液晶显示屏的放电检测方法、装置、设备及存储介质与流程

本发明涉及数据处理的，尤其涉及一种液晶显示屏的放电检测方法、装置、设备及存储介质。

背景技术：

1、液晶显示屏在现代电子设备中广泛应用，其性能和质量对产品的可靠性和用户体验至关重要。其中，液晶显示屏的放电性能是一个关键指标，用于评估显示屏在不同工作状态下是否存在异常放电现象。异常放电可能导致显示屏的损坏或性能下降，因此需要有效的方法来检测和评估这些异常放电情况。

2、传统方法难以提供定量的异常放电性能评估结果，因此无法进行精确的质量控制和比较。在实际生产中，液晶显示屏的异常放电数据可能非常庞大，传统方法无法有效处理大规模数据分析。

3、因此，需要更有效的方法来自动化、定量地识别和评估异常放电状态，以提高液晶显示屏的质量和可靠性。

技术实现思路

1、本发明提供了一种液晶显示屏的放电检测方法、装置、设备及存储介质，用于解决如何实现定量地识别和评估异常放电状态以提高液晶显示屏的质量和可靠性。

2、本发明第一方面提供了一种液晶显示屏的放电检测方法，所述液晶显示屏的放电检测方法包括：

3、通过预置的光电设备获取液晶显示屏出现异常放电时的光谱信号；

4、将所述光谱信号输入至训练后的深度学习模型，对获取的光谱信号进行特征提取，得到目标特征向量；其中，所述深度学习模型包括：多层卷积网络和分类网络；

5、基于预设的转换规则，将所述目标特征向量转化为相应的目标特征参数；其中，所述目标特征参数用于表示液晶显示屏在不同放电状态时光谱信号的属性；

6、基于所述目标特征参数，创建液晶显示屏在不同放电状态下的光谱特征子集；其中，所述不同放电状态至少包括正常放电状态、异常放电状态、无放电状态；

7、将各个光谱特征子集分别与预设的标准放电特征子集进行对比，识别出液晶显示屏的每个异常放电状态，并从每个异常放电状态中评估出对应的特征差异值；

8、根据每一个异常放电状态的特征差异值，生成每一个异常放电状态的特征差异向量，并基于预设的向量融合算法，将每一个异常放电状态的特征差异向量进行融合处理，生成液晶显示屏异常状态的评价向量；

9、将评价向量输入到训练后的显示屏放电性能评估模型中，得到液晶显示屏放电性能分析结果；其中，所述液晶显示屏放电性能分析结果用于液晶显示屏最终的质量评估以及异常判断。

10、可选的，在本发明第一方面的第一种实现方式中，所述显示屏放电性能评估模型的训练过程，包括：

11、获取样本放电特性数据，将样本放电特性数据输入至一个初始构建的放电性能深度评估网络模型中；其中，所述初始构建的放电性能深度评估网络模型中包含放电模式分析子模型、放电频率检测子模型、显示屏响应速度分析子模型以及色彩响应度分析子模型；

12、基于放电模式分析子模型，解析样本放电特性数据，识别液晶显示屏的实际放电模式，并与预设的放电模式基准进行比对，输出放电模式的偏离度；

13、基于放电频率检测子模型，解析样本放电特性数据，确定液晶显示屏的放电频率，并输出相应的放电频率级别；

14、基于显示屏响应速度分析子模型，解析样本放电特性数据，量化液晶显示屏在放电过程中的响应速度，并输出液晶显示屏响应速度指数；

15、基于色彩响应度分析子模型，解析样本放电特性数据，得到液晶显示屏在放电过程中的色彩响应度，并输出色彩响应度的指标；

16、从样本放电特性数据中提取预先标定的基准值；其中，所述基准值包括：实际放电模式的偏离度、实际放电频率级别、实际响应速度指数以及实际色彩响应度指标；

17、基于初始构建的放电性能深度评估网络模型中各个子模型的输出与预先标定的基准值，计算以下误差：预测的放电模式偏离度与实际放电模式偏离度的差值作为第一误差值；预测的放电频率级别与实际放电频率级别的差异，作为第二误差值；预测的响应速度指数与实际响应速度指数的差值，作为第三误差值；预测的色彩响应度指标与实际色彩响应度指标的差值，作为第四误差值；

18、采用预设的优化策略，对放电性能深度评估网络模型的模型参数进行逐步调整，将第一损失值、第二损失值、第三损失值和第四损失值降至最小，训练得到所述显示屏放电性能评估模型。

19、可选的，在本发明第一方面的第二种实现方式中，所述基于所述目标特征参数，创建液晶显示屏在不同放电状态下的光谱特征子集，包括：

20、对所述目标特征参数进行特征维度提取，得到每个所述目标特征参数对应的目标特征维度；

21、根据所述目标特征维度，确定所述目标特征参数的目标特征点；

22、根据所述目标特征点，对所述目标特征参数进行聚类分析，得到液晶显示屏在不同放电状态下的光谱特征子集。

23、可选的，在本发明第一方面的第三种实现方式中，所述基于预设的向量融合算法，将每一个异常放电状态的特征差异向量进行融合处理，生成液晶显示屏异常状态的评价向量，包括：

24、初始化每个特征差异向量的权重参数；其中，所述每个特征差异向量的权重参数至少包括放电模式特征向量的权重参数和放电频率特征向量的权重参数；

25、通过所述每个特征差异向量的权重参数对异常放电状态的特征差异向量进行预处理，将每个特征差异向量标准化，得到同一尺度下的各个标准特征差异向量；

26、基于预设的向量融合算法将同一尺度下的各个标准特征差异向量进行融合处理，得到综合特征向量；其中，所述预设的向量融合算法至少包括加权求和、主成分分析算法、线性判别分析算法；

27、基于预设的评价函数将综合特征向量进行评估，得到最终的评价向量；其中，所述评价向量用于标识液晶显示屏的放电性能情况。

28、可选的，在本发明第一方面的第四种实现方式中，所述预设的评价函数至少包括svm分类器、决策树、随机森林中的一种。

29、本发明第二方面提供了一种液晶显示屏的放电检测装置，所述液晶显示屏的放电检测装置包括：

30、获取模块，用于通过预置的光电设备获取液晶显示屏出现异常放电时的光谱信号；

31、提取模块，用于将所述光谱信号输入至训练后的深度学习模型，对收集的光谱信号进行特征提取，得到目标特征向量；其中，所述深度学习模型包括：多层卷积网络和分类网络；

32、转化模块，用于基于预设的转换规则，将所述目标特征向量转化为相应的目标特征参数；其中，所述目标特征参数用于表示液晶显示屏在不同放电状态时光谱信号的属性；

33、创建模块，用于基于所述目标特征参数，创建液晶显示屏在不同放电状态下的光谱特征子集；其中，所述不同放电状态至少包括正常放电状态、异常放电状态、无放电状态；

34、对比模块，用于将各个光谱特征子集分别与预设的标准放电特征子集进行对比，识别出液晶显示屏的每个异常放电状态，并从每个异常放电状态中评估出对应的特征差异值；

35、融合模块，用于根据每一个异常放电状态的特征差异值，生成每一个异常放电状态的特征差异向量，并基于预设的向量融合算法，将每一个异常放电状态的特征差异向量进行融合处理，生成液晶显示屏异常状态的评价向量；

36、评估模块，用于将评价向量输入到训练后的显示屏放电性能评估模型中，得到液晶显示屏放电性能分析结果；其中，所述液晶显示屏放电性能分析结果用于液晶显示屏最终的质量评估以及异常判断。

37、本发明第三方面提供了一种液晶显示屏的放电检测设备，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，以使得所述液晶显示屏的放电检测设备执行上述的液晶显示屏的放电检测方法。

38、本发明的第四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液晶显示屏的放电检测方法。

39、本发明提供的技术方案中，有益效果：本发明提供一种液晶显示屏的放电检测方法、装置、设备及存储介质，通过预置的光电设备获取液晶显示屏出现异常放电时的光谱信号；将所述光谱信号输入至训练后的深度学习模型，对获取的光谱信号进行特征提取，得到目标特征向量；基于预设的转换规则，将所述目标特征向量转化为相应的目标特征参数；基于所述目标特征参数，创建液晶显示屏在不同放电状态下的光谱特征子集；将各个光谱特征子集分别与预设的标准放电特征子集进行对比，识别出液晶显示屏的每个异常放电状态，并从每个异常放电状态中评估出对应的特征差异值；根据每一个异常放电状态的特征差异值，生成每一个异常放电状态的特征差异向量，并基于预设的向量融合算法，将每一个异常放电状态的特征差异向量进行融合处理，生成液晶显示屏异常状态的评价向量；将评价向量输入到训练后的显示屏放电性能评估模型中，得到液晶显示屏放电性能分析结果。本发明通过预置的光电设备有效地获取液晶显示屏异常放电时的光谱信号，为后续深度学习模型提供了高质量和可靠的输入数据。通过输入获得的光谱信号至训练后的深度学习模型，提高了数据处理效率。基于预设的转换规则，转化目标特征向量为相应的目标特征参数，能更好地表示液晶显示屏在不同放电状态时的光谱信号属性，提供了更为直观和准确的诊断依据。通过评估每个异常放电状态的特征差异值并生成评价向量，使得对不同异常放电状态的判断更具定量性和精确性，将评价向量输入到训练后的显示屏放电性能评估模型中，使得对液晶显示屏放电性能的分析更加准确，可有效指导液晶显示屏的生产和应用，降低了生产成本，提升了产品质量。