一种基于LSTM神经网络的模组Gamma调节方法

摘要

本发明公开了一种基于LSTM神经网络的模组Gamma调节方法，包括如下步骤：获取训练好的LSTM神经网络；LSTM神经网络的输入绑点队列包括多个绑点初始向量，绑点初始向量包括输入绑点及其Gamma调节值；LSTM神经网络的输出绑点队列包括一个或多个输出绑点预测向量，输出绑点预测向量包括输出绑点及其Gamma调节预测初值；获取待调制模组的当前输入绑点队列，利用训练好的LSTM神经网络获取待调制模组的当前输出绑点队列，利用当前输出绑点的Gamma调节预测初值对待调制模组的当前输出绑点进行Gamma调节，通过利用LSTM神经网络获得Gamma调节预测初值，从而提高Gamma调节预测初值的精度。

权利要求

1.一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，包括如下步骤：

S1.利用样本模组对LSTM神经网络进行训练，以获取训练好的LSTM神经网络；所述LSTM神经网络的输入为由多个绑点初始向量组成的输入绑点队列，所述绑点初始向量包括输入绑点及其Gamma调节值；所述LSTM神经网络的输出绑点队列包括一个或多个输出绑点预测向量，所述输出绑点预测向量包括输出绑点及其Gamma调节预测初值；

S2.获取待调制模组的当前输入绑点队列，利用训练好的LSTM神经网络获取待调制模组的当前输出绑点队列，利用当前输出绑点的Gamma调节预测初值对待调制模组的当前输出绑点进行Gamma调节获得Gamma调节值；

S3.利用所述当前输出绑点队列更新所述当前输入绑点队列以生成下一输入绑点队列，重复步骤S2，直至完成待调制模组的所有绑点的Gamma调节。

2.根据权利要求1所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，任一调节模式下，利用样本模组对LSTM神经网络进行训练，以获取所述调节模式下训练好的LSTM神经网络，利用所述调节模式下训练好的LSTM神经网络对待调制模组绑点进行初值预测。

3.根据权利要求1或2所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，步骤S3中的利用所述当前输出绑点队列更新所述当前输入绑点队列以生成下一输入绑点队列替换为：利用输出绑点及其Gamma调节值更新所述当前输入绑点队列以生成下一输入绑点队列。

4.根据权利要求1或2所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，利用当前输出绑点的Gamma调节值和Gamma调节预测初值生成当前输出绑点的损失函数，利用当前输出绑点的损失函数对LSTM神经网络的权重系数进行优化，以得到训练好的LSTM神经网络。

5.根据权利要求3所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，将多个样本模组作为一个样本组对LSTM神经网络进行训练，利用所述样本组的总体损失函数对LSTM神经网络的权重系数进行调节，所述总体损失函数为所述样本组的所有样本模组的损失函数之和。

6.根据权利要求4所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，所述当前输出绑点的损失函数为：当前输出绑点的Gamma调节值和Gamma调节预测初值的欧式距离值。

7.根据权利要求4所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，所述当前输出绑点的损失函数为：任一寄存器的Gamma调节值和Gamma调节预测初值之间差值的绝对值之和。

8.根据权利要求1或2所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，绑点的调制顺序为：绑点的灰阶值由高至低，其中，前N个绑点利用常规Gamma初值预测方法进行调节，其余绑点利用所述基于LSTM神经网络的模组Gamma调节方法进行调节。

9.根据权利要求1或2所述的一种基于LSTM神经网络的模组Gamma调节方法，其特征在于，将Gamma调节后的待调制模组作为新的样本模组，更新LSTM神经网络的权重系数。

10.一种终端设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～9任一权利要求所述方法的步骤。

说明书

一种基于LSTM神经网络的模组Gamma调节方法

技术领域

[0001] 本发明属于模组调节领域，具体涉及一种基于LSTM神经网络的模组Gamma调节方法。

背景技术

[0002] 有机发光二极管（Organic Light-Emitting Diode, OLED）显示屏又称有机电激发光显示屏。随着OLED制造工艺的发展，其量产规模越来越大，单批次屏体的总量也随之增大。与传统的薄膜晶体管液晶显示屏（TFT-LCD）相比，OLED具有自发光性、广视角、高对比、低耗电、高反应速率、全彩化及制程简单等优点。OLED的基本结构是由一薄而透明具半导体特性之铟锡氧化物(ITO)，与电力之正极相连，再加上另一个金属阴极，包成三明治的结构。当电力供应至适当电压时，空穴材料和电子材料分别释放空穴和电子，两者结合产生量子跃迁并伴随产生特定波长的光子群，从而产生光亮。可以通过选择不同的空穴材料和电子材料，让其产生红、绿、蓝RGB三基色对应的波长，构成基本RGB三原色。OLED的色域要大于LCD。

[0003] 在OLED屏体制造完成后，一般需要经过多个检测工序，所有检测工序构成了检测线，其中首当其冲的工序就是GammaTuning，其校调的精度和速度直接影响后面的工序，例如IRdrop、AOI、Demura等，所以一个高精度，且收敛快速的GammaTuning算法是至关重要的。GammaTuning的目的有两个：其一为保证OLED正中心亮度lv和Gray level曲线（横坐标Gray level，纵坐标lv）符合指数为2.2的指数曲线；其二为保证OLED中心点的色坐标x、y满足白平衡以防止显示屏出现色偏。GammaTuning通常会调节多个Band。在Gamma调节过程中，对于客户要求的各个Band下的各个绑点，都必须满足显示要求。为了可以对每个绑点的lv、x、y进行校调， IC厂商都在屏体IC芯片上面预留了Gamma校调模块以便对制造有差异的屏体进行GammaTuning。对于每一个需要校正的绑点，厂商在IC上面预留了rgb三个寄存器，通过调节此三个寄存器可以调节红绿蓝三色光的亮度和相对比例，以便能完成对屏体lv、x、y的校调。

[0004] 现阶段初值预测算法基于loglog线性插值，其通过最近调好的两个绑点进行绑点预测，其能够非常稳定地对初值进行预测，且平均预测精度可观，然而其上限却不高，尽管能够稳定地预测同一个模式下从最高灰阶（255灰阶）开始计算起的后续7-8个常灰阶绑点，却无法在接下来的低灰阶的预测精度上面有更进一步的提升，原因说明如下：

[0005] 对于OLED，大量工程实践表明，随着调节绑点的灰阶由高降低，灰阶-寄存器曲线在对数空间中开始由平滑的近似直线变为曲折线，图1和图2分别为模组在正常坐标空间和对数空间的每个绑点的寄存器Gamma调节值随灰阶变化的示意图，其中图1为正常坐标空间，图2为对数空间，由图2可以看出，在高灰阶下的曲线非常平滑（曲线右上侧），而且在局部曲线近似为一条直线，利用简单的插值法就可以达到较好的效果。然而当灰阶渐渐降低，曲线开始表现出非线性的特性，导致简单的插值法在这几个低灰阶点上预测准确度降低，因此需要一种更加精准的方式来改善低灰阶下面的初值预测。实验证明，若是一条流水线的屏体数量不是特别多（小于500块），传统方式是一种有效的初值预测方式，然而当屏体数量进一步加大时，此方式的精度没有特别明显的改善。换言之，传统初值算法并没有利用已经调节好的屏体寄存器的历史信息进一步提高精度。

发明内容

[0006] 针对现有技术的以上缺陷或改进需求，本发明提供了一种基于LSTM神经网络的模组Gamma调节方法，其通过获取LSTM神经网络，通过利用LSTM神经网络获得Gamma调节预测初值，从而提高Gamma调节预测初值的精度。

[0007] 为实现上述目的，按照本发明的一个方面，提供了一种基于LSTM神经网络的模组Gamma调节方法，包括如下步骤：

[0008] S1.利用样本模组对LSTM神经网络进行训练，以获取训练好的LSTM神经网络；LSTM神经网络的输入为由多个绑点初始向量组成的输入绑点队列，绑点初始向量包括输入绑点及其Gamma调节值；LSTM神经网络的输出绑点队列包括一个或多个输出绑点预测向量，输出绑点预测向量包括输出绑点及其Gamma调节预测初值；

[0009] S2.获取待调制模组的当前输入绑点队列，利用训练好的LSTM神经网络获取待调制模组的当前输出绑点队列，利用当前输出绑点的Gamma调节预测初值对待调制模组的当前输出绑点进行Gamma调节获得Gamma调节值；

[0010] S3.利用当前输出绑点队列更新当前输入绑点队列以生成下一输入绑点队列，重复步骤S2，直至完成待调制模组的所有绑点的Gamma调节。

[0011] 作为本发明的进一步改进，任一调节模式下，利用样本模组对LSTM神经网络进行训练，以获取所述调节模式下训练好的LSTM神经网络，利用所述调节模式下训练好的LSTM神经网络对待调制模组绑点进行初值预测。

[0012] 作为本发明的进一步改进，步骤S3中的利用当前输出绑点队列更新当前输入绑点队列以生成下一输入绑点队列替换为：利用输出绑点及其Gamma调节值更新当前输入绑点队列以生成下一输入绑点队列。

[0013] 作为本发明的进一步改进，利用当前输出绑点的Gamma调节值和Gamma调节预测初值生成当前输出绑点的损失函数，利用当前输出绑点的损失函数对LSTM神经网络的权重系数进行优化，以得到训练好的LSTM神经网络。

[0014] 作为本发明的进一步改进，将多个样本模组作为一个样本组对LSTM神经网络进行训练，利用样本组的总体损失函数对LSTM神经网络的权重系数进行调节，总体损失函数为所述样本组的所有样本模组的损失函数之和。

[0015] 作为本发明的进一步改进，当前输出绑点的损失函数为：当前输出绑点的Gamma调节值和Gamma调节预测初值的欧式距离值。

[0016] 作为本发明的进一步改进，当前输出绑点的损失函数为：任一寄存器的Gamma调节值和Gamma调节预测初值之间差值的绝对值之和。

[0017] 作为本发明的进一步改进，绑点的调制顺序为：绑点的灰阶值由高至低，其中，前N个绑点利用常规Gamma初值预测方法进行调节，其余绑点利用所述基于LSTM神经网络的模组Gamma调节方法进行调节。

[0018] 作为本发明的进一步改进，将Gamma调节后的待调制模组作为新的样本模组，更新LSTM神经网络的权重系数。

[0019] 为实现上述目的，按照本发明的另一个方面，提供了一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。

[0020] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

[0021] 本发明的一种基于LSTM神经网络的模组Gamma调节方法，其通过获取对应的LSTM神经网络，通过利用单LSTM网络获得Gamma调节预测初值，其充分利用LSTM的长短期选择记忆特性，向网络中输入最近调节的绑点历史信息，输出当前绑点的精准预测值，从而提高Gamma调节预测初值的精度，克服当前初值预测方案虽然稳定但是上限不高、利用历史信息不充分的缺点。

[0022] 本发明的一种基于LSTM神经网络的模组Gamma调节方法，其通过获取与调节模式一一对应的LSTM神经网络，通过利用与调节模式一一对应的多LSTM神经网络获得Gamma调节预测初值，其充分利用LSTM的长短期选择记忆特性，向网络中输入最近调节的绑点历史信息，输出当前绑点的精准预测值，从而提高Gamma调节预测初值的精度，克服当前初值预测方案虽然稳定但是上限不高、利用历史信息不充分的缺点。

[0023] 本发明的一种基于LSTM神经网络的模组Gamma调节方法，其通过LSTM可以充分利用历史调屏信息进行LSTM网络的在线自学习，对于大批量（实验表明阙值大约是1000），其训练数据已经足够监督学习出具有高精度预测能力的LSTM网络模型，达到了比当前基于对数线性插值的初值预测算法更为高效的信息提取能力，同时，其将Gamma调节后的待调制模组的调制数据作为新的样本模组，更新LSTM神经网络的权重系数，进一步提高了Gamma调节预测初值的精度。

[0024] 本发明的一种基于LSTM神经网络的模组Gamma调节方法，其优选前N个高灰阶绑点利用常规Gamma初值预测方法进行调节，其余绑点利用所述基于LSTM神经网络的模组Gamma调节方法进行调节，从而提高低灰阶绑点的预测准确度，同时充分利用常规Gamma初值预测方法相对快速的优势，通过两种方式的结合达到初值预测既快速又准确的目的。

附图说明

[0025] 图1是模组在正常坐标空间和对数空间的每个绑点的寄存器Gamma调节值随灰阶变化的示意图；

[0026] 图2是模组在正常坐标空间和对数空间的每个绑点的寄存器Gamma调节值随灰阶变化的示意图；

[0027] 图3是本发明实施例的一种基于LSTM神经网络的模组Gamma调节方法的示意图。

具体实施方式

[0028] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0029] 此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。

[0030] LSTM（Long Short-Term Memory，长短期记忆网络）是一种RNN网络的改进。传统的RNN网络主要存在梯度消失的问题，从而割断了时序队列距离较远的前后信息的关联性。LSTM正是用于解决关联性消失问题而提出的一种RNN变体，目前广泛应用在自然语言处理和语音处理上面，并取得了比传统算法更好的处理结果。

[0031] 图3是本发明实施例的一种基于LSTM神经网络的模组Gamma调节方法的示意图。如图3所示，一种基于LSTM神经网络的模组Gamma调节方法，其包括如下步骤：

[0032] S1.利用样本模组对LSTM神经网络进行训练，以获取训练好的LSTM神经网络；LSTM神经网络的输入绑点队列包括多个绑点初始向量，绑点初始向量包括输入绑点及其Gamma调节值；LSTM神经网络的输出绑点队列包括一个或多个输出绑点预测向量，输出绑点预测向量包括输出绑点及其Gamma调节预测初值；其中，输入绑点的Gamma调节值即为，利用常用Gamma调节方式进行输入绑点的Gamma调节后的最终值；

[0033] S2.获取待调制模组的当前输入绑点队列，利用训练好的LSTM神经网络获取待调制模组的当前输出绑点队列，利用当前输出绑点的Gamma调节预测初值对待调制模组的当前输出绑点进行Gamma调节获得Gamma调节值；作为一个示例，可利用常规Gamma调节方法获取待调制模组的初始当前输入绑点队列；

[0034] S3.利用当前输出绑点队列更新当前输入绑点队列以生成下一输入绑点队列，重复步骤S2，直至完成待调制模组的所有绑点的Gamma调节。利用当前输出绑点队列更新当前输入绑点队列以生成下一输入绑点队列，具体为，将该调节模式下的绑点依据预设的顺序进行排列，当前输出绑点队列的绑点个数为m，剔除当前输入绑点队列中的前m个绑点数据，将当前输出绑点队列的绑点数据依据预设的顺序加入剔除数据后的当前输入绑点队列得到下一输入绑点队列。

[0035] 利用常规的神经网络训练方法对上述LSTM神经网络进行训练即可，可采用的算法如Stochastic Gradient Dscent (SGD)算法、mini-batch SGD、RMSprop算法、momentum算法以及Adam算法对LSTM神经网络进行训练，LSTM网络的训练数据正是之前历史信息容器里面的已经调节好的寄存器值，将其整理为符合LSTM网络输入输出的格式，利用优化算法对LSTM网络进行训练，使得其loss值逐渐降低。其中上述提到几种优化算法中，SGD方式波动较大，不能达到一个很好的全局最优，Adam算法结合了RMSprop和momentum算法各自的优势，既可以保证学习率跟随训练过程进行动态调整，又可以很好克服局部最优达到一个全局的优化效果，增加模型的精度。

[0036] 上述方法为单LSTM模型的方法，即所有的调节模式共用一个训练好的LSTM神经网络；对于一块屏体的每个模式，同一OLED屏体4个不同band（代表4种调节模式）下其曲线关系都不一样，若是只用一个LSTM模型来进行预测，意味着训练时候所有模式都共享一个LSTM模型的参数，这样最终训练出来的LSTM模型预测的实际上是这几组曲线的平均趋势，而无法反映每个模式的特性差异性；因此，作为一个优选的方案，可采取多LSTM模型预测的方式，即任一调节模式下，利用样本模组对LSTM神经网络进行训练，以获取该调节模式下训练好的LSTM神经网络，利用该调节模式下训练好的LSTM神经网络对待调制模组绑点进行初值预测。这里的调节模式是指模组需要调节的亮度模式，模组具有多个亮度模式，需要Gamma调节的亮度模式（调节模式）包括NORMAL模式（正常显示模式）、AOD模式（熄屏模式always on display）、HBM模式（high brightness mode高亮模式）等。

[0037] 具体地，某个调节模式下，选取一定数量的绑点作为输入绑点，剩余绑点作为待预测绑点，对于样本集来说，可利用输入绑点队列作为输入，作为一个示例，该调节模式下的绑点个数为N，输入值为历史调屏信息中某一个已经调节完毕的屏体的某个调节模式下的连续P个绑点组成的队列，即：

[0038] 第一绑点队列 = [绑点1向量，…… ，绑点P向量]

[0039] LSTM神经网络的输出绑点队列的个数可依据需要进行调整，可以为一个或多个。

[0040] 作为一个替换的方案，步骤S3中的利用当前输出绑点队列更新当前输入绑点队列以生成下一输入绑点队列替换为：利用输出绑点及其Gamma调节值更新当前输入绑点队列以生成下一输入绑点队列。利用输出绑点及其Gamma调节值更新当前输入绑点队列以生成下一输入绑点队列，具体为，将该调节模式下的绑点依据预设的顺序进行排列，输出绑点的个数为m，剔除当前输入绑点队列中的前m个绑点数据，将输出绑点及其Gamma调节值数据依据预设的顺序加入剔除数据后的当前输入绑点队列得到下一输入绑点队列。

[0041] 作为一个优选的实施例，可利用当前输出绑点的Gamma调节值和Gamma调节预测初值生成当前输出绑点的损失函数，利用当前输出绑点的损失函数对LSTM神经网络的权重系数进行优化，以得到训练好的LSTM神经网络。

[0042] 对于Gamma的初值预测，当调节好了前面P个绑点时候，就相当于有一个长度为P的时序队列，将这个P个绑点输入LSTM网络，输出的是当前待预测初值绑点的rgb寄存器值，由于LSTM网络可以很好地记忆时序信息的关联性，这样保证了LSTM网络可以察觉P个时序队列的微小走向和数值差异，并且对当前低灰阶待调节绑点做出非常高精度的预测，甚至直接一步达到客户给定的误差目标，极大地降低了低灰阶预测难度。

[0043] 作为一个优选的方案，绑点的调制顺序为：绑点的灰阶值由高至低，其中，前N个绑点利用常规Gamma初值预测方法进行调节，其余绑点利用上述基于LSTM神经网络的模组Gamma调节方法进行调节，从而利用该方法进行低灰阶绑点的预测，可以提高预测值的准确率，其中，这里的常规Gamma初值预测方法可以为基于loglog线性插值的初值预测方法，当然也可以选择其他现有的初值预测方法。

[0044] 作为一个示例，当前输出绑点的损失函数为：当前输出绑点的Gamma调节值和Gamma调节预测初值的欧式距离值，即

[0045]

[0046] 其中，ri-predict、gi-predict和bi-predict分别为第i个绑点的R、G、B寄存器的Gamma调节预测初值，ri-real、gi-real和bi-real分别为第i个绑点的R、G、B寄存器的Gamma调节值。

[0047] 作为一个示例，当前输出绑点的损失函数为：任一寄存器的Gamma调节值和Gamma调节预测初值之间差值的绝对值之和，即

[0048]

[0049] 其中，ri-predict、gi-predict和bi-predict分别为第i个绑点的R、G、B寄存器的Gamma调节预测初值，ri-real、gi-real和bi-real分别为第i个绑点的R、G、B寄存器的Gamma调节值。

[0050] 以上损失函数的表示方式仅为示例，可依据优化算法的需要对损失函数进行相应的调整。

[0051] 作为一个示例，将多个样本模组作为一个样本组对LSTM神经网络进行训练，利用该样本组的总体损失函数对LSTM神经网络的权重系数进行调节，总体损失函数为该样本组的所有样本模组的损失函数之和。可利用总体损失函数反映一个样本组的所有样本模组的Gamma调节值和Gamma调节预测初值的距离值，具体为：

[0052]

[0053] 其中，lossj为第j个样本模组的损失函数。

[0054] 作为一个优选的实施例，将Gamma调节后的待调制模组作为新的样本模组，更新LSTM神经网络的权重系数，以获取下一个待调制模组的Gamma调节预测初值。作为一个示例，可以一批利用上述方法调制好的待调制模组更新全部，或者一个或多个利用上述方法调制好的待调制模组部分更新样本模组，由于不同批次的屏体的光电特性会有差异性，可优选样本模组和待调制模组为同一批次生产的模组。

[0055] 一种终端设备，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述方法的步骤。

[0056] 对于一块屏体的每个模式，同一OLED屏体4个不同band（代表4种模式）下其曲线关系都不一样，若是只用一个LSTM模型来进行预测，意味着训练时候所有模式都共享一个LSTM模型的参数，这样最终训练出来的LSTM模型预测的实际上是这几组曲线的平均趋势，而无法反映每个模式的特性差异性，实验结果也表明，多LSTM模型效果要强于单LSTM模型，对于Gamma调节，一般需要调节多个模式，但每个模式的屏体特性会有所区别，为了能够精确地预测每个模式下的寄存器值，提出了对每一个band都训练一个LSTM模型的思想，并和单模LSTM进行了对比，实际调屏效果表明多模型LSTM预测平均精准度要强于单模型的精准度。

[0057] 分别计算传统初值预测方法、本发明实施例的单LSTM模型和多LSTM模型Gamma调节方法的误差曲线，其中，通过计算传统初值预测方法（基于loglog线性插值的初值预测方法）在不超过600块屏体时候的误差曲线，其平均RMSE为9.98，RMSE的标准差为1.39；通过计算本发明实施例的单LSTM模型的在不超过600块屏体时候的误差曲线，其平均RMSE为8.91，RMSE的标准差为1.88；通过计算本发明实施例的多LSTM模型的调节方法在不超过600块屏体时候的误差曲线，其平均RMSE为7.78，RMSE的标准差为2.13；可以看出，传统初值预测方法相比于LSTM预测的稳定性更加出色，稳定性由RMSE的标准差来反应，稳定性越高，标准差越小，同时从曲线波动情况也可以看出，传统算法曲线平坦，稳定性强，而LSTM算法波动较之更大，在数据量不大时候，LSTM算法已经显示出了预测精度逐渐增加的特点，且多LSTM模型比单LSTM网络的预测精度更高（预测精度由RMSE的平均值来反应，多LSTM模型为7.78，为三者最高），同时从曲线走势也可以看出，单LSTM和多LSTM模型逐渐倾斜下降，RMSE越来越小，意味着网络通过在线自学习其预测准确度不断在改善。

[0058] 分别计算传统初值预测方法和本发明实施例的Gamma调节方法的误差曲线的，利用传统初值预测方法（基于loglog线性插值的初值预测方法）和本发明实施例的Gamma调节方法分别对一个流水线的1000多块屏体进行Gamma调节，结果如下：统计传统初值预测方法的误差得到，其平均RMSE为18.60，RMSE的标准差为3.96；统计本发明实施例的Gamma调节方法的误差得到，其平均RMSE为9.75，RMSE的标准差为3.37；同时从其误差曲线可以看出，本发明实施例的Gamma调节方法在间隔200块屏体时候，刚开始训练时平均RMSE反而上升，但是过了200块后，RMSE有一定幅度下降，又过了200后，RMSE又有小幅度下降，可以预见若是调节屏体数量远远大于1000，那么此曲线还会不断下降，最终其预测精度会大幅度改善，超过稳定但是上限不高的传统方式。

[0059] 利用本发明实施例的Gamma调节方法预测最后4个低灰阶绑点的结果（此时已经调节了1000多块屏体），表1展示了利用LSTM预测低灰阶的预测值和最终值的对比，可以看出预测已经非常接近最后的真实值了，充分说明了当数据量大到一定程度时候LSTM预测精度有较大的提升。

[0060] 表1 本发明实施例的Gamma调节方法对低灰阶的预测结果示意表

[0061] 真值 248 203 179 169预测值 246.79733 200.84691 178.85611 168.42386

[0062] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。