一种显示屏的性能检测方法与流程

本发明涉及显示，特别涉及一种显示屏的性能检测方法。

背景技术：

1、在现代科技中，显示屏已广泛应用于各种电子设备，如电视、手机、电脑等。为确保显示屏性能达到预期水平，检测显示屏的性能特征变得至关重要。传统的显示屏检测方法通常基于人眼观察和主观评估，存在主观性高、费时费力的问题，并且无法提供精确的定量数据。

技术实现思路

1、基于此，本发明有必要提供一种显示屏的性能检测方法，以解决至少一个上述技术问题。

2、为实现上述目的，一种显示屏的性能检测方法，包括以下步骤：

3、步骤s1：获取历史显示屏亮屏显示图像，对历史显示屏亮屏显示图像进行缺陷检测，从而获得历史显示屏亮屏缺陷标注图像；

4、步骤s2：基于深度学习法对历史显示屏亮屏缺陷标注图像进行模型构建，从而获得mura缺陷检测模型；

5、步骤s3：获取待检测显示屏显示图像集，利用mura缺陷检测模型对待检测显示屏显示图像集进行第一显示屏性能检测，从而获得第一显示屏性能检测数据；

6、步骤s4：对待检测显示屏显示图像集进行熄屏显示图像提取，从而获得显示屏熄屏显示图像，并对显示屏熄屏显示图像进行第二显示屏性能检测，从而获得第二显示屏性能检测数据；

7、步骤s5：对第一显示屏性能检测数据以及第二显示屏性能检测数据进行综合评估系数计算，从而获得待检测显示屏性能评估系数，并根据待检测显示屏性能评估系数对第一显示屏性能检测数据以及第二显示屏性能检测数据进行数据归并，从而获得待检测显示屏性能评估数据；

8、步骤s6：根据待检测显示屏性能评估数据构建显示屏数字孪生模型，并将显示屏数字孪生模型上传至可视化平台，以执行显示屏缺陷3d可视化任务。

9、本发明通过获取历史显示屏亮屏显示图像并进行缺陷检测，可以获得历史显示屏亮屏缺陷标注图像。建立了缺陷样本数据，其中包含了显示屏亮屏时可能出现的各种缺陷。这些数据将用于后续中深度学习模型的构建和训练。基于深度学习法对历史显示屏亮屏缺陷标注图像进行模型构建，从而获得mura缺陷检测模型。利用了大量的亮屏缺陷标注图像，并通过深度学习算法进行模型构建，提高了检测的准确性和一致性，减少了主观性。通过深度学习模型，可以准确地检测出亮屏显示图像中的各种缺陷，例如像素点缺失、亮度不均匀或者色彩异常等。mura缺陷检测模型可以在后续中用于检测待检测显示屏的缺陷。通过利用mura缺陷检测模型对待检测显示屏显示图像集进行第一显示屏性能检测，可以获得第一显示屏性能检测数据。能够及时发现待检测显示屏亮屏时可能存在的缺陷，并获得关于显示屏性能的定量数据。这些数据可以帮助进行显示屏的质量评估和判断。对待检测显示屏进行熄屏显示图像提取，并对熄屏显示图像进行第二显示屏性能检测，从而获得第二显示屏性能检测数据。这能够检测待检测显示屏在熄屏状态下可能存在的问题，例如坏点、暗点或者亮度非均匀等。第二显示屏性能检测数据可以进一步完善对显示屏性能的评估。采用了自动化的方式对显示屏进行检测，大大减少了人力和时间成本，提高了效率。通过对第一显示屏性能检测数据和第二显示屏性能检测数据进行综合评估系数计算，可以获得待检测显示屏性能评估系数。基于客观的数据计算，减少了主观评估的影响，提供了更准确的性能评估结果。将两次检测得到的数据进行综合分析和权衡，得出显示屏整体性能的评估结果。通过评估系数的计算，可以更准确地评估待检测显示屏的性能状况。根据待检测显示屏性能评估数据构建显示屏数字孪生模型，并将其上传至可视化平台，以执行显示屏缺陷3d可视化任务。将显示屏的性能数据和缺陷信息与数字孪生模型相结合，实现对显示屏缺陷的可视化展示。这样，可以直观地观察和分析显示屏的缺陷问题，并采取相应的措施进行修复或改进。通过数字模型的可视化呈现，使得显示屏的缺陷问题更加直观、清晰，减少了个体主观评估的偏差。

10、可选地，步骤s1具体为：

11、步骤s11：获取历史显示屏亮屏显示图像；

12、步骤s12：对历史显示屏亮屏显示图像进行灰度图像转换，从而获得显示屏亮屏显示灰度图像；

13、步骤s13：通过显示屏图像分割算法对显示屏亮屏显示灰度图像进行背景分割，从而获得显示前景图像；

14、步骤s14：对显示前景图像进行二值化处理，从而获得显示二值图像；

15、步骤s15：对显示二值图像进行连通域缺陷判定，从而获得历史显示屏亮屏缺陷标注图像。

16、本发明获取历史显示屏亮屏显示图像，收集和获取大量的历史显示屏亮屏显示图像。这些图像是后续检测和评估所需的基础数据。通过收集大量的图像，可以建立一个丰富的数据集，有助于模型的训练和性能提升。对历史显示屏亮屏显示图像进行灰度图像转换，这样简化了后续处理的复杂性，同时保留了图像的关键信息。灰度图像只包含亮度信息，而不考虑颜色。这样可以减少计算和存储的资源消耗，并且更方便进行图像处理和分析。通过显示屏图像分割算法对显示屏亮屏显示灰度图像进行背景分割，通过分割可以得到显示前景图像，去除了背景的干扰，使后续处理更加集中于显示内容，提高了缺陷检测的准确性和可靠性。二值化处理将图像转换为只包含黑白两种颜色的二值图像。能进一步简化图像，使得后续缺陷检测更为简单和高效。二值图像中的白色表示显示内容，黑色表示非显示内容，使得缺陷的边缘和细节更为清晰和突出。对显示二值图像进行连通域缺陷判定；连通域缺陷判定是指通过对二值图像中的连通区域进行分析和判定，确定其中的缺陷部分。定位和标注历史显示屏亮屏中存在的缺陷区域，为后续的模型训练和检测提供标注数据。这些标注图像可以用于训练深度学习模型，提高缺陷检测的准确性和鲁棒性。

17、可选地，步骤s13具体为：

18、步骤s131：对显示屏亮屏显示灰度图像进行灰度像素值提取，从而获得显示屏亮屏灰度像素值；

19、步骤s132：对显示屏亮屏灰度像素值进行统计分析，从而获得灰度像素值阈值；

20、步骤s133：根据灰度像素值阈值通过显示屏图像分割算法对显示屏亮屏显示灰度图像进行边缘分割，从而获得显示屏边缘分割灰度图像；

21、步骤s134：对显示屏边缘分割灰度图像进行高斯模糊，从而获得待背景消除图像；

22、步骤s135：基于领域信息的背景消除法对待背景消除图像进行背景消除，从而获得显示前景图像。

23、本发明对显示屏亮屏显示灰度图像进行灰度像素值提取；将彩色图像转换为灰度图像并提取灰度像素值。灰度像素值反映了图像中每个像素点的亮度信息，通过提取灰度像素值，可以更加方便地进行后续的统计分析和处理。对显示屏亮屏灰度像素值进行统计分析；统计分析灰度像素值的有益效果是根据图像的亮度分布特征确定一个合适的灰度像素值阈值。阈值的选择基于图像中前景和背景的亮度差异，它将帮助后续的图像分割准确地将显示前景和背景进行区分。根据灰度像素值阈值通过显示屏图像分割算法对显示屏亮屏显示灰度图像进行边缘分割；基于灰度像素值阈值进行图像分割，将图像分为前景和背景。通过边缘分割，可以获取显示屏的边缘信息，这对于进一步处理和分析显示前景和后景区域非常有帮助。对显示屏边缘分割灰度图像进行高斯模糊；高斯模糊是一种常用的图像处理操作，能减少图像中的噪声和干扰，平滑图像的细节信息。通过对边缘分割灰度图像进行高斯模糊，可以使显示前景的边缘更加平滑，并为后续的背景消除提供更准确的图像数据。基于领域信息的背景消除法对待背景消除图像进行背景消除；基于领域信息的背景消除法，通过对待背景消除图像进行处理，去除图像中的背景部分。背景消除提取出显示屏的前景部分，使得后续的缺陷检测和分析能够集中于显示内容，提高检测的准确性和可靠性。

24、可选地，步骤s133中的显示屏图像分割算法的函数公式具体为：

25、

26、式中，e为边缘强度值，i为像素的灰度值，t为灰度像素值阈值，k为边缘增强系数，α为图像增强指数，β为平移参数，γ为指数参数，为梯度算子，x为图像中像素点的横向坐标，y为图像中像素点的纵向坐标，e为自然对数的底数。

27、本发明构造了一个显示屏图像分割算法的函数公式，用于对显示屏亮屏显示灰度图像进行边缘强度值计算。该公式充分考虑了影响边缘强度值e的像素的灰度值i，灰度像素值阈值t，边缘增强系数k，图像增强指数α，平移参数β，指数参数γ，梯度算子图像中像素点的横向坐标x，图像中像素点的纵向坐标y，自然对数的底数e，形成了函数关系：

28、

29、其中表示梯度算子，用于计算图像的梯度。式中，应用于计算梯度信息。表示欧几里得范数，计算梯度的幅值。其中，x和y表示相应方向上的梯度值，β是一个平移参数，通过在根号内部项添加β来平移曲线以适应不同图像的梯度值分布。γ表示指数参数，用于调整的指数。通过调节γ，可以控制边缘增强对梯度值的响应程度。i为像素的灰度值，表示输入的灰度图像。t表示灰度像素值阈值，用来将灰度图像分割为亮和暗两个部分。边缘将生成在亮度高于阈值的区域。k表示边缘增强系数，用于调整边缘的强度。增大k将使边缘更加明显。α表示图像增强指数，用于调整亮度对边缘的影响。增大α将增强亮度对边缘的贡献。用于调整边缘增强的影响。该函数的幅度随输入灰度图像的亮度增加而减小。为逻辑函数，用于限制边缘生成的亮度范围。较大的γ和(t-i)将减小边缘生成的亮度。表示计算梯度，并通过梯度运算生成边缘图像。然后，该边缘图像与相乘，调整边缘强度和亮度对边缘的影响程度。最后，乘以用于控制边缘生成的亮度范围。公式中的梯度运算和边缘强度调整部分可以有效地提取图像的边缘信息。通过计算梯度和调整边缘强度，可以将图像的边缘与背景分割开来，从而实现图像的分割和目标检测等应用。公式中的边缘增强部分可以增强图像中存在的边缘，使其更加明显和清晰。通过调节边缘增强系数和图像增强指数，可以控制边缘的强度和对亮度的响应程度，从而提升图像的视觉效果和辨识度。公式引入了多个参数，如平移参数β、指数参数γ和灰度像素值阈值t，这些参数可以根据具体应用和图像特征进行调节，从而适应不同的图像场景和需求。通过调节这些参数，可以优化算法的性能和适用性，达到更好的图像分割效果。通过在公式中引入逻辑函数项可以限制边缘生成的亮度范围，使得较暗区域的边缘更加明显。这样可以提升图像的对比度，改善视觉感知效果。

30、可选地，步骤s15具体为：

31、基于形态学滤波的去噪方法对显示二值图像进行去噪，从而获得去噪二值图像；

32、对去噪二值图像进行连通域面积计算，从而获得连通域面积数据；

33、通过一维离散傅里叶变换法对连通域面积数据进行频谱数据转换，从而获得连通域面积频谱数据；

34、对连通域面积频谱数据进行异常波段检测，从而获得连通域面积异常波段；

35、通过逆傅里叶变换法对连通域面积异常波段进行图像转换，从而获得亮屏缺陷图像；

36、根据亮屏缺陷图像对去噪二值图像进行缺陷标注，从而获得历史显示屏亮屏缺陷标注图像。

37、本发明基于形态学滤波的去噪方法对显示二值图像进行去噪；形态学滤波是一种有效的图像去噪方法，通过对图像中的结构元素进行膨胀和腐蚀操作，可以去除图像中的噪声并保留主要的目标结构。应用形态学滤波方法对显示二值图像进行去噪可以消除图像中的噪点和小的不连续区域，从而得到清晰且连续的去噪二值图像。对去噪二值图像进行连通域面积计算；在得到去噪二值图像之后，通过计算连通域的面积，即相邻像素集合的大小，可以得到每个连通域的大小信息。这有助于统计图像中不同连通域的大小分布情况，并从中获取有意义的图像属性。通过一维离散傅里叶变换法对连通域面积数据进行频谱数据转换；通过对连通域面积数据进行dft处理，可以将其转换为频谱数据。这种频谱数据可以更好地揭示连通域面积分布的频谱特性，例如频率成分、强度等信息。对连通域面积频谱数据进行异常波段检测；对连通域面积频谱数据进行异常波段检测，可以识别出频谱中存在异常的波段。这些异常波段可能对应于图像中的特殊结构或者噪声。通过检测并分析这些异常波段，可以提取出具有特殊属性或者不正常特征的连通域。通过逆傅里叶变换法对连通域面积异常波段进行图像转换；对从异常波段中提取的频谱数据应用逆傅里叶变换，可以将其转换回空域图像。这样可以得到亮屏缺陷图像，其中包含亮度异常的区域，有助于进一步分析和处理。根据亮屏缺陷图像对去噪二值图像进行缺陷标注；根据亮屏缺陷图像，可以将相应的缺陷区域进行标注，使其在图像中可视化和定位。这有助于快速识别和分析历史显示屏上的亮屏缺陷，并进行后续的处理和修复。

38、可选地，步骤s2具体为：

39、对历史显示屏亮屏缺陷标注图像进行图像增强，从而获得增强历史显示屏亮屏缺陷标注图像；

40、将增强历史显示屏亮屏缺陷标注图像进行标签格式转换，从而获得增强历史显示屏亮屏缺陷标注标签；

41、按照预设的划分比例将增强历史显示屏亮屏缺陷标注标签划分为建模训练集以及建模测试集；

42、基于yolo3算法对建模训练集以及建模测试集进行建模，从而获得缺陷检测模型；

43、根据建模测试集对缺陷检测模型进行高斯误差评估迭代，从而获得mura缺陷检测模型。

44、本发明对历史显示屏亮屏缺陷标注图像进行图像增强可以改善图像的质量和清晰度。常用的图像增强技术包括调整亮度、对比度，去除噪声，增强边缘等。通过图像增强，可以使得缺陷标注图像更加清晰，突出缺陷区域，便于后续的缺陷检测和分析。将增强历史显示屏亮屏缺陷标注图像进行标签格式转换是为了将图像中的缺陷区域标记为相应的类别标签。将图像中的缺陷信息与对应的标签进行匹配，生成相应的缺陷标注标签，用于训练和评估缺陷检测模型。按照预设的划分比例将增强历史显示屏亮屏缺陷标注标签划分为建模训练集和建模测试集，是为了进行模型训练和评估。划分训练集和测试集的目的是为了验证模型的泛化能力，并避免模型在训练数据上过拟合。采用yolo3算法对建模训练集和建模测试集进行建模，可以实现对显示屏亮屏缺陷的检测和定位。yolo3是一种基于深度学习的目标检测算法，它可以实现实时的目标检测任务，并具有较高的准确性和精度。根据建模测试集对缺陷检测模型进行高斯误差评估迭代，旨在对模型进行优化和改进。通过比较模型检测结果与标签的差异，可以计算出模型的误差，并通过迭代过程不断优化模型，提高模型的准确性和鲁棒性。

45、可选地，步骤s3具体为：

46、获取待检测显示屏显示图像集；

47、对待检测显示屏显示图像集进行待检测显示屏亮屏显示图像提取，从而获得待检测显示屏亮屏显示图像；

48、对待检测显示屏亮屏显示图像进行特征提取，从而获得待检测显示屏亮屏显示特征；

49、获取显示屏检测背光源信息以及图像拍摄点位置信息；

50、利用显示屏检测背光源信息与待检测显示屏亮屏显示特征进行相关性计算，从而获得显示-背光源相关性系数；

51、利用图像拍摄点位置信息与待检测显示屏亮屏显示特征进行相关性计算，从而获得显示-拍摄点相关性系数；

52、根据显示-背光源相关性系数以及显示-拍摄点相关性系数进行客观影响画像；

53、根据客观影响画像通过mura缺陷检测模型对待检测显示屏亮屏显示图像进行显示缺陷检测，从而获得第一显示屏性能检测数据。

54、本发明通过获取待检测显示屏的显示图像，可以获取到待检测的原始图像数据。在待检测显示屏显示图像集中，提取出显示屏亮屏显示的部分图像，去除背景和其他无关的信息，从而得到待检测显示屏亮屏显示图像。对待检测显示屏亮屏显示图像进行特征提取，可以提取出表示显示屏亮屏显示特征的信息。这些特征可以是纹理特征、亮度特征、边缘特征等，用以描述待检测显示屏的亮屏显示状况。获取显示屏检测背光源信息可以得到背光源的状态、亮度等信息，这些信息可以作为后续评估显示性能的参考。同时，获取图像拍摄点位置信息可以记录拍摄图像时的位置和角度，有助于后续分析和评估显示屏的缺陷。通过计算显示-背光源相关性系数，可以量化显示屏的亮度和背光源之间的关系。根据相关性系数的大小，可以评估显示屏亮度是否受背光源的影响，以及背光源是否正常。通过计算显示-拍摄点相关性系数，可以量化显示屏图像的特征与拍摄点位置之间的关系。这可以帮助确定图像的角度和位置是否会对显示屏的观察产生影响。根据显示-背光源相关性系数和显示-拍摄点相关性系数，生成客观影响画像。这张画像可以反映显示屏观察受背光源和拍摄点位置等因素影响的情况，有助于进一步分析显示屏的性能。利用生成的客观影响画像作为输入，通过mura缺陷检测模型对待检测显示屏亮屏显示图像进行缺陷检测。mura缺陷检测模型可以识别和定位显示屏的缺陷，例如亮度不均匀、斑驳、暗点等问题。

55、可选地，步骤s4具体为：

56、对待检测显示屏显示图像集进行熄屏显示图像提取，从而获得显示屏熄屏显示图像；

57、通过显示屏图像分割算法对显示屏熄屏显示图像进行图像分割，从而获得显示屏熄屏显示分割图像；

58、通过红外摄像技术获取显示屏熄屏红外图像；

59、根据显示屏熄屏红外图像对显示屏熄屏显示分割图像进行表面异物检测，从而获得表面异物数据；

60、对待检测显示屏显式图像进行显示屏面积计算，从而获得显示屏面积数据；

61、根据表面异物数据以及显示屏面积数据进行抗表面异物干扰性计算，从而获得第二显示屏性能检测数据。

62、本发明通过对待检测显示屏显示图像集进行处理，提取出显示屏的熄屏显示图像。这有助于获得熄屏状态下的显示屏图像，以便后续分析和处理。使用显示屏图像分割算法对显示屏的熄屏显示图像进行分割。可以将显示屏图像分割为不同的区域，用于后续的分析和检测。通过红外摄像技术获取显示屏的熄屏红外图像。红外图像可以提供显示屏在熄屏状态下的热分布情况，有助于检测可能存在的问题。利用显示屏熄屏红外图像对显示屏熄屏显示分割图像进行表面异物检测。这可以帮助检测是否存在显示屏表面的异物、污渍或其他不正常情况。对待检测显示屏的显示图像进行面积计算，以获得显示屏的实际显示面积。此信息可以用于后续计算和评估显示屏的性能。结合表面异物数据和显示屏面积数据，进行抗表面异物干扰性计算。这可以定量评估显示屏在存在表面异物时的表现，帮助判断显示屏的性能是否受到干扰。

63、可选地，步骤s5具体为：

64、通过显示屏综合评估系数计算公式对第一显示屏性能检测数据以及第二显示屏性能检测数据进行计算，从而获得待检测显示屏性能评估系数，其中显示屏综合评估系数计算公式具体为：

65、

66、式中ec为显示屏的综合评估系数，d为亮屏缺陷系数，b为显示屏参考亮度，c为对比度水平，v为观察视角系数，a为表面异物干扰因子，r为表面异物干扰权重系数，n为观察次数，m为观测得平均偏差，n为次要影响因素总数，i为次要影响因素索引，pi为第i个次要影响因素参数，qi为第i个次要影响因素权重，t为时间点，f(t)为时间因素变化函数，e为自然对数的底数；

67、本发明构造了一个显示屏综合评估系数计算公式，用于对第一显示屏性能检测数据以及第二显示屏性能检测数据进行计算。该公式充分考虑了影响显示屏的综合评估系数ec的亮屏缺陷系数d，显示屏参考亮度b，对比度水平c，观察视角系数v，表面异物干扰因子a，表面异物干扰权重系数r，观察次数n，观测得平均偏差m，次要影响因素总数n，次要影响因素索引i，第i个次要影响因素参数pi，第i个次要影响因素权重qi，时间点t，时间因素变化函数f(t)，自然对数的底数e，形成了函数关系：

68、

69、其中表示亮度缺陷数据与参考亮度水平之比的平方根的对数。为对比度相对于视角的变化率，衡量对比度在视角变化时的变化速率。为表面异物干扰因子a和权重系数r与对比度c之比的指数函数。为观测平均偏差m的平方根的n次方根。为次要影响因素参数pi和权重qi的乘积求和，表示其他次要因素对显示屏性能的综合影响。为在时间范围[0,t]$内函数f(t)的积分，考虑时间对显示屏性能的影响。公式中的部分表示对亮度缺陷的补偿。通过计算亮度缺陷和参考亮度水平之比的平方根的对数，可以量化并进行相应的调整，提高显示屏的亮度表现。公式中的项表示对比度在视角变化时的变化率。这部分的存在可以帮助在不同视角下对比度的感知变化，从而对显示屏进行更全面的评估和调整。公式中的项表示表面异物干扰因子和权重系数与对比度之比的指数函数。这一部分可以用于纠正表面上异物干扰对显示屏性能的不利影响，可能包括降低噪点、减少光线散射等方面。公式中的和分别表示观测平均偏差和次要影响因素参数与权重的综合效果。这些部分的存在可以综合考虑显示屏性能的多个方面和因素，并根据其重要性权衡它们的影响。公式中的项表示在时间范围内函数f(t)的积分，用于考虑时间对显示屏性能的影响。这意味着公式可以用于分析显示屏性能的时序变化，并根据时间因素进行调整或预测。

70、对第一显示屏性能检测数据以及第二显示屏性能检测数据进行数据归并，从而获得待检测显示屏性能检测数据；

71、根据待检测显示屏性能评估系数对待检测显示屏性能检测数据进行参数标记，从而获得待检测显示屏性能评估数据。

72、本发明使用显示屏综合评估系数计算公式，结合第一显示屏性能检测数据和第二显示屏性能检测数据，对待检测显示屏进行性能评估系数的计算。该评估系数综合考虑了多个性能指标的权重，可以量化反映待检测显示屏的整体性能水平。对第一显示屏性能检测数据和第二显示屏性能检测数据进行数据归并。可以将两个数据集合并为一个完整的数据集，以便后续的分析和处理。通过数据归并，可以更全面地了解待检测显示屏的性能情况，并进行综合评估。根据待检测显示屏性能评估系数，对待检测显示屏性能检测数据进行参数标记。这可以帮助将不同性能水平的参数进行分类和标识，以便更好地理解和分析性能数据。参数标记可以指示哪些参数表现良好，哪些参数需要改进或调整。

73、可选地，步骤s6具体为：

74、根据待检测显示屏显示图像集构建显示屏主体模型；

75、对待检测显示屏性能评估数据进行特征提取，从而获得待检测显示屏性能特征；

76、根据待检测显示屏性能特征构建显示屏影子模型；

77、基于卷积神经网络对显示屏主体模型以及显示屏影子模型进行组合，从而获得显示屏组合模型；

78、通过监督学习方法对显示屏组合模型进行最小化差异参数优化，从而获得显示屏数字孪生模型；

79、将显示屏数字孪生模型上传至可视化平台，以执行显示屏缺陷3d可视化任务。

80、本发明根据待检测显示屏显示的图像，可以构建一个显示屏主体模型。这个模型可以用于表示显示屏的外观和形状，用来更好地理解显示屏的物理结构，以及与其他部件的关联。对待检测显示屏性能评估数据进行特征提取，可以从原始数据中提取出有用的、能够描述显示屏性能的关键特征。这些特征可以包括亮度、对比度、色彩准确性、响应时间等指标，以及其他与显示质量相关的信息。根据待检测显示屏性能特征，可以构建一个显示屏影子模型。这个模型是对显示屏性能的抽象和表示，可以捕捉到显示屏的关键性能特征，以便后续的分析和处理。基于卷积神经网络，将显示屏主体模型和显示屏影子模型进行组合，可以构建一个综合的显示屏组合模型。通过组合这两个模型，可以综合考虑外观信息和性能特征，从而更全面地描述待检测显示屏的性能。通过监督学习方法，在显示屏组合模型的基础上，对模型进行最小化差异参数优化。这可以提高模型的准确性和适应性，使得显示屏数字孪生模型更好地反映真实显示屏的性能。将优化后的显示屏数字孪生模型上传至可视化平台，可以执行显示屏缺陷的3d可视化任务。这样可以直观地观察和分析显示屏的缺陷情况，有助于提供更准确的诊断和评估，以及对显示屏性能进行改进和优化的指导。