本发明涉及手机显示屏检测，更具体地说，涉及一种手机用高色域显示屏的检测方法及系统。
背景技术：
1、移动互联网时代，智能手机已成为人们工作、学习、娱乐的必备设备。作为人机交互的核心界面，手机显示屏的视觉效果直接影响用户体验。然而，由于生产工艺、材料特性、使用环境等因素的影响，手机显示屏在色彩还原、亮度均匀性、动态响应等方面往往存在不尽如人意的问题，亟需进行精确检测和智能优化。
2、传统的手机显示屏检测方法主要包括人工检查、色度计测试、响应时间测量等，存在效率低下、主观性强、评价维度单一等局限。随着产品迭代加快和消费需求的提升，这些方法已难以满足日益增长的质量检测需求。
3、为了提高检测效率和客观性，一些学者尝试引入计算机视觉和机器学习技术，但仍存在诸多不足。在色彩校正方面，传统方法多采用基于多项式回归或三维查找表的全局色彩映射模型，忽略了显示屏不同区域色彩失真的非均匀性，难以兼顾整体还原精度和局部细节保真度。而一些改进的分区映射算法，如多项式分段拟合、灰度均衡映射等，虽然在一定程度上提高了局部精度，但其色彩空间分割方式相对简单，未充分挖掘局部色彩失真的规律性，映射函数也缺乏自适应性，难以灵活适应不同显示屏的色彩特性。
4、在亮度补偿优化方面，现有方法多采用全局亮度调节或分区亮度均衡策略，未考虑显示内容的语义特征和人眼视觉感知特性，往往造成画面亮度失衡，影响视觉主观体验。一些工作尝试根据显示内容的局部对比度、空间频率等特征引导亮度分配，但其建模方式相对粗糙，未深入考虑人眼视网膜的神经节细胞响应机制，难以准确评估显示画质的主观感知质量。同时，现有算法在求解最优亮度分配问题时，或采用穷举搜索，计算复杂度高，实时性不足；或采用启发式策略，优化性能不够稳定，鲁棒性有待提高。
5、在显示动态响应特性评估方面，传统方法主要是从时域或频域的单一视角对响应过程进行分析，如时域响应曲线拟合、频域响应特性拟合等，难以全面刻画瞬态响应过程的多尺度动态特性。虽然一些学者提出采用小波变换等时频分析工具，但其固有的尺度选择和方向性问题，限制了不同时间尺度细节的提取能力。而基于经验模态分解的自适应时频分析方法，虽然在一定程度上克服了小波变换的局限，但分解过程缺乏数学理论基础，且对噪声敏感，在实际复杂信号分析中还面临诸多挑战。因此，如何构建合理的时频联合分析框架，挖掘响应过程的多尺度动态模式，是评估显示瞬态特性的关键。
6、在基于机器学习的缺陷检测方面，现有方法多采用svm、决策树等传统算法，或采用浅层神经网络，难以准确建模复杂的缺陷模式。而一些新的检测方法虽引入了深度学习模型，但多为离线训练方式，缺乏在线学习和增量更新能力，难以适应手机显示屏生产工艺和使用场景的动态变化。对于新出现的缺陷模式，往往需要重新标注数据，耗时费力。因此，如何设计具备在线增量学习能力的检测模型，实现检测系统的持续进化和自我完善，是一个亟待解决的问题。
7、综上所述，现有手机显示屏检测技术在色彩还原精度、亮度补偿效果、动态响应分析、智能缺陷检测等方面还存在不足，难以满足消费电子产品的高质量、高性能要求，亟需探索全新的检测方法和优化策略。
技术实现思路
1、本发明针对现有技术的不足，提出一种手机用高色域显示屏的检测方法及系统，通过一系列算法创新和系统设计，在色彩校正、亮度调节、响应特性评估、增量缺陷检测等环节形成了完整的技术解决方案，显著提升了手机显示屏缺陷检测和视觉质量优化的智能化水平。
2、本发明提供一种手机用高色域显示屏的检测方法，包括以下步骤：
3、步骤一：构建机器学习的智能检测系统；
4、步骤二：采用分区自适应色彩映射算法进行色彩校准；
5、步骤三：采用基于视网膜感知的自适应亮度调节算法进行亮度测试与优化；步骤四：采用分数阶时频混合域变换算法进行响应时间评估与预测；
6、步骤五：采用深度增量学习算法对海量检测数据进行挖掘与建模；
7、步骤六：构建多模态智能检测平台，协同优化各项检测指标。
8、具体地，所述步骤二中分区自适应色彩映射算法包括以下子步骤：
9、2.1)分区划分：将显示屏划分为n×n个分区，n为正整数，每个分区随机采样k个像素点统计lab空间下的色彩均值(li,ai,bi),i＝1,2,...,n2；
10、2.2)色差计算：计算各分区色彩偏差δei，公式为：
11、
12、其中(l0,a0,b0)为目标色域的参考白点值；
13、2.3)色彩映射：构建高斯径向基核映射函数f(x):r3→r3，将原始色彩空间(r,g,b)映射到目标色彩空间(r′,g′,b′)，公式为：
14、
15、其中，m为混合高斯核数量，wj为权重系数，γ为核宽度参数，cj为训练样本；
16、2.4)参数优化：利用随机梯度下降法最小化色差得到最优映射参数；
17、2.5)色彩校正：利用优化后的映射函数f(x)，对各分区独立进行色彩校准，并更新显示，迭代优化直至收敛。
18、具体地，所述步骤三中基于视网膜感知的自适应亮度调节算法包括以下子步骤：
19、3.1)分区特征提取：将显示屏划分为m×m个分区(m为正整数)，提取各分区的显示内容特征，包括对比度ci、空间频率fi、主导色hi，i＝1,2,...,m2；
20、3.2)视觉敏感度建模：建立视网膜神经节细胞响应模型，定义视觉敏感度权重wi，公式为：
21、
22、其中k为视网膜神经节细胞类型数，ak为各类型权重，vk为各类型感受野中心，σk为感受野半径
23、3.3)亮度优化目标：以视觉敏感度加权亮度均方差为优化目标，构建亮度分配优化问题，公式为
24、
25、bmin≤bi≤bmax,i＝1,2,...,n2
26、其中bi为分区亮度，btarget为显示屏平均目标亮度，bmin和bmax为亮度约束范围；
27、3.4)最优亮度求解：利用序列最小优化算法求解亮度优化问题，得到各分区最优亮度值
28、3.5)亮度调节：利用序列最小优化算法求解亮度优化问题
29、3.5)亮度调节：生成分区亮度校正系数，对各分区rgb值独立进行亮度调节，并更新显示；
30、具体地，所述步骤四中分数阶时频混合域变换算法进行响应时间评估与预测包括以下子步骤：
31、4.1)数据采集：选取典型灰阶跳变序列作为显示刺激信号x(t)，测量其光强响应曲线y(t)，采样频率为fsi；
32、4.2)分数阶傅里叶变换：对x(t)和y(t)进行分数阶傅里叶变换(frft)，得到时频混合域谱xa(u)和ya(u)，公式为
33、xa(u)＝∫x(t)*ka(t,u)dt
34、ya(u)＝∫y(t)*ka(t,u)dt
35、其中ka(r,u)为frft核函数，a为分数阶次；
36、4.3)响应时间指标：计算时频混合域增益谱ga(u)＝ya(u)/xa(u)，积分得到响应时间指标rt，公式为：
37、rt＝∫|ga(u)|2*|u|-kdu
38、其中k为频率加权指数；
39、4.4)响应时间预测：构建响应时间预测神经网络模型，输入为灰阶跳变参数、环境温度t，输出为rt，训练优化网络参数，实现响应时间的实时预测。
40、具体地，所述步骤五中深度增量学习算法对海量检测数据进行挖掘与建模包括以下子步骤：
41、5.1)数据集构建：构建检测数据集d＝{(xi,yi)|i＝1,2,...,n}，其中xi为第i个样本的特征向量，yi为对应的性能标签；
42、5.2)增量学习网络：设计深度增量学习网络结构ilnet，包括特征提取模块、新类别检测模块和在线更新模块；
43、5.3)新类别检测：利用少样本学习策略，提取待增量数据的特征表示，并与已有类别进行相似度匹配，若相似度低于阈值λ，则触发新类别警告；
44、5.4)在线模型更新：在线更新性能预测模型f(x):x→y，当分类精度acc低于预设阈值acc0时，触发模型重训练、公式为：
45、acc＝(tp+tn)/(tp+tn+fp+fn)
46、其中，tp、tn、fp、fn分别为真阳性、真阴性、假阳性和假阴性的样本数。
47、具体地，所述步骤一中构建机器学习的智能检测系统包括高精度相机阵列、分光光度计、图像采集卡和高性能工作站，以及智能检测软件平台。
48、具体地，所述步骤2.1)中分区数n的取值范围为20-100。
49、具体地，所述步骤3.2)中视网膜神经节细胞类型数k的取值为3-8。
50、具体地，所述步骤4.2)中分数阶次a的取值范围为0.4-0.8。
51、一种基于上述检测方法的手机用高色域显示屏的检测系统，包括如下模块：色彩校准模块、亮度测试模块、响应时间评估模块和数据分析模块，所述色彩校准模块用于采用分区自适应色彩映射算法进行色彩校准；所述亮度测试模块用于采用基于视网膜感知的自适应亮度调节算法进行亮度测试与优化；所述响应时间评估模块用于采用分数阶时频混合域变换算法进行响应时间评估与预测；所述数据分析模块用于采用深度增量学习算法对海量检测数据进行挖掘与建模。
52、本发明具有如下有益效果：
53、首先，在色彩校准环节，采用的分区自适应色彩映射算法能够充分考虑显示屏不同区域色彩失真的非均匀性，通过局部自适应的色彩映射函数实现精细化的色彩还原。传统的全局色彩校正算法往往难以兼顾局部细节，而本发明利用高斯径向基函数网络构建映射模型，可灵活拟合局部色彩失真特性，并通过独立分区建模和全局优化求解，在提高色彩精度的同时兼顾了计算效率，充分利用了分治思想，体现了全局和局部的协同增效。
54、其次，在亮度调节环节，采用的视网膜感知自适应优化算法巧妙结合了人眼视觉特性和显示内容的语义信息。通过构建视网膜神经节细胞的响应模型，引入视觉敏感度权重指导亮度分配，既保证了整体亮度恒定，又提升了显示画质的主观感知质量。本算法的创新点在于，利用视觉感知机制自适应地调整了显示亮度分布，突破了传统亮度补偿中的一刀切局限性，真正做到了以人眼为中心的亮度优化。同时，smo优化算法能够高效求解亮度分配问题，保证了算法的实时性和鲁棒性。由此可见，生物启发和最优化策略在该环节形成了互补和叠加，实现了生物特征和数学算法的完美融合。
55、再次，在响应时间评估环节，本发明创新性地提出了基于分数阶时频混合域的响应特性分析方法。传统的傅里叶分析只能在时域或频域单一视角下刻画响应过程，难以全面反映显示屏的动态特性。而分数阶傅里叶变换通过分数阶次的调节，实现了时频联合分析，可提取不同时间尺度下的细节信息，对多尺度瞬态过程的刻画更加全面准确。基于时频混合谱提出的响应时间指标，综合反映了不同灰阶跳变下的平均响应水平，为显示性能的量化评估提供了新思路。在该环节，跨尺度分析与频域特征表征达成了优势互补，实现了对响应过程的立体化、多角度刻画，是对传统方法的重要突破。
56、最后，深度增量学习算法赋予了检测系统持续进化、自我完善的能力。ilnet网络可以在保留已学知识的基础上，持续学习新的检测数据，发现新的故障模式，动态优化和更新预测模型。这充分体现了增量学习的优势，既克服了传统离线模型的封闭性和滞后性，又规避了完全在线学习的遗忘问题和鲁棒性不足。同时，新类别检测模块和自适应再训练策略的加入，进一步增强了系统应对未知情况和类别不平衡问题的能力。由此可见，该环节在知识积累、模型更新、异常检测等方面形成了协同增效，大大提升了系统的自适应性、精准性和容错性。
57、综上所述，本发明通过算法创新和系统集成，在色彩还原、亮度补偿、瞬态响应、增量学习等多个方面取得了突破，并在算法间形成了交叉融合、优势互补的协同增效机制。分区自适应策略提升了色彩校正的精细度，视网膜感知模型引入了亮度优化新思路，分数阶时频分析拓展了响应特性刻画的新视角，深度增量学习赋予了系统与日俱进的进化能力。这些创新点的有机结合，带来了全方位、多层次的性能提升，极大地推动了手机显示质量的智能检测水平，产生了更加优异、全面的技术效果，具有重要的应用价值和示范意义。
1.一种手机用高色域显示屏的检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的检测方法，其特征在于，所述步骤二中分区自适应色彩映射算法包括以下子步骤：
3.根据权利要求1所述的检测方法，其特征在于，所述步骤三中基于视网膜感知的自适应亮度调节算法包括以下子步骤：
4.根据权利要求1所述的检测方法，其特征在于，所述步骤四中分数阶时频混合域变换算法进行响应时间评估与预测包括以下子步骤：
5.根据权利要求1所述的检测方法，其特征在于，所述步骤五中深度增量学习算法对海量检测数据进行挖掘与建模包括以下子步骤：
6.根据权利要求1-5任一项所述的检测方法，其特征在于，所述步骤一中构建机器学习的智能检测系统包括高精度相机阵列、分光光度计、图像采集卡和高性能工作站，以及智能检测软件平台。
7.根据权利要求2所述的检测方法，其特征在于，所述步骤2.1)中分区数n的取值范围为20-100。
8.根据权利要求3所述的检测方法，其特征在于，所述步骤3.2)中视网膜神经节细胞类型数k的取值为3-8。
9.根据权利要求4所述的检测方法，其特征在于，所述步骤4.2)中分数阶次a的取值范围为0.4-0.8。
10.一种基于权利要求1-9任一项所述检测方法的手机用高色域显示屏的检测系统，其特征在于，包括如下模块：色彩校准模块、亮度测试模块、响应时间评估模块和数据分析模块，所述色彩校准模块用于采用分区自适应色彩映射算法进行色彩校准；所述亮度测试模块用于采用基于视网膜感知的自适应亮度调节算法进行亮度测试与优化；所述响应时间评估模块用于采用分数阶时频混合域变换算法进行响应时间评估与预测；所述数据分析模块用于采用深度增量学习算法对海量检测数据进行挖掘与建模。
