KR20210153804A - 개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템 - Google Patents

개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템 Download PDF

Info

Publication number
KR20210153804A
KR20210153804A KR1020200070440A KR20200070440A KR20210153804A KR 20210153804 A KR20210153804 A KR 20210153804A KR 1020200070440 A KR1020200070440 A KR 1020200070440A KR 20200070440 A KR20200070440 A KR 20200070440A KR 20210153804 A KR20210153804 A KR 20210153804A
Authority
KR
South Korea
Prior art keywords
aperture ratio
machine learning
value
pixel
mother substrates
Prior art date
Application number
KR1020200070440A
Other languages
English (en)
Inventor
박경태
정동훈
Original Assignee
삼성디스플레이 주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 삼성디스플레이 주식회사 filed Critical 삼성디스플레이 주식회사
Priority to KR1020200070440A priority Critical patent/KR20210153804A/ko
Priority to US17/317,740 priority patent/US11995544B2/en
Priority to CN202110646684.2A priority patent/CN113776780A/zh
Publication of KR20210153804A publication Critical patent/KR20210153804A/ko

Links

Images

Classifications

    • 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
    • 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
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G09G3/22—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources
    • G09G3/30—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels
    • G09G3/32—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels semiconductive, e.g. using light-emitting diodes [LED]
    • G09G3/3208—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels semiconductive, e.g. using light-emitting diodes [LED] organic, e.g. using organic light-emitting diodes [OLED]
    • G09G3/3225—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters using controlled light sources using electroluminescent panels semiconductive, e.g. using light-emitting diodes [LED] organic, e.g. using organic light-emitting diodes [OLED] using an active matrix
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/12—Picture reproducers
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/02—Improving the quality of display appearance
    • G09G2320/0233—Improving the luminance or brightness uniformity across the screen
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/02—Improving the quality of display appearance
    • G09G2320/0257—Reduction of after-image effects
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10K—ORGANIC ELECTRIC SOLID-STATE DEVICES
    • H10K59/00—Integrated devices, or assemblies of multiple devices, comprising at least one organic light-emitting element covered by group H10K50/00
    • H10K59/10—OLED displays
    • H10K59/12—Active-matrix OLED [AMOLED] displays

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Electroluminescent Light Sources (AREA)

Abstract

본 발명의 일 실시예에 따르면, 복수의 원장 기판들 중 선택된 일부 원장 기판을 촬영하고, 촬영된 일부 원장 기판에 대한 화소의 개구율 실측값을 산출하는 실제 개구율 계측부, 복수의 원장 기판들 각각에 대한 센싱 데이터를 학습하여 복수의 원장 기판들 전부에 대한 화소의 개구율 예측값을 산출하는 추정 개구율 계측부, 및 개구율 실측값 및 개구율 예측값에 기초하여 최종 개구율 예측값을 산출하는 가산부를 포함한다.

Description

개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템{APERTURE RATIO MEASUREMENT DEVICE AND SYSTEM FOR COMPENSATING DEGRADATION OF DISPLAY DEVICE INCLUDING THE SAME}
본 발명은 개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템에 관한 것이다.
표시 장치는 화소들을 포함한다. 화소들 각각은 데이터 신호를 스토리지 커패시터에 충전하며, 발광 소자를 이용하여 충전된 데이터 신호에 대응하는 휘도로 발광한다.
발광 소자는 자신에게 공급되는 전류(또는 전압)에 대응하여 소정 휘도의 빛을 생성하는 자발광 소자로 설정될 수 있다. 발광 소자가 자발광 소자인 경우 재료 자체의 열화에 의하여 휘도가 감소할 수 있다.
특히, 화소들 각각에 포함된 발광 소자가 불균일하게 열화됨에 따라 화소들 간에 휘도 편차 및 잔상이 발생할 수 있다. 따라서, 표시 장치의 표시 품질을 향상시키기 위해 영상 데이터의 보상이 요구될 수 있다.
한편, 표시 장치에서 발광 소자의 열화 정도는 화소의 개구율에 영향을 받을 수 있다. 예를 들어, 복수의 화소들이 동일한 휘도로 발광해야하는 경우, 개구율이 상대적으로 작은 화소들이 개구율이 상대적으로 큰 화소들에 비해 전류 밀도가 높아지므로 화소 수명(즉, 발광 소자의 수명)이 감소할 수 있다.
따라서, 영상 데이터의 보상시 화소의 개구율 편차를 반영하는 경우 보다 정밀한 보상이 가능할 수 있다. 다만, 일반적으로 화소의 개구율은 원장 기판을 확대경으로 영상 촬영함으로써 계측되므로 많은 비용과 시간이 요구된다.
본 발명이 해결하고자 하는 과제는 모든 원장 기판에 대한 개구율을 실제 계측하는 방식에 비해 감소된 비용과 시간으로 예측할 수 있는 개구율 계측 장치를 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 다른 과제는 개구율 편차를 반영하여 영상 데이터를 보상하는 표시 장치의 열화 보상 시스템을 제공하는 것이다.
다만, 본 발명의 목적은 상술한 목적들로 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.
상기 과제를 해결하기 위한 개구율 계측 장치 복수의 원장 기판들 중 선택된 일부 원장 기판을 촬영하고, 상기 촬영된 일부 원장 기판에 대한 화소의 개구율 실측값을 산출하는 실제 개구율 계측부, 상기 복수의 원장 기판들 각각에 대한 센싱 데이터를 학습하여 상기 복수의 원장 기판들 전부에 대한 화소의 개구율 예측값을 산출하는 추정 개구율 계측부, 및 상기 개구율 실측값 및 상기 개구율 예측값에 기초하여 최종 개구율 예측값을 산출하는 가산부를 포함한다.
상기 센싱 데이터는, 상기 복수의 원장 기판들을 제조하는 기판 제조 장치의 공정 속도, 공정 온도, 포토 레지스트의 두께, 포토 레지스트의 온도 및 노광량 중 적어도 하나를 포함할 수 있다.
상기 화소의 개구율은 상기 화소의 전체 면적에 대한 상기 화소의 발광 영역 면적의 비율일 수 있다.
상기 화소의 개구율은, 상기 발광 영역이 사각형 형상을 가지는 경우, 대향하는 두 변 사이의 최단 거리에 기초하여 산출될 수 있다.
상기 추정 개구율 계측부는 복수의 머신 러닝(Machine learning) 모델들을 이용하여 상기 개구율 예측값을 산출될 수 있다.
상기 복수의 머신 러닝 모델들은 XG Boost(Extreme Gradient Boost), Cat Boost(Categorical Boosting) 및 Light GBM(Ligtht gradient boost Machine)을 포함할 수 있다.
상기 가산부는, 앙상블 머신 러닝 모델을 이용하여, 상기 복수의 머신 러닝 모델들이 산출한 개구율 예측값들 각각에 가중치를 부여하여 합산할 수 있다.
상기 앙상블 머신 러닝 모델은 상기 개구율 실측값에 기초하여 신뢰 통계값을 산출하는 신뢰 통계값 계산부, 상기 머신 러닝 모델들 각각에 부여된 평균 가중치를 저장하는 가중치 이력 관리부 및 상기 머신 러닝 모델들 각각의 재학습 횟수를 저장하는 재학습 이력 관리부를 포함할 수 있다.
상기 신뢰 통계값 계산부는 상기 개구율 실측값과 상기 개구율 예측값의 차이가 작은 머신 러닝 모델일수록 높은 신뢰 통계값을 부여할 수 있다.
상기 신뢰 통계값 계산부는, 상기 복수의 머신 러닝 모델들(ML1 내지 MLn)의 학습 기간이 상호 상이한 경우, 상기 학습 기간이 긴 머신 러닝 모델일수록 높은 신뢰 통계값을 부여할 수 있다.
상기 앙상블 머신 러닝 모델은, 상기 신뢰 통계값, 상기 평균 가중치 및 상기 재학습 횟수에 기초하여 상기 머신 러닝 모델들 각각의 가중치를 결정하는 가중치 결정부, 및 상기 신뢰 통계값, 상기 평균 가중치 및 상기 재학습 횟수에 기초하여 상기 머신 러닝 모델들 각각의 재학습 여부를 판별하는 재학습 판별부를 더 포함할 수 있다.
상기 가중치 결정부는 상기 신뢰 통계값이 크고, 상기 평균 가중치가 크고, 상기 재학습 횟수가 적은 머신 러닝 모델일수록 높은 가중치를 부여할 수 있다.
상기 재학습 판별부는 상기 신뢰 통계값이 크고, 상기 평균 가중치가 크고, 상기 재학습 횟수가 적은 머신 러닝 모델일수록 재학습 기회를 적게 부여할 수 있다.
상기 최종 개구율 예측값 중에서 기설정된 범위를 초과하는 값인 이상치(outlier)를 검출하는 이상치 검출부를 더 포함할 수 있다.
상기 이상치 검출부는 Stacked Auto Encoder, Sparse Auto Encoder, Denoising Auto Encoder 중 어느 하나의 머신 러닝 모델을 이용할 수 있다.
상기 과제를 해결하기 위한 표시 장치의 열화 보상 시스템은, 복수의 표시 패널들을 포함하는 원장 기판들을 제조하는 기판 제조 장치, 상기 원장 기판들에 포함된 화소의 최종 개구율 예측값을 산출하는 개구율 계측 장치, 및 상기 최종 개구율 예측값을 기초로 생성되는 열화 보상 데이터를 상기 표시 패널들 각각에 입력하는 표시 장치의 제조 장치를 포함한다.
상기 개구율 계측 장치는, 상기 원장 기판들 중 선택된 일부 원장 기판을 촬영하고, 상기 촬영된 일부 원장 기판에 대한 화소의 개구율 실측값을 산출하는 실제 개구율 계측부, 상기 원장 기판들 각각에 대한 센싱 데이터를 학습하여 상기 원장 기판들 전부에 대한 화소의 상기 개구율 예측값을 산출하는 추정 개구율 계측부, 및 상기 개구율 실측값 및 상기 개구율 예측값에 기초하여 상기 최종 개구율 예측값을 산출하는 가산부를 포함한다.
상기 센싱 데이터는, 상기 기판 제조 장치의 공정 속도, 공정 온도, 포토 레지스트의 두께, 포토 레지스트의 온도 및 노광량 중 적어도 하나를 포함할 수 있다.
상기 화소의 개구율은 상기 화소의 전체 면적에 대한 상기 화소의 발광 영역 면적의 비율일 수 있다.
상기 추정 개구율 계측부는 복수의 머신 러닝(Machine learning) 모델들을 이용하여 상기 개구율 예측값을 산출할 수 있다.
상기 가산부는, 앙상블 머신 러닝 모델을 이용하여, 상기 복수의 머신 러닝 모델들이 산출한 개구율 예측값들 각각에 가중치를 부여하여 합산할 수 있다.
본 발명의 실시예들에 따른 개구율 계측 장치는 화소의 개구율을 머신 러닝을 통해 예측함으로써, 모든 원장 기판에 대한 개구율을 실제 계측하는 방식에 비해 감소된 비용과 시간으로 개구율을 예측할 수 있다.
또한, 본 발명의 실시예들에 따른 표시 장치의 열화 보상 시스템은 개구율 편차를 반영하여 영상 데이터를 보상할 수 있다.
다만, 본 발명의 효과는 상술한 효과에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.
도 1은 본 발명의 실시예들에 따른 표시 장치를 나타내는 블록도이다.
도 2는 화소의 개구율 차이에 의한 화소의 수명 산포의 일 예를 개략적으로 나타내는 그래프이다.
도 3은 본 발명의 실시예들에 따른 열화 보상부를 나타내는 블록도이다.
도 4는 표시 장치의 열화 보상 시스템을 설명하기 위한 블록도이다.
도 5는 개구율 실측 방법을 설명하기 위하여 도 1의 화소를 확대하여 나타낸 도면이다.
도 6은 도 5의 절단선 I-I'를 따라 절단한 단면도이다.
도 7a 내지 도 7c는 개구율 예측값을 산출하는 다양한 실시예를 설명하기 위한 도면이다.
도 8a 및 도 8b는 개구율 예측값을 산출하는 실시예들의 추정 척도를 나타내는 도면이다.
도 9는 추정 개구율 계측부를 설명하기 위한 블록도이다.
도 10은 가산부를 설명하기 위한 블록도이다.
도 11a 및 도 11b는 그래디언트 부스팅 모델(Gradient boosting machine)의 효과를 설명하기 위한 도면이다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 실시예들에 따른 표시 장치를 나타내는 블록도이고, 도 2는 화소의 개구율 차이에 의한 화소의 수명 산포의 일 예를 개략적으로 나타내는 그래프이다.
도 1 및 도 2를 참조하면, 표시 장치(DD)는 표시 패널(100), 열화 보상부(200), 및 패널 구동부(300)를 포함할 수 있다.
표시 패널(100)은 복수의 화소들(PX)을 포함하고, 영상을 표시할 수 있다. 화소들(PX)은 스캔 라인들(SL1 내지 SLn) 및 데이터 라인들(DL1 내지 DLm)에 의해 구획된 영역에 위치될 수 있다. 일 실시예에서, 화소(PX)들 각각은 복수의 부화소들을 포함할 수 있다. 부화소들 각각은 적색, 녹색 및 청색 중 하나의 색광을 발광할 수 있다. 다만, 이는 예시적인 것으로서, 부화소들 각각은 시안, 마젠타, 옐로우, 화이트 등의 색광을 출사할 수도 있다.
열화 보상부(200)는 영상 데이터를 누적하여 생성되는 스트레스 보상 가중치 및 화소의 개구율에 기초하여 생성되는 보상 팩터를 이용하여 열화 보상 데이터(CDATA)를 출력할 수 있다.
일 실시예에서, 열화 보상부(200)는 영상 데이터를 누적하고, 누적된 영상 데이터(RGB 및/또는 RGB')로부터 계산된 스트레스 값을 이용하여 스트레스 보상 가중치를 생성할 수 있다. 스트레스 값은 화소들(PX)의 발광 시간, 계조, 휘도, 온도 등의 정보를 포함할 수 있다.
여기서, 스트레스 값은 전체 화소들(PX)의 전체 영상 데이터를 종합하여 산출된 값일 수도 있고, 개별 화소 또는 그룹화된 화소들을 포함하는 화소 블록 단위로 생성될 수 있다. 즉, 스트레스 값은 전체 화소들에 동일하게 적용될 수도 있고, 개별 화소 또는 그룹화된 화소마다 독립하여 산출될 수도 있다.
일 실시예에서, 열화 보상부(200)는 서로 인접한 부화소들 사이의 거리에 기초하여 보상 팩터를 결정하는 보상 팩터 결정부 및 상기 보상 팩터를 스트레스 보상 가중치에 적용하여 영상 데이터(RGB 및/또는 RGB')를 보상하기 위한 열화 보상 데이터(CDATA)를 생성하는 데이터 보상부를 포함할 수 있다. 즉, 열화 보상 데이터(CDATA)는 스트레스 보상 가중치 및 개구율 차이를 보상하는 보상 팩터(즉, 개구율 보상 팩터)를 포함할 수 있다.
일 실시예에서, 열화 보상부(200)는 별도의 에이피(Application Processor; AP)로 구현될 수 있다. 다른 실시예에서, 열화 보상부(200)의 적어도 일부 구성 또는 전체 구성이 타이밍 제어부(360)에 포함될 수 있다. 또 다른 실시예에서, 열화 보상부(200)는 데이터 구동부(340)를 포함하는 IC에 포함될 수도 있다.
일 실시예에서, 패널 구동부(300)는 스캔 구동부(320), 데이터 구동부(340) 및 타이밍 제어부(360)를 포함할 수 있다.
스캔 구동부(320)는 스캔 라인들(SL1 내지 SLn)을 통하여 표시 패널(100)의 화소들(PX)에 주사 신호를 제공할 수 있다. 스캔 구동부(320)는 타이밍 제어부(360)로부터 수신되는 주사 제어 신호(SCS)에 기초하여 표시 패널(100)에 상기 주사 신호를 제공할 수 있다.
데이터 구동부(340)는 데이터 라인들(DL1 내지 DLm)을 통해 표시 패널(100)의 화소들(PX)에 열화 보상 데이터(CDATA)가 적용된 데이터 신호를 제공할 수 있다. 데이터 구동부(340)는 타이밍 제어부(360)로부터 수신되는 데이터 구동 제어 신호(DCS)에 기초하여 표시 패널(100)에 데이터 신호(데이터 전압)를 제공할 수 있다. 일 실시예에서, 데이터 구동부(340)는 열화 보상 데이터(CDATA)가 적용된 영상 데이터(RGB')를 아날로그 형태의 데이터 신호(데이터 전압)으로 변환할 수 있다.
일 실시예에서, 데이터 구동부(340)는 열화 보상 데이터(CDATA)에 기초하여 생성되는 영상 데이터(RGB')에 대응하는 데이터 전압의 크기를 개구율에 따라 다르게 출력할 수 있다. 예를 들어, 개구율이 기 설정된 기준 개구율보다 큰 경우, 보상된 데이터 전압의 절대값의 크기는 개구율이 반영되지 않은 보상 전의 데이터 전압의 절대값의 크기보다 클 수 있다. 개구율이 기 설정된 기준 개구율보다 작은 경우, 보상된 데이터 전압의 절대값의 크기는 개구율이 반영되지 않은 보상 전의 데이터 전압의 절대값의 크기보다 작을 수 있다.
타이밍 제어부(360)는 외부의 그래픽 소스 등으로부터 영상 데이터(RGB)를 제공받고, 스캔 구동부(320) 및 데이터 구동부(340)의 구동을 제어할 수 있다. 타이밍 제어부(360)는 주사 제어 신호(SCS) 및 데이터 구동 제어 신호(DCS)를 생성할 수 있다. 일 실시예에서, 타이밍 제어부(360)는 영상 데이터(RGB)에 열화 보상 데이터(CDATA)를 적용하여 보상 영상 데이터(RGB')를 생성할 수 있다. 보상 영상 데이터(RGB')는 데이터 구동부(340)에 제공될 수 있다.
일 실시예에서, 패널 구동부(300)는 표시 패널(100) 구동을 위한 제1 전원 전압(VDD), 제2 전원 전압(VSS) 초기화 전원 전압(VINT)을 생성하는 전원 공급부를 더 포함할 수 있다.
도 2는 화소(PX)의 개구율에 따른 화소(PX)(또는 표시 패널(100))의 수명 곡선의 산포를 보여준다. 화소에 포함되는 유기 발광 소자는 재료 자체의 열화에 의해 시간이 지날수록 휘도가 감소하는 특성을 갖는다. 따라서, 도 2에 도시된 바와 같이, 화소(PX) 및/또는 표시 패널은 시간이 지남에 따라서 휘도가 감소하고, 이에 따라 수명이 감소하게 된다.
특히, 화소(PX) 형성 공정 산포에 의해 표시 패널(100)마다 또는 화소(PX)마다 개구율 차이가 발생될 수 있다. 여기서, 화소(PX)의 개구율은 화소 정의막에 의해 정의되는 하나의 화소 전체 면적에 대한 상기 하나의 화소(PX)의 발광 영역의 면적의 비율일 수 있다. 발광 영역은 화소 정의막에 의해 노출된 제1 전극의 표면의 면적에 대응할 수 있다.
화소(PX)의 개구율은 발광 소자 내부의 발광층에서의 전자-정공 재결합량 및 발광 소자로 흐르는 전류 밀도에 영향을 준다. 예를 들어, 화소(PX)의 개구율의 증가에 따라 전류 밀도가 감소할 수 있으며, 전류 밀도 감소에 의해 화소의 시간 경과에 따른 수명 단축 속도가 감소될 수 있다.
기준 개구율에 따른 수명 곡선(AGE1으로 표시됨)이 도 2와 같이 도시될 수 있다. 기준 개구율은 표시 패널 공정 시 설정되는 값일 수 있다. 공정 산포에 의해 화소(PX)의 개구율(또는 표시 패널(100)의 개구율)이 기준 개구율보다 큰 경우, 유기 발광 다이오드의 단면적이 증가하여 전류 밀도가 낮아지므로 수명 단축 속도가 감소(즉, AGE2로 표시됨)될 수 있다. 즉, 수명 곡선의 기울기가 완만해진다. 또한, 공정 산포에 의해 화소(PX)의 개구율(또는 표시 패널(100)의 개구율)이 기준 개구율보다 작은 경우, 수명 단축 속도가 증가(즉, AGE3로 표시됨)될 수 있다. 즉, 수명 곡선의 기울기가 급해질 수 있다.
이와 같이, 화소(PX)의 개구율에 따라 시간 경과에 따른 수명 곡선에 큰 편차가 발생될 수 있다. 본 발명의 실시예들에 따른 표시 장치(DD)는 열화 보상부(200)에 의해 개구율 편차를 반영한 보상 팩터를 열화 보상 데이터(CDATA)에 추가 적용할 수 있다. 따라서, 개구율 편차에 의한 화소(PX)들 간 또는 표시 패널(100)들 간의 수명 곡선 편차가 개선되고, 수명 곡선들이 목표하는 수명 곡선과 대응되도록 보정될 수 있다. 따라서, 휘도 감소에 기반한 잔상 보상(열화 보상) 알고리즘의 적용이 용이해질 수 있다.
도 3은 본 발명의 실시예들에 따른 열화 보상부를 나타내는 블록도이다.
도 3을 참조하면, 열화 보상부(200)는 보상 팩터 결정부(220) 및 데이터 보상부(240)를 포함할 수 있다.
보상 팩터 결정부(220)는 화소들(PX)의 최종 개구율 예측값(FEM, FEM', 도 4 참조)에 기초하여 보상 팩터(CDF)를 결정할 수 있다. 보상 팩터(CDF)는 개구율 보상 팩터(CDF)일 수 있다. 즉, 개구율 보상 팩터(CDF)는 도 2의 수명 곡선의 산포를 개선하기 위한 보상 값일 수 있다.
데이터 보상부(240)는 개구율 보상 팩터(CDF)를 스트레스 보상 가중치에 적용하여 영상 데이터(RGB 및/또는 RGB')를 보상하기 위한 열화 보상 데이터(CDATA)를 생성할 수 있다. 스트레스 보상 가중치는 누적된 영상 데이터로부터 추출되는 스트레스 값에 따라 산출될 수 있다. 스트레스 값은 누적 휘도, 누적 발광 시간, 온도 정보 등을 포함할 수 있다.
상술한 바와 같이, 본 발명의 실시예들에 따른 열화 보상부(200)는 개구율 편차를 보상하는 개구율 보상 팩터(CDF)를 열화 보상 데이터(CDATA)에 반영함으로써 개구율 편차에 따른 표시 패널 또는 화소의 수명 곡선들이 목표 수명 곡선 쪽으로 시프트될 수 있다. 따라서, 수명 곡선들의 산포가 균일하게 개선될 수 있다.
본 발명의 일 실시예에 따르면, 화소들(PX)의 최종 개구율 예측값(FEM, FEM', 도 4 참조)은 후술할 개구율 계측 장치로부터 제공 받을 수 있다. 이하, 도 4 내지 도 10에서 개구율 계측 장치에 대해 자세히 설명한다.
도 4는 표시 장치의 열화 보상 시스템을 설명하기 위한 블록도이다. 도 5는 개구율 실측 방법을 설명하기 위하여 도 1의 화소를 확대하여 나타낸 도면이다. 도 6은 도 5의 절단선 I-I'를 따라 절단한 단면도이다. 도 7a 내지 도 7c는 개구율 예측값을 산출하는 다양한 실시예를 설명하기 위한 도면이다. 도 8a 및 도 8b는 개구율 예측값을 산출하는 실시예들의 추정 척도를 나타내는 도면이다. 도 9는 추정 개구율 계측부를 설명하기 위한 블록도이다. 도 10은 가산부를 설명하기 위한 블록도이다.
도 1 및 도 4를 참조하면, 표시 장치 열화 보상 시스템(CS)은 복수개의 표시 패널들(100)을 포함하는 원장 기판들을 생산하는 기판 제조 장치(10), 원장 기판에 포함된 화소(PX)의 최종 개구율 예측값을 산출하는 개구율 계측 장치(20) 및 최종 개구율 예측값(FEM, FEM', 도 4 참조)을 표시 패널들(100) 각각에 입력하는 표시 장치의 제조 장치(30)를 포함할 수 있다. 이 때, 원장 기판은 복수의 표시 패널(100)들을 포함하는 기판으로 정의될 수 있다.
본 발명의 일 실시예에 따르면, 기판 제조 장치(10)는 원장 기판 상에 하프톤 화소정의막을 형성하기 위한 포토 공정을 수행하는 장치일 수 있다.
기판 제조 장치(10)는 공정 진단을 수행할 수 있다. 공정 진단이란 다양한 외부 센서나 계측 장치 등을 통해 기판 제조 장치(10)의 갑작스런 결함을 미리 발견하여 생산 신뢰성을 끌어올리는 일련의 기술 혹은 과정을 의미한다. 기판 제조 장치(10)에 부착된 센서가 이상 여부를 진단(FDC; Fault Detectiion and Classification)하면 공정 프로세스나 장치 설정을 조절하는 시스템이 이에 대응하여 이상 상태를 바로 잡을 수 있다. 이로 인해 기판 제조 장치(10)의 생산성을 향상시킬 수 있다.
예를 들어, 기판 제조 장치(10)는 포토 공정이 제대로 수행되는지 여부를 진단하기 위한 광학 센서 및 온도 센서 등을 포함할 수 있다. 다양한 센서들은 기판 제조 장치(10)에 포함된 각 유닛들의 공정 속도, 기판 제조 장치(10) 내의 공정 온도, 포토 공정을 위해 기판 상에 도포된 포토 레지스트의 두께, 포토 레지스트의 온도 및 노광량 등에 관한 정보를 센싱할 수 있다.
기판 제조 장치(10)는 기판 제조 장치(10)의 공정 속도, 공정 온도, 포토 레지스트의 두께, 포토 레지스트의 온도 및 노광량 중 적어도 하나를 포함하는 센싱 데이터를 생성하고, 개구율 계측 장치(20)에 센싱 데이터를 제공할 수 있다.
개구율 계측 장치(20)는 복수의 원장 기판들 중 선택된 일부 원장 기판을 촬영하고, 촬영된 일부 원장 기판에 대한 화소의 개구율 실측값을 산출하는 실제 개구율 계측부(21), 복수의 원장 기판들 각각에 대한 센싱 데이터를 학습하여 복수의 원장 기판들 전부에 대한 화소의 개구율 예측값을 산출하는 추정 개구율 계측부(22) 및 개구율 실측값 및 개구율 예측값에 기초하여 최종 개구율 예측값을 산출하는 가산부(23)를 포함할 수 있다.
실제 개구율 계측부(21)는 기판 제조 장치(10)에서 제조된 복수의 원장 기판들 중 적어도 일부 원장 기판들을 카메라와 같은 촬영 장치로 촬영하여, 원장 기판들에 포함된 화소(PX)의 개구율 실측값을 산출할 수 있다. 이하, 도 1, 도 5 및 도 6을 참조하여, 화소(PX)의 개구율을 실측하는 방법에 대하여 설명한다. 도 6은 발광 소자가 유기 발광 다이오드(OLED)인 경우를 가정하여 도시 되었지만, 본 발명이 이에 한정되지는 않는다.
표시 패널(100)은 복수의 화소(PX)들을 포함할 수 있다. 일 실시예에서, 화소(PX)는 제1 내지 제3 서브 화소들(SP1, SP2, SP3)을 포함할 수 있다. 화소(PX)는 제1 내지 제3 서브 화소들(SP1, SP2, SP3) 각각이 제1 방향(DR1)을 따라 배치되는 스트라이프 구조로 배치될 수 있다. 다만, 이는 예시적인 것으로서, 화소(PX)의 구조는 다양하게 형성될 수 있다. 예를 들어, 화소(PX)는 펜타일 구조로 배치될 수 있다.
제1 내지 제3 서브 화소들(SP1, SP2, SP3)은 각각 적색, 녹색 및 청색 중 하나의 광을 출사할 수 있다. 여기서, 제1 내지 제3 서브 화소들(SP1, SP2, SP3)은 발광 영역(EA)과 주변 영역(NEA)으로 구분될 수 있다.
한편, 표시 패널(100)은 기판(1), 화소(PX)의 구동을 위한 적어도 하나의 트랜지스터(TFT)를 포함하는 회로 소자층, 및 표시 소자층을 포함할 수 있다.
기판(1)은 경성(Rigid) 기판 또는 가요성(Flexibility) 기판일 수 있다. 상기 경성 기판은 유리 기판, 석영 기판, 유리 세라믹 기판 및 결정질 유리 기판을 포함할 수 있다. 상기 가요성 기판은 고분자 유기물을 포함하는 필름 기판 및 플라스틱 기판을 포함할 수 있다.
기판(1) 상에 버퍼층(2)이 배치될 수 있다. 버퍼층(2)은 트랜지스터(TFT)에 불순물이 확산되는 것을 방지할 수 있다. 버퍼층(2)은 단일층으로 제공될 수 있으나, 적어도 2중층 이상의 다중층으로 제공될 수도 있다.
버퍼층(2) 상에 트랜지스터(TFT) 및 복수의 도전 배선들을 포함하는 회로 소자층이 배치될 수 있다.
일 실시예에서, 버퍼층(2) 상에 액티브 패턴(ACT)이 배치될 수 있다. 액티브 패턴(ACT)은 반도체 소재로 형성될 수 있다. 예를 들어, 액티브 패턴(ACT)은 폴리 실리콘, 아몰퍼스 실리콘, 산화물 반도체 등을 포함할 수 있다.
액티브 패턴(ACT)이 제공된 버퍼층(2) 상에 게이트 절연층(3)이 배치될 수 있다. 게이트 절연층(3)은 무기 재료를 포함하는 무기 절연막일 수 있다.
게이트 절연층(3) 상에 게이트 전극(GE)이 배치되고, 게이트 전극(GE)이 제공된 게이트 절연층(3) 상에는 제1 절연층(4)이 배치될 수 있다. 제1 절연층(4) 상에는 소스 전극(SE)과 드레인 전극(DE)이 배치될 수 있다. 소스 전극(SE)과 드레인 전극(DE)은 게이트 절연층(3)과 제1 절연층(4)을 관통하여 액티브 패턴(ACT)에 접속될 수 있다.
소스 전극(SE)과 드레인 전극(DE)이 배치되는 제1 절연층(4) 상에는 제2 절연층(5)이 배치될 수 있다. 제2 절연층(5)은 평탄화층일 수 있다.
표시 소자층(LD)은 제1 전극(E1), 발광층(EL) 및 제2 전극(E2)을 포함할 수 있다.
제2 절연층(5) 상에 표시 소자층(LD)을 구성하는 제1 전극(E1)이 배치될 수 있다. 일 실시예에서, 제1 전극(E1)은 표시 소자층(LD)의 애노드(anode)로 제공될 수 있다. 제1 전극(E1)은 제2 절연층(5)을 관통하여 트랜지스터(TFT)의 드레인 전극(DE)과 접속될 수 있다. 제1 전극(E1)은 서브 화소(SP1, SP2, SP3) 별로 패터닝될 수 있다. 제1 전극(E1)은 제2 절연층(5) 상의 발광 영역(EA) 및 주변 영역(NEA)의 일부에 배치될 수 있다.
제1 전극(E1)은 금속, 합금, 금속 질화물, 도전성 금속 산화물, 투명 도전성 물질 등을 사용하여 형성될 수 있다. 이들은 단독으로 또는 서로 조합되어 사용될 수 있다.
화소 정의막(PDL)은 제2 절연층(5) 상의 주변 영역(NEA)에 배치되고, 제1 전극(E1)의 일부를 노출시킬 수 있다. 화소 정의막(PDL)은 유기 물질 또는 무기 물질로 이루어질 수 있다. 즉, 화소 정의막(PDL)에 의해 화소들(PX) 각각의 발광 영역(EA)이 정의될 수 있다.
발광층(EL)은 화소 정의막(PDL)에 의해 노출된 제1 전극(E1) 상에 배치될 수 있다. 발광층(EL)은 화소 정의막(PDL)의 측벽을 따라 연장되어 배치될 수도 있다. 일 실시예에서, 발광층(EL)은 화소들에 따라 상이한 색광들(즉, 적색광, 녹색광, 청색광 등)을 방출시킬 수 있는 유기 발광 물질들 중 적어도 하나를 사용하여 형성될 수 있다.
제2 전극(E2)은 화소 정의막(PDL) 및 유기 발광층(EL) 상에 공통으로 배치될 수 있다. 일 실시예예서, 제2 전극(E2)은 표시 소자층(LD)의 캐소드(cathode)로 제공될 수 있다. 제2 전극(E2)은 금속, 합금, 금속 질화물, 도전성 금속 산화물, 투명 도전성 물질 등을 사용하여 형성될 수 있다. 이들은 단독으로 또는 서로 조합되어 사용될 수 있다. 이에 따라, 제1 전극(E1), 유기 발광층(EL) 및 제2 전극(E2)을 포함하는 표시 소자층(LD)이 형성될 수 있다.
제2 전극(E2) 상에 제2 전극(E2)을 커버하는 박막 봉지층(6)이 배치될 수 있다. 박막 봉지층(6)은 상기 표시 소자층(LD)을 커버하는 복수의 절연막을 포함할 수 있다. 예를 들면, 박막 봉지층(6)은 무기막 및 유기막이 교번하여 적층된 구조를 가질 수 있다. 또한, 경우에 따라, 박막 봉지층(6)은 표시 소자층(LD) 상에 배치되고 실런트를 통해 기판(1)과 합착되는 봉지 기판일 수 있다.
이와 같이, 화소 정의막(PDL)에 의해 제1 전극(E1)이 노출되는 부분이 발광 영역(EA)으로 정의되고, 화소 정의막(PDL)이 위치하는 영역이 주변 영역(NEA)으로 정의될 수 있다. 즉, 화소 정의막(PDL)은 서로 인접한 서브 화소들의 측부를 정의할 수 있다.
도 5를 참조하면, 화소(PX)의 개구율은 화소의 전체 면적에 대한 서브 화소들(SP1, SP2, SP3)의 발광 영역 면적의 비율로 정의될 수 있다. 도 5에 도시된 바와 같이, 화소(PX)의 개구율은 화소(PX)로 표시된 직사각형 면적에 대한 서브 화소들(SP1, SP2, SP3)로 표시된 3개의 직사각형 총 면적의 비율일 수 있다.
본 발명의 일 실시예에 따르면, 화소(PX)의 개구율은 서브 화소들(SP1, SP2, SP3) 중 적어도 하나의 발광 영역(EA)의 소정 방향으로의 길이에 기초하여 산출될 수 있다. 왜냐하면, 공정 특성 상 서브 화소들(SP1, SP2, SP3)의 발광 영역(EA)은 상하좌우 방향으로 실질적으로 균일한 비율로 확대 또는 축소되는 것으로 가정되므로, 서브 화소들(SP1, SP2, SP3) 중 적어도 하나의 발광 영역(EA)의 소정 방향으로의 길이(L1, L2)가 직접 개구율 실측값으로 설정될 수 있다.
예를 들어, 서브 화소들(SP1, SP2, SP3)이 사각형 형상을 가지는 경우, 서로 대향하는 두 변사이의 최단 거리를 측정함으로써 서브 화소들(SP1, SP2, SP3) 각각의 개구율이 산출될 수 있다. 도 5에 도시된 바와 같이, 제3 서브 화소(SP3)의 발광 영역(EA)의 제1 방향(DR1)으로의 길이(L1) 및 제3 서브 화소(SP3)의 발광 영역(EA)의 제2 방향(DR2)으로의 길이(L2) 중 적어도 하나를 광학적으로 측정함으로써, 제3 서브 화소(SP3)의 개구율 실측값이 산출될 수 있다. 예를 들어, 모바일(mobile)용 표시 장치에 사용되는 화소(예: 제3 서브 화소(SP3)의 길이(L1))의 개구율 실측값은 24.67±1.25[㎛] 크기를 가질 수 있다. 다만, 이는 예시적인 것으로서 화소(PX)의 개구율 실측값은 표시 장치의 종류 및 크기에 대응하여 다양하게 변형될 수 있다.
다만, 개구율 실측값을 산출하는 방법은 이에 한정되는 것은 아니다. 예를 들어, 개구율은 서브 화소들(SP1, SP2, SP3) 중 적어도 하나에 포함되는 제1 전극(E1)의 노출된 부분의 면적에 기초하여 결정될 수 있다. 즉, 제1 전극(E1)의 노출된 부분의 면적이 광학적으로 산출되고, 상기 산출된 값이 기 설정된 기준 면적과 비교됨으로써 개구율이 산출될 수도 있다.
기판 제조 장치(10)에서 제조된 원장 기판들 전부에 대하여 개구율의 실측값을 측정하는 경우 가장 신뢰성 있는 개구율 정보를 획득할 수 있다. 다만, 실제 개구율 계측부(21)는 카메라와 같은 촬영 장치로 촬영하여, 원장 기판들에 포함된 화소(PX)의 개구율 실측값을 측정하므로, 많은 시간과 비용이 발생할 수 있다. 따라서, 복수의 원장 기판들 중 샘플링된 일부에 대해서만 실제로 개구율을 측정하여, 화소(PX)의 개구율 실측값을 산출하고, 나머지 원장 기판들에 대해서는 다양한 방식을 통해 화소(PX)의 개구율을 추정하여 개구율 예측값을 산출하는 방식을 고려할 수 있다.
예를 들어, 개구율 예측값을 산출하는 방식으로서, 단일 평균 추정(Single mean estimation), 로컬 평균 추정(Local mean estimation), 및 가우시안 프로세스(Gaussian Process) 등을 고려할 수 있다.
도 7a 내지 도 7c를 참조하면, 단일 평균 추정은 원장 기판 단위로 화소(PX)의 개구율 평균을 구하고, 이를 이용하여 개구율 예측값을 산출하는 방식이고, 로컬 평균 추정은 원장 기판에 임의로 설정된 영역 단위(예: 표시 패널)로 화소(PX)의 개구율 평균을 구하고, 이를 이용하여 개구율 예측 값을 산출하는 방식이다. 가우시안 프로세스는 머신 러닝의 지도학습의 일종으로서, 라벨(label)이된 데이터를 이용하여 학습시키고 이후에 새로운 데이터가 입력되면 그 데이터에 해당하는 출력을 추정하는 방식이다. 즉, 화소(PX)의 개구율 실측값을 이용하여 학습시키고 화소(PX)의 개구율을 추정하여 개구율 예측값을 출력하는 방식이다.
아래 수학식 1은 실측값과 예측값의 차이가 허용 오차 범위 내에 있을 확률의 평균(이하, 제1 추정 척도)을 구하는 수식이다.
Figure pat00001
(이때,
Figure pat00002
는 실제 계측한 값이고,
Figure pat00003
는 예측값이고, I는 조건을 만족하는 경우 1을 출력하고, 조건을 만족하지 않을 경우 0을 출력하는 함수이다.)
도 8a는, 허용 오차를 0.2[㎛]로 설정하고, 단일 평균 추정, 로컬 평균 추정 및 가우시안 프로세스 각각에 대한 제1 추정 척도의 결과값을 나타내는 그래프이다. 단일 평균 추정, 로컬 평균 추정 및 가우시안 프로세스를 이용하여 개구율 예측값을 산출 시 제1 추정 척도는 각각 0.59, 0.81 및 0.94가 도출되었다. 이는 개구율 실측값 대비 개구율 예측값의 정확도가 각각 59%, 80% 및 94%에 해당한다는 의미이다.
또한, 도 8b는 단일 평균 추정, 로컬 평균 추정 및 가우시안 프로세스 각각에 대한 추정 오차(Estimation Error; 즉, 허용 오차 범위 밖의 절대 오차가 실제 값과 상이한 정도)의 크기(이하, 제2 추정 척도)를 나타내는 그래프이다. 단일 평균 추정, 로컬 평균 추정 및 가우시안 프로세스를 이용하여 개구율 예측값을 산출 시 제2 추정 척도는 각각 0.55[㎛], 0.39[㎛] 및 0.30[㎛]가 도출되었다. 이는 허용 오차 0.2[㎛]보다 각각 0.35[㎛], 0.19[㎛] 및 0.10[㎛]만큼 더 큰 오차값을 가지는 것을 의미한다.
즉, 단일 평균 추정 및 로컬 평균 추정 방식을 이용한 화소(PX)의 개구율 예측값 산출은 가우시안 프로세스를 이용한 화소(PX)의 개구율 예측값을 산출에 비해 정확도가 낮을 수 있음을 알 수 있다. 이하, 정확도가 상대적으로 낮은 단일 평균 추정 및 로컬 평균 추정 방식을 제외하고, 도 9 내지 도 11b를 참조하여, 가우시안 프로세스 및 가우시안 프로세스보다 더 높은 정확도를 가지는 개구율 예측값을 산출하는 방식인 그래디언트 부스팅 모델(Gradient boosting machine)을 중심으로 추정 개구율 계측부(22)에 대해 설명한다.
도 9를 참조하면, 추정 개구율 계측부(22)는 기판 제조 장치(10)로부터 센싱 데이터(SD) 및 실제 개구율 계측부(21)로부터 개구율 실측값(RM)을 제공받고, 센싱 데이터(SD) 및 개구율 실측값(RM)을 이용하여 개구율 예측값(VM)을 산출할 수 있다. 추정 개구율 계측부(22)는 가산부(23)에 개구율 예측값(VM1 내지 VMn)을 제공할 수 있다.
본 발명의 일 실시예에 따르면, 추정 개구율 계측부(22)는 그래디언트 부스팅(Gradient Boosting Machine) 모델을 이용하여 화소(PX)의 개구율 예측값(VM1 내지 VMn)을 산출할 수 있다. 그래디언트 부스팅 모델은 머신 러닝의 일종으로서, 기판 제조 장치(10)로부터 수신한 센싱 데이터(SD)를 학습하여 화소(PX)의 개구율 초기 예측값을 구한뒤 예측값에 대한 로스 함수(Loss function)를 미분하여 기울기(gradient)를 구하고, 이 기울기를 이용하여 예측 오차를 줄이는 학습 방법이다. 이 때, 센싱 데이터(SD)는 기판 제조 장치(10)로부터 수신한 기판 제조 장치(10)의 공정 속도, 공정 온도, 포토 레지스트의 두께, 포토 레지스트의 온도 및 노광량에 관한 정보일 수 있다.
본 발명의 일 실시예에 따르면, 추정 개구율 계측부(22)는, 개구율 실측값 대비 개구율 예측값의 정확도를 향상시키기 위해서, 복수의 머신 러닝 모델들(ML1 내지 MLn)을 이용하여 개구율 예측값들(VM1 내지 VMn)을 산출할 수 있다. 예를 들어, 머신 러닝 모델들(ML1 내지 MLn) 각각은 상술한 그래디언트 부스팅 모델의 개량 모델인 XG Boost(Extreme Gradient Boost), Cat Boost(Categorical Boosting) 및 Light GBM(Ligtht gradient boost Machine)중 어느 하나에 해당할 수 있다. XG Boost(Extreme Gradient Boost), Cat Boost(Categorical Boosting) 및 Light GBM(Ligtht gradient boost Machine)은 공지된 기술인 바 자세한 설명은 생략한다.
일 실시예에 따르면, 추정 개구율 계측부(22)는 상술한 가우시안 프로세스 모델(GP)을 더 포함할 수 있다. 가우시안 프로세스 모델(GP)은 기판 제조 장치(10)로부터 수신한 센싱 데이터(SD) 및 실제 개구율 계측부(21)로부터 수신한 개구율 실측값(RM)을 학습하고, 개구율 예측값(GPM)을 산출할 수 있다. 산출된 개구율 예측값(GPM)은 가산부(23)에 제공될 수 있다.
도 10을 참조하면, 가산부(23)는 개구율 실측값(RM)에 기초하여 신뢰 통계값을 산출하는 신뢰 통계값 계산부(23_1), 머신 러닝 모델(ML1 내지 MLn)들 각각에 부여된 평균 가중치를 저장하는 가중치 이력 관리부(23_2), 머신 러닝 모델들(ML1 내지 MLn) 각각의 재학습 횟수를 저장하는 재학습 이력 관리부(23_3), 신뢰 통계값, 평균 가중치 및 재학습 횟수에 기초하여 머신 러닝 모델들(ML1 내지 MLn) 각각의 가중치를 결정하는 가중치 결정부(23_4) 및 신뢰 통계값, 평균 가중치 및 재학습 횟수에 기초하여 머신 러닝 모델들(ML1 내지 MLn) 각각의 재학습 여부를 판별하는 재학습 판별부(23_5)를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 가산부(23)는 앙상블 머신 러닝 모델을 이용할 수 있다. 예를 들어, 앙상블 머신 러닝 모델은 어텐션 메커니즘(Attention Mechanism)에 해당할 수 있다. 즉, 복수의 머신 러닝 모델들(ML1 내지 MLn) 및/또는 가우시안 프로세스 모델(GP)이 산출한 개구율 예측값들(VM, GPM) 각각에 가중치(또는 어텐션 값)를 부여한 뒤 이를 합산하여 최종 개구율 예측값(FEM)을 산출하는 방식이다. 가산부(23)는 산출된 최종 개구율 예측값(FEM)을 이상치 검출부(24)에 제공할 수 있다.
머신 러닝 모델들(ML1 내지 MLn) 및/또는 가우시안 프로세스 모델(GP)은 모델 고유의 능력, 학습 기간 및 개구율 계측 장치(20)의 리셋 등과 같은 환경의 변화로 인해 개구율 예측 값의 정확도가 변동될 수 있다. 따라서, 가산부(23)는 최종 개구율 예측값(FEM)을 산출시 머신 러닝 모델들(ML1 내지 MLn) 및/또는 가우시안 프로세스 모델(GP)의 상태를 확인하여 머신 러닝 모델들(ML1 내지 MLn) 및/또는 가우시안 프로세스 모델(GP) 각각에 가중치를 가변적으로 부여할 수 있다.
일 실시예에 따르면 신뢰 통계값 계산부(23_1)는 실제 개구율 계측부(21)로부터 개구율 실측값(RM)을 수신받고, 추정 개구율 계정부(22)로부터 개구율 예측값(VM, GPM)을 수신받을 수 있다. 신뢰 통계값 계산부(23_1)는 개구율 실측값(RM)과 개구율 예측값(VM)의 차이가 작은 머신 러닝 모델(ML1 내지 MLn)일수록 높은 신뢰 통계값을 부여할 수 있다. 아래 표 1은 신뢰 통계값을 산출하는 과정을 설명하기 위한 4 개의 머신 러닝 모델(ML1 내지 ML4)들에 대한 개구율 예측값(VM1 내지 VMn)을 기판별로 기록한 표이다.
ML1 ML2 ML3 ML4 RM(㎛)
기판 1 43.2 43.7 44.2 44.4 45.2
기판 2 44.2 44.6 45.1 45.9
기판 3 42.3 42.5 43 43.4
기판 4 43.8 44.2 44.8 45 45.7
기판 5 44.4 45 46 46.9
기판 6 43.1 43.6 43.7 44.1
기판 7 43.1 43.4 43.8 44.4 45
기판 8 43.1 44 44.1 44.8
기판 9 43.1 43.7 44.7 45.2
표 1을 참조하면, 기판 1의 개구율 실측값(RM)은 45.2[㎛]이다. 4 개의 머신 러닝(ML1 내지 ML4)중 제4 머신 러닝 모델(ML4)의 개구율 예측값(VM4), 44.4[㎛]가 개구율 실측값(RM) 45.2[㎛]와 가장 오차가 작고, 제3 머신 러닝 모델(ML3)의 개구율 예측값(VM3), 44.2[㎛], 제2 머신 러닝 모델(ML2)의 개구율 예측값(VM2), 43.7[㎛] 및 제1 머신 러닝 모델(ML1)의 개구율 예측값(VM1), 43.2[㎛] 순으로 개구율 실측값(RM)과 오차가 증가하는 것을 확인할 수 있다. 개구율 실측값(RM)을 획득한 제4 기판 및 제 7 기판을 분석한 결과도 제1 기판과 동일하다. 즉, 제4 머신 러닝 모델(ML4)의 예측값(VM4), 제3 머신 러닝 모델(ML3)의 예측값(VM3), 제2 머신 러닝 모델(ML2)의 예측값(VM2) 및 제1 머신 러닝 모델(ML1)의 예측값(VM1) 순으로 개구율 실측값(RM) 대비 오차가 증가한다. 이와 같은 경우, 신뢰 통계값 계산부(23_1)는 개구율 실측값(RM)과 개구율 예측값(VM)의 차이가 작은 머신 러닝 모델 순으로 높은 신뢰 통계값을 부여할 수 있다. 즉, 제4 머신 러닝 모델(ML4), 제3 머신 러닝 모델(ML3), 제2 머신 러닝 모델(ML2) 및 제1 머신 러닝 모델(ML1) 순으로 높은 신뢰 통계값이 부여될 수 있다.
또한, 신뢰 통계값 계산부(23_1)는, 복수의 머신 러닝 모델들(ML1 내지 MLn)의 학습 기간이 상호 상이한 경우, 학습 기간이 긴 머신 러닝 모델(ML1 내지 MLn)일수록 높은 신뢰 통계값을 부여할 수 있다. 신뢰 통계값 계산부(23_1)가 높은 신뢰 통계값을 부여하는 기준은 이에 한정되는 것은 아니다.
가중치 이력 관리부(23_2)는 가중치 결정부(23_4)와 쌍방향으로 정보를 송수신할 수 있다. 가중치 이력 관리부(23_2)는 가중치 결정부(23_4)가 머신 러닝 모델(ML1 내지 MLn) 및/또는 가우시안 프로세스 모델(GP) 각각에 과거 부여했던 가중치를 데이터 베이스화하여 관리할 수 있다. 예를 들어, 가중치 이력 관리부(23_2)는 머신 러닝 모델(ML1 내지 MLn) 및/또는 가우시안 프로세스 모델(GP) 각각에 부여됐던 가중치를 평균한 평균 가중치를 산출할 수 있다.
재학습 이력 관리부(23_3)는 재학습 판별부(23_5)와 쌍방향으로 정보를 송수신할 수 있다. 재학습 이력 관리부(23_3)는 재학습 판별부(23_5)가 머신 러닝 모델(ML1 내지 MLn) 및/또는 가우시안 프로세스 모델(GP) 각각에 과거 재학습을 명령했던 횟수를 데이터 베이스화하여 관리할 수 있다.
가중치 결정부(23_4)는 신뢰 통계값이 크고, 평균 가중치가 크고, 재학습 횟수가 적은 머신 러닝 모델일수록 높은 가중치를 부여할 수 있다.
표 1를 예로 들어 설명하면, 제1 내지 제4 머신 러닝 모델들(ML1 내지 ML4) 각각의 평균 가중치 및 재학습 횟수가 동일한 경우 신뢰 통계값이 가장 큰 제4 머신 러닝 모델(ML4)에 가장 높은 가중치(또는 어텐션 값)가 부여될 수 있다. 또한, 제3 머신 러닝 모델(ML3), 제2 머신 러닝 모델(ML2) 및 제1 머신 러닝 모델(ML1) 순으로 부여되는 가중치의 크기는 줄어들 수 있다. 예를 들어, 가중치 결정부(23_4)는, 제4 머신 러닝 모델(ML4)에 0.4의 가중치를 부여하고, 제3 머신 러닝 모델(ML3)에 0.3의 가중치를 부여하고, 제2 머신 러닝 모델(ML2)은 0.2의 가중치를 부여하고, 제1 머신 러닝 모델(ML1)은 0.1의 가중치를 부여할 수 있다.
이로 인해, 개구율 계측 장치(20)는 개구율 실측값(RM)과 가장 유사한 개구율 예측값(VM)을 산출한 머신 러닝 모델(ML)에 집중하게 되어 예측의 정확도가 향상될 수 있다.
한편, 재학습 판별부(23_5)는 신뢰 통계값이 크고, 평균 가중치가 크고, 재학습 횟수가 적은 머신 러닝 모델(ML)일수록 재학습 기회를 적게 부여할 수 있다. 표 1을 예로 들어 설명하면, 제1 내지 제4 머신 러닝 모델들(ML1 내지 ML4) 각각의 평균 가중치 및 재학습 횟수가 동일한 경우, 일 실시예에 따른 재학습 판별부(23_5)는 신뢰 통계값이 가장 작은 제1 머신 러닝 모델(ML1)에 재학습을 명령할 수 있다.
이상치 검출부(24)는 최종 개구율 예측값(FEM) 중에서 기설정된 범위를 초과하는 값인 이상치(outlier)를 검출하고, 이상치가 제거된 최종 개구율 예측값(FEM')을 산출할 수 있다. 이상치 검출부(24)는 Stacked Auto Encoder, Sparse Auto Encoder, Denoising Auto Encoder 중 어느 하나의 머신 러닝 모델을 이용할 수 있다. 이상치 검출부(24)는 이상치가 제거된 최종 개구율 예측값(FEM')을 제1 데이터 베이스(25)에 제공할 수 있다.
다시 도 4를 참조하면, 표시 장치의 제조 장치(30)는 제2 데이터 베이스(31) 및 구동 신호기(32)를 포함할 수 있다. 제2 데이터 베이스(31)는 실제 개구율 계측부(21)로부터 개구율 실측값(RM)을 수신하고, 개구율 계측 장치(20)의 제1 데이터 베이스(25)로부터 이상치가 제거된 최종 개구율 예측값(FEM')을 제공받을 수 있다. 일 실시예 따르면, 표시 장치의 제조 장치(30)는 이상치가 제거된 최종 개구율 예측값(FEM')을 표시 장치(DD)의 열화 보상부(200, 도 3 참조)에 제공할 수 있다. 다만, 공정의 진행 상태에 따라 이상치가 제거된 최종 개구율 예측값(FEM')은 표시 패널(100)에 제공될 수 있다.
이로 인해, 표시 장치(DD)는 열화 보상부(200)에 의해 개구율 편차를 반영한 보상 팩터를 열화 보상 데이터(CDATA)에 추가 적용할 수 있다. 따라서, 개구율 편차에 의한 화소(PX)들 간 또는 표시 패널(100)들 간의 수명 곡선 편차가 개선되고, 수명 곡선들이 목표하는 수명 곡선과 대응되도록 보정될 수 있다. 따라서, 휘도 감소에 기반한 잔상 보상(열화 보상) 알고리즘의 적용이 용이해질 수 있다.
설명의 편의 편의를 위해 추정 개구율 계측부(22), 가산부(23), 이상치 검출부(24) 및 제1 데이터 베이스(25)를 개구율 계측 장치(20)에 포함되는 구성으로 설명하였으나 이에 한정되는 것은 아니다. 예를 들어, 추정 개구율 계측부(22), 가산부(23), 이상치 검출부(24) 및 제1 데이터 베이스(25)는 실제 개구율 계측부(21)와 별개로 추정 개구율 계측 장치로 구성될 수 있다. 추정 개구율 계측 장치는 퍼스널 컴퓨터(PC) 등과 같은 컴퓨팅 장치일 수 있다.
도 11a 및 도 11b는 그래디언트 부스팅 모델(Gradient boosting machine)의 효과를 설명하기 위한 도면이다.
도 11a는, 단일 평균 추정, 로컬 평균 추정, 가우시안 프로세스 및 그래디언트 부스팅 모델 각각에 대한 제1 추정 척도의 결과값을 나타내는 그래프이다. 단일 평균 추정, 로컬 평균 추정, 가우시안 프로세스 및 그래디언트 부스팅 모델을 이용하여 개구율 예측값을 산출 시 제1 추정 척도는 각각 0.59, 0.81, 0.94 및 0.99가 도출되었다. 이는 개구율 실측값(RM) 대비 개구율 예측값의 정확도가 각각 59%, 80%, 94% 및 99%에 해당한다는 의미이다. 그래디언트 부스팅 모델을 이용하여 개구율 예측값을 산출하는 경우, 단일 평균 추정 및 로컬 평균 추정에 비해 더 정확한 예측값 산출을 기대할 수 있다.
또한, 도 11b는 단일 평균 추정, 로컬 평균 추정, 가우시안 프로세스 및 그래디언트 부스팅 모델 각각에 대한 추정 오차(Estimation Error; 즉, 허용 오차 범위 밖의 절대 오차가 실제 값과 상이한 정도)의 크기(이하, 제2 추정 척도)를 나타내는 그래프이다. 단일 평균 추정, 로컬 평균 추정, 가우시안 프로세스 및 그래디언트 부스팅 모델을 이용하여 개구율 예측값을 산출 시 제2 추정 척도는 각각 0.55[㎛], 0.39[㎛], 0.30[㎛] 및 0.13[㎛]가 도출되었다. 이는 단일 평균 추정, 로컬 평균 추정 및 가우시안 프로세스의 추정 오차는, 허용 오차 0.2[㎛]보다 각각 0.35[㎛], 0.19[㎛] 및 0.10[㎛]만큼 더 큰 오차값을 가지는 것을 의미한다. 반면에, 그래디언트 부스팅 모델의 추정 오차는, 허용 오차 0.2[㎛]보다 0.07[㎛]만큼 더 작은 오차값을 가지는 바, 그래디언트 부스팅 모델을 이용하여 개구율 예측값을 산출하는 경우, 허용 오차 범위 밖의 절대 오차가 실제 값과 상이한 정도가 줄어드는 효과를 기대할 수 있다.
이상에서는 본 발명의 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
CS: 표시 장치 열화 보상 시스템
DD: 표시 장치
10: 기판 제조장치
20: 개구율 계측 장치
21: 실제 개구율 계측부
22: 추정 개구율 계측부
23: 가산부
24: 이상치 검출부
25: 제1 데이터 베이스
30: 표시 장치의 제조 장치
31: 제2 데이터 베이스
32: 구동 신호기
100: 표시 패널
200: 열화 보상부
340: 데이터 구동부
360: 타이밍 제어부
140: 데이터 구동부
PX: 화소

Claims (20)

  1. 복수의 원장 기판들 중 선택된 일부 원장 기판을 촬영하고, 상기 촬영된 일부 원장 기판에 대한 화소의 개구율 실측값을 산출하는 실제 개구율 계측부;
    상기 복수의 원장 기판들 각각에 대한 센싱 데이터를 학습하여 상기 복수의 원장 기판들 전부에 대한 화소의 개구율 예측값을 산출하는 추정 개구율 계측부; 및
    상기 개구율 실측값 및 상기 개구율 예측값에 기초하여 최종 개구율 예측값을 산출하는 가산부;를 포함하는 개구율 계측 장치.
  2. 제1 항에 있어서,
    상기 센싱 데이터는, 상기 복수의 원장 기판들을 제조하는 기판 제조 장치의 공정 속도, 공정 온도, 포토 레지스트의 두께, 포토 레지스트의 온도 및 노광량 중 적어도 하나를 포함하는 개구율 계측 장치.
  3. 제1 항에 있어서,
    상기 화소의 개구율은 상기 화소의 전체 면적에 대한 상기 화소의 발광 영역 면적의 비율인 개구율 계측 장치.
  4. 제3 항에 있어서,
    상기 화소의 개구율은, 상기 발광 영역이 사각형 형상을 가지는 경우, 대향하는 두 변 사이의 최단 거리에 기초하여 산출되는 개구율 계측 장치.
  5. 제1 항에 있어서,
    상기 추정 개구율 계측부는 복수의 머신 러닝(Machine learning) 모델들을 이용하여 상기 개구율 예측값을 산출하는 개구율 계측 장치.
  6. 제5 항에 있어서,
    상기 복수의 머신 러닝 모델들은 XG Boost(Extreme Gradient Boost), Cat Boost(Categorical Boosting) 및 Light GBM(Ligtht gradient boost Machine)을 포함하는 개구율 계측 장치.
  7. 제5 항에 있어서,
    상기 가산부는, 앙상블 머신 러닝 모델을 이용하여, 상기 복수의 머신 러닝 모델들이 산출한 개구율 예측값들 각각에 가중치를 부여하여 합산하는 개구율 계측 장치.
  8. 제7 항에 있어서,
    상기 앙상블 머신 러닝 모델은 상기 개구율 실측값에 기초하여 신뢰 통계값을 산출하는 신뢰 통계값 계산부, 상기 머신 러닝 모델들 각각에 부여된 평균 가중치를 저장하는 가중치 이력 관리부 및 상기 머신 러닝 모델들 각각의 재학습 횟수를 저장하는 재학습 이력 관리부를 포함하는 개구율 계측 장치.
  9. 제8 항에 있어서,
    상기 신뢰 통계값 계산부는 상기 개구율 실측값과 상기 개구율 예측값의 차이가 작은 머신 러닝 모델일수록 높은 신뢰 통계값을 부여하는 개구율 계측 장치.
  10. 제8 항에 있어서,
    상기 신뢰 통계값 계산부는, 상기 복수의 머신 러닝 모델들(ML1 내지 MLn)의 학습 기간이 상호 상이한 경우, 상기 학습 기간이 긴 머신 러닝 모델일수록 높은 신뢰 통계값을 부여하는 개구율 계측 장치.
  11. 제8 항에 있어서,
    상기 앙상블 머신 러닝 모델은,
    상기 신뢰 통계값, 상기 평균 가중치 및 상기 재학습 횟수에 기초하여 상기 머신 러닝 모델들 각각의 가중치를 결정하는 가중치 결정부; 및
    상기 신뢰 통계값, 상기 평균 가중치 및 상기 재학습 횟수에 기초하여 상기 머신 러닝 모델들 각각의 재학습 여부를 판별하는 재학습 판별부를 더 포함하는 개구율 계측 장치.
  12. 제11 항에 있어서,
    상기 가중치 결정부는 상기 신뢰 통계값이 크고, 상기 평균 가중치가 크고, 상기 재학습 횟수가 적은 머신 러닝 모델일수록 높은 가중치를 부여하는 개구율 계측 장치.
  13. 제11 항에 있어서,
    상기 재학습 판별부는 상기 신뢰 통계값이 크고, 상기 평균 가중치가 크고, 상기 재학습 횟수가 적은 머신 러닝 모델일수록 재학습 기회를 적게 부여하는 개구율 계측 장치.
  14. 제1 항에 있어서,
    상기 최종 개구율 예측값 중에서 기설정된 범위를 초과하는 값인 이상치(outlier)를 검출하는 이상치 검출부를 더 포함하는 개구율 계측 장치.
  15. 제14 항에 있어서,
    상기 이상치 검출부는 Stacked Auto Encoder, Sparse Auto Encoder, Denoising Auto Encoder 중 어느 하나의 머신 러닝 모델을 이용하는 개구율 계측 장치.
  16. 복수의 표시 패널들을 포함하는 원장 기판들을 제조하는 기판 제조 장치;
    상기 원장 기판들에 포함된 화소의 최종 개구율 예측값을 산출하는 개구율 계측 장치; 및
    상기 최종 개구율 예측값을 상기 표시 패널들 각각에 입력하는 표시 장치의 제조 장치;를 포함하되,
    상기 개구율 계측 장치는,
    상기 원장 기판들 중 선택된 일부 원장 기판을 촬영하고, 상기 촬영된 일부 원장 기판에 대한 화소의 개구율 실측값을 산출하는 실제 개구율 계측부;
    상기 원장 기판들 각각에 대한 센싱 데이터를 학습하여 상기 원장 기판들 전부에 대한 화소의 상기 개구율 예측값을 산출하는 추정 개구율 계측부; 및
    상기 개구율 실측값 및 상기 개구율 예측값에 기초하여 상기 최종 개구율 예측값을 산출하는 가산부;를 포함하는 표시 장치의 열화 보상 시스템.
  17. 제16 항에 있어서,
    상기 센싱 데이터는, 상기 기판 제조 장치의 공정 속도, 공정 온도, 포토 레지스트의 두께, 포토 레지스트의 온도 및 노광량 중 적어도 하나를 포함하는 표시 장치의 열화 보상 시스템.
  18. 제16 항에 있어서,
    상기 화소의 개구율은 상기 화소의 전체 면적에 대한 상기 화소의 발광 영역 면적의 비율인 표시 장치의 열화 보상 시스템.
  19. 제16 항에 있어서,
    상기 추정 개구율 계측부는 복수의 머신 러닝(Machine learning) 모델들을 이용하여 상기 개구율 예측값을 산출하는 표시 장치의 열화 보상 시스템.
  20. 제19 항에 있어서,
    상기 가산부는, 앙상블 머신 러닝 모델을 이용하여, 상기 복수의 머신 러닝 모델들이 산출한 개구율 예측값들 각각에 가중치를 부여하여 합산하는 표시 장치의 열화 보상 시스템.
KR1020200070440A 2020-06-10 2020-06-10 개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템 KR20210153804A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200070440A KR20210153804A (ko) 2020-06-10 2020-06-10 개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템
US17/317,740 US11995544B2 (en) 2020-06-10 2021-05-11 Aperture ratio measurement device and deterioration compensation system of display device including the same
CN202110646684.2A CN113776780A (zh) 2020-06-10 2021-06-10 开口率测量装置和包括其的显示装置的劣化补偿系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200070440A KR20210153804A (ko) 2020-06-10 2020-06-10 개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템

Publications (1)

Publication Number Publication Date
KR20210153804A true KR20210153804A (ko) 2021-12-20

Family

ID=78825713

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200070440A KR20210153804A (ko) 2020-06-10 2020-06-10 개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템

Country Status (3)

Country Link
US (1) US11995544B2 (ko)
KR (1) KR20210153804A (ko)
CN (1) CN113776780A (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210153804A (ko) * 2020-06-10 2021-12-20 삼성디스플레이 주식회사 개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템
US11782685B2 (en) * 2020-06-17 2023-10-10 Bank Of America Corporation Software code vectorization converter
US11573775B2 (en) * 2020-06-17 2023-02-07 Bank Of America Corporation Software code converter for resolving redundancy during code development
CN114757103B (zh) * 2022-04-19 2023-03-17 河南大学 基于时空光梯度增强机的地表o3浓度估算方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4789369B2 (ja) * 2001-08-08 2011-10-12 株式会社半導体エネルギー研究所 表示装置及び電子機器
JP4459685B2 (ja) * 2004-03-31 2010-04-28 富士通株式会社 液晶表示装置
JP4498800B2 (ja) * 2004-03-31 2010-07-07 株式会社有沢製作所 開口率測定装置
US8106865B2 (en) * 2006-06-02 2012-01-31 Semiconductor Energy Laboratory Co., Ltd. Display device and driving method thereof
US7616275B2 (en) * 2007-02-07 2009-11-10 Seiko Epson Corporation Electro-optical device substrate, electro-optical device, and electronic apparatus
KR100911978B1 (ko) * 2008-03-10 2009-08-13 삼성모바일디스플레이주식회사 화소 및 이를 이용한 유기전계발광 표시장치
TWM446323U (zh) * 2012-08-03 2013-02-01 Ind Tech Res Inst 開口率量測感知裝置、開口距離感知裝置及光感測模組
US9818657B2 (en) * 2013-06-21 2017-11-14 Renesas Electronics Corporation Dry etching method and method of manufacturing semiconductor device
KR102115791B1 (ko) * 2013-09-10 2020-05-28 삼성디스플레이 주식회사 표시 장치
CN105794322B (zh) * 2013-12-06 2018-04-17 夏普株式会社 发光体基板、及其制造方法
KR102357378B1 (ko) * 2015-07-07 2022-02-03 삼성디스플레이 주식회사 영상 처리 장치 및 이를 포함하는 표시 장치
JP6756540B2 (ja) * 2016-08-08 2020-09-16 株式会社荏原製作所 めっき装置、めっき装置の制御方法、及び、めっき装置の制御方法をコンピュータに実行させるためのプログラムを格納した記憶媒体
WO2018195030A1 (en) * 2017-04-20 2018-10-25 Kateeva, Inc. Analysis of material layers on surfaces, and related systems and methods
CN107170784A (zh) * 2017-05-25 2017-09-15 京东方科技集团股份有限公司 一种oled阵列基板及其制备方法和oled显示装置
CN107908038B (zh) * 2017-11-28 2020-04-28 武汉天马微电子有限公司 一种曲面显示面板及其显示装置
CN112305857A (zh) * 2019-07-31 2021-02-02 京东方科技集团股份有限公司 掩膜板及其制备方法
KR20210153804A (ko) * 2020-06-10 2021-12-20 삼성디스플레이 주식회사 개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템

Also Published As

Publication number Publication date
CN113776780A (zh) 2021-12-10
US11995544B2 (en) 2024-05-28
US20210390683A1 (en) 2021-12-16

Similar Documents

Publication Publication Date Title
KR20210153804A (ko) 개구율 계측 장치 및 이를 포함하는 표시 장치의 열화 보상 시스템
JP4577244B2 (ja) 発光装置及びその駆動方法並びに電子機器
US11636812B2 (en) Degradation compensator, display device having the same, and method for compensating image data of the display device
US11854474B2 (en) Display panel, display device, and electronic device
KR20190029833A (ko) 표시 장치 및 표시 장치의 데이터 보상 방법
US20120154453A1 (en) Display apparatus and display apparatus driving method
CN107705753B (zh) Amoled显示面板的亮度补偿方法
US11322088B2 (en) Display device and terminal device
CN113971934B (zh) 显示装置和终端设备
US11508942B2 (en) OLED display substrate and manufacturing method thereof, OLED display device, and brightness compensation method
CN109637452B (zh) 显示面板及其驱动方法、显示装置
US20230053163A1 (en) Display apparatus
KR20190060025A (ko) 표시 장치 및 이의 구동방법
KR20200071190A (ko) 표시 장치
US20220045149A1 (en) Display apparatus and method of manufacturing the same
CN111462676B (zh) 电压的确定方法及其确定装置、显示装置
KR20210032661A (ko) 터치 전극 제조용 마스크
JP4792788B2 (ja) 温度情報検出方法、表示装置、温度情報検出装置、及び、プログラム
KR20140004460A (ko) 표시 패널, 이를 구비하는 유기 발광 표시 장치 및 표시 패널 제조 방법
CN114495839B (zh) 一种显示面板的面外压降补偿方法及装置
WO2023115332A1 (zh) 显示装置及其驱动方法
US20230050781A1 (en) Display device
KR20190063532A (ko) 유기 발광 다이오드 표시 장치 및 그의 제조 방법
KR20240002256A (ko) 표시 장치 및 그것의 구동 방법
JP2023159520A (ja) 表示装置及び表示装置の制御方法