의해 생성된 것이다. 따라서, 마이크로 칩(132)은 상기와 같이 학습된 보상 모델에 의해 번인 현상이 발생되지 않는 보상 데이터 신호를 생성하는 것이다.

이어, 타이밍 컨트롤러(130)는 생성된 보상 데이터 신호를 데이터 구동부(120)에 인가한다(S530).

따라서, 데이터 구동부(120)는 보상 데이터 신호를 각 화소에 공급함으로써, 각 화소는 번인 현상이 발생되지 않게 된다.

한편, 본 발명의 실시 예에서는 시뮬레이터(200)를 통해 데이터를 생성하여 최종적으로 온도(), 평균밝기(), 보정 구동시간인 가중치 적용 시간(), 인가 데이터 전압(), 타겟 데이터() 등 5개의 feature 데이터를 한 개의 학습 데이터로 구성하였으며, R, G, B당 약 500억개의 픽셀 데이터를 학습 데이터로 사용하였다. 이 중 99%(495억개)를 모델 학습에 사용하였고, 1%(5억개)를 테스트 데이터로 사용하였다.

최종적으로 모델 학습에 적합한 데이터를 선정하기 위해 시뮬레이터(200)와 데이터 증폭 과정을 통해 생성한 데이터들의 성능을 평가해야 한다.

본 발명의 발명자들은 전술한 바와 같이 시뮬레이터(200)에서 생성된 보상 모델의 성능을 평가하기 위해, 딥러닝 기반 보상 모델을 통해 추정한 데이터 전압과, 목표 데이터로 설정해 두었던 TFT의 초기 데이터 전압의 차이를 백분율로 환산해 각 화소 별로 계산한 후, 다음 수학식 9에 따라 테스트 데이터의 픽셀 별 프레임별로 추정된 데이터 전압의 평균값을 정확도로 사용하였다. 수학식 9는 모델의 정확도(Accuracy)를 계산한 수식이다.

수학식 9에서, Accuracy는 정확도(정밀도)를 나타내고, N은 입력 영상의 총 프레임 개수를 나타내며, P는 전체 화소 개수를 나타내며, FN은 입력 영상 데이터를 나타내며, 는 초기 데이터 신호(전압)를 나타내며, 는 출력 데이터 신호(전압)를 나타낸다.

또한, 본 발명의 실시 예에서는 전술한 두가지 데이터 증폭 방법(부트스트랩, DAMGD)을 이용하여 생성한 데이터들을 시뮬레이터(200)에서 생성한 데이터와 혼합하여 딥러닝 모델을 학습시켰을 때 데이터 전압 추정 정확도는 다음 표 2와 같이 얻을 수 있었다.

구 분	시뮬레이터	시뮬레이터+부트스트랩	시뮬레이터+DAMGD
Accuracy	99.27	99.85	99.97

즉, 표 2에서 알 수 있는 바와 같이, 기본적으로 시뮬레이터(200)에서 생성한 데이터만을 이용하여 딥러닝 모델을 학습한 것보다 데이터 증폭 방법을 사용하여 딥러닝 모델을 학습했을 때 성능이 증가함을 확인하였다.또한, 본 발명의 발명자들은, TFT의 인자들이 서로 상관 관계가 있는 특징들이므로, feature 간의 상관관계가 고려되지 않는 부트스트랩 방식보다 특징들의 관계적인 특성을 반영한 DAMGD 방식을 이용하여 생성한 데이터를 이용하여 딥러닝 모델을 학습했을 때 성능이 우수함을 동시에 확인하였다. 따라서 본 발명의 실시 예에서는 최종적으로 DAMGD 데이터 증폭 방법으로 데이터를 추가 생성하여 딥러닝 모델을 구성하였다. 그리고 딥러닝 모델의 성능을 확인하기 위해 학습에 사용되었던 감소된 TFT 데이터 전압과 모델에서 출력된 보정 데이터 전압으로 번인 영상과 보정 영상을 각각 출력하였다.

도 9는 본 발명의 실시 예에 따른 TFT의 감소된 데이터 전압과 딥러닝 모델을 통해 보상된 데이터 전압을 영상으로 출력한 결과를 나타낸 도면이다.

도 9에 도시된 바와 같이, 감소된 데이터 전압(a)의 경우, 감소된 전압의 분포가 4.18 ~ 4.19의 범위를 지니며, 입력으로 넣어 준 영상(영화)의 특성에 따라 주로 사용되는 자막 부분에 번인이 강하게 생겼다.

그러나, 딥러닝 모델을 통해 감소된 데이터 전압(a)을 보정하였을 때 보상된 데이터 전압(b)이 출력되었다.

결과적으로, 보상된 데이터 전압(b)의 경우, 보상되기 전의 (a)보다 평균 전압이 증가했으며, 목표 데이터로 설정했던 초기 데이터 전압인 4.447만큼 증가했으며 또한 편차는 감소했음을 확인하였다. 그리고 최종적으로 학습된 딥러닝 모델을 통해 데이터 전압이 보상됨을 확인하였다.

도 10은 본 발명의 실시 예에 따른 감소된 데이터 전압과 보정된 데이터 전압 각각을 OLED 휘도값으로 변환 후 백색화면에 반영한 영상을 나타낸 도면이다.

도 10에 도시된 바와 같이, 도 9의 중앙 하단에 분포된 감소된 데이터 전압 부분이 도 10의 (a)에서 동일하게 번인 현상으로 나타냈을 때 도 10의 (b)처럼 밝기가 전반적으로 개선되었으며, 중앙 하단의 불규칙하던 영상이 개선되었음을 확인할 수 있었다.

본 발명의 실시 예에서 발명자들은 딥러닝 모델을 구성하기 위해 시뮬레이터(200)에 입력으로 사용한 영상 데이터에 대하여 컨텐츠 별로 4가지 종류를 사용하였고, 컨텐츠에 상관없이 모든 데이터를 하나의 모델에 학습시켰다. 또한 실제 OLED 패널의 경우 R, G, B 별로 특성이 다르므로 R, G, B 별로 데이터를 독립적으로 학습시켰다.

또한, 영상의 각 R, G, B 화소 별로 학습된 모델에 시뮬레이터(200)의 입력 영상으로 사용하였던 4 가지 영상 데이터의 감소된 데이터를 테스트 데이터로 사용하여 성능을 평가한 결과는 다음 표 3과 같다. 즉, R, G, B 별로 학습된 모델에 입력 영상으로 사용한 4가지의 번인된 영상을 입력으로 주었을 때 초기 TFT 데이터 전압과 추정된 전압의 차이(정확도)를 측정한 것이다.

Accuracy(%)
Model	Test set 1 (Document)	Test set 2 (Sports)	Test set 3 (Movie)	Test set 4 (News)
R	99.26	99.17	99.20	99.21
G	99.28	99.22	99.23	99.14
B	99.30	99.22	99.17	99.29

상기 표 3에서 알 수 있는 바와 같이, 본 발명의 실시 예에 따른 보상 모델은, 입력 영상에 대하여 컨텐츠와 RGB 값에 관계없이 높은 성능을 나타냄을 확인할 수 있다.본 발명의 실시 예에 따른 알고리즘의 경우, 컨텐츠와 R, G, B 모델에 관계없이 높은 정확도를 확인할 수 있었다. 일반적으로 데이터 증폭을 할 경우, 실제 데이터를 증폭하여 사용하는데, 시뮬레이터(200)를 통해 생성한 가상의 데이터를 증폭하여 사용하여도 좋은 성능을 낼 수 있음을 추가적으로 확인할 수 있었다.

본 발명은 저비용으로 OLED 디스플레이의 편차를 보상 할 수 있다.

또한, 본 발명은, 비디오 데이터를 비롯하여 각 화소의 TFT 관련 수집된 데이터만 있다면 소자와 회로의 변이에 관계없이 디스플레이의 성능을 유지할 수 있는 보상 회로를 구현 할 수 있다.

또한, 본 발명은, 보상 모델이 탑재된 마이크로 칩을 디스플레이 장치에 구비하게 됨으로써, 이를 통하여 영상을 시청하는 시청자들은 TV 이외에도 스마트폰, 소형 디스플레이 등 다양한 크기의 디스플레이에 사용하여 영상을 시청 할 수 있다.

그리고, 본 발명에 따른 딥러닝 기반의 소프트웨어적인 방법을 디스플레이 장치에 적용함으로써 기존의 외부 보상 회로에 비해 매우 간단하고 저비용의 기술이므로 OLED 패널의 번인 현상을 간단한 회로와 칩으로 극복할 수 있다.

전술한 바와 같이 본 발명에 의하면, 각 화소에 대한 온도, 시간, 평균밝기, 데이터 전압을 딥 러닝 방식으로 학습하여 생성된 보상 모델이 탑재된 마이크로 칩이 포함된 타이밍 컨트롤러를 포함하는 표시 장치를 실현할 수 있다.

또한, 본 발명에 의하면, 컴퓨터 시뮬레이터에 비디오 데이터, 시간 및 온도를 입력하여, 컴퓨터 시뮬레이터가 비디오 데이터에 근거하여 각 화소에 대한 평균밝기 값, 가중치 적용시간, TFT 문턱전압 이동도, 전자 이동도, 인가 데이터 전압 및 초기 데이터 전압을 산출하고, 이러한 데이터들을 딥 러닝 방식으로 학습하여 인가 데이터 전압을 보상하는 보상 데이터 전압을 출력하는 보상 모델을 생성하는 표시 장치의 딥러닝 기반 보상 모델 생성 방법을 실현할 수 있다.

그리고, 본 발명에 의하면, 보상 모델이 탑재된 마이크로 칩이 포함된 타이밍 컨트롤러에서 데이터 구동부로 데이터 전압을 인가할 때 각 화소에 번인 현상이 발생되지 않도록 상기 보상 모델에서 보상 데이터 전압을 생성하여 데이터 구동부를 통하여 각 화소에 보상 데이터 전압을 인가할 수 있도록 하는 표시 장치의 데이터 신호 보상 방법을 실현할 수 있다.

이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을 지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.

10 : 표시 패널 100 : 표시 장치
110 : 게이트 구동부 120 : 데이터 구동부
130 : 타이밍 컨트롤러 132 : 마이크로 칩

Claims (15)

1. 복수의 게이트 배선 및 복수의 데이터 배선이 교차하여 배치되고 교차점에 각 화소를 정의하는 표시패널;
   상기 복수의 게이트 배선에 스캔 신호를 인가하는 게이트 구동부;
   상기 복수의 데이터 배선에 데이터 신호를 인가하는 데이터 구동부; 및
   상기 게이트 구동부 및 상기 데이터 구동부를 제어하는 타이밍 컨트롤러;
   를 포함하고,
   상기 타이밍 컨트롤러는, 상기 각 화소에 대한 온도, 가중치 적용 시간, 평균밝기, 인가 데이터 신호, 초기 데이터 신호를 딥 러닝 방식으로 학습하여 생성된 보상 모델이 탑재된 마이크로 칩을 포함하고,
   상기 마이크로 칩은, 상기 데이터 신호를 상기 보상 모델에 입력하여 보상 데이터 신호를 생성하고,
   상기 타이밍 컨트롤러는 생성된 상기 보상 데이터 신호를 상기 데이터 구동부에 인가하는, 표시장치.
   
2. 제 1 항에 있어서,
   상기 보상 모델은, 상기 각 화소에 대한 온도, 가중치 적용 시간, 평균밝기, 인가 데이터 신호, 및 초기 데이터 신호를 딥 러닝 방식으로 학습하는 시뮬레이터에 의해 생성된, 표시 장치.
   
3. 제 2 항에 있어서,
   상기 시뮬레이터는,
   상기 각 화소 별로 평균밝기를 산출하고, 산출된 평균밝기를 이용하여 상기 가중치가 적용된 시간을 산출하며, 상기 가중치가 적용된 시간을 이용하여 상기 화소에 대한 박막 트랜지스터(TFT)의 문턱전압 이동도를 산출하며, 산출된 문턱전압 이동도를 이용하여 상기 화소에 대한 박막 트랜지스터(TFT)의 전자 이동도를 산출하며, 상기 문턱전압 이동도 및 상기 전자 이동도를 이용하여 상기 인가 데이터 신호 및 상기 초기 데이터 신호를 산출하며, 상기 초기 데이터 신호를 목표 데이터로 설정하는, 표시 장치.
   
4. 제 3 항에 있어서,
   상기 시뮬레이터는, 상기 가중치 적용 시간()에 대하여, 상기 화소 별 구동시간(), 상기 화소 별 시간 데이터에 대한 가중치() 및 상기 화소 별 평균밝기()를 이용하여 산출하는, 표시 장치.
   
5. 제 4 항에 있어서,
   상기 시뮬레이터는, 상기 가중치 적용 시간()을 다음 수학식에 따라 산출하는, 표시 장치.
   
   여기서, 는 가중치가 적용된 시간을 나타내고, 는 화소 별 구동 시간을 나타내며, 는 화소 별 평균 밝기를 나타내며, 는 가중치를 나타낸다.
   
6. 제 3 항에 있어서,
   상기 시뮬레이터는, 상기 문턱전압 이동도()를 다음 수학식에 따라 산출하는, 표시 장치.
   
   여기서, 는 문턱전압 이동도를 나타내고, 는 가중치가 적용된 시간을 나타내며, 는 문턱전압 이동도 감소계수를 나타낸다.
   
7. 제 3 항에 있어서,
   상기 시뮬레이터는, 상기 전자 이동도()를 다음 수학식에 따라 산출하는, 표시 장치.
   
   여기서, 는 전자 이동도를 나타내고, 는 전자 이동도 감소계수를 나타내며, 는 온도를 나타내며, 는 전자 이동도 잡음을 나타낸다.
   
8. 제 3 항에 있어서,
   상기 시뮬레이터는, 상기 인가 데이터 신호()를 다음 수학식에 따라 산출하는, 표시 장치.
   
   여기서, 는 인가 데이터 신호(전압)를 나타내고, 는 박막 트랜지스터(TFT)의 드레인 전압을 나타내며, 는 데이터 전압 감소 계수를 나타내며, 은 박막 트랜지스터(TFT)의 그레이 레벨을 나타내며, 은 박막 트랜지스터(TFT)의 그레이 레벨 범위를 나타내며, 는 잡음이 고려된 박막 트랜지스터(TFT)의 최대 입력전류를 나타내며, 는 전자 이동도를 나타내며, 는 박막 트랜지스터(TFT)의 단위 면적당 커패시터를 나타내며, 은 박막 트랜지스터(TFT)의 채널 길이를 나타내며, 는 박막 트랜지스터(TFT)의 채널 넓이를 나타내며, 는 데이터 전압 잡음을 나타낸다.
   
9. 제 3 항에 있어서,
   상기 시뮬레이터는, 상기 초기 데이터 신호()를 다음 수학식에 따라 산출하는, 표시 장치.
   
   여기서, 는 초기 데이터 신호(전압)를 나타내고, 는 박막 트랜지스터(TFT)의 드레인 전압을 나타내며, 는 데이터 전압 감소 계수를 나타내며, 은 박막 트랜지스터(TFT)의 그레이 레벨을 나타내며, 은 박막 트랜지스터(TFT)의 그레이 레벨 범위를 나타내며, 는 박막 트랜지스터(TFT)의 최대 입력전류를 나타내며, 는 전자 이동도를 나타내며, 는 박막 트랜지스터(TFT)의 단위 면적당 커패시터를 나타내며, 은 박막 트랜지스터(TFT)의 채널 길이를 나타내며, 는 박막 트랜지스터(TFT)의 채널 넓이를 나타낸다.
   
10. 복수의 게이트 배선 및 복수의 데이터 배선이 교차하여 배치되고 교차점에 각 화소를 정의하는 표시패널; 상기 복수의 게이트 배선에 스캔 신호를 인가하는 게이트 구동부; 상기 복수의 데이터 배선에 데이터 신호를 인가하는 데이터 구동부; 및 상기 각 화소에 대한 온도, 가중치 적용 시간, 평균밝기, 인가 데이터 신호, 초기 데이터 신호를 딥 러닝 방식으로 학습하여 생성된 보상 모델이 탑재된 마이크로 칩을 포함하는 타이밍 컨트롤러를 포함하는 표시 장치의 데이터 신호 보상 방법으로서,
    (a) 상기 타이밍 컨트롤러가 상기 데이터 신호를 상기 마이크로 칩에 전달하는 단계;
    (b) 상기 마이크로 칩이 상기 데이터 신호를 상기 보상 모델에 입력하여 보상 데이터 신호를 생성하는 단계; 및
    (c) 상기 타이밍 컨트롤러가 상기 생성된 보상 데이터 신호를 상기 데이터 구동부에 인가하는 단계;
    를 포함하는 표시 장치의 데이터 신호 보상 방법.
    
11. (a) 컴퓨터 시뮬레이터가 비디오 데이터, 온도 및 시간 데이터를 입력받는 단계;
    (b) 상기 컴퓨터 시뮬레이터가 상기 비디오 데이터의 각 프레임에 대하여 색상 화소 별(R, G, B)로 분류하여 각 화소 별 평균 밝기를 산출하는 단계;
    (c) 상기 컴퓨터 시뮬레이터가 상기 각 화소 별 평균 밝기를 이용하여 가중치 적용 시간, 화소에 대한 박막 트랜지스터(TFT)의 문턱전압 이동도, 전자 이동도, 인가 데이터 전압 및 초기 데이터 전압에 관한 데이터를 생성하는 단계;
    (d) 상기 컴퓨터 시뮬레이터가 상기 가중치 적용 시간, 상기 화소별 평균밝기, 상기 온도 및 상기 인가 데이터 전압을 딥 러닝 기반으로 학습하는 단계; 및
    (e) 상기 컴퓨터 시뮬레이터가 상기 생성된 데이터를 상기 딥 러닝 기반으로 학습하여, 각 화소가 번인(Burn-in)되지 않게 상기 인가 데이터 전압을 보상하는 보상 데이터 전압을 출력하는 보상 모델을 생성하는 단계;
    를 포함하는 표시 장치의 딥러닝 기반 보상 모델 생성 방법.
    
12. 제 11 항에 있어서,
    상기 (c) 단계에서 상기 컴퓨터 시뮬레이터는,
    상기 각 화소 별 평균 밝기를 이용하여 가중치가 적용된 시간을 산출하고,
    상기 가중치 적용 시간을 이용하여 화소에 대한 박막 트랜지스터(TFT)의 문턱전압 이동도를 산출하며,
    상기 문턱전압 이동도를 이용하여 화소에 대한 박막 트랜지스터(TFT)의 온도에 대하여 변하는 전자 이동도를 산출하며,
    상기 문턱전압 이동도 및 상기 전자 이동도를 이용하여 인가 데이터 전압 및 초기 데이터 전압을 산출하는,
    표시 장치의 딥러닝 기반 보상 모델 생성 방법.
    
13. 제 11 항에 있어서,
    상기 (c) 단계에서 상기 컴퓨터 시뮬레이터는,
    상기 가중치 적용 시간, 상기 화소별 평균밝기, 상기 온도 및 상기 인가 데이터 전압에 관한 데이터에 대하여,
    부트스트랩(Bootstrap) 방식을 이용하여 데이터의 각 특징의 평균과 표준편차를 산출하고, 각 특징 별로 분포도를 구성하여,
    새로 생성되는 데이터가 상기 분포도를 따르도록 데이터를 생성하는, 표시 장치의 딥러닝 기반 보상 모델 생성 방법.
    
14. 제 11 항에 있어서,
    상기 (c) 단계에서 상기 컴퓨터 시뮬레이터는,
    상기 가중치 적용 시간, 상기 화소별 평균밝기, 상기 온도 및 상기 인가 데이터 전압에 관한 데이터에 대하여,
    다변량 가우시안 분포(Multivariate-Gaussian Distribution, MGD) 방식을 이용하여, 데이터의 각 특징 별로 평균과 표준편차를 산출하고, 각 특징들의 평균과 표준편차를 이용하여 특징들 간의 관계를 공분산으로 산출하며, 산출된 관계값을 특징마다 가중치로 주어 n 차원의 다변량 가우시안 분포도를 구성하며,
    새로 생성되는 데이터가 상기 n 차원의 다변량 가우시안 분포도를 따르도록 데이터를 생성하는, 표시 장치의 딥러닝 기반 보상 모델 생성 방법.
    
15. 제 11 항에 있어서,
    상기 (d) 단계에서 상기 컴퓨터 시뮬레이터는,
    상기 가중치 적용 시간, 상기 화소별 평균밝기, 상기 온도 및 상기 인가 데이터 전압을 딥 러닝 기반으로 학습할 때,
    배치 정규화(batch normalization)를 통하여 각 레이어(layer)의 입력 데이터들의 분포를 조절하면서 학습하고,
    임의로 각 레이어 간의 노드(node)를 사용하지 않는 dropout 방식으로 학습하며,
    정규화(Regularization)를 통하여 파라미터 값을 줄여 복잡도를 통제하면서 학습하는, 표시 장치의 딥러닝 기반 보상 모델 생성 방법.

Images