CN113887599A - 屏幕光检测模型训练方法、环境光检测方法及装置 - Google Patents
屏幕光检测模型训练方法、环境光检测方法及装置 Download PDFInfo
- Publication number
- CN113887599A CN113887599A CN202111123048.8A CN202111123048A CN113887599A CN 113887599 A CN113887599 A CN 113887599A CN 202111123048 A CN202111123048 A CN 202111123048A CN 113887599 A CN113887599 A CN 113887599A
- Authority
- CN
- China
- Prior art keywords
- parameter
- light detection
- screen
- screen light
- display
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Controls And Circuits For Display Device (AREA)
Abstract
本申请公开了一种屏幕光检测模型训练方法、环境光检测方法及装置,属于电子设备技术领域。其中,屏幕光检测模型训练方法包括:获取N个训练样本,训练样本包括第一显示参数和第一屏幕光参数,第一屏幕光参数为在目标环境条件下,且目标显示区域按第一显示参数显示时,通过光敏传感器获得的光检测值,目标环境条件包括环境光强度小于或等于预设光强值,目标显示区域为屏幕中与光敏传感器位置匹配的显示区域,第一显示参数为目标显示区域的显示参数,N为大于1的整数;通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型。
Description
技术领域
本申请属于电子设备技术领域,具体涉及一种屏幕光检测模型训练方法、环境光检测方法及装置。
背景技术
目前,许多电子设备中设置有光敏传感器,以根据其采集的光信息实现一些特定的功能。比如,电子设备可以根据光敏传感器采集的环境光信息,选择合适的屏幕亮度或拍摄模式等。
在一些应用场景中,电子设备的屏幕发出的光线,可能会对环境光信息的采集结果造成干扰。现有技术中,通常是根据屏幕的发光颜色以及预设的颜色与补偿值之间的对应关系,确定补偿值,通过补偿值对光敏传感器采集的光信息进行校正,以得到环境光信息。
然而,由于实际应用中,预设的颜色与补偿值之间的对应关系难以覆盖屏幕所有的发光状态,因此可能导致确定的补偿值准确性较差。
发明内容
本申请实施例的目的是提供一种屏幕光检测模型训练方法、环境光检测方法及装置,能够解决现有技术通过预设的颜色与补偿值之间的对应关系确定的补偿值准确性较差的问题。
第一方面,本申请实施例提供了一种屏幕光检测模型训练方法,该方法包括:
获取N个训练样本,训练样本包括第一显示参数和第一屏幕光参数,第一屏幕光参数为在目标环境条件下,且目标显示区域按第一显示参数显示时,通过光敏传感器获得的光检测值,目标环境条件包括环境光强度小于或等于预设光强值,目标显示区域为屏幕中与光敏传感器位置匹配的显示区域,第一显示参数为目标显示区域的显示参数,N为大于1的整数;
通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型。
第二方面,本申请实施例提供了一种环境光检测方法,该方法包括:
获取目标显示区域的第二显示参数、光检测值以及屏幕光检测模型;光检测值为通过光敏传感器获得,屏幕光检测模型为根据如第一方面所示的屏幕光检测模型训练方法训练得到;
通过屏幕光检测模型对第二显示参数进行处理,得到第二屏幕光参数;
根据第二屏幕光参数与光检测值,确定环境光参数。
第三方面,本申请实施例提供了一种屏幕光检测模型训练装置,该装置包括:
第一获取模块,用于获取N个训练样本,训练样本包括第一显示参数和第一屏幕光参数,第一屏幕光参数为在目标环境条件下,且目标显示区域按第一显示参数显示时,通过光敏传感器获得的光检测值,目标环境条件包括环境光强度小于或等于预设光强值,目标显示区域为屏幕中与光敏传感器位置匹配的显示区域,第一显示参数为目标显示区域的显示参数,N为大于1的整数;
训练模块,用于通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型。
第四方面,本申请实施例提供了一种环境光检测装置,该装置包括:
第二获取模块,用于获取目标显示区域的第二显示参数、光检测值以及屏幕光检测模型;光检测值为通过光敏传感器获得,屏幕光检测模型为根据如第一方面所示的屏幕光检测模型训练方法训练得到;
处理模块,用于通过屏幕光检测模型对第二显示参数进行处理,得到第二屏幕光参数;
确定模块,用于根据第二屏幕光参数与光检测值,确定环境光参数。
第五方面,本申请实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令,程序或指令被处理器执行时实现如第一方面的方法的步骤,或者实现如第二方面的方法的步骤。
第六方面,本申请实施例提供了一种可读存储介质,可读存储介质上存储程序或指令,程序或指令被处理器执行时实现如第一方面的方法的步骤,或者实现如第二方面的方法的步骤。
第七方面,本申请实施例提供了一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行程序或指令,实现如第一方面的方法,或者实现如第二方面的方法。
本申请实施例提供的屏幕光检测模型训练方法,可以通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型,训练样本包括了第一显示参数,以及在目标环境条件下,且目标显示区域按第一显示参数进行显示时,通过光敏传感器获得的第一屏幕光参数。如此,屏幕光检测模型可以在目标显示区域处于各类显示状态时,均可以较为准确地预测得到屏幕光参数。而在后续的应用中,该预测的屏幕光参数可以用于对光敏传感器获得的光检测值进行补偿,进而能够比较准确地得到环境光参数。
附图说明
图1a~图1b是相关技术中电子设备的结构示例图;
图1b是相关技术中电子设备的侧视图的示例图;
图2a~图2c是相关技术中电子设备的状态栏的示例图;
图3是本申请实施例提供的屏幕光检测模型训练方法的流程示意图;
图4a~图4c是目标显示区域的显示状态的示例图;
图5是待训练的神经网络的架构示意图;
图6是本申请实施例提供的环境光检测方法的流程示意图;
图7是本申请实施例提供的屏幕光检测模型训练装置的结构示意图;
图8是本申请实施例提供的环境光检测装置的结构示意图;
图9是本申请实施例提供的电子设备的结构示意图;
图10是实现本申请实施例的一种电子设备的硬件结构示意图
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
如图1a与图1b所示,图1a与图1b是相关技术中的一种电子设备的结构示意图,该电子设备主要包括玻璃盖板11、屏幕12、扩散片13、光敏传感器14以及主板15。
其中,光敏传感器14可以用于将光信号转换成电信号,以实现对光检测值的获取。在一些示例中,光检测值可以是光敏传感器14中产生的电流或电压值,或者也可以是对这些电流值或电压值进行处理后得到的光强等等。
而主板15则可以对光敏传感器14获得的光检测值进行进一步的处理,并用于其他控制功能。
一般来说,光敏传感器14在接收光信号的过程中,可能会接收到环境光和屏幕12发出的屏幕光。
如图1b所示,在光敏传感器14位于屏幕12的下方时,环境光可以依次穿透玻璃盖板11、屏幕12以及扩散片13后,到达光敏传感器14。而屏幕12发出的屏幕光主要是透过玻璃盖板11后传播到外部环境中,而少部分光线则可以穿透扩散片13后到达光敏传感器14。
当然,在另一些电子设备中,光敏传感器14也可以并非位于屏幕12下方。例如,屏幕12上可能存在开口或凹陷,光敏传感器14在屏幕12上的垂直投影,可以是位于这些开口或凹陷中。然而,在这些电子设备中,光敏传感器14依然可能接收到周边屏幕区域发出的光线。
在一些应用场景下,电子设备可以需要获取环境光参数,而受到屏幕12发光的影响,光敏传感器14可能同时接收到环境光与屏幕光,进而导致通过光敏传感器14获得得到的光检测值并不能准确地反映实际的环境光状态,即电子设备获取的环境光参数可能不够准确。
为便于说明,可以将电子设备在对环境光参数进行获取时,由屏幕光带来的光敏传感器14的光检测值的变化称为检测误差。为了比较准确地获取环境光参数,往往需要对这部分检测误差进行校正。
相关技术中,为了对监测误差进行校正,通过会预先获取屏幕处于预设的显示状态下的屏幕光参数,并建立显示状态与屏幕光参数之间的对应关系。在实际应用中,可以根据屏幕的显示状态,以及该对应关系,来确定屏幕光参数,并使用屏幕光参数对光敏传感器获得的光检测值进行补偿,得到环境光参数。
参见图2a~图2c,在一些应用场景下,电子设备可以是处于竖屏显示的状态。然而,屏幕12中与光敏传感器14位置匹配的显示区域(以下简称目标显示区域)的显示内容可以存在差异。
比如,目标显示区域可以显示状态栏的部分内容,在图2a中,目标显示区域中各个像素单元的显示颜色可以是相同的。而在图2b与图2c中,目标显示区域中的像素单元的显示颜色可以存在多种,而且随着状态栏图标的变化,目标显示区域对应的显示颜色也可能发生相应的变化。
在另一些应用场景下,电子设备可能是处于横屏显示的状态,此时,目标显示区域的显示内容可能更加多样。
然而,一般来说,上述的检测误差主要受到屏幕12中的目标显示区域的显示状态的影响。
综上可见,通过建立显示状态与屏幕光参数之间的对应关系,以对光检测值进行补偿得到环境光参数的方式,难以对显示状态进行穷举,进而导致在一些显示状态下得到的环境光参数不够准确。
为解决以上问题,本申请实施例提供了一种屏幕光检测模型训练方法、环境光检测方法及装置。下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的屏幕光检测模型训练方法、环境光检测方法及装置进行详细地说明。
如图3所示,本申请实施例提供的屏幕光检测模型训练方法,包括:
步骤301,获取N个训练样本,训练样本包括第一显示参数和第一屏幕光参数,第一屏幕光参数为在目标环境条件下,且目标显示区域按第一显示参数显示时,通过光敏传感器获得的光检测值,目标环境条件包括环境光强度小于或等于预设光强值,目标显示区域为屏幕中与光敏传感器位置匹配的显示区域,第一显示参数为目标显示区域的显示参数,N为大于1的整数;
步骤302,通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型。
本申请实施例提供的屏幕光检测模型训练方法,可以通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型,训练样本包括了第一显示参数,以及在目标环境条件下,且目标显示区域按第一显示参数进行显示时,通过光敏传感器获得的第一屏幕光参数。如此,屏幕光检测模型可以在目标显示区域处于各类显示状态时,均可以较为准确地预测得到屏幕光参数。而在后续的应用中,该预测的屏幕光参数可以用于对光敏传感器获得的光检测值进行补偿,进而能够比较准确地得到环境光参数。
本申请实施例提供的屏幕光检测模型训练方法,可以是应用于服务器或者电子设备。
比如,该方法可以应用在服务器中,服务器使用N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型后,服务器可以将屏幕光检测模型发送至至少一个电子设备;或者服务器也可以处理电子设备发送的显示参数,并将处理得到的屏幕光参数发送至电子设备。
再比如,该方法也可以应用于例如移动终端或者个人电脑等类型电子设备中,在电子设备中训练得到屏幕光检测模型后,直接用于后续确定屏幕光参数;或者,电子设备也可以将屏幕光检测模型发送至其他电子设备。
为了简化说明,以下主要以屏幕光检测模型训练方法应用于电子设备为例进行说明。
在步骤301中,电子设备可以获取多个训练样本。其中,训练样本中的第一显示参数可以包括亮度参数或颜色参数等。
在一个示例中,第一显示参数可以直接从电子设备的主板中获取。比如,主板中可以记录有用户对亮度的设置参数,电子设备可以直接从主板中提取亮度的设置参数,作为亮度参数。类似地,电子设备也可以从主板中提取颜色参数等。
如上文所示的,第一显示参数可以是目标显示区域的显示参数,也就是屏幕中与光敏传感器位置匹配的显示区域的显示参数。
目标显示区域可以根据实际需要进行设定。比如,对于光敏传感器位于屏幕下方的电子设备,目标显示区域可以是光敏传感器在屏幕上的投影所占据的显示区域,或者与该投影外接的矩形显示区域,或者沿投影的轮廓向外偏移预设距离后围合的显示区域等,此处不作具体限定。若对于光敏传感器未处于屏幕下方的电子设备,则可以将目标显示区域约定为位于光敏传感器预设距离范围内的显示区域。
当电子设备处于目标环境条件下,且目标显示区域按照第一显示参数进行显示时,光敏传感器可以获取第一屏幕光参数。如上文所示的,光检测值可以是光敏传感器中产生的电流或电压值,或者也可以是对这些电流值或电压值进行处理后得到的光强等等;相应地,各个第一屏幕光参数的单位可以是光学单位或者电学单元等,此处不做具体限定。
容易理解的是,当电子设备处于目标环境条件时,可以认为通过电子设备中的光敏传感器获得的光检测值为对屏幕光的光检测值。此处的目标环境条件可以是环境光的强度小于或等于一预设光强值等。
而在进行第一屏幕光参数的获取之前,可以使得屏幕处于熄屏状态以获取环境光的强度(对应环境光参数),并判断环境光强度是否小于或等于预设光强值。当然,实际应用中,也可以使用独立的传感器对环境光进行检测,以判断环境光的强度是否小于或等于预设光强值。
为简化说明,可以将目标显示区域按照一种第一显示参数进行显示时,称为目标显示区域处于一种显示状态。
结合上文可见,在电子设备处于目标环境条件的基础上,当目标显示区域处于一种显示状态时,光敏传感器可以获取到相应的屏幕光的光检测值(即第一屏幕光参数)。将该显示状态下的第一显示参数与第一屏幕光参数进行关联,可以获得一个训练样本。而其他的训练样本可以通过类似的方式获得,此处不做赘述。
在步骤302中,可以基于N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型。
对于任一个训练样本,第一屏幕光参数在一定程度上可以认为是对第一显示参数的标识,待训练的神经网络可以对第一显示参数进行处理,并输出一预测值,若该预测值与第一屏幕光参数相同或相近,说明待训练的神经网络的预测结果比较准确;相反地,若预测值与第一屏幕光参数相差较大,说明待训练的神经网络的预测结果不够准确。
而预测结果的准确与否,可以体现在待训练的神经网络中预设的损失函数的损失值上,待训练的神经网络可以基于损失值,对相关的网络参数进行调整。
通过使用N个训练样本对待训练的神经网络进行训练,可以使其网络参数能够调整至较佳的状态,得到屏幕光检测模型。该较佳的状态,可以具体体现在后续在应用过程中,屏幕光检测模型能够对输入的显示参数进行处理,预测得到比较准确的屏幕光参数。
屏幕光检测模型为得到充分训练的神经网络,其可以在目标显示区域处于各种显示状态下,均可以比较准确地预测出屏幕光参数。因此,本实施例中,可以无需对目标显示区域的显示状态进行穷举,以建立显示状态与屏幕光参数之间的对应关系;在显示状态无相应的对应关系时,也可以比较准确得到屏幕光参数。将屏幕光参数作为补偿值,对光敏传感器获取的光检测值进行校正,也可以得到比较准确的环境光参数。
可选地,第一显示参数包括亮度参数与颜色参数中的至少一项。
如上文所示的,第一显示参数可以直接从电子设备的主板或者其他电子部件中进行获取。
第一显示参数可以包括多个亮度参数。这多个亮度参数可以是按照预设的抽样规则,从电子设备的亮度范围内抽样得到的。
在一个示例中,上述的抽样规则可以结合经验数据进行确定。例如,根据抽样规则,可以在用户常用的亮度范围内,以较小的抽样间隔进行抽样,在在用户不常用的亮度范围内,以较大的抽样间隔进行抽样。
当然,在实际应用中,也可以按照平均抽样的方式来抽取多个亮度参数。
结合一个具体的应用例,若将电子设备的整个亮度范围划分为2047个亮度等级,则可以按照预设的抽样规则,从这2047个亮度等级抽取若干个亮度等级,来确定上述的亮度参数。
具体来说,可以在8-208亮度等级之间按抽样间隔40进行抽样,在208到508之间按抽样间隔40进行抽样,在508到2047之间按抽样间隔40进行抽样。如此,可以在控制抽取的颜色参数的数量的同时,提高训练样本的合理性,保证训练得到的屏幕光检测模型的质量。
当然,第一显示参数可以包括颜色参数。
一般来说,颜色参数可以通过RGB值进行表示。换而言之,每一颜色参数可以包括至少三类值,分别为红、绿、蓝三个颜色通道中的值,每个颜色通道中的值的取值范围为0~255。
当然,颜色参数也可以通过灰度值进行表示。即每一颜色参数可以包括一类灰度值,其取值范围为0~255。
为了简化描述,以下主要以颜色参数为RGB值为例进行说明。如上文所示的,目标显示区域可以包括多个像素单元,每一个像素单元可以对应有一RGB值,因此,一个颜色参数可以包括一组值。比如,若目标显示区域包括66×66个像素单元,则一个颜色参数可以包括66×66个RGB值。而每个RGB值又可以包括三个值,因此,一个颜色参数可以通过66×66×3的数值矩阵进行表示。
通过对66×66个像素单元分别分配相应的RGB值,可以得到一个颜色参数。在实际应用中,不同训练样本的颜色参数可以相同也可以存在不同。
在一个实施方式中,第一显示参数可以同时包括亮度参数与颜色参数。结合上文的举例,多个亮度参数与多个颜色参数可以自由组合,以形成N个第一显示参数。而通过光敏传感器可以获取目标显示区域在以各个第一显示参数进行显示时的第一屏幕光参数。将第一显示参数与第一屏幕光参数进行关联,进而得到N个训练样本。
一般来说,亮度参数可以认为是屏幕的整体亮度,而颜色参数可以对应目标显示区域的局部的显示内容,这两者均可能对光敏传感器的光检测值造成影响。第一显示参数同时包括亮度参数与颜色参数,可以比较全面地考虑对第一屏幕光参数带来影响的因素,进而也使得后续得到的屏幕光检测模型能够比较准确地预测屏幕光参数。
可选地,目标显示区域包括P个目标像素单元,第一显示参数包括与P个目标像素单元一一对应的P个颜色参数,P为大于1的整数;
N个训练样本中,至少部分训练样本包括的第一显示参数中存在至少两种颜色参数。
结合上文中的举例,目标显示区域可以包括66×66个像素单元,这66×66个像素单元可以对应P个目标像素单元,其中,P=66×66。每一个目标像素单元对应的颜色参数,可以是该目标像素单元的RGB值或者灰度值,以下将主要以RGB值为了进行说明。
若目标显示区域显示的为纯色,即目标显示区域各个目标像素单元显示的为同一种颜色。具体来说,66×66个目标像素单元中,各个目标像素单元的RGB值均可以是相等的。
若目标显示区域显示的并非纯色,则目标显示区域的66×66个目标像素单元,至少有两个目标像素单元的RGB值是不相等的。
本实施例中,N个训练样本中,至少部分训练样本包括的第一显示参数中存在至少两种颜色参数,也就是说,存在至少一个训练样本,其包括的第一显示参数中,至少两个目标像素单元的RGB值是不相等的。
在实际应用中,在一个第一显示参数中,66×66个目标像素单元的RGB值,可以对应了两种以上的不等的RGB值,或者说对应两种以上的发光颜色。
为简化说明,以下可以将包括有至少两种颜色参数的第一显示参数称为第三显示参数,并且以各第三显示参数所包括P个颜色参数中,存在两种RGB值为例进行说明,两种RGB值可以分别对应为白色光线和灰色光线。
如图4a至图4c所示,这些附图为目标显示区域的一些显示状态的示例图。在图4a至图4c中,圆形表示光敏传感器在屏幕上的垂直投影的外轮廓,而目标显示区域为该圆形的外接正方形,对应了66×66个目标像素单元。
在图4a中,左侧的60列目标像素单元可以发出白色光线,右侧的6列发出灰色光线;在图4b中,左侧的30列目标像素单元可以发出白色光线,右侧的36列发出灰色光线;在图4c中,66列目标像素单元均发出灰色光线。
可见,当目标显示区域处于图4a或图4b的显示状态时,对应得到的第一显示参数即上述的第三显示参数。而目标显示区域处于图4c的显示状态时,各个目标像素单元的RGB值是相等的。
当然,在实际应用中,目标显示区域的显示状态,例如个目标像素单元的发光颜色的种类、数量与分布均可以根据需要进行选择。
本实施例中,N个训练样本所包括的N个第一显示参数中存在至少一个第三显示参数,有助于提高训练得到的屏幕光检测模型的泛化能力,即屏幕光检测模型能够有效针对目标显示区域的多种显示状态进行屏幕光参数的预测。
可选地,待训练的神经网络包括第一解码器与第二解码器;
通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型,包括:
通过第一解码器对训练样本进行卷积处理,得到目标特征图;
通过第二解码器对目标特征图进行卷积处理,得到向量表达;
将向量表达与第一屏幕光参数输入至预设损失函数,获得损失值;
在损失值小于损失值阈值的情况下,得到屏幕光检测模型。
以下结合一具体应用例,来对本实施例中的待训练的神经网络的架构以及工作过程进行说明。
如图5所示,该待训练的神经网络可以第一解码器与第二解码器,其中,第一解码器包括三层用于输出特征图的神经网络,记为三层第一神经网络,第二解码器包括两层用于输出特征向量的神经网络,记为两层第二神经网络,图5中对应为Dense。
各第一神经网络均可以包括依次连接的深度可分离卷积网络(Depthwiseseparable convolution)、归一化层(Batchnorm)、线性整流函数(ReLu)以及最大池化层(MaxPool)。
第一解码器的输入端可以接收第一显示参数,每一第一显示参数可以是一66×66×4的数据矩阵,其中,66×66对应了目标显示区域的目标像素单元的数量,而4则分别对应了红、绿、蓝三个颜色通道中的值以及亮度参数。
第一显示参数输入到第一层第一神经网络,该层第一神经网络的深度可分离卷积网络使用大小为3×3,数量为64的卷积核对第一显示参数进行卷积。将卷积结果进行归一化,然后使用线性整流函数进行非线性激活。最后使用最大池化输出第一特征图。
将第一特征图输入到第二层第一神经网络,该层第一神经网络的深度可分离卷积网络使用大小为3×3,数量为32的卷积核对第一特征图进行卷积。将卷积结果进行归一化,然后使用线性整流函数进行非线性激活。最后使用最大池化输出第二特征图。
将第二特征图输入到第三层第一神经网络,该层第一神经网络的深度可分离卷积网络使用大小为3×3,数量为32的卷积核对第二特征图进行卷积。将卷积结果进行归一化,然后使用线性整流函数进行非线性激活。最后使用最大池化输出第三特征图。该第三特征图可以对应上述的目标特征图。
将第三特征图输入到第一层第二神经网络,该层第二神经网络将第三特征图展开为向量,并输入到全连接层。全连接层的节点个数为128。使用线性整流函数进行非线性激活,输出第一向量。
将第一向量输入到第二层第二神经网络的全连接层。全连接层的节点个数为1。使用线性整流函数进行非线性激活,输出对第一显示参数的预测值,对应上述的向量表达。
待训练的神经网络中还可以存在预设损失函数,将上述的向量表达与第一屏幕光参数输入至预设损失函数,可以计算得到损失值。
一般来说,向量表达与第一屏幕光参数的差异越大,预设损失函数的损失值越大,反之亦然。而根据损失值,可以反向对待训练的神经网络的网络参数进行调节,以使得后续训练过程得到的损失值趋向不断减小,直到损失值小于预设的损失值阈值。也就是说,以损失值小于损失值阈值为目标,训练待训练的神经网络,可以得到屏幕光检测模型。
在实际应用中,上述待训练的神经网络的架构或者超参数可以根据实际需要进行调整,能够通过训练获得屏幕光检测模型即可。
如图6所示,本申请实施例还提供了一种环境光检测方法,包括:
步骤601,获取目标显示区域的第二显示参数、光检测值以及屏幕光检测模型;光检测值为通过光敏传感器获得,屏幕光检测模型为根据上述屏幕光检测模型训练方法训练得到;
步骤602,通过屏幕光检测模型对第二显示参数进行处理,得到第二屏幕光参数;
步骤603,根据第二屏幕光参数与光检测值,确定环境光参数。
本申请实施例提供的环境光检测方法中,屏幕光检测模型为通过屏幕光检测模型训练方法训练得到的,可以针对目标显示区域在各种显示状态下的第二显示参数进行处理,并能够得到比较准确的第二屏幕光参数;根据第二屏幕光参数与光检测值,确定的环境光参数,可以有效克服屏幕光对环境光参数带来的检测误差,提高环境光参数的准确度。
以下针对根据第二屏幕光参数与光检测值,确定环境光参数的原理进行举例说明。
结合图1a和图1b,环境光经过玻璃盖板以及屏幕等入射至光敏传感器。设这部分能够被探测的环境光的强度为x1。环境光在玻璃盖板、屏幕以及空气间隙等介质中传播,以及被光敏传感器探测的过程记为:
s=g(x1) (1)
其中,g()表示环境光在传播与探测过程中的各类因素对测量结果的影响,表示光敏传感器的测量结果,对应环境光参数。
当屏幕发光时,屏幕发出的光的一部分会经过介质传播,并被光敏传感器探测到。假设有效区域的屏幕(对应目标显示区域)发出的光的强度为x2,那么其中一部分光经过介质传播并被探测的过程为:
n=h(x2) (2)
其中,h()表示屏幕发光的一部分的传播与探测过程中的各类因素对测量结果的影响,n表示光敏传感器对屏幕发光的测量结果,对应屏幕光参数。
当环境光和屏幕发光同时存在时,光敏传感器的测量结果记为y。假设环境光和屏幕发光对最后的探测结果满足线性叠加关系,由式(1)和(2)得到整个探测过程为:
y=s+n=g(x1)+h(x2) (3)
那么屏幕发光产生的测量分量n可以认为是叠加到期望得到的环境光测量结果s上的加性噪声。
结合上一实施例,通过光敏传感器获得的光检测值对应为y;通过屏幕光检测模型对第二显示参数进行处理,得到第二屏幕光参数对应为n。则将y中的噪声n进行去除,可以保留比较准确的环境光测量值。
在一个示例中,将y中的噪声n进行去除可以通过预设的补偿算法实现,比如,在式(3)的限定下,补偿算法可以对应(y-n)的计算方式。在实际应用中,该补偿算法也可以根据需要设定为其他的计算方式,此处不做一一举例说明。
如上文所示的,屏幕光检测模型可以是在服务器或电子设备上训练得到,这些服务器或电子设备可以将屏幕光检测模型发送至其他电子设备。不同的电子设备之间,屏幕发光性能可能存在差异,光敏传感器的测量精度也可能存在差异,这导致在相同的显示参数下进行显示时,不同电子设备测得的光检测值可能存在差异。
或者,不同电子设备中,光敏传感器的位置可能存在差异,而目标显示区域在屏幕中的相对位置是确定的,这样也会导致不同电子设备测得的光检测值存在差异。
为克服不同电子设备在同一显示参数的情况下,光敏传感器测得的光检测值存在较大差异的问题,可选地,上述步骤603,根据第二屏幕光参数与光检测值,确定环境光参数,可以包括:
获取修正系数;
根据修正系数,修正第二屏幕光参数;
通过修正后的第二屏幕光参数对光检测值进行补偿,得到环境光参数。
本实施例中,修正系数可以是预先存储在电子设备中的。其具体的获取过程可以参见如下举例。
在一个举例中,可以将用于屏幕光检测模型训练的电子设备(以下简称第一电子设备)与待获取修正系数的电子设备(以下简称第二电子设备),置于同一环境条件与同一显示状态中。
比如,将第一电子设备与第二电子设备同时置于光线均匀的环境中;同时,将两者的显示内容以及显示亮度调节为一致。分别记录两电子设备中光敏传感器测量的光检测值。调节环境中光线的强度,多次记录两电子设备中光敏传感器测得的光检测值。然后,根据这些记录的光检测值进行整理计算,得到修正系数。
当然,修正系数也可以通过其他方式进行获取,此处不做一一举例。
在一个示例中,修正系数可以是一次获取并存储,后续应用的过程中,直接调用该修正系数对第二屏幕光参数进行修正即可,而无需重新测试计算修正系数。
修正后的第二屏幕光参数,可以比较准确地反映第二电子设备的屏幕光实际的带来的环境光检测误差,通过修正后的第二屏幕光参数对光检测值进行补偿,可以进一步提高得到的环境光参数的准确性。
可选地,获取修正系数的步骤可以具体包括:
获取第三屏幕光参数,第三屏幕光参数为在目标环境条件下,且目标显示区域按第四显示参数进行显示时,通过光敏传感器获得的光检测值;
通过屏幕光检测模型对第四显示参数进行处理,得到第四屏幕光参数;
根据第三屏幕光参数与第四屏幕光参数,计算修正系数。
如上文所示的,当电子设备处于目标环境条件下,例如所处环境的环境光光强小于或等于光强阈值时,可以认为通过电子设备中的光敏传感器获得的光检测值为屏幕光的光检测值。
本实施例中,第四显示参数可以是目标显示区域处于任一显示状态时的显示参数。在屏幕按第四显示参数进行显示时,若将电子设备置于环境光光强小于或等于光强阈值的环境中,则光敏传感器获得的光检测值即为第三屏幕光参数。
而上述的屏幕光检测模型可以对第四显示参数进行处理,得到第四屏幕光参数。
在一个示例中,可以将第三屏幕光参数与第四屏幕光参数的比值,作为修正系数。
而在另一个示例中,可以使目标显示区域依次处于多种显示状态,在每一显示状态下,获取第三屏幕光参数与第四屏幕光参数以计算各显示状态下的修正系数;然后取这些修正系数的中值、平均值或者众数,作为最终的修正系数。
本实施例中,通过光敏传感器直接获取第三屏幕光参数,根据第三屏幕光参数,以及通过屏幕光检测模型处理得到的第四屏幕光参数,可以比较高效地计算得到修正系数。
需要说明的是,本申请实施例提供的屏幕光检测模型训练方法,执行主体可以为屏幕光检测模型训练装置,或者该屏幕光检测模型训练装置中的用于执行屏幕光检测模型训练方法的控制模块。本申请实施例中以屏幕光检测模型训练装置执行屏幕光检测模型训练方法为例,说明本申请实施例提供的屏幕光检测模型训练装置。
如图7所示,本申请实施例提供的屏幕光检测模型训练装置700,包括:
第一获取模块701,用于获取N个训练样本,训练样本包括第一显示参数和第一屏幕光参数,第一屏幕光参数为在目标环境条件下,且目标显示区域按第一显示参数显示时,通过光敏传感器获得的光检测值,目标环境条件包括环境光强度小于或等于预设光强值,目标显示区域为屏幕中与光敏传感器位置匹配的显示区域,第一显示参数为目标显示区域的显示参数,N为大于1的整数;
训练模块702,用于通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型。
可选地,目标显示区域包括P个目标像素单元,第一显示参数包括与P个目标像素单元一一对应的P个颜色参数,P为大于1的整数;
N个训练样本中,至少部分训练样本包括的第一显示参数中存在至少两种颜色参数。
本申请实施例提供的屏幕光检测模型训练装置700,基于N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型可以适用于目标显示区域在各类显示状态下,对屏幕光参数进行准确预测,进而有助于提高后续得到的环境光参数的准确性。
类似地,本申请实施例提供的环境光检测方法,执行主体可以为环境光检测装置,或者该环境光检测装置中的用于执行环境光检测方法的控制模块。本申请实施例中以环境光检测装置执行环境光检测方法为例,说明本申请实施例提供的环境光检测装置。
如图8所示,本申请实施例还提供了一种环境光检测装置800,包括:
第二获取模块801,用于获取目标显示区域的第二显示参数、光检测值以及屏幕光检测模型;光检测值为通过光敏传感器获得,屏幕光检测模型为根据上述屏幕光检测模型训练方法训练得到;
处理模块802,用于通过屏幕光检测模型对第二显示参数进行处理,得到第二屏幕光参数;
确定模块803,用于根据第二屏幕光参数与光检测值,确定环境光参数。
可选地,确定模块803,包括:
第一获取单元,用于获取修正系数;
修正单元,用于根据修正系数,修正第二屏幕光参数;
补偿单元,用于通过修正后的第二屏幕光参数对光检测值进行补偿,得到环境光参数。
可选地,第一获取单元,可以包括:
获取子单元,用于获取第三屏幕光参数,第三屏幕光参数为在目标环境条件下,且目标显示区域按第四显示参数进行显示时,通过光敏传感器获得的光检测值;
处理子单元,用于通过屏幕光检测模型对第四显示参数进行处理,得到第四屏幕光参数;
计算子单元,用于根据第三屏幕光参数与第四屏幕光参数,计算修正系数。
本申请实施例提供的环境光检测装置800中,屏幕光检测模型为通过屏幕光检测模型训练方法训练得到的,可以针对目标显示区域在各种显示状态下的第二显示参数进行处理,并能够得到比较准确的第二屏幕光参数;根据第二屏幕光参数与光检测值,确定的环境光参数,可以有效克服屏幕光对环境光参数带来的检测误差,提高环境光参数的准确度。而通过修正系数修正第二屏幕光参数,可以补偿不同电子设备获取的光检测值的差异,进一步提高环境光参数的准确度。
本申请实施例中的屏幕光检测模型训练装置与环境光检测装置可以是装置,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,本申请实施例不作具体限定。
本申请实施例中的屏幕光检测模型训练装置与环境光检测装置可以为具有操作***的装置。该操作***可以为安卓(Android)操作***,可以为iOS操作***,还可以为其他可能的操作***,本申请实施例不作具体限定。
本申请实施例提供的屏幕光检测模型训练装置能够实现图3至图5的方法实施例实现的各个过程,本申请实施例提供的环境光检测装置能够实现图6的方法实施例实现的各个过程,为避免重复,这里不再赘述。
可选地,如图9所示,本申请实施例还提供一种电子设备900,包括处理器901,存储器902,存储在存储器902上并可在处理器901上运行的程序或指令,该程序或指令被处理器901执行时实现上述屏幕光检测模型训练方法或环境光检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本申请实施例中的电子设备包括上述的移动电子设备和非移动电子设备。
图10为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备1000包括但不限于:射频单元1001、网络模块1002、音频输出单元1003、输入单元1004、传感器1005、显示单元1006、用户输入单元1007、接口单元1008、存储器1009、以及处理器1010等部件。
本领域技术人员可以理解,电子设备1000还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理***与处理器1010逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。图10中示出的电子设备结构并不构成对电子设备的限定,电子设备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,在此不再赘述。
其中,处理器1010,用于获取N个训练样本,训练样本包括第一显示参数和第一屏幕光参数,第一屏幕光参数为在目标环境条件下,且目标显示区域按第一显示参数显示时,通过光敏传感器获得的光检测值,目标环境条件包括环境光强度小于或等于预设光强值,目标显示区域为屏幕中与光敏传感器位置匹配的显示区域,第一显示参数为目标显示区域的显示参数,N为大于1的整数;通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型。
本申请实施例提供的电子设备,可以通过N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型,一个训练样本包括了一个第一显示参数,以及在目标环境条件下,且目标显示区域按第一显示参数进行显示时,通过光敏传感器获得的第一屏幕光参数。如此,屏幕光检测模型可以在目标显示区域处于各类显示状态时,均可以较为准确地预测得到屏幕光参数。而在后续的应用中,该预测的屏幕光参数可以用于对光敏传感器获得的光检测值进行补偿,进而能够比较准确地得到环境光参数。
可选地,目标显示区域包括P个目标像素单元,第一显示参数包括与P个目标像素单元一一对应的P个颜色参数,P为大于1的整数;
N个训练样本中,至少部分训练样本包括的第一显示参数中存在至少两种颜色参数。
可选地,处理器1010,还可以用于获取目标显示区域的第二显示参数、光检测值以及屏幕光检测模型;光检测值为通过光敏传感器获取,屏幕光检测模型为根据上述的屏幕光检测模型训练方法训练得到;通过屏幕光检测模型对第二显示参数进行处理,得到第二屏幕光参数;根据第二屏幕光参数与光检测值,确定环境光参数。
可选地,处理器1010,还可以用于获取修正系数;根据修正系数,修正第二屏幕光参数;通过修正后的第二屏幕光参数对光检测值进行补偿,得到环境光参数。
可选地,处理器1010,还可以用于获取第三屏幕光参数,第三屏幕光参数为在目标环境条件下,且目标显示区域按第四显示参数进行显示时,通过光敏传感器获得的光检测值;通过屏幕光检测模型对第四显示参数进行处理,得到第四屏幕光参数;根据第三屏幕光参数与第四屏幕光参数,计算修正系数。
应理解的是,本申请实施例中,输入单元1004可以包括图形处理器(GraphicsProcessing Unit,GPU)10041和麦克风10042,图形处理器10041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1006可包括显示面板10061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板10061。用户输入单元1007包括触控面板10071以及其他输入设备10072。触控面板10071,也称为触摸屏。触控面板10071可包括触摸检测装置和触摸控制器两个部分。其他输入设备10072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。存储器1009可用于存储软件程序以及各种数据,包括但不限于应用程序和操作***。处理器1010可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1010中。
本申请实施例还提供一种可读存储介质,可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述屏幕光检测模型训练方法或环境光检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,处理器为上述实施例中的电子设备中的处理器。可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行程序或指令,实现上述屏幕光检测模型训练方法或环境光检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为***级芯片、***芯片、芯片***或片上***芯片等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (12)
1.一种屏幕光检测模型训练方法,其特征在于,包括:
获取N个训练样本,所述训练样本包括第一显示参数和第一屏幕光参数,所述第一屏幕光参数为在目标环境条件下,且目标显示区域按所述第一显示参数显示时,通过光敏传感器获得的光检测值,所述目标环境条件包括环境光强度小于或等于预设光强值,所述目标显示区域为屏幕中与所述光敏传感器位置匹配的显示区域,所述第一显示参数为所述目标显示区域的显示参数,N为大于1的整数;
通过所述N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型。
2.根据权利要求1所述的方法,其特征在于,所述目标显示区域包括P个目标像素单元,所述第一显示参数包括与所述P个目标像素单元一一对应的P个颜色参数,P为大于1的整数;
所述N个训练样本中,至少部分所述训练样本包括的第一显示参数中存在至少两种颜色参数。
3.一种环境光检测方法,其特征在于,包括:
获取目标显示区域的第二显示参数、光检测值以及屏幕光检测模型;所述光检测值为通过光敏传感器获得,所述屏幕光检测模型为根据如权利要求1或2所述屏幕光检测模型训练方法训练得到;
通过所述屏幕光检测模型对所述第二显示参数进行处理,得到第二屏幕光参数;
根据所述第二屏幕光参数与所述光检测值,确定环境光参数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二屏幕光参数与所述光检测值,确定环境光参数,包括:
获取修正系数;
根据所述修正系数,修正所述第二屏幕光参数;
通过修正后的所述第二屏幕光参数对所述光检测值进行补偿,得到环境光参数。
5.根据权利要求4所述的方法,其特征在于,所述获取修正系数,包括:
获取第三屏幕光参数,所述第三屏幕光参数为在目标环境条件下,且所述目标显示区域按第四显示参数进行显示时,通过所述光敏传感器获得的光检测值;
通过所述屏幕光检测模型对所述第四显示参数进行处理,得到第四屏幕光参数;
根据所述第三屏幕光参数与所述第四屏幕光参数,计算所述修正系数。
6.一种屏幕光检测模型训练装置,其特征在于,包括:
第一获取模块,用于获取N个训练样本,所述训练样本包括第一显示参数和第一屏幕光参数,所述第一屏幕光参数为在目标环境条件下,且目标显示区域按所述第一显示参数显示时,通过光敏传感器获得的光检测值,所述目标环境条件包括环境光强度小于或等于预设光强值,所述目标显示区域为屏幕中与所述光敏传感器位置匹配的显示区域,所述第一显示参数为所述目标显示区域的显示参数,N为大于1的整数;
训练模块,用于通过所述N个训练样本对待训练的神经网络进行训练,得到屏幕光检测模型。
7.根据权利要求6所述的装置,其特征在于,所述目标显示区域包括P个目标像素单元,所述第一显示参数包括与所述P个目标像素单元一一对应的P个颜色参数,P为大于1的整数;
所述N个训练样本中,至少部分所述训练样本包括的第一显示参数中存在至少两种颜色参数。
8.一种环境光检测装置,其特征在于,包括:
第二获取模块,用于获取目标显示区域的第二显示参数、光检测值以及屏幕光检测模型;所述光检测值为通过光敏传感器获得,所述屏幕光检测模型为根据如权利要求1或2所述屏幕光检测模型训练方法训练得到;
处理模块,用于通过所述屏幕光检测模型对所述第二显示参数进行处理,得到第二屏幕光参数;
确定模块,用于根据所述第二屏幕光参数与所述光检测值,确定环境光参数。
9.根据权利要求8所述的装置,其特征在于,所述确定模块,包括:
第一获取单元,用于获取修正系数;
修正单元,用于根据所述修正系数,修正所述第二屏幕光参数;
补偿单元,用于通过修正后的所述第二屏幕光参数对所述光检测值进行补偿,得到环境光参数。
10.根据权利要求9所述的装置,其特征在于,所述第一获取单元,包括:
获取子单元,用于获取第三屏幕光参数,所述第三屏幕光参数为在目标环境条件下,且所述目标显示区域按第四显示参数进行显示时,通过所述光敏传感器获得的光检测值;
处理子单元,用于通过所述屏幕光检测模型对所述第四显示参数进行处理,得到第四屏幕光参数;
计算子单元,用于根据所述第三屏幕光参数与所述第四屏幕光参数,计算所述修正系数。
11.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1或2所述的屏幕光检测模型训练方法的步骤,或者实现如权利要求3-5任一项所述的环境光检测方法的步骤。
12.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1或2所述的屏幕光检测模型训练方法的步骤,或者实现如权利要求3-5任一项所述的环境光检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123048.8A CN113887599A (zh) | 2021-09-24 | 2021-09-24 | 屏幕光检测模型训练方法、环境光检测方法及装置 |
PCT/CN2022/119722 WO2023045884A1 (zh) | 2021-09-24 | 2022-09-19 | 屏幕光检测模型训练方法、环境光检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123048.8A CN113887599A (zh) | 2021-09-24 | 2021-09-24 | 屏幕光检测模型训练方法、环境光检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887599A true CN113887599A (zh) | 2022-01-04 |
Family
ID=79006569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111123048.8A Pending CN113887599A (zh) | 2021-09-24 | 2021-09-24 | 屏幕光检测模型训练方法、环境光检测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113887599A (zh) |
WO (1) | WO2023045884A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220381A (zh) * | 2022-02-22 | 2022-03-22 | 深圳灏鹏科技有限公司 | 显示亮度控制方法、装置、设备及存储介质 |
CN114894444A (zh) * | 2022-05-09 | 2022-08-12 | 深圳市汇顶科技股份有限公司 | 屏幕漏光及环境光的检测方法、装置和电子设备 |
WO2023045884A1 (zh) * | 2021-09-24 | 2023-03-30 | 维沃移动通信有限公司 | 屏幕光检测模型训练方法、环境光检测方法及装置 |
CN116682383A (zh) * | 2023-05-30 | 2023-09-01 | 惠科股份有限公司 | 显示面板及其背光补偿方法和显示装置 |
WO2024131365A1 (zh) * | 2022-12-21 | 2024-06-27 | 武汉市聚芯微电子有限责任公司 | 一种环境光检测方法、装置、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128166B (zh) * | 2023-04-17 | 2023-06-23 | 广州云硕科技发展有限公司 | 一种用于智能交通的数据可视化处理方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112992056A (zh) * | 2019-12-16 | 2021-06-18 | 北京小米移动软件有限公司 | 环境光检测方法和装置、电子设备、存储介质 |
CN113188656A (zh) * | 2021-06-28 | 2021-07-30 | 深圳小米通讯技术有限公司 | 环境光强检测方法、检测装置、电子设备和存储介质 |
CN113887599A (zh) * | 2021-09-24 | 2022-01-04 | 维沃移动通信有限公司 | 屏幕光检测模型训练方法、环境光检测方法及装置 |
-
2021
- 2021-09-24 CN CN202111123048.8A patent/CN113887599A/zh active Pending
-
2022
- 2022-09-19 WO PCT/CN2022/119722 patent/WO2023045884A1/zh unknown
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023045884A1 (zh) * | 2021-09-24 | 2023-03-30 | 维沃移动通信有限公司 | 屏幕光检测模型训练方法、环境光检测方法及装置 |
CN114220381A (zh) * | 2022-02-22 | 2022-03-22 | 深圳灏鹏科技有限公司 | 显示亮度控制方法、装置、设备及存储介质 |
CN114894444A (zh) * | 2022-05-09 | 2022-08-12 | 深圳市汇顶科技股份有限公司 | 屏幕漏光及环境光的检测方法、装置和电子设备 |
WO2024131365A1 (zh) * | 2022-12-21 | 2024-06-27 | 武汉市聚芯微电子有限责任公司 | 一种环境光检测方法、装置、设备及存储介质 |
CN116682383A (zh) * | 2023-05-30 | 2023-09-01 | 惠科股份有限公司 | 显示面板及其背光补偿方法和显示装置 |
CN116682383B (zh) * | 2023-05-30 | 2024-05-03 | 惠科股份有限公司 | 显示面板及其背光补偿方法和显示装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023045884A1 (zh) | 2023-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113887599A (zh) | 屏幕光检测模型训练方法、环境光检测方法及装置 | |
CN111476780B (zh) | 一种图像检测方法、装置、电子设备以及存储介质 | |
US9344690B2 (en) | Image demosaicing | |
CN107038681B (zh) | 图像虚化方法、装置、计算机可读存储介质和计算机设备 | |
CN109238460B (zh) | 一种获取环境光强度的方法及终端设备 | |
CN112162930A (zh) | 一种控件识别的方法、相关装置、设备及存储介质 | |
CN110163045B (zh) | 一种手势动作的识别方法、装置以及设备 | |
CN106951346A (zh) | 一种响应时间的测试方法和装置 | |
CN111380610B (zh) | 环境光检测方法和装置、电子设备、存储介质 | |
CN112384946A (zh) | 一种图像坏点检测方法及装置 | |
CN107292817B (zh) | 一种图像处理方法、装置、存储介质和终端 | |
CN111292394A (zh) | 一种图像配色关系确定方法和装置 | |
CN109348206A (zh) | 图像白平衡处理方法、装置、存储介质及移动终端 | |
CN112084959B (zh) | 一种人群图像处理方法及装置 | |
CN112233075A (zh) | 视频清晰度评估方法、装置、存储介质及电子设备 | |
CN113676713A (zh) | 图像处理方法、装置、设备及介质 | |
CN114894444A (zh) | 屏幕漏光及环境光的检测方法、装置和电子设备 | |
CN111145151B (zh) | 一种运动区域确定方法及电子设备 | |
CN103679130B (zh) | 手追踪方法、手追踪设备和手势识别*** | |
CN112330692A (zh) | 一种抠图方法、装置、设备和存储介质 | |
CN114299056A (zh) | 图像的瑕疵点的识别方法、瑕疵图像识别模型训练方法 | |
CN115931117A (zh) | 一种环境光检测方法、装置、设备及存储介质 | |
CN116188301A (zh) | 一种光场图像校准方法、装置、电子设备及存储介质 | |
CN112529766B (zh) | 图像的处理方法、装置及电子设备 | |
US20220245447A1 (en) | Systems and methods for quantization aware training of a neural network for heterogeneous hardware platform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |