色偏检测方法及装置、存储介质制造方法及图纸

本公开是关于一种色偏检测方法及装置、存储介质。该方法包括：通过多个图像采集组件获取显示屏在显示画面时的图像；其中，多个所述图像采集组件呈不同角度分布；将从多个角度获取的图像输入预定的色偏检测模型，得到所述显示屏的色偏检测结果。通过该方法，能提升检测效率，减少因不同人员之间的感官差异造成的判断标准不一的问题，以及减少漏检或过检的问题，提升色偏检测的准确性。提升色偏检测的准确性。提升色偏检测的准确性。

【技术实现步骤摘要】
色偏检测方法及装置、存储介质


[0001]本公开涉及电子设备
，尤其涉及一种色偏检测方法及装置、存储介质。

技术介绍

[0002]有机发光半导体(OrganicLight
‑
Emitting Diode，OLED)显示屏的视角色偏严重影响屏幕的质量。在生产过程中需要对该类现象进行管控和检测，目前的检测方案是在量产环境下点亮屏幕，在特定画面下转动屏幕角度，通过人工的方式对屏幕进行观察检测。
[0003]上述人工检测的方式效率极为低下，而且产线长时间人工作业会导致人眼疲劳，十分容易出现批量性漏检或过检。

技术实现思路

[0004]为了克服上述技术问题，本公开的目的在于提供一种色偏检测方法及装置、存储介质，以提升检测效率以及色偏检测的准确性。
[0005]为了达到上述目的，本公开所采用的技术方案如下：
[0006]根据本公开实施例的第一方面，提供一种色偏检测方法，包括：
[0007]通过多个图像采集组件获取显示屏在显示画面时的图像；其中，多个所述图像采集组件呈不同角度分布；
[0008]将从多个角度获取的图像输入预定的色偏检测模型，得到所述显示屏的色偏检测结果。
[0009]在一些实施例中，通过深度学习构建所述色偏检测模型；其中，构建所述色偏检测模型所采用的样本图像由呈不同角度分布的多个所述图像采集组件对多个显示屏进行图像采集获得。
[0010]在一些实施例中，所述色偏检测模型的构建方法包括：
[0011]将所述多个显示屏的样本图像分为第一部分和第二部分；其中，同一显示屏的样本图像在同一部分中；
[0012]将所述第一部分的样本图像作为训练集、所述第二部分的样本图像作为测试集，利用深度学习网络训练获得所述色偏检测模型。
[0013]在一些实施例中，所述将所述第一部分的样本图像作为训练集、所述第二部分的样本图像作为测试集，利用深度学习网络训练获得所述色偏检测模型，包括：
[0014]将作为训练集的所述第一部分的样本图像输入所述深度学习网络，并结合所述第一部分的样本图像的预设标签，获得初始模型；
[0015]将作为测试集的所述第二部分的样本图像输入所述初始模型，获得模型输出结果；
[0016]根据所述模型输出结果以及所述第二部分的样本图像的预设标签，对所述初始模型的网络进行调优，获得所述色偏检测模型。
[0017]在一些实施例中，深度学习网络包括多个特征提取子模块，一个所述特征提取子
模块包括：卷积层、激活层和池化层。
[0018]在一些实施例中，所述多个所述图像采集组件包括5个所述图像采集组件；其中，一个所述图像采集组件与所述显示屏垂直，剩余4个所述图像采集组件分别与垂直于所述显示屏的图像采集组件呈30度角分布。
[0019]根据本公开实施例的第二方面，提供一种信息控制装置，包括：
[0020]获取模块，配置为通过多个图像采集组件获取被检测设备的显示屏在显示画面时的图像；其中，多个所述图像采集组件呈不同角度分布；
[0021]检测模块，配置为将从多个角度获取的图像输入预定的色偏检测模型，得到所述显示屏的色偏检测结果。
[0022]在一些实施例中，所述装置还包括：
[0023]模型构建模块，配置为通过深度学习构建所述色偏检测模型；其中，构建所述色偏检测模型所采用的样本图像由呈不同角度分布的多个所述图像采集组件对多个显示屏进行图像采集获得。
[0024]在一些实施例中，所述模型构建模块包括：
[0025]划分模块，配置为将所述多个显示屏的样本图像分为第一部分和第二部分；其中，同一显示屏的样本图像在同一部分中；
[0026]训练模块，配置为将所述第一部分的样本图像作为训练集、所述第二部分的样本图像作为测试集，利用深度学习网络训练获得所述色偏检测模型。
[0027]在一些实施例中，所述训练模块，还配置为将作为训练集的所述第一部分的样本图像输入所述深度学习网络，并结合所述第一部分的样本图像的预设标签，获得初始模型；将作为测试集的所述第二部分的样本图像输入所述初始模型，获得模型输出结果；根据所述模型输出结果以及所述第二部分的样本图像的预设标签，对所述初始模型的网络进行调优，获得所述色偏检测模型。
[0028]在一些实施例中，深度学习网络包括多个特征提取子模块，一个所述特征提取子模块包括：卷积层、激活层和池化层。
[0029]在一些实施例中，所述多个所述图像采集组件包括5个所述图像采集组件；其中，一个所述图像采集组件与所述显示屏垂直，剩余4个所述图像采集组件分别与垂直于所述显示屏的图像采集组件呈30度角分布。
[0030]根据本公开实施例的第三方面，提供一种色偏检测装置，包括：
[0031]处理器；
[0032]用于存储处理器可执行指令的存储器；
[0033]其中，所述处理器被配置为执行如上述第一方面中所述的色偏检测方法。
[0034]根据本公开实施例的第四方面，提供一种存储介质，包括：
[0035]当所述存储介质中的指令由色偏检测装置的处理器执行时，使得色偏检测装置能够执行如上述第一方面中所述的色偏检测方法。
[0036]本公开的实施例提供的技术方案可以包括以下有益效果：
[0037]在本公开的实施例中，本公开通过获得从多个角度采集的显示屏在显示画面时的图像，将该多个角度的图像输入预定的色偏检测模型从而获得色偏检测结果，一方面，通过自动检测的方式，可大幅度提升检测效率；另一方面，也能减少因不同人员之间的感官差异
造成的判断标准不一的问题，此外，还能减小漏检或过检的可能，提升色偏检测的准确性。
[0038]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0039]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0040]图1是本公开实施例示出的一种色偏检测方法流程图。
[0041]图2为本公开实施例中一种示例性的图像采集组件的分布示例图。
[0042]图3为本公开实施例中一种示例性的检测模块示例图。
[0043]图4是根据一示例性实施例示出的一种色偏检测装置图。
[0044]图5是根据一示例性实施例示出的一种色偏检测装置的框图。
具体实施方式
[0045]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0046]图1是本公开实施例示出的一种色偏检测方法流程图，如图1所示，色偏检测方法包括以下步骤：
...

【技术保护点】

【技术特征摘要】
1.一种色偏检测方法，其特征在于，所述方法包括：通过多个图像采集组件获取显示屏在显示画面时的图像；其中，多个所述图像采集组件呈不同角度分布；将从多个角度获取的图像输入预定的色偏检测模型，得到所述显示屏的色偏检测结果。2.根据权利要求1所述的色偏检测方法，其特征在于，通过深度学习构建所述色偏检测模型；其中，构建所述色偏检测模型所采用的样本图像由呈不同角度分布的多个所述图像采集组件对多个显示屏进行图像采集获得。3.根据权利要求2所述的色偏检测方法，其特征在于，所述色偏检测模型的构建方法包括：将所述多个显示屏的样本图像分为第一部分和第二部分；其中，同一显示屏的样本图像在同一部分中；将所述第一部分的样本图像作为训练集、所述第二部分的样本图像作为测试集，利用深度学习网络训练获得所述色偏检测模型。4.根据权利要求3所述的色偏检测方法，其特征在于，所述将所述第一部分的样本图像作为训练集、所述第二部分的样本图像作为测试集，利用深度学习网络训练获得所述色偏检测模型，包括：将作为训练集的所述第一部分的样本图像输入所述深度学习网络，并结合所述第一部分的样本图像的预设标签，获得初始模型；将作为测试集的所述第二部分的样本图像输入所述初始模型，获得模型输出结果；根据所述模型输出结果以及所述第二部分的样本图像的预设标签，对所述初始模型的网络进行调优，获得所述色偏检测模型。5.根据权利要求2所述的色偏检测方法，其特征在于，深度学习网络包括多个特征提取子模块，一个所述特征提取子模块包括：卷积层、激活层和池化层。6.根据权利要求1所述的色偏检测方法，其特征在于，所述多个所述图像采集组件包括5个所述图像采集组件；其中，一个所述图像采集组件与所述显示屏垂直，剩余4个所述图像采集组件分别与垂直于所述显示屏的图像采集组件呈30度角分布。7.一种色偏检测装置，其特征在于，所述装置包括：获取模块，配置为通过多个图像采集组件获取显示屏在显示画面时的图像；其中，多个所述图像采集组件呈不同角度分布；检测模块，配置...

【专利技术属性】
技术研发人员：向枭，李健，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：