显示面板补偿方法、装置、设备及存储介质与流程

1.本技术涉及显示技术领域，具体涉及一种显示面板补偿方法、装置、设备及存储介质。


背景技术：

2.有机发光二极管(organic light-emitting diode，oled)显示面板为目前受到广泛应用的一种自发光型平面显示面板，oled显示面板是以有机发光材料作为其红色子像素(sub-pixel)、绿色子像素、蓝色子像素，而一个子像素被长时间、高亮度点亮的情况下，有机发光材料会因老化而导致其发光效率降低，使该子像素在相同的驱动电流下无法显示指定的亮度，由于各个像素的老化程度存在差异，最终导致oled面板出现亮度不均匀性和色度不均匀性。
3.去老化(deburn in，dbi)表示消除老化导致的亮度显示不均，相关技术中可通过oled老化模型对oled器件进行亮度补偿。发明人研究发现，子像素的老化程度与多种因素相关，使用单一的老化模型无法应对复杂的亮度衰减变化，导致实际的补偿效果并不理想。


技术实现要素：

4.本技术实施例提供一种显示面板补偿方法、装置、设备及存储介质，有利于提高补偿效果。
5.第一方面，本技术实施例提供一种显示面板补偿方法，该方法包括：获取显示面板在当前时刻的显示参数，显示参数包括显示面板的子像素在当前时刻的灰阶以及目标参数，目标参数包括显示面板在当前时刻的亮度挡位、刷新率、温度中的至少一者；将显示参数输入预先训练的神经网络模型中，得到子像素在当前时刻的当前衰退效率；根据当前衰退效率以及子像素的累计点亮时长，确定子像素的补偿值；基于补偿值补偿子像素的亮度。
6.在第一方面一种可能的实施方式中，在将显示参数输入预先训练的神经网络模型中，得到衰退效率之前，方法还包括：
7.获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括灰阶、目标参数及训练样本中子像素的实际衰退效率；
8.利用训练样本训练预设的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型。
9.在第一方面一种可能的实施方式中，训练样本集包括n*m1*m2*m3*m4个训练样本，其中，m1表示灰阶的数量，m2表示亮度挡位的数量，m3表示刷新率的数量，m4表示温度的数量，n表示子像素的数量，每个训练样本包括一个亮度衰减值，亮度衰减值为训练样本中的子像素点亮第一时长后的亮度衰减值；
10.每个训练样本中子像素的实际衰退效率为训练样本中的亮度衰减值与n*m1*m2*m3*m4个亮度衰减值中最大的亮度衰减值的比值。
11.在第一方面一种可能的实施方式中，在获取训练样本集之前，方法还包括：
12.对每个训练样本，分别执行以下步骤：
13.在基准显示参数下点亮训练样本中的子像素，并获取第一亮度，所述基准显示参数包括基准灰阶以及基准目标参数；
14.按照训练样本的灰阶以及目标参数，点亮训练样本中的子像素；
15.在训练样本中的子像素点亮第一时长后，在基准显示参数下点亮训练样本中的子像素，并获取第二亮度；
16.根据第二亮度与第一亮度的差值，确定训练样本的亮度衰减值；
17.优选的，基准目标参数包括基准亮度挡位、基准刷新率、基准温度中的至少一者。
18.在第一方面一种可能的实施方式中，利用训练样本训练预设的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型，具体包括：
19.对每个训练样本，分别执行以下步骤：
20.将训练样本的灰阶、目标参数输入至预设的神经网络模型中，得到预测衰退效率；
21.根据预测衰退效率和实际衰退效率，确定预设的神经网络模型的损失函数值；
22.在损失函数值不满足训练停止条件的情况下，调整预设的神经网络模型中隐藏层的权重系数，并利用训练样本集训练系数调整后的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型。
23.在第一方面一种可能的实施方式中，隐藏层的数量大于等于2。
24.在第一方面一种可能的实施方式中，根据当前衰退效率以及子像素的累计点亮时长，确定子像素的补偿值，包括：
25.根据子像素在累计点亮时长内多个第二时长对应的衰退效率，确定累计衰退效率；
26.根据当前衰退效率和累计衰退效率，确定当前衰退总效率；
27.根据当前衰退总效率，确定子像素的补偿值。
28.在第一方面一种可能的实施方式中，在根据当前衰退效率和累计衰退效率，确定当前衰退总效率之后，方法还包括：
29.将当前衰退总效率作为更新后的累计衰退效率。
30.在第一方面一种可能的实施方式中，根据当前衰退总效率，确定子像素的补偿值，包括：
31.根据子像素在当前时刻的灰阶对应的老化补偿表，确定当前衰退总效率对应的补偿值，老化补偿表包括多个衰退总效率与多个补偿值的对应关系。
32.在第一方面一种可能的实施方式中，在根据子像素在当前时刻的灰阶对应的老化补偿表，确定当前衰退总效率对应的补偿值之前，方法还包括：
33.对于任意一个衰退总效率，设置衰退总效率对应的初始补偿值；
34.若在初始补偿值下子像素的亮度不符合目标亮度，调整初始补偿值，直至在调整后的初始补偿值下子像素的亮度符合目标亮度，将调整后的初始补偿值作为衰退总效率对应的补偿值。
35.在第一方面一种可能的实施方式中，补偿值包括补偿灰阶值。
36.在第一方面一种可能的实施方式中，补偿灰阶值随衰退总效率的增大而增大。
37.基于相同的发明构思，第二方面，本技术实施例提供一种显示面板补偿装置，该装
置包括：
38.数据获取模块，用于获取所述显示面板在当前时刻的显示参数，所述显示参数包括所述显示面板的子像素在所述当前时刻的灰阶以及目标参数，所述目标参数包括所述显示面板在所述当前时刻的亮度挡位、刷新率、温度中的至少一者；
39.效率确定模块，用于将所述显示参数输入预先训练的神经网络模型中，得到所述子像素在所述当前时刻的当前衰退效率；
40.补偿确定模块，用于根据所述当前衰退效率以及所述子像素的累计点亮时长，确定所述子像素的补偿值；
41.补偿模块，用于基于所述补偿值补偿所述子像素的亮度。
42.基于相同的发明构思，第三方面，本技术实施例提供一种处理器以及存储有计算机程序指令的存储器，处理器执行所述计算机程序指令时实现如第一方面中任意一项实施例所述的显示面板补偿方法。
43.基于相同的发明构思，第四方面，本技术实施例提供一种所述计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如第一方面中任意一项实施例所述的显示面板补偿方法。
44.根据本技术实施例提供的显示面板补偿方法、装置、设备及存储介质，所利用的神经网络模型不再是单一的老化模型，能够兼顾子像素显示的灰阶及灰阶之外的目标参数多种因素对子像素老化程度的影响，从而可提高所确定的当前衰退效率的准确性，进而可可提高补偿精度，有利于提高补偿效果。
附图说明
45.通过阅读以下参照附图对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显，其中，相同或相似的附图标记表示相同或相似的特征，附图并未按照实际的比例绘制。
46.图1示出本技术实施例提供的显示面板补偿方法的一种流程示意图；
47.图2示出本技术实施例提供的显示面板补偿方法的另一种流程示意图；
48.图3示出本技术实施例提供的显示面板补偿方法的又一种流程示意图；
49.图4示出本技术实施例提供的显示面板补偿方法的又一种流程示意图；
50.图5示出本技术实施例提供的显示面板补偿方法的又一种流程示意图；
51.图6示出本技术实施例提供的显示面板补偿方法的又一种流程示意图；
52.图7示出本技术实施例提供的显示面板补偿装置的一种结构示意图；
53.图8示出本技术实施例提供的电子设备的一种结构示意图。
具体实施方式
54.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本技术，并不被配置为限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理
解。
55.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
56.在不脱离本技术的精神或范围的情况下，在本技术中能进行各种修改和变化，这对于本领域技术人员来说是显而易见的。因而，本技术意在覆盖落入所对应权利要求(要求保护的技术方案)及其等同物范围内的本技术的修改和变化。需要说明的是，本技术实施例所提供的实施方式，在不矛盾的情况下可以相互组合。
57.本技术实施例提供了一种显示面板补偿方法、装置、设备及存储介质，以下将结合附图对显示面板补偿方法、装置、设备及存储介质的各实施例进行说明。
58.图1示出本技术实施例提供的显示面板补偿方法的一种流程示意图。如图1所示，本技术实施例提供的显示面板补偿方法包括s110～s140。
59.s110，获取显示面板在当前时刻的显示参数，显示参数包括显示面板的子像素在当前时刻的灰阶以及目标参数，目标参数包括显示面板在当前时刻的亮度挡位、刷新率、温度中的至少一者。
60.s120，将显示参数输入预先训练的神经网络模型中，得到子像素在当前时刻的当前衰退效率。
61.s130，根据当前衰退效率以及子像素的累计点亮时长，确定子像素的补偿值。
62.s140，基于补偿值补偿子像素的亮度。
63.上述各步骤的具体实现方式将在下文中进行详细描述。
64.根据本技术实施例提供的显示面板补偿方法，所利用的神经网络模型不再是单一的老化模型，能够兼顾子像素显示的灰阶及灰阶之外的目标参数多种因素对子像素老化程度的影响，从而可提高所确定的当前衰退效率的准确性，进而可可提高补偿精度，有利于提高补偿效果。
65.下面介绍上述各个步骤的具体实现方式。
66.首先介绍s110。
67.显示面板在显示画面时，可以一帧一帧的切换画面。
68.可选的，可在显示面板显示第i帧画面之前，确定对应于第i帧画面，显示面板的子像素对应的补偿值，这样可基于确定的补偿值来显示第i帧画面。当前时刻可为显示第i帧画面之前的一个时刻。
69.后续步骤中可根据子像素的累计点亮时长确定补偿值。可选的，当前时刻可为显示第i帧画面之前且在显示第i-1帧画面之后的一个时刻。
70.显示面板的子像素在当前时刻的灰阶可为子像素要显示的灰阶。仍以第i帧画面为例，子像素在当前时刻的灰阶为对应于第i帧画面，子像素要显示的灰阶。
71.为了更直观的理解亮度挡位，以显示面板包括亮度条为例，亮度条可用于调整显
示面板的显示亮度，亮度条的不同位置可对应为不同亮度挡位。亮度挡位也可理解为显示亮度等级(display brightness value，dbv)。
72.刷新率为显示面板刷新画面的频率，显示面板可支撑多种刷新率，例如1hz、10hz、30hz、60hz、90hz、120hz、144hz等。
73.温度可以为显示面板所处的环境温度或者显示面板自身的温度。可通过温度采集设备采集所需温度。
74.可选的，目标参数可以包括亮度挡位、刷新率、温度。
75.在介绍s120之前，先介绍神经网络模型的训练过程。
76.在一些可选的实施例中，如图2所示，在s120之前，本技术实施例提供的显示面板补偿方法还可以包括s210和s220。
77.s210，获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括灰阶、目标参数及训练样本中的子像素的实际衰退效率。
78.s220，利用训练样本训练预设的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型。
79.本技术实施例中，在使用神经网络模型之前，利用多个训练样本先对神经网络模型进行训练，这样训练后的神经网络模型的参数更符合实际需求，进而使用训练后的神经网络模型所得到的当前衰退效率更加准确。
80.作为一个示例，可以选取一定数量的显示面板样本，进行老化实验。显示面板样本与本技术实施例的显示面板补偿方法中的显示面板可为同一批次，同一批次的显示面板工艺过程基本一致，因此老化情况基本一致。当然多个显示面板样本也可属于不同批次，这样训练好的神经网络模型可兼顾不同工艺条件对老化的影响。
81.例如训练样本集可包括n*m1*m2*m3*m4个训练样本，其中，m1表示灰阶的数量，m2表示亮度挡位的数量，m3表示刷新率的数量，m4表示温度的数量，n表示子像素的数量，n也可理解为显示面板样本的数量。每个训练样本包括一个亮度衰减值，亮度衰减值为训练样本中的子像素点亮第一时长后的亮度衰减值。n、m1、m2、m3、m4均为正整数，可理解的是，n、m1、m2、m3、m4的数值越大，训练效果越理想。
82.示例性的，可选取m1个待测显示灰阶(gray)、m2个亮度等级(dbv)、m3个频率(f)、m4个温度(t)，红色子像素(r)、绿色子像素(g)和蓝色子像素(b)三种颜色的子像素，每种情况可选择n个样本，进行点亮长达h个小时的老化实验，在实验开始和结束时，分别测量样本的亮度值，实验开始时的亮度值与实验结束时的亮度值的差值即为亮度衰减值。
83.示例性的，l_normalization＝δl/max(δl)，其中，l_normalization可表示训练样本中子像素的实际衰退效率，δl表示训练样本中的亮度衰减值，max(δl)表示n*m1*m2*m3*m4个亮度衰减值中最大的亮度衰减值。换句话说，每个训练样本中子像素的实际衰退效率为训练样本中的亮度衰减值与n*m1*m2*m3*m4个亮度衰减值中最大的亮度衰减值的比值。
84.本技术实施例中，对于n*m1*m2*m3*m4个训练样本，包括n*m1*m2*m3*m4个亮度衰减值，对n*m1*m2*m3*m4个亮度衰减值进行归一化处理，将归一化后的亮度衰减值作为训练样本中子像素的实际衰退效率，如此一来，将每个亮度衰减值与最大的亮度衰减值进行比较，也就是比较不同训练样本的老化程度，如此可更准确预估灰阶、亮度挡位、刷新率、温度
等不同因素对老化的影响。
85.在一些可选的实施例中，如图3所示，在s210之前，对每个训练样本，本技术实施例提供的显示面板补偿方法还可以包括s310～s340。
86.s310，在基准显示参数下点亮子像素，并获取第一亮度，基准显示参数包括基准灰阶以及基准目标参数。
87.s320，按照训练样本包括的灰阶、亮度挡位、刷新率、温度，点亮训练样本中的子像素。
88.s330，在训练样本中的子像素点亮第一时长后，在基准显示参数下点亮训练样本中的子像素，并获取第二亮度。
89.s340，根据第二亮度与第一亮度的差值，确定训练样本的亮度衰减值。
90.对每个训练样本，可分别执行s310～s340。
91.本技术实施例中，第一亮度可理解为实验开始时的亮度值，第二亮度可理解为实验结束时的亮度值，在开始和结束时，显示参数均为基准显示参数，也就是显示条件一致，在一致的条件下所确定的亮度衰减值也更加准确。
92.基准目标参数可包括基准亮度挡位、基准刷新率、基准温度中的至少一者。
93.基准目标参数和s110中获取的目标参数的参数类型相同。
94.示例性的，训练样本中灰阶、亮度挡位、刷新率、温度的具体数值与基准显示参数中基准灰阶、基准亮度挡位、基准刷新率、基准温度的具体数值可不同。
95.作为一个示例，可以采用亮度采集设备采集亮度，而受亮度采集设备自身特性的限制，其采集高亮度下的亮度数据的准确性要大于其采集低亮度下的亮度数据。为了保证所获取的亮度的准确性，基准显示参数中的灰阶可大于第一阈值，例如第一阈值为60灰阶；基准显示参数中的亮度挡位可大于第二阈值，例如第二阈值为100nit。上述第一阈值和第二阈值仅仅是一些示例，可根据实际需求来设置，本技术对此不作限定。
96.作为另一个示例，基准显示参数可包括255灰阶、最大亮度挡位、120hz的刷新率、20
°
的温度。当然，也可以将基准显示参数设置为其它数值。
97.示例性的，第一时长可为h个小时，可根据实际需求设置h的具体数值。
98.在一些可选的实施例中，如图4所示，s220具体可以包括s221～s223。
99.s221，将训练样本的灰阶、目标参数输入至预设的神经网络模型中，得到预测衰退效率。
100.s222，根据预测衰退效率和实际衰退效率，确定预设的神经网络模型的损失函数值。
101.s223，在损失函数值不满足训练停止条件的情况下，调整预设的神经网络模型中隐藏层的权重系数，并利用训练样本集训练系数调整后的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型。
102.对每个训练样本，可分别执行s221～s223。
103.本技术实施例中，将灰阶、目标参数作为神经网络模型的输入，将衰退效率作为神经网络模型的输出，并将损失函数值作为训练的判断条件，以调整神经网络模型中隐藏层的权重系数，这样训练后的神经网络模型更适用于预测衰退效率的应用场景，且预测的衰退效率也会更加准确。
104.本技术实施例中目标参数可包括亮度等级、刷新率和温度。
105.可理解的是，实际衰退效率是根据实际采集的亮度值确定的。
106.示例性的，损失函数值可包括均方差，均方差可以为预测衰退效率和实际衰退效率之间的差异。
107.在损失函数值小于预设损失阈值的情况下，可认为满足训练停止条件。在损失函数值大于或等于预设损失阈值的情况下，可认为不满足训练停止条件。为了提高神经网络模型所预测的衰退效率的准确性，预设损失阈值可足够小，甚至接近于0。
108.神经网络模型可包括k个隐藏层，k大于等于2且为整数。对神经网络模型进行训练，可得到每一个隐藏层的权重系数w1，w2...wk。
109.不同颜色的子像素对应的权重系数w1，w2...wk的具体数值可不同，可分别保存不同颜色的子像素对应的权重系数w1，w2...wk。
110.以上是神经网络模型的训练过程，接下来介绍s120。
111.在s120中，可以将子像素在当前时刻的灰阶、显示面板在当前时刻的亮度挡位、刷新率、温度直接输入训练好的神经网络模型，这样可以直接利用神经网络模型得到子像素在当前时刻的当前衰退效率。
112.具体的，显示面板的存储模块可存储有训练好的神经网络模型对应的权重系数，例如权重系数w1，w2...wk；另外，可在显示面板对应的驱动芯片设置训练好的神经网络模型的前向传播模块，前向传播模块可根据输入的灰阶、亮度挡位、刷新率、温度以及训练好的神经网络模型对应的权重系数，输出衰退效率，输入对应当前时刻，则输出对应为当前衰退效率。
113.接下来介绍s130。
114.在一些可选的实施例中，如图5所示，s130具体可以包括s131～s133。
115.s131，根据子像素在累计点亮时长内多个第二时长对应的衰退效率，确定累计衰退效率。
116.s132，根据当前衰退效率和累计衰退效率，确定当前衰退总效率。
117.s133，根据当前衰退总效率，确定子像素的补偿值。
118.本技术实施例中，通过确定累计点亮时长内的累计衰退效率，并进一步确定当前衰退总效率，从而可仅根据当前衰退总效率，确定补偿值，可提高效率。
119.在s131中，显示面板中子像素的累计点亮时间可为显示面板从第一次点亮时刻至当前时刻，显示面板总的点亮时间。显示面板可对应设置有计时模块，可通过计时模块，每间隔第二时长，获取一次显示面板的显示参数，并将获取的显示参数输入预先训练好的神经网络模型中，这样可得到多个第二时长分别对应的衰退效率。
120.具体的，显示面板从第一次点亮时刻，间隔第一个第二时长时，可第一次获取显示面板的显示参数，并将获取的显示参数输入预先训练好的神经网络模型中，这样可得到第一个第二时长对应的衰退效率s1，可理解的是，在得到衰退效率s1之前，累计衰退效率为0，可将衰退效率s1更新到累计衰退效率。
121.接着间隔第二个第二时长时，可第二次获取显示面板的显示参数，并将获取的显示参数输入预先训练好的神经网络模型中，这样可得到第二个第二时长对应的衰退效率s2，用衰退效率s2与衰退效率s1之和，更新累计衰退效率，则累计衰退效率为s1+s2。
122.接着间隔第三个第二时长时，可第三次获取显示面板的显示参数，并将获取的显示参数输入预先训练好的神经网络模型中，这样可得到第三个第二时长对应的衰退效率s3，用衰退效率s3与累计衰退效率(s1+s2)之和，更新累计衰退效率，则累计衰退效率为s1+s2+s3。
123.以此类推。以累计点亮时间包括n个第二时长为例，则可得到累计衰退效率为s1+s2+s3+
……
+sn。
124.在s132中，具体的，可将当前衰退效率和累计衰退效率之和，作为当前衰退总效率。
125.在一些可选的实施例中，在s132之后，本技术实施例提供的显示面板补偿方法还可以包括：将当前衰退总效率作为更新后的累计衰退效率。
126.这样在确定后续时刻对应的衰退总效率时，可以直接使用更新后的累计衰退效率，可提高效率。
127.在一些可选的实施例中，如图6所示，s133具体可以包括s1331。
128.s1331，根据子像素在当前时刻的灰阶对应的老化补偿表，确定当前衰退总效率对应的补偿值，老化补偿表包括多个衰退总效率与多个补偿值的对应关系。
129.如表1所示，给出了某一灰阶对应的老化补偿表。
130.表1
131.衰退总效率01000200030004000补偿值011.523
132.显示面板的存储模块可存储有老化补偿表，这样在补偿时，可直接调用存储的老化补偿表。
133.示例性的，不同灰阶可对应不同的老化补偿表。
134.在一些可选的实施例中，在s1331之前，可先确定老化补偿表。
135.具体的，在s1331之前，本技术实施例提供的显示面板补偿方法还可以包括：对于任意一个衰退总效率，设置衰退总效率对应的初始补偿值；若在初始补偿值下子像素的亮度不符合目标亮度，调整初始补偿值，直至在调整后的初始补偿值下子像素的亮度符合目标亮度，将调整后的初始补偿值作为衰退总效率对应的补偿值。
136.示例性的，以最高灰阶为例，可以确定最高灰阶的亮度-时间衰减曲线，根据点亮时长，可以确定该点亮时长对应的衰退总效率。进一步可在亮度-时间衰减曲线上确定该点亮时长对应的亮度衰减值，可根据亮度衰减值设置初始补偿值，这样设置的初始补偿值更接近符合要求的补偿值，如此可提高效率。
137.当然，也可根据其它方式确定老化补偿表，本技术对此不作具体限定。
138.示例性的，以当前衰退总效率为1000.4为例，在老化补偿表中没有该衰退总效率的值，这种情况下，可以根据线性差值的方式确定当前衰退总效率1000.4对应的补偿值。例如，当前衰退总效率1000.4对应的补偿值可等于1+(1000.4-1000)*(1.5-1)/(2000-1000)≈1。
139.示例性的，补偿值可包括补偿灰阶值；
140.示例性的，补偿灰阶值随衰退总效率的增大而增大。
141.接着介绍s140。
142.例如，子像素在当前时刻的灰阶为190，也就是子像素即将要显示的灰阶为190，补偿值为1，则该子像素补偿后的灰阶为191，则子像素新的灰阶显示信号为191，进而可根据灰阶值191对应的数据电压驱动该子像素显示。
143.基于相同的发明构思，本技术实施例还提供一种显示面板补偿装置。如图7所示，本技术实施例提供的显示面板补偿装置700可包括数据获取模块701、效率确定模块702、补偿确定模块703和补偿模块704。
144.数据获取模块701，用于获取显示面板在当前时刻的显示参数，显示参数包括显示面板的子像素在当前时刻的灰阶以及目标参数，目标参数包括显示面板在当前时刻的亮度挡位、刷新率、温度中的至少一者；
145.效率确定模块702，用于将显示参数输入预先训练的神经网络模型中，得到子像素在当前时刻的当前衰退效率；
146.补偿确定模块703，用于根据当前衰退效率以及子像素的累计点亮时长，确定子像素的补偿值；
147.补偿模块704，用于基于补偿值补偿子像素的亮度
148.根据本技术实施例提供的显示面板补偿装置，所利用的神经网络模型不再是单一的老化模型，能够兼顾子像素显示的灰阶及灰阶之外的目标参数多种因素对子像素老化程度的影响，从而可提高所确定的当前衰退效率的准确性，进而可可提高补偿精度，有利于提高补偿效果。
149.在一些可选的实施例中，本技术实施例提供的显示补偿装置还可以包括训练模块，训练模块用于：
150.在将显示参数输入预先训练的神经网络模型中，得到衰退效率之前，方法还包括：
151.获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括灰阶、目标参数及训练样本中的子像素的实际衰退效率；
152.利用训练样本训练预设的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型。
153.在一些可选的实施例中，训练样本集包括n*m1*m2*m3*m4个训练样本，其中，m1表示灰阶的数量，m2表示亮度挡位的数量，m3表示刷新率的数量，m4表示温度的数量，n表示子像素的数量，每个训练样本包括一个亮度衰减值，亮度衰减值为训练样本中的子像素点亮第一时长后的亮度衰减值；
154.每个训练样本中子像素的实际衰退效率为训练样本中的亮度衰减值与n*m1*m2*m3*m4个亮度衰减值中最大的亮度衰减值的比值。
155.在一些可选的实施例中，训练模块具体可用于：
156.对每个训练样本，分别执行以下步骤：
157.在基准显示参数下点亮训练样本中的子像素，并获取第一亮度，基准显示参数包括基准灰阶以及基准目标参数；
158.按照训练样本包括的灰阶、亮度挡位、刷新率、温度，点亮训练样本中的子像素；
159.在训练样本中的子像素点亮第一时长后，在基准显示参数下点亮训练样本中的子像素，并获取第二亮度；
160.根据第二亮度与第一亮度的差值，确定训练样本的亮度衰减值。
161.基准目标参数可包括基准亮度挡位、基准刷新率、基准温度中的至少一者。
162.在一些可选的实施例中，训练模块具体可用于：
163.对每个训练样本，分别执行以下步骤：
164.将训练样本的灰阶、目标参数输入至预设的神经网络模型中，得到预测衰退效率；
165.根据预测衰退效率和实际衰退效率，确定预设的神经网络模型的损失函数值；
166.在损失函数值不满足训练停止条件的情况下，调整预设的神经网络模型中隐藏层的权重系数，并利用训练样本集训练系数调整后的神经网络模型，直至满足训练停止条件，得到训练后的神经网络模型。
167.在一些可选的实施例中，隐藏层的数量大于等于2。
168.在一些可选的实施例中，效率确定模块702具体可用于：
169.根据子像素在累计点亮时长内多个第二时长对应的衰退效率，确定累计衰退效率；
170.根据当前衰退效率和累计衰退效率，确定当前衰退总效率；
171.根据当前衰退总效率，确定子像素的补偿值。
172.在一些可选的实施例中，效率确定模块702具体还可用于：
173.将当前衰退总效率作为更新后的累计衰退效率。
174.在一些可选的实施例中，补偿确定模块703具体可用于：
175.根据子像素在当前时刻的灰阶对应的老化补偿表，确定当前衰退总效率对应的补偿值，老化补偿表包括多个衰退总效率与多个补偿值的对应关系；
176.在一些可选的实施例中，补偿确定模块703具体还可用于：
177.对于任意一个衰退总效率，设置衰退总效率对应的初始补偿值；
178.若在初始补偿值下子像素的亮度不符合目标亮度，调整初始补偿值，直至在调整后的初始补偿值下子像素的亮度符合目标亮度，将调整后的初始补偿值作为衰退总效率对应的补偿值。
179.在一些可选的实施例中，补偿值包括补偿灰阶值；
180.在一些可选的实施例中，补偿灰阶值随衰退总效率的增大而增大。
181.本技术实施例中的显示面板补偿装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
182.本技术实施例提供的显示面板补偿装置能够实现图1显示面板补偿方法实施例中的各个过程，为避免重复，这里不再赘述。
183.图8示出了本技术实施例提供的电子设备的硬件结构示意图。
184.在电子设备可以包括处理器801以及存储有计算机程序指令的存储器802。
185.具体地，上述处理器801可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本发明实施
例的一个或多个集成电路。
186.存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器802可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器802可在综合网关容灾设备的内部或外部。在特定实施例中，存储器802是非易失性固态存储器。在特定实施例中，存储器802包括只读存储器(rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。示例性的，存储器可包括非易失性暂态存储器。
187.处理器801通过读取并执行存储器802中存储的计算机程序指令，以实现上述实施例中的任意一种显示面板补偿方法。
188.在一个示例中，电子设备还可包括通信接口803和总线810。其中，如图8所示，处理器801、存储器802、通信接口803通过总线810连接并完成相互间的通信。
189.通信接口803，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
190.总线810包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线810可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
191.该电子设备可以执行本技术实施例中的显示面板补偿方法，从而实现结合图1和图7描述的显示面板补偿方法和显示面板补偿装置。
192.本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时可实现上述实施例中的显示面板补偿方法，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，上述计算机可读存储介质可包括只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等，在此并不限定。
193.以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“计算机可读介质”可以包括能够存储或传输信息的任何介质。计算机可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
194.根据本技术的实施例，计算机可读存储介质可以是非暂态计算机可读存储介质。
195.还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
196.上面参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
197.依照本技术如上文所述的实施例，这些实施例并没有详尽叙述所有的细节，也不限制该申请仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本技术的原理和实际应用，从而使所属技术领域技术人员能很好地利用本技术以及在本技术基础上的修改使用。本技术仅受权利要求书及其全部范围和等效物的限制。