视效评价方法、装置、设备及存储介质与流程

1.本发明涉及显示技术领域，尤其涉及一种视效评价方法、装置、设备及存储介质。


背景技术：

2.在显示领域中，评判显示器件显示性能的优劣性是多个维度的。其中，较为关键的参数，比如亮度、色域、刷新率、可视角、对比度等都有完善的评判标准，然而，对显示器件显示效果尤为重要的主观视效尚没有可以客观地进行评判的方法。目前评判显示器件的主观视效的方法一般是通过具有经验的人工来判断，现有方法存在耗费时间长，评判主观因素影响较大，导致评判结果因人而异的问题。


技术实现要素：

3.本发明的主要目的在于：提供一种视效评价方法、装置、设备及存储介质，旨在解决现有技术中显示器件的主观视效评判方法存在主观因素影响较大，导致评判结果差异较大的技术问题。
4.为实现上述目的，本发明采用如下技术方案：
5.第一方面，本发明提供了一种视效评价方法，所述方法包括：
6.获取目标显示器件的光学参数数据以及所述目标显示器件在纯色显示场景下的图像数据；
7.对所述图像数据进行视效缺陷特征提取，获得缺陷特征数据；
8.将所述光学参数数据和所述缺陷特征数据输入训练获得的视效评价模型，输出视效评价结果；其中，所述视效评价模型基于深度学习算法构建。
9.可选地，上述视效评价方法中，所述获取目标显示器件的光学参数数据的步骤包括：
10.通过电荷耦合元件采集目标显示器件上各采样点处的光学参数；其中，所述采样点在所述目标显示器件上矩阵排列；
11.根据所述各采样点处的光学参数，获得所述目标显示器件的光学参数矩阵，将所述光学参数矩阵确定为光学参数数据。
12.可选地，上述视效评价方法中，所述获取目标显示器件在纯色显示场景下的图像数据的步骤包括：
13.通过拍摄装置获取所述目标显示器件在纯色显示场景下的图像数据。
14.可选地，上述视效评价方法中，所述对所述图像数据进行视效缺陷特征提取，获得缺陷特征数据的步骤包括：
15.通过图像识别技术对所述图像数据进行视效缺陷识别，得到视效缺陷类型及视效缺陷图像；
16.对所述视效缺陷图像进行向量化处理，得到缺陷特征数据。
17.可选地，上述视效评价方法中，所述通过图像识别技术对所述图像数据进行视效
缺陷识别，得到视效缺陷图像的步骤之后，所述方法还包括：
18.根据所述视效缺陷类型，在预设表格中查找与所述视效缺陷类型对应的视效缺陷原因和整改方案；其中，所述预设表格包括视效缺陷类型、视效缺陷原因和整改方案的关联关系；
19.对所述视效缺陷图像、所述视效缺陷原因和所述整改方案进行显示。
20.可选地，上述视效评价方法中，所述将所述光学参数数据和所述缺陷特征数据输入训练获得的视效评价模型，输出视效评价结果的步骤之前，所述方法还包括：
21.建立待训练模型；其中，所述待训练模型为循环神经网络模型；
22.获取训练数据集和测试数据集；其中，所述训练数据集包括光学参数训练数据和缺陷特征训练数据，所述测试数据集包括人工标注后的光学参数训练数据和缺陷特征训练数据；
23.利用所述训练数据集和所述测试数据集，对所述待训练模型进行训练，获得视效评价模型。
24.可选地，上述视效评价方法中，所述获取训练数据集和测试数据集的步骤包括：
25.获取初始数据集；其中，所述初始数据集包括光学参数训练数据和图像训练数据；
26.对所述初始数据集中的图像训练数据进行缺陷特征标注和噪声过滤，得到缺陷特征训练数据，获得训练数据集；
27.对所述初始数据集进行人工评分，获得测试数据集。
28.第二方面，本发明提供了一种视效评价装置，所述装置包括：
29.数据获取模块，用于获取目标显示器件的光学参数数据以及所述目标显示器件在纯色显示场景下的图像数据；
30.特征提取模块，用于对所述图像数据进行视效缺陷特征提取，获得缺陷特征数据；
31.视效评价模块，用于将所述光学参数数据和所述缺陷特征数据输入训练获得的视效评价模型，输出视效评价结果；其中，所述视效评价模型基于深度学习算法构建。
32.第三方面，本发明提供了一种视效评价设备，所述设备包括处理器和存储器，所述存储器中存储有视效评价程序，所述视效评价程序被所述处理器执行时，实现如上述的视效评价方法。
33.第四方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序可被一个或多个处理器执行，以实现如上述的视效评价方法。
34.本发明提供的上述一个或多个技术方案，可以具有如下优点或至少实现了如下技术效果：
35.本发明提出的一种视效评价方法、装置、设备及存储介质，通过获取目标显示器件的光学参数数据以及目标显示器件在纯色显示场景下的图像数据后，对图像数据进行视效缺陷特征提取，获得缺陷特征数据，再将光学参数数据和缺陷特征数据一起输入训练获得的视效评价模型中，由视效评价模型进行深度学习运算，输出视效评价结果，实现对目标显示器件的视效进行客观评价的目的。本发明为显示器件的视效评价提供了统一的评价标准，替代了传统的人工评价方法，以更客观地方式来评价显示器件的视效，可用于显示器件产线上进行全面检测，可进一步提高质检效率。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的这些附图获得其他的附图。
37.图1为本发明视效评价方法第一实施例的流程示意图；
38.图2为本发明涉及的视效评价设备的硬件结构示意图；
39.图3为本发明视效评价方法第二实施例的流程示意图；
40.图4为本发明视效评价方法第二实施例的步骤s210中采样点的布局示意图；
41.图5为本发明视效评价装置第一实施例的功能模块示意图。
42.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
43.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.需要说明，在本发明中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。另外，在本发明中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
45.对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。另外，各个实施例的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
46.对现有技术的分析发现，在显示领域中，评判显示器件显示性能的优劣性是多个维度的。其中，较为关键的参数，比如亮度、色域、刷新率、可视角、对比度等都有完善的评判标准，然而，对显示器件显示效果尤为重要的主观视效尚没有可以客观地进行评判的方法。
47.主观视效是指显示器件在纯色场下的显示效果，主要包括亮度均匀性，色彩一致性，是否存在暗角、暗框、亮边，mura程度，灯颗影等等。主观视效是显示器件显示效果的主观感知，涉及多个方面，因此很难制定统一的评判标准。
48.目前评判显示器件的主观视效的方法一般是通过具有经验的人工来判断，现有方法存在耗费时间长，评判主观因素影响较大，导致评判结果因人而异的问题。
49.鉴于现有技术中显示器件的主观视效评判方法存在主观因素影响较大，导致评判结果差异较大的技术问题，本发明提供了一种视效评价方法，总体思路如下：
50.获取目标显示器件的光学参数数据以及所述目标显示器件在纯色显示场景下的
图像数据；对所述图像数据进行视效缺陷特征提取，获得缺陷特征数据；将所述光学参数数据和所述缺陷特征数据输入训练获得的视效评价模型，输出视效评价结果；其中，所述视效评价模型基于深度学习算法构建。
51.通过上述技术方案，获取目标显示器件的光学参数数据以及目标显示器件在纯色显示场景下的图像数据后，对图像数据进行视效缺陷特征提取，获得缺陷特征数据，再将光学参数数据和缺陷特征数据一起输入训练获得的视效评价模型中，由视效评价模型进行深度学习运算，输出视效评价结果，实现对目标显示器件的视效进行客观评价的目的。本发明为显示器件的视效评价提供了统一的评价标准，替代了传统的人工评价方法，以更客观地方式来评价显示器件的视效，可用于显示器件产线上进行全面检测，进一步提高质检效率。
52.下面结合附图，通过具体的实施例和实施方式对本发明提供的视效评价方法、装置、设备及存储介质进行详细说明。
53.实施例一
54.参照图1的流程示意图，提出本发明视效评价方法的第一实施例，该视效评价方法应用于视效评价设备。所述设备是指能够实现网络连接的终端设备或网络设备，所述视效评价设备可以是手机、电脑、平板电脑、嵌入式工控机等终端设备，也可以是服务器、云平台等网络设备。
55.如图2所示，为视效评价设备的硬件结构示意图。所述设备可以包括：处理器1001，例如cpu(central processing unit，中央处理器)，通信总线1002，用户接口1003，网络接口1004，存储器1005。
56.本领域技术人员可以理解，图2中示出的硬件结构并不构成对本发明视效评价设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
57.具体的，通信总线1002用于实现这些组件之间的连接通信；
58.用户接口1003用于连接客户端，与客户端进行数据通信，用户接口1003可以包括输出单元，如显示屏、输入单元，如键盘；
59.网络接口1004用于连接后台服务器，与后台服务器进行数据通信，网络接口1004可以包括输入/输出接口，比如标准的有线接口、无线接口，如wi-fi接口；
60.存储器1005用于存储各种类型的数据，这些数据例如可以包括该视效评价设备中任何应用程序或方法的指令，以及应用程序相关的数据，存储器1005可以是高速ram存储器，也可以是稳定的存储器，例如磁盘存储器，可选的，存储器1005还可以是独立于所述处理器1001的存储装置；
61.具体的，继续参照图2，存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及视效评价程序，其中，网络通信模块主要用于连接服务器，与服务器进行数据通信；
62.处理器1001用于调用存储器1005中存储的视效评价程序，并执行以下操作：
63.获取目标显示器件的光学参数数据以及所述目标显示器件在纯色显示场景下的图像数据；
64.对所述图像数据进行视效缺陷特征提取，获得缺陷特征数据；
65.将所述光学参数数据和所述缺陷特征数据输入训练获得的视效评价模型，输出视效评价结果；其中，所述视效评价模型基于深度学习算法构建。
66.基于上述的视效评价设备，下面结合图1所示的流程示意图，对本实施例的视效评价方法进行详细描述。所述方法可以包括以下步骤：
67.步骤s200：获取目标显示器件的光学参数数据以及所述目标显示器件在纯色显示场景下的图像数据。
68.具体的，光学参数包括亮度、色点、色域中的至少一种；纯色显示场景包括显示纯白、纯黑、红色、绿色、蓝色中的至少一种图片的场景。光学参数数据包括对直接采集的光学参数进行预处理后的参数矩阵；图像数据包括图像采集装置直接采集的显示器件在显示纯色图片时的图片或拍摄装置直接拍摄的显示器件在显示纯色图片时的图片。光学参数数据的获取方式包括通过传感器，具体通过电荷耦合元件(ccd，charge coupled device，也称ccd图像传感器)直接采集或者通过专用采集装置采集后传输到视效评价设备中，采集目标显示器件的光学参数时，可以对目标显示器件上呈矩阵排列的多个采样点同时进行采样，得到的光学参数数据对应地为矩阵数据；图像数据的获取方式包括通过视效评价设备的摄像头或外部连接的摄像装置拍摄后传输到视效评价设备中。
69.视效评价设备获取目标显示器件的光学参数数据和目标显示器件在纯色显示场景下的图像数据。结合这两方面数据，可以保证最终评价的结果更全面化，更具有说服力和信服力，更好地替代人工评价方法。
70.步骤s400：对所述图像数据进行视效缺陷特征提取，获得缺陷特征数据。
71.具体的，视效缺陷包括亮度不均匀、色彩不一致、存在暗角、存在暗框、存在亮边、存在灯颗影、mura(斑点)明显等等。对图像数据进行特征提取的方式包括采用图像识别技术进行特征识别，将特征部分提取为单独的图像，还可以通过预训练的分类模型将图片数据中的不同特征进行分类，得到分类后的特征图像及该分类的特征类型，从而得到多种不同特征类型和对应的特征图像。进行视效缺陷特征提取即对图像数据中存在的不同类型的视效缺陷进行识别，识别出视效缺陷的类型，并划分得到对应的一张或多张视效缺陷图像，可以将得到的视效缺陷类型和视效缺陷图像进行显示，提醒用户直观查看目标显示器件存在的问题，也可以对该图像进行向量化处理，可得到缺陷特征数据，以进行后续的视效评价。
72.对视效缺陷进行特征提取，方便后续充分考虑到该视效缺陷，以结合参数数据一起进行视效评价，促进后续的学习和泛化步骤，可以为视效评价结果带来更好的可解释性。
73.步骤s600：将所述光学参数数据和所述缺陷特征数据输入训练获得的视效评价模型，输出视效评价结果；其中，所述视效评价模型基于深度学习算法构建。
74.具体的，光学参数数据可以为呈矩阵排列的光学参数；缺陷特征数据可以为特征向量数据，视效评价模型基于深度学习算法建立初始模型后，利用人工标注后的训练数据，即人工标注了主观视效评分的相关光学参数数据和图像数据作为训练数据，对初始模型进行训练，得到训练后的视效评价模型。将光学参数数据和缺陷特征数据同时输入视效评价模型，最终输出对应的视效评价结果，包括对目标显示器件当前状态下的主观视效的评分。
75.通过深度学习模型来进行视效评价，在不断学习每次视效评价的同时，还会及时根据前一次的视效评价结果进行参数更新，后续以更新后的视效评价模型持续进行视效评价，不需要再由人工进行人工评分，避免了不同人工不同认知角度产生的评价结果差异性问题，以及传统人工评价导致的时间；浪费和人力浪费问题，提供了更为客观性地对目标显
示器件进行视效评价的方法，减少耗时和人力浪费。
76.本实施例提供的视效评价方法，通过获取目标显示器件的光学参数数据以及目标显示器件在纯色显示场景下的图像数据后，对图像数据进行视效缺陷特征提取，获得缺陷特征数据，再将光学参数数据和缺陷特征数据一起输入训练获得的视效评价模型中，由视效评价模型进行深度学习运算，输出视效评价结果，实现对目标显示器件的视效进行客观评价的目的。本发明为显示器件的视效评价提供了统一的评价标准，替代了传统的人工评价方法，以更客观地方式来评价显示器件的视效，可用于显示器件产线上进行全面检测，进一步提高质检效率。
77.实施例二
78.基于同一发明构思，参照图3至图4，提出本发明视效评价方法的第二实施例，该视效评价方法应用于视效评价设备。
79.下面结合图3所示的流程示意图，对本实施例的视效评价方法进行详细描述。所述方法可以包括以下步骤：
80.步骤s200：获取目标显示器件的光学参数数据以及所述目标显示器件在纯色显示场景下的图像数据。
81.进一步地，步骤s200可以包括：
82.步骤s210：通过电荷耦合元件采集目标显示器件上各采样点处的光学参数；其中，所述采样点在所述目标显示器件上矩阵排列。
83.电荷耦合元件(ccd传感器)是一种半导体器件，能够把光学影像转化为数字信号。ccd传感器设置在目标显示器件的显示面板上，用于采集目标显示器件的各个采样点处的光学参数，比如，亮度、色点、色域等参数。如图4所示为采样点的布局示意图，在目标显示器件的显示面板上，采样点呈矩阵排列，即呈m行n列的形式排列，采集每个采样点处的光学参数。在具体实施过程中，图4中采样点的密度均可以根据目标显示器件显示面板的大小进行调节。
84.步骤s220：根据所述各采样点处的光学参数，获得所述目标显示器件的光学参数矩阵，将所述光学参数矩阵确定为光学参数数据。
85.在步骤s210通过ccd传感器对图4中各个采样点的光学参数进行采集后，汇总各个采样点的数据，可以得到m
×
n的光学参数矩阵，即光学参数数据。
86.更进一步地，步骤s200还可以包括：
87.步骤s230：通过拍摄装置获取所述目标显示器件在纯色显示场景下的图像数据。
88.在获取光学参数数据的同时，还可以通过摄像头获取目标显示器件显示纯色图片时的图像数据。拍摄装置可以是视效评价设备自带的摄像头进行图像采集，也可以是外部摄像装置进行图像采集，比如设置在目标显示器件质检流水线上的摄像装置等，以数字信号的方式传输给视效评价设备，拍摄到的图像即为图像数据。
89.步骤s400：对所述图像数据进行视效缺陷特征提取，获得缺陷特征数据。
90.进一步地，步骤s400可以包括：
91.步骤s410：通过图像识别技术对所述图像数据进行视效缺陷识别，得到视效缺陷类型及视效缺陷图像。
92.图像识别技术也是一种人工智能技术，是对图像进行目标识别，以识别各种不同
模式的目标和对象的技术。此处的目标即为视效缺陷部分，比如，目标显示器件的一个完整的图像数据中，可能在某个角落或每个小部区域存在亮度不均匀、存在暗角、存在灯颗影等等视效缺陷，通过该图像识别技术，将该图像数据中存在视效缺陷的部分提取出来，得到具体的视效缺陷类型和视效缺陷图像。
93.步骤s420：对所述视效缺陷图像进行向量化处理，得到缺陷特征数据。
94.由于视效缺陷图像要和光学参数数据一起作为视效评价模型的输入量，因此，还需对视效缺陷图像进行数据化处理，具体为将该视效缺陷图像进行向量化处理，得到缺陷特征数据。
95.在通过图像识别技术对所述图像数据进行视效缺陷识别，得到视效缺陷类型及视效缺陷图像的步骤之后，可以按顺序执行如下步骤s430～s440，从而实现对缺陷特征图像的显示和为用户提供该视效缺陷类型所对应的解决方案的目的。对应地，所述方法还可以包括：
96.步骤s430：根据所述视效缺陷类型，在预设表格中查找与所述视效缺陷类型对应的视效缺陷原因和整改方案；其中，所述预设表格包括视效缺陷类型、视效缺陷原因和整改方案的关联关系；
97.步骤s440：对所述视效缺陷图像、所述视效缺陷原因和所述整改方案进行显示。
98.通过图像识别技术进行视效缺陷识别后，得到了图像数据中存在的具体视效缺陷类型和对应的视效缺陷图像，针对该视效缺陷类型，在预先存储的表格中查找预存的视效缺陷原因和对应的整改方案，将查找到的与该类型对应的视效缺陷原因和整改方案显示出来，工作人员即可查看到当前图像数据存在的视效缺陷类型，从而针对显示的视效缺陷原因进行一一排查，并按照该视效缺陷原因的整改方案来进行整改。
99.对图像数据处理后的视效缺陷图像进一步拓展，增加原因分析和整改建议的步骤，更方便该方法应用在实际流水线上时，为流水线上的工作人员提供便利。
100.在对所述图像数据进行视效缺陷特征提取，获得缺陷特征数据的步骤之后，可以按顺序执行如下步骤s510～s600，从而实现先构建视效评价模型，再使用该视效评价模型进行视效评价的目的，也可以将步骤s510～s530作为单独的步骤分支执行，从而实现构建视效评价模型的目的。
101.步骤s510：建立待训练模型；其中，所述待训练模型为循环神经网络模型。
102.由于视效评价模型基于深度学习算法构建，深度学习算法中循环神经网络的输入可以是序列，结合本实施例中获取的光学参数矩阵数据和缺陷特征向量数据的特性，此处可以采用有监督的循环神经网络(rnn，recurrent neural network)构建模型，得到待训练模型。具体实施过程中，还可以采用其他深度学习算法，比如，卷积神经网络(cnn，convolutional neural networks)、深度神经网络(dnn，deep neural network)等等，可根据获取的光学参数数据和提取到的缺陷特征数据的实际情况进行选择。
103.步骤s520：获取训练数据集和测试数据集；其中，所述训练数据集包括光学参数训练数据和缺陷特征训练数据，所述测试数据集包括人工标注后的光学参数训练数据和缺陷特征训练数据；
104.进一步地，步骤s520可以包括：
105.步骤s521：获取初始数据集；其中，所述初始数据集包括光学参数训练数据和图像
训练数据。
106.光学参数训练数据和图像训练数据可以是历史获取的目标显示器件的历史光学参数数据以及目标显示器件在纯色显示场景下的历史图像数据，也可以是单独采集的目标显示器件的光学参数数据以及标显示器件在纯色显示场景下的图像数据。
107.步骤s522：对所述初始数据集中的图像训练数据进行缺陷特征标注和噪声过滤，得到缺陷特征训练数据，获得训练数据集。
108.由于直接获取的图像训练数据中的缺陷特征不明显，因此，需要对其进行缺陷特征标注，得到图像训练数据的缺陷特征向量。同时，由于机器学习算法在变量太多的时候可能收敛性较差，因此还需要对图像训练数据处理后的得到的缺陷特征向量进行处理，提取到对视效评价影响较大的数据，剔除冗余数据和干扰数据，得到处理后的缺陷特征训练数据。优选地，也可以对光学参数训练数据进行噪声过滤，剔除冗余数据和干扰数据，得到处理后的光学参数训练数据。处理后的缺陷特征训练数据和/或处理后的光学参数训练数据即可作为上述待训练模型的训练数据。
109.视效评价模型进行训练后，还要对其进行测试，所以需要将处理得到的光学参数训练数据和缺陷特征训练数据进行划分，得到训练数据集和测试用数据集。
110.步骤s523：对所述初始数据集进行人工评分，获得测试数据集。
111.对步骤s522中的划分后的测试用数据集还需进行人工评分，也就是针对这些光学参数训练数据和缺陷特征训练数据，以现有的人工经验评分的方式来进行视效评价标注，得到标注的视效评价结果y，即获得测试数据集。
112.步骤s530：利用所述训练数据集和所述测试数据集，对所述待训练模型进行训练，获得视效评价模型。
113.将训练数据集中的数据设为x，x∈rn，将待训练模型设为
[0114][0115]
其中，b表示常数，n表示训练数据集中输入数据的数量，xi表示第i个输入数据，wi表示第i个输入数据xi的权重系数；
[0116]
利用训练数据集对待训练模型进行训练后，再利用测试数据集对训练后的模型进行测试，如此循环，当判定满足训练收敛条件时，训练结束，从而得到训练好的视效评价模型；其中，收敛条件可以是，测试数据集中的数据输入模型后，得到的视效评价结果与直接人工标注的视效结果y
test
之间的比较值mes
test
小于预设阈值，其中，比较值mes
test
的计算式为：
[0117][0118]
其中，m表示测试数据集中数据的数量。
[0119]
步骤s600：将所述光学参数数据和所述缺陷特征数据输入训练获得的视效评价模型，输出视效评价结果。
[0120]
在执行步骤s510～s530后，得到训练好的视效评价模型，在具体实施过程中，将步
骤s200获取的光学参数数据和步骤s400得到的缺陷特征数据，具体为光学参数矩阵和缺陷特征向量一起输入到训练好的视效评价模型中，进行视效评价模型的运算，直接输出视效评价结果，即针对目标显示器件当前状态的客观性的视效评分。
[0121]
视效评价模型输出视效评价结果后，视效评价设备可以同时对步骤s410得到的视效缺陷图像，步骤s430得到的视效缺陷原因和整改方案，以及该视效评价结果一起进行显示。
[0122]
具体的，还可以对本次评价所获取的光学参数数据和缺陷特征数据进行存储与历史数据一起作为训练数据，继续对视效评价模型进行训练，更新视效评价模型的参数，得到更新后的视效评价模型，以便后续以该视效评价模型进行视效评价，保证视效评价的精确度。
[0123]
上述方法步骤的具体实施方式中更多实施细节可参见实施例一中具体实施方式的描述，为了说明书的简洁，此处不再重复赘述。
[0124]
本实施例提供的视效评价方法，避免了视效评价标准不统一的问题，该方法可加入流水线作业，做到应检尽检，大大提高显示器件的产品稳定性。除此之外，还通过方法拓展，对提取到的视效缺陷图像有效地提供主观视效低分的原因，并提供整改方案建议，对主观视效的问题点进行暴露分析，有助于产品分析改善。每次视效评价获取的数据和分析得到的视效评价结果均可以进行存储，方便后续对模型的优化，方便进一步对大批量生产过程中出现的问题点能够快速定位。
[0125]
实施例三
[0126]
基于同一发明构思，参照图5，提出本发明视效评价装置的第一实施例，该视效评价装置可以为虚拟装置，应用于视效评价设备。
[0127]
下面结合图5所示的功能模块示意图，对本实施例提供的视效评价装置进行详细描述，所述装置可以包括：
[0128]
数据获取模块，用于获取目标显示器件的光学参数数据以及所述目标显示器件在纯色显示场景下的图像数据；
[0129]
特征提取模块，用于对所述图像数据进行视效缺陷特征提取，获得缺陷特征数据；
[0130]
视效评价模块，用于将所述光学参数数据和所述缺陷特征数据输入训练获得的视效评价模型，输出视效评价结果；其中，所述视效评价模型基于深度学习算法构建。
[0131]
进一步地，数据获取模块可以包括：
[0132]
参数采集单元，用于通过电荷耦合元件采集目标显示器件上各采样点处的光学参数；其中，所述采样点在所述目标显示器件上矩阵排列；
[0133]
参数数据获取单元，用于根据所述各采样点处的光学参数，获得所述目标显示器件的光学参数矩阵，将所述光学参数矩阵确定为光学参数数据。
[0134]
进一步地，数据获取模块可以包括：
[0135]
图像数据获取单元，用于通过拍摄装置获取所述目标显示器件在纯色显示场景下的图像数据。
[0136]
进一步地，特征提取模块可以包括：
[0137]
图像识别单元，用于通过图像识别技术对所述图像数据进行视效缺陷识别，得到视效缺陷类型及视效缺陷图像；
[0138]
向量化处理单元，用于对所述视效缺陷图像进行向量化处理，得到缺陷特征数据。
[0139]
更进一步地，特征提取模块还可以包括：
[0140]
建议获取单元，用于根据所述视效缺陷类型，在预设表格中查找与所述视效缺陷类型对应的视效缺陷原因和整改方案；其中，所述预设表格包括视效缺陷类型、视效缺陷原因和整改方案的关联关系；
[0141]
显示单元，用于对所述视效缺陷图像、所述视效缺陷原因和所述整改方案进行显示。
[0142]
进一步地，所述装置还可以包括：
[0143]
模型建立模块，用于建立待训练模型；其中，所述待训练模型为循环神经网络模型；
[0144]
数据集获取模块，用于获取训练数据集和测试数据集；其中，所述训练数据集包括光学参数训练数据和缺陷特征训练数据，所述测试数据集包括人工标注后的光学参数训练数据和缺陷特征训练数据；
[0145]
模型训练模块，用于利用所述训练数据集和所述测试数据集，对所述待训练模型进行训练，获得视效评价模型。
[0146]
更进一步地，数据集获取模块可以包括：
[0147]
初始数据集获取单元，用于获取初始数据集；其中，所述初始数据集包括光学参数训练数据和图像训练数据；
[0148]
训练数据集获取单元，用于对所述初始数据集中的图像训练数据进行缺陷特征标注和噪声过滤，得到缺陷特征训练数据，获得训练数据集；
[0149]
人工标注单元，用于对所述初始数据集进行人工评分，获得测试数据集。
[0150]
需要说明，本实施例提供的视效评价装置中各个模块可实现的功能和对应达到的技术效果可以参照本发明视效评价方法各个实施例中具体实施方式的描述，为了说明书的简洁，此处不再赘述。
[0151]
实施例四
[0152]
基于同一发明构思，参照图2，为本发明各实施例涉及的视效评价设备的硬件结构示意图。本实施例提供了一种视效评价设备，所述视效评价设备可以包括处理器和存储器，所述存储器中存储有视效评价程序，所述视效评价程序被所述处理器执行时，实现本发明视效评价方法各个实施例的全部或部分步骤。
[0153]
具体的，所述视效评价设备是指能够实现网络连接的终端设备或网络设备，可以是手机、电脑、平板电脑、便携计算机等终端设备，也可以是服务器、云平台等网络设备。
[0154]
可以理解，所述视效评价设备还可以包括通信总线，用户接口和网络接口。其中，通信总线用于实现这些组件之间的连接通信。用户接口用于连接客户端，与客户端进行数据通信，用户接口可以包括输出单元，如显示屏、输入单元，如键盘，可选的，用户接口还可以包括其他输入/输出接口，比如标准的有线接口、无线接口。网络接口用于连接后台服务器，与后台服务器进行数据通信，网络接口可以包括输入/输出接口，比如标准的有线接口、无线接口，如wi-fi接口。
[0155]
存储器用于存储各种类型的数据，这些数据例如可以包括该视效评价设备中任何应用程序或方法的指令，以及应用程序相关的数据。存储器可以由任何类型的易失性或非
易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，随机存取存储器(random access memory，简称ram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘，可选的，存储器还可以是独立于所述处理器的存储装置。
[0156]
处理器用于调用存储器中存储的视效评价程序，并执行如上述的视效评价方法，处理器可以是专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件，用于执行如上述视效评价方法各个实施例的全部或部分步骤。
[0157]
实施例五
[0158]
基于同一发明构思，本实施例提供了一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom)、磁性存储器、磁盘、光盘、服务器等等，所述存储介质上存储有计算机程序，所述计算机程序可被一个或多个处理器执行，所述计算机程序被处理器执行时可以实现本发明视效评价方法各个实施例的全部或部分步骤。
[0159]
需要说明，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0160]
以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均包括在本发明的专利保护范围内。