一种基于大语言模型的显示面板Gamma校正算法自动生成方法及系统与流程

本发明涉及显示面板制造与人工智能交叉，具体而言，涉及一种利用大语言模型调度数值分析工具自动分析显示面板光学测量数据、挖掘数据规律、生成并优化gamma 校正算法的方法及系统。

背景技术：

1、在 oled、amoled、lcd 等各类显示面板的生产制程中，gamma 校正是把控屏幕显示效果的核心工序，其目的是让面板各灰阶输出亮度贴合标准 gamma 2.2 曲线，保证整机画面色彩还原效果与视觉一致性。传统 gamma 校正全流程依靠人工完成：工作人员借助亮度计、色彩分析仪采集 0~255 全灰阶亮度数据，再凭借自身从业经验分析面板固有光电差异，例如 rgb 子像素发光效率、阈值电压不一致等特性；随后人工挑选拟合数学模型，手动调试生成绑点参数或校正查找表，最终将校正方案烧录至产线检测设备用于批量校正。

2、该人工方案存在多处明显短板：其一，对资深工艺人员依赖性极强。不同面板基板、驱动 ic、像素电路结构会带来差异化 gamma 特性，每一款新型面板都需要人工重新完成数据采集、规律分析与算法调试，整套流程耗时可达数天乃至数周。其二，校正效果不稳定。拟合模型选型、参数调整完全依靠工程师主观经验，不同人员输出的校正算法精度参差不齐，批量面板显示一致性无法保障。其三，迭代优化效率低下。初次生成的校正曲线若偏差超标，需要人工反复修改参数、复测验证，迭代周期长，拖慢新品量产导入节奏；其四，行业经验无法传承复用。工程师调试积累的分析思路、适配方案仅留存于个人，没有标准化存储载体，后续新面板开发无法直接复用历史成熟经验。

3、现有基于单纯大语言模型的 gamma 校正方案存在固有缺陷：大语言模型仅具备文本理解、逻辑推理、代码生成能力，不具备高精度数值拟合、统计指标计算、偏差量化运算能力，若完全依靠 llm 自主推导 gamma 系数、亮度差值，计算精度差、方案无法稳定复现。亟需提供一种 llm 与专业数值分析工具协同工作、脱离人工经验干预、自动化挖掘面板光学数据规律并闭环迭代生成高精度 gamma 校正算法的显示面板 gamma 校正自动生成方法。当前 scipy、numpy 等数值工具可完成高精度曲线拟合、统计计算，大语言模型负责调度工具、解读量化结果、输出校正策略，二者结合为本发明解决传统人工校正、纯 llm 数值计算缺陷提供可行技术路径。

技术实现思路

1、针对现有 gamma 校正开发高度依赖人工、周期长、校正算法质量不稳定、经验无法沉淀复用、纯大语言模型数值计算精度不足、迭代调试效率低的缺陷，本发明提供一种基于大语言模型的显示面板 gamma 校正算法自动生成方法及系统，通过大语言模型调度独立数值分析工具完成全部量化运算，实现全流程自动化分析、算法生成、闭环迭代优化，并构建可复用校正知识库，降低人工依赖、缩短新品开发周期、统一校正精度。

2、为解决上述问题并实现上述目的，本发明第一方面提供一种基于大语言模型的显示面板 gamma 校正算法自动生成方法，包括以下步骤： 步骤 s1：数据采集步骤：控制待测显示面板依次显示预设的多个灰阶测试画面，通过光学测量设备采集各灰阶下的亮度数据，获得灰阶 - 亮度原始数据集； 步骤 s2：数据预处理步骤：对所述灰阶 - 亮度原始数据集进行预处理，包括异常值剔除、数据归一化和格式标准化，生成结构化的待分析数据集； 步骤 s3：数据分析与规律发现步骤：将所述待分析数据集以及面板型号信息输入预先配置的大语言模型；所述大语言模型生成工具调用指令，下发数据至预设数值分析工具执行量化运算；数值分析工具完成分段曲线拟合、亮度统计、异常点检测，向大语言模型回传拟合 gamma 系数、各区间亮度波动指标、rgb 通道差值、异常灰阶坐标等结构化量化结果；所述大语言模型基于工具输出的全部量化指标，生成包含灰阶区间趋势、非线性特征、通道差异、绑点布置策略的数据分析报告； 步骤 s4：算法生成步骤：所述大语言模型根据所述数据分析报告、数值分析工具输出的最优拟合参数，结合预设的目标 gamma 曲线参数，自动生成 gamma 校正算法代码，所述算法代码包括绑点选取策略、插值计算方法和校正补偿参数； 步骤 s5：自动验证步骤：将所述 gamma 校正算法代码部署到测试环境中，对所述待测显示面板执行校正操作，并重新采集校正后的灰阶 - 亮度数据；将校正后数据送入数值分析工具，计算校正结果与目标 gamma 曲线之间的亮度偏差值； 步骤 s6：迭代优化步骤：当所述偏差值大于预设阈值时，将校正后的测量数据、数值分析工具输出的偏差分布指标以及上一轮算法的分析结果反馈给所述大语言模型，由所述大语言模型结合量化偏差数据对算法进行调整和优化，并重复执行步骤 s5，直至所述偏差值不大于预设阈值，输出最终的 gamma 校正算法。进一步地，在步骤 s3 中，所述大语言模型通过结构化文本 / 表格加载数据，搭配场景专用提示词完成多维度分析，分析维度包括低灰阶亮度跳变检测、中高灰阶平滑度评估、rgb 子像素一致性对比。

3、进一步地，在步骤 s3 中，所述大语言模型通过结构化文本 / 表格加载数据，调用场景专用提示词生成数值工具调度指令；依据数值分析工具输出的量化统计指标完成多维度分析，分析维度包括低灰阶亮度跳变检测、中高灰阶平滑度评估、rgb 子像素一致性对比。

4、进一步地，步骤 s4 中，数值分析工具输出多组数学模型的拟合误差，大语言模型对比各组误差指标自动匹配最优曲线拟合数学模型，确定绑点分布与数量，输出 python/c/c++ 可执行校正代码。

5、进一步地，步骤 s6 中，设置迭代次数上限，超限后大语言模型自动切换数值工具调度提示词模板或更换数值分析工具内的拟合模型，避免算法陷入局部最优。

6、进一步地，所述方法还包括 s7 知识库构建步骤：将面板硬件参数、测量原始数据、数值分析工具输出量化指标、llm 分析报告、最终算法、迭代日志存入知识库；处理新面板时采用 rag 检索相似历史案例辅助大语言模型推理。

7、进一步地，s1 中灰阶覆盖 0~255，采样间隔≤4 灰阶；预设偏差阈值为 1%~5% 亮度偏差百分比。

8、本发明第二方面提供一种基于大语言模型的显示面板 gamma 校正算法自动生成系统，包括： 数据采集模块，用于控制待测显示面板显示灰阶测试画面并驱动光学测量设备采集亮度数据； 数据预处理模块，用于对采集到的原始数据进行异常值剔除、归一化和格式标准化处理； 大语言模型分析模块，配置预训练 llm，设有数值工具调用接口，下发数据至数值分析工具、接收量化运算结果，执行数据规律推理、算法代码生成、迭代优化； 数值分析工具单元，独立完成曲线拟合、统计计算、校正偏差量化，向大语言模型输出结构化数值结果； 算法验证模块，部署校正算法； 迭代控制模块，接收数值工具输出的偏差值，判断是否达标，未达标则组装反馈数据送入大语言模型分析模块； 知识库模块，存储历史校正全量数据，支持 rag 相似案例检索。

9、进一步地，大语言模型分析模块支持云端 api 调用或本地开源模型部署，内置提示词管理单元，存储数值工具调度、数据分析、代码生成、偏差迭代多场景专用提示词模板。

10、综上，本发明能够大幅缩短新品校正算法开发周期，通过 llm 与专业数值分析工具协同分工：数值工具承担高精度拟合、统计、偏差计算，大语言模型专注数据解读、策略推理、代码生成，将原本数天的开发周期缩短至数小时，有效加快新型面板量产导入进度；同时可彻底降低对资深工艺工程师个人经验的依赖，依靠标准化流程省去人工反复调试工作，节约人力成本；数值工具输出量化指标可复现，不存在人工主观偏差，能够保障批量面板校正精度保持一致；搭配知识库与 rag 检索机制可沉淀并复用历史校正量化数据与分析经验，进一步提升新型面板的分析处理效率，整体实现全链路自动化，大幅减少人工介入，适配各类产线批量自动化检测应用场景。