一种液晶背光模组减少异物尘点的方法与流程

本发明涉及异物尘点清理，尤其涉及一种液晶背光模组减少异物尘点的方法。

背景技术：

1、随着液晶显示技术的不断发展，液晶背光模组在电子产品中的应用越来越广泛。液晶背光模组作为液晶显示器的重要组成部分，广泛应用于电视、计算机显示器等领域。然而，在实际使用过程中，由于环境原因或制造过程中的不可避免的因素，液晶背光模组表面常常会积累各种异物尘点，包括灰尘、杂质等，严重影响了显示效果和观感。传统的清洁方法往往不够彻底，而且在清洁过程中容易产生划痕，对液晶背光模组造成二次损伤；因此，发明出一种液晶背光模组减少异物尘点的方法变得尤为重要。

2、现有的液晶背光模组减少异物尘点的方法无法应对异物的多样性和复杂性，异物检测准确性低，清洁效率低下；此外，现有的液晶背光模组减少异物尘点的方法无法快速地访问到最新的异物尘点记录，且异物尘点记录不及时，增加多余存储和计算开销；为此，我们提出一种液晶背光模组减少异物尘点的方法。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种液晶背光模组减少异物尘点的方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种液晶背光模组减少异物尘点的方法，该减少异物尘点方法具体步骤如下：

4、(1)通过传感器实时监测模组表面的异物情况；

5、(2)对检测到的异物进行分析辨识并记录分析结果；

6、(3)根据识别的异物智能选择清理机制；

7、(4)通过lur链表实时更新异物尘点的状态并实时清理；

8、(5)将异物检测和防护的数据存储到区块链中；

9、(6)定期对液晶背光模组进行系统巡检并反馈巡检结果。

10、作为本发明的进一步方案，步骤(1)中所述传感器具体包括光学传感器、摄像头、压力传感器、电容触摸传感器、超声波传感器、磁性传感器、热传感器以及雷达传感器。

11、作为本发明的进一步方案，步骤(2)中所述异物分析辨识具体步骤如下：

12、步骤一：收集异物数据并进行预处理后，提取处理后各组环境数据的特征数据，之后对提取的特征数据进行随机替换或采样获取方法创建新特征，通过特征缩放和标准化使不同特征在相同的尺度上，将各组特征数据随机划分为训练集、验证集和测试集；

13、步骤二：构建异物检测模型，之后依据环境特征确定异物检测模型神经元数量，同时将各神经元权重初始化为随机值或预设的初始值，并依据预设信息确定学习率以及步长，并为该模型接入异物图谱库；

14、步骤三：将训练集划分为小批量，通过前向传播分批次将各组训练集数据传递到异物检测模型中并计算每个神经元的输出，再使用损失函数来比较异物检测模型的输出与实际目标值之间的差异，然后通过反向传播算法，根据损失函数的梯度来计算权重的梯度，通过梯度下降算法更新各神经元权重，重复对该异物检测模型进行训练，直至所有训练集都使用完毕；

15、步骤四：使用验证集来评估训练好的模型性能，并通过交叉验证法对不满足预设条件的异物检测模型学习率进行调整，当预测模型在验证集上的性能不再改善或开始恶化时，则选择提前停止训练，并通过测试集评估最终异物检测模型的性能；

16、步骤五：异物检测模型接收实时监测数据，再通过多组注意力层从不同角度对相同输入的实时监测数据进行线性变换以提取特征信息，将多组注意力层的输出进行融合，将融合后的特征信息导入后续隐藏层中；

17、步骤六：通过各隐藏层计算每层神经元的加权输入，同时通过激活函数计算各层神经元输出并作为输入传递到下一层，直至传递至输出层，之后输出层依据各神经元权重比例输出液晶背光模组表面的异物情况。

18、作为本发明的进一步方案，步骤二中所述异物知识图谱库构建具体步骤如下：

19、步骤1：依据专家知识、实时采集以及异物数据库中收集各组异物样本数据，之后对采集到的异物样本数据进行清理和去重，将每组异物样本作为图谱中的一个节点，建立节点之间的边，表示异物之间的关联关系；

20、步骤2：根据各组异物的基本数据为对应的各组节点添加属性，再使用图数据库存储节点、边和属性信息以生成异物图谱库，当有新的异物样本被检测到时，实时更新图谱，添加新节点并更新相关边和属性，之后设立定期维护计划，对图谱中的数据进行清理、优化和更新；

21、步骤3：当异物分析模型识别异物时，先将该异物数据中的实体与异物图谱库中对实体进行比对，多匹配结果一致则输出对应异物数据，若比对结果不一致，则通过异物分析模型对该异物进行辨识，并依据辨识结果对异物图谱库进行更新。

22、作为本发明的进一步方案，步骤(3)中所述清理机制智能选择具体步骤如下：

23、步骤ⅰ：收集包含异物和非异物样本的数据集，并为异物数据集中各组数据标注异物特征和对应防护措施标签，之后按照预设阈值将样本数据集划分为训练集以及测试集；

24、步骤ⅱ：随机从训练集中选择一组特征子集，重复进行特征选择和数据集分割，直至决策树的深度达到预定值后停止分裂，再根据数据特征逐步分裂结果形成决策规则，将生成的多组决策树组成随机森林模型；

25、步骤ⅲ：对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练随机森林模型后，通过测试集进行检测，统计检测结果的损失值，再将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为最优参数并替换模型原有参数；

26、步骤ⅳ：当新的异物被检测到时，将其特征输入训练好的随机森林模型中，从随机森林模型的根节点开始，根据异物信息的特征条件逐步遍历树的分支，直到达到叶子节点，并将该叶子节点的标签作为防护策略输出，并依据输出的防护策略调整防护设备强度以及位置。

27、作为本发明的进一步方案，步骤(4)中所述lur链表异物尘点记录具体步骤如下：

28、步骤①：初始化一组lur链表并设定链表的大小，并通过链表中的每组节点存储异物尘点的位置和密度计数，当检测到新的异物尘点时，将其位置信息和初次密度计数记录到lur链表中，作为新的节点插入链表头部；

29、步骤②：当需要判断异物防护策略时，按照lur链表的顺序访问各组节点，获取异物尘点的位置和密度信息，每次访问一组节点时，更新该节点的使用频率并将其移到链表头部，表示最近使用过；

30、步骤③：定期对lur链表中的所有节点进行密度计数的更新以反映异物尘点最新的密度变化，每经过预设时间后或防护操作，减少节点中异物尘点的密度计数以模拟异物密度随时间的变化；

31、步骤④：记录新异物尘点或更新节点使用频率时，检查lur链表的大小是否超过设定的最大容量，若链表大小超过最大容量，则删除链表尾部的节点，并依据lur链表中的最新异物尘点位置和密度信息动态调整异物防护策略。

32、作为本发明的进一步方案，步骤(5)中所述区块链存储具体步骤如下：

33、第一步：按照预设的时间区间对异物检测和防护数据进行分割，以获形成多组数据块，之后通过哈希算法生成各组数据块的标识，收集各组区块链节点信息并获取各组节点负载情况；

34、第二步：通过负载均衡算法选择区块链节点来存储每组数据块，数据块存储完成后，根据系统的要求和可用资源进行配置复制规定数量的数据块到多组区块链节点上，当节点存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他节点；

35、第三步：当构造一组新的数据块后，将其广播到区块链网络中，并传播给多组区块链节点，各组区块链节点进行共识验证，确认该数据块的有效性和合法性并添加区块链网络中存储。

36、相比于现有技术，本发明的有益效果在于：

37、1、该液晶背光模组减少异物尘点的方法收集异物数据并进行预处理后，提取处理后各组环境数据的特征数据，之后对提取的特征数据进行随机替换或采样获取方法创建新特征，通过特征缩放和标准化使不同特征在相同的尺度上，将各组特征数据随机划分为训练集、验证集和测试集以训练优化异物监测模型，异物检测模型接收实时监测数据，再通过多组注意力层从不同角度对相同输入的实时监测数据进行线性变换以提取特征信息，将多组注意力层的输出进行融合，将融合后的特征信息导入后续隐藏层中，通过各隐藏层计算每层神经元的加权输入，同时通过激活函数计算各层神经元输出并作为输入传递到下一层，直至传递至输出层，之后输出层依据各神经元权重比例输出液晶背光模组表面的异物情况，之后随机森林模型根据异物信息的特征条件生成防护策略以调整防护设备强度以及位置，能够应对异物的多样性和复杂性，提高模型的鲁棒性，能够更好地理解异物的多样性，使异物检测更加准确，同时能够异物信息选择合适的防护策略，提高清洁效率。

38、2、该液晶背光模组减少异物尘点的方法初始化一组lur链表并设定链表的大小，并通过链表存储异物尘点的位置和密度计数，将新的异物尘点信息作为新的节点插入链表头部，当需要判断异物防护策略时，按照lur链表的顺序访问各组节点，获取异物尘点的位置和密度信息，每次访问一组节点时，更新该节点的使用频率并将其移到链表头部，并定期对lur链表中的所有节点进行密度计数的更新，每经过预设时间后或防护操作，减少节点中异物尘点的密度计数以模拟异物密度随时间的变化，记录新异物尘点或更新节点使用频率时，检查lur链表的大小是否超过设定的最大容量，若链表大小超过最大容量，则删除链表尾部的节点，并依据lur链表中的最新异物尘点位置和密度信息动态调整异物防护策略，能够优化内存的使用，避免不必要的信息存储，能够快速地访问到最新的异物尘点记录并及时地作出相应的防护调整，并保持异物尘点记录的及时性。