本发明涉及色彩校准，具体为基于深度学习的智能显示屏色彩校准方法及系统。
背景技术：
1、显示器是电脑的i/o设备，即输出设备。它是一种将一定的电子文件通过特定的传输设备显示到屏幕上的显示工具，它可以分为阴极射线管显示器(crt)、等离子显示器pdp及液晶显示器lcd。
2、公开号为cn214671589u的中国专利公开了智能远程控制画面色彩的液晶显示屏，涉及显示器的领域，通过防尘机构的设计，操作者不使用显示屏本体时，将卷绕在卷杆外侧的防尘布从卷杆的外侧释放，从而实现对显示屏本体的防尘，降低了显示屏本体受灰尘堆积而导致设备性能的降低；但是该专利存在以下缺陷：
3、现有的智能显示屏不能对色彩进行有效地校准，不能为用户提供真实的视觉感觉，导致智能显示屏使用效果差，降低用户体验感。
技术实现思路
1、本发明的目的在于提供基于深度学习的智能显示屏色彩校准方法及系统，能对智能显示屏色彩进行有效地校准，可为用户提供真实的视觉感觉，使得智能显示屏使用效果好，可提升用户体验感，解决了上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、基于深度学习的智能显示屏色彩校准方法，包括如下步骤：
4、s1：基于智能显示屏色彩校准需求，实时采集智能显示屏的图像亮度信息、图像色调信息、图像对比度信息及图像饱和度信息，确定出智能显示屏的图像色彩实时数据；
5、s2：对智能显示屏的图像色彩实时数据进行检索，确定出对智能显示屏色彩校准有价值的图像色彩实时数据，且对图像色彩实时数据进行排序及特征提取，确定出智能显示屏的图像色彩特征数据；
6、s3：根据基于深度学习的智能显示屏色彩校准需求，选择合适的模型架构，基于图像色彩历史数据，对模型架构进行训练，构建深度学习模型；
7、s4：对深度学习模型进行评估，确定出模型评估结果，基于模型评估结果，确定出模型优化调整方案，基于模型优化调整方案对深度学习模型进行优化调整，确定出优化调整后的深度学习模型；
8、s5：基于优化调整后的深度学习模型对智能显示屏的图像色彩特征数据进行预测，确定出智能显示屏的图像色彩预测结果，基于智能显示屏的图像色彩预测结果对智能显示屏的图像色彩进行智能校准。
9、根据本发明的另一个方面，提供了基于深度学习的智能显示屏色彩校准系统，用于实现如上述所述的基于深度学习的智能显示屏色彩校准方法，包括：
10、数据收集模块，用于采集智能显示屏的图像亮度信息、图像色调信息、图像对比度信息及图像饱和度信息，确定出智能显示屏的图像色彩实时数据；
11、数据处理模块，用于对智能显示屏的图像色彩实时数据进行检索、排序及特征提取，确定出智能显示屏的图像色彩特征数据；
12、模型构建模块，用于根据图像色彩历史数据对选择的合适模型架构进行训练，构建深度学习模型；
13、评估优化模块，用于对深度学习模型进行评估及优化，基于模型优化调整方案对深度学习模型进行优化调整，确定出优化调整后的深度学习模型；
14、色彩校准模块，用于对智能显示屏的图像色彩特征数据进行预测，确定出智能显示屏的图像色彩预测结果，基于智能显示屏的图像色彩预测结果对智能显示屏的图像色彩进行智能校准。
15、优选的，所述数据收集模块包括：
16、亮度采集单元，用于对智能显示屏的图像亮度信息进行实时地采集；
17、色调采集单元，用于对智能显示屏的图像色调信息进行实时地采集；
18、对比度采集单元，用于对智能显示屏的图像对比度信息进行实时地采集；
19、饱和度采集单元，用于对智能显示屏的图像饱和度信息进行实时地采集；
20、其中，基于实时采集的智能显示屏的图像亮度信息、图像色调信息、图像对比度信息及图像饱和度信息，确定出智能显示屏的图像色彩实时数据。
21、优选的，所述数据处理模块包括：
22、数据检索单元，用于对智能显示屏的图像色彩实时数据进行检索；
23、获取智能显示屏的图像色彩实时数据；
24、基于顺序检索方法，对智能显示屏的图像色彩实时数据进行检索；
25、确定出对智能显示屏色彩校准有价值的图像色彩实时数据；
26、数据排序单元，用于对检索后的图像色彩实时数据进行排序；
27、获取检索后的对智能显示屏色彩校准有价值的图像色彩实时数据；
28、基于内部排序方法，对检索后的对智能显示屏色彩校准有价值的图像色彩实时数据进行排序；
29、确定出具有排序次序的图像色彩实时数据；
30、特征提取单元，用于对排序后的图像色彩实时数据进行特征提取；
31、获取具有排序次序的图像色彩实时数据；
32、对具有排序次序的图像色彩实时数据进行特征提取；
33、确定出智能显示屏的图像色彩特征数据。
34、优选的，基于顺序检索方法，对智能显示屏的图像色彩实时数据进行检索，包括：
35、对智能显示屏的图像色彩实时数据进行一致性检查；
36、根据智能显示屏的图像色彩实时数据中每个变量的合理取值范围和相互关系，检查智能显示屏的图像色彩实时数据中每个变量是否合乎要求，剔除超出正常范围、逻辑上不合理或者相互矛盾的数据；
37、对智能显示屏的图像色彩实时数据进行无效值和缺失值的处理；
38、对智能显示屏的图像色彩实时数据进行逐一检索，检查智能显示屏的图像色彩实时数据中是否含有对智能显示屏色彩校准无价值的无效值及缺失值；
39、过滤掉智能显示屏的图像色彩实时数据中含有的对智能显示屏色彩校准无价值的无效值及缺失值；
40、确定出对智能显示屏色彩校准有价值的图像色彩实时数据。
41、优选的，对智能显示屏的图像色彩实时数据进行检索，还包括：
42、在智能显示屏的图像色彩实时数据进行检索之前，提取已剔除的超出正常范围的数据和逻辑上不合理或相互矛盾的数据；
43、根据所述逻辑上不合理或相互矛盾的数据对应的数据量获取初级数据异常判定参数，其中，所述初级数据异常判定参数通过如下公式获取：
44、
45、其中，sc表示初级数据异常判定参数；s01表示预设的初级数据异常判定参数基准值；c01表示逻辑上不合理或相互矛盾的数据对应的数据量；c02表示超出正常范围的数据对应的数据量；cz表示图像色彩实时数据的数据总量；s01和s02表示第一系数和第二系数，并且，所述第一系数和第二系数通过如下公式获取：
46、
47、其中，n表示图像色彩实时数据的数据类型数量，所述数据类型包括图像亮度信息、图像色调信息、图像对比度信息和图像饱和度信息，并且，n＝4；ci表示第i个数据类型对应的逻辑上不合理或相互矛盾的数据对应的数据量；
48、当所述初级数据异常判定参数超出预设的初级参数阈值时，则判定所述图像色彩实时数据存在数据采集异常，并进行数据采集异常报警；
49、当所述初级数据异常判定参数未超出预设的初级参数阈值时，则调取超出正常范围的数据，利用所述图像色彩实时数据进行二次异常判定，并在图像色彩实时数据出现异常时，进行数据采集异常报警。
50、优选的，当所述初级数据异常判定参数未超出预设的初级参数阈值时，则调取超出正常范围的数据，利用所述图像色彩实时数据进行二次异常判定，并在图像色彩实时数据出现异常时，进行数据采集异常报警，包括：
51、当所述初级数据异常判定参数未超出预设的初级参数阈值时，则调取超出正常范围的数据对应的数据量；
52、调取初级数据异常判定参数；
53、利用所述超出正常范围的数据对应的数据量结合初级数据异常判定参数获取二次数据异常判定参数；其中，所述二次数据异常判定参数通过如下公式获取：
54、
55、其中，sr表示二次数据异常判定参数；s02表示预设的二次数据异常判定参数基准值；sc表示初级数据异常判定参数；sy表示预设的初级参数阈值；c02表示超出正常范围的数据对应的数据量；cz表示图像色彩实时数据的数据总量；s03表示第三系数，并且，所述第三系数通过如下公式获取：
56、
57、其中，n表示图像色彩实时数据的数据类型数量，所述数据类型包括图像亮度信息、图像色调信息、图像对比度信息和图像饱和度信息，并且，n＝4；c02i表示第i个数据类型对应的超出正常范围的数据对应的数据量；c01表示逻辑上不合理或相互矛盾的数据对应的数据量；c02表示超出正常范围的数据对应的数据量；
58、当所述二次数据异常判定参数超过预设的二次参数阈值时，则判定所述图像色彩实时数据存在数据采集异常，并进行数据采集异常报警。
59、优选的，所述模型构建模块包括：
60、数据存储单元，用于存储图像色彩历史数据；
61、根据基于深度学习的智能显示屏色彩校准需求，收集智能显示屏的图像色彩历史数据，且对收集的智能显示屏的图像色彩历史数据进行存储备用；
62、索引调取单元，用于对存储的图像色彩历史数据进行索引，且将索引到的图像色彩历史数据调取出来；
63、根据基于深度学习的智能显示屏色彩校准需求，对存储的智能显示屏的图像色彩历史数据进行索引，且对索引到的图像色彩历史数据进行调取；
64、模型选择单元，用于选择合适的模型架构；
65、根据基于深度学习的智能显示屏色彩校准需求，基于调取的图像色彩历史数据，选择合适的模型架构；
66、模型构建单元，用于构建深度学习模型；
67、获取调取的图像色彩历史数据；
68、获取合适的模型架构；
69、基于图像色彩历史数据，对模型架构进行训练；
70、确定出深度学习模型。
71、优选的，所述评估优化模块包括：
72、模型评估单元，用于评估深度学习模型，确定出模型评估结果；
73、获取图像色彩测试数据及深度学习模型；
74、将图像色彩测试数据输入到深度学习模型中，基于图像色彩测试数据，对深度学习模型进行评估，确定出模型评估结果；
75、优化调整单元，用于对深度学习模型进行优化调整；
76、获取模型评估结果；
77、对模型评估结果进行伸入挖掘及相关分析，确定出模型优化调整方案；
78、基于模型优化调整方案对深度学习模型进行优化调整；
79、确定出优化调整后的深度学习模型。
80、优选的，所述色彩校准模块包括：
81、模型预测单元，用于生成图像色彩预测结果；
82、获取智能显示屏的图像色彩特征数据；
83、获取优化调整后的深度学习模型；
84、将智能显示屏的图像色彩特征数据输入到优化调整后的深度学习模型中，基于优化调整后的深度学习模型对智能显示屏的图像色彩特征数据进行预测；
85、确定出智能显示屏的图像色彩预测结果；
86、色彩校准单元，用于对智能显示屏的图像色彩进行智能校准；
87、获取智能显示屏的图像色彩预测结果；
88、基于智能显示屏的图像色彩预测结果对智能显示屏的图像色彩进行智能校准；
89、确定出校准后的智能显示屏的图像色彩。
90、与现有技术相比，本发明的有益效果是：
91、本发明通过采集智能显示屏的图像亮度信息、图像色调信息、图像对比度信息及图像饱和度信息，确定出智能显示屏的图像色彩实时数据，对智能显示屏的图像色彩实时数据进行检索、排序及特征提取，确定出智能显示屏的图像色彩特征数据，基于图像色彩历史数据，对模型架构进行训练，构建深度学习模型，对深度学习模型进行评估及优化，基于模型优化调整方案对深度学习模型进行优化调整，确定出优化调整后的深度学习模型，对智能显示屏的图像色彩特征数据进行预测，确定出智能显示屏的图像色彩预测结果，基于智能显示屏的图像色彩预测结果对智能显示屏的图像色彩进行智能校准，确定出校准后的智能显示屏的图像色彩，其能对智能显示屏色彩进行有效地校准，可为用户提供真实的视觉感觉，使得智能显示屏使用效果好，可提升用户体验感。
1.基于深度学习的智能显示屏色彩校准方法，其特征在于，包括如下步骤：
2.基于深度学习的智能显示屏色彩校准系统，用于实现如权利要求1所述的基于深度学习的智能显示屏色彩校准方法，其特征在于，包括：
3.根据权利要求2所述的基于深度学习的智能显示屏色彩校准系统，其特征在于，所述数据收集模块包括：
4.根据权利要求3所述的基于深度学习的智能显示屏色彩校准系统，其特征在于，所述数据处理模块包括：
5.根据权利要求4所述的基于深度学习的智能显示屏色彩校准系统，其特征在于，基于顺序检索方法，对智能显示屏的图像色彩实时数据进行检索，包括：
6.根据权利要求5所述的基于深度学习的智能显示屏色彩校准系统，其特征在于，对智能显示屏的图像色彩实时数据进行检索，还包括：
7.根据权利要求6所述的基于深度学习的智能显示屏色彩校准系统，其特征在于，当所述初级数据异常判定参数未超出预设的初级参数阈值时，则调取超出正常范围的数据，利用所述图像色彩实时数据进行二次异常判定，并在图像色彩实时数据出现异常时，进行数据采集异常报警，包括：
8.根据权利要求5所述的基于深度学习的智能显示屏色彩校准系统，其特征在于，所述模型构建模块包括：
9.根据权利要求8所述的基于深度学习的智能显示屏色彩校准系统，其特征在于，所述评估优化模块包括：
10.根据权利要求9所述的基于深度学习的智能显示屏色彩校准系统，其特征在于，所述色彩校准模块包括：
