代码仓库入口：

• 源码地址。

---

系列文章规划：

• 第一章节：底层视觉及图像增强-项目实践（十六-1:Real-ESRGAN在LED显示画质增强上的实战：从数据构建到模型微调）：从奥运大屏，到手机小屏，快来挖一挖里面都有什么
  第二章节：底层视觉及图像增强-项目实践＜十六-2，谈些虚虚的，项目咋做？论文看哪些点？有哪些好工具能用？＞（从LED显示问题到非LED领域影像画质优化）：从LED大屏，到手机小屏，快来挖一挖里面都有什么

---

机器学习在工业界的道与术：从理论到LED显示实战的深度思考

作为一名在LED显示画质领域深耕多年的工程师，我深刻体会到，机器学习并非遥不可及的学术黑盒，而是一套解决现实问题的强大工程哲学。本文旨在剥离复杂公式，从第一性原理出发，结合实战，为你呈现一份有深度、有温度的机器学习工业级解读。

第一部分：监督学习 —— 让机器学会“按图索骥”

监督学习的核心，是让模型从“已知问题”的“标准答案”中，学习一个从输入到输出的映射规律。这好比一位经验丰富的老师傅，带着图纸（标签）去教徒弟（模型）识别和预测。

• 监督学习（训练数据都是有标签的，训练过程中是需要给模型喂这些标签的）

1. 分类：教机器“认东西” 分类（标签是离散的）

原理与通俗解：
分类任务的目标，是让模型学会划定边界，将不同的数据点归入预设的“抽屉”里。这个“抽屉”可以是“猫/狗”，也可以是“显示正常/有坏点”。或者说，就像有经验的老师傅看一眼屏幕就能说出"这是耦合问题"、“那是余晖现象”，分类算法通过大量样本训练，学会了这种"一眼识病"的能力。

• 或者说，输入一个狗蛋的图片，输出是狗蛋的分类

核心原理：分类算法通过学习已有数据中的特征-标签对应关系，构建决策边界，实现对未知数据的类别预测。

• 训练分类模型
  • 首先把数据集划分为训练集和测试集，根据训练集训练出分类模型
    • 除此之外，经典的数据集：
      • 鸢尾花：三分类问题。机器学习的Hello World—>可视化数据集
      • 泰坦尼克号
  • 将测试集/验证集的特征和标签输入到分类模型中，模型根据测试集或者验证集每个数据的特征，猜测每个数据的标签
  • 模型自我更新，使猜测的标签和真实标签的差别最小化

工业级思考与LED实战：

• KNN（K近邻）：它像一个“随大流”的决策者。判断一个新像素点的显示状态（如是否属于“低灰偏色”类别），就看它周围K个最近的已知像素点大多数是什么状态。在LED屏“去坏点”的初筛中，我们可以利用KNN快速定位孤立异常点——如果一个像素的亮度/色度值与周围绝大多数邻居差异巨大，它就有很高概率是一个坏点。但这方法在坏点成片出现时（如“色块”问题）就力不从心了。

• 支持向量机（SVM）：它是一位追求“极致公平”的边界划定师。SVM的目标是在不同类别的数据点之间，找到一个“最宽”的决策边界（超平面），确保两边的点到这条边界的最小距离最大化。在处理LED低灰阶的“色温一致性”问题时，我们可以将不同电流下的色坐标数据投射到高维空间，用SVM寻找最优分界，从而精准判断当前参数下屏体色温是“偏冷”还是“偏暖”，为后续的PWM/PAM参数调节提供决策依据。

• 决策树与随机森林：决策树模拟了人类“分而治之”的决策过程，通过一连串的“if-else”问题（如：灰阶>50？电流档位=128？）对数据进行分类。而随机森林是让一群“各有所长”的决策树专家委员会共同投票，有效避免了单棵树的“钻牛角尖”（过拟合）。在构建“画质测评系统”时，我们用它来快速诊断屏体异常：通过分析DCLK频率、GCLK分频、区域亮度均值等特征，模型可以像老工程师一样，快速判断出“这是首行偏暗问题”还是“耦合问题”，极大提升了调试效率。

• 其余的解决分类的算法：简略总结

  • KNN：只看每一个最近的几个点是什么类别
  • 支持向量机：寻找两种数据之间最大的间隔的超平面
  • 决策树：分而治之，逐渐生长
    • 随机森林:把若干个决策树集成起来，有效的防止过拟合
  • 朴素贝叶斯：基于贝叶斯公式、条件独立假设
  • 逻辑回归：最基础的二分类，sigmoid函数把输入映射到和1之间
  • 隐马尔可夫:根据一个人这一天的行踪就可以推断这一天的天气
  • 深度学习
  • 神经网络:模拟人大脑中神经元的拓扑结构
  • 图像分类

分类模型的“KPI”：如何评估模型的好坏？

模型预测不是猜谜，我们需要一套客观的评估体系，尤其是在样本不均衡的工业场景中。

工程案例：在驱动芯片的低灰色块检测中，发现交叉熵损失对稀疏的色块区域不敏感，改用Focal Loss后，模型对少数类（色块）的关注度提升，F1-Score从0.68提升到0.85。

• 混淆矩阵的举例：
  • 举例：
    • 真实感冒：Actual Positive
    • 真实健康：Actual Negative
    • TP：真实异常被正确识别（如真正的坏点被标记）
      • a:TP .真正例
    • FP：正常像素被误判为异常（假警报）
      • c:FP 假正例
    • FN：真实异常未被检测到（漏检）
      • b:FN 假反例
    • TN：正常像素正确识别
      • d:TN 真反例

n = 100	预测为感冒	预测为健康
真实感冒	a	b
真实健康	c	d

• 准确率的陷阱：当99%的像素都正常，只有1%是坏点时，一个把所有像素都预测为“正常”的“懒”模型，准确率也能高达99%。但这个模型毫无用处。在LED“坏点检测”中，我们从不把准确率作为核心指标。

• 查准率 vs. 查全率（Precision & Recall）：

  • 查准率：模型说“这个是坏点”，它有多大的概率真是坏点？这关乎维修成本。我们希望查准率高，否则工程师会浪费大量时间去“假报修”。
    • 查准率(Precision):(预测为感冒中的真实感冒)/（预测为感冒总样本=预测为感冒中的真实感冒+预测为感冒中的真实健康）。a/(a + c)----预测为感冒的数据中有多少真的是感冒
  • 查全率：所有真实的坏点中，模型找出来了多少？这关乎产品质量。我们希望查全率高，否则流出市场的屏体带着未检测出的坏点，影响品牌声誉。
    • 查全率/敏感性/召回率（Recall）:(真实感冒中的预测为感冒)/（真实感冒总样本=真实感冒中的预测为感冒+真实感冒中的预测健康）。a/(a + b)----真实感冒数据中有多少被预测出来了

• F1-Score：它是查准率和查全率的“调和平均数”，好比一个团队的“整体战斗力”。只有当两者都高时，F1-Score才会高。在坏点检测中，我们追求高F1-Score，这意味着我们在控制维修成本的同时，最大程度地保障了出厂质量。

  • F1-Score：在坏点检测中，我们既不能容忍太多漏检（影响显示质量），也不能接受过多误报（增加维修成本）。F1在两者间取得平衡。
  • F1-Score：大家好才是（F1-Score）真的好，其中任何一个低最终F1-Score都会很低
  • F1-Score：查准率和召回率的调和平均数*2;多分类的F1-Score是每一类F1-Score的平均值

• 准确率（Accuracy）：主对角线上预测为正确的/总样本。（a + d）/(a+b+c+d)

• 特异性(Specificity):d/(c+d)

• ROC与AUC：ROC曲线描绘了模型在不同判断阈值下的“能力全景图”。横坐标FPR（假正率）代表“误杀好人的比例”，纵坐标TPR（召回率）代表“抓住坏人的比例”。AUC是曲线下的面积，越接近1，模型综合分辨能力越强。在调整“低灰MG算法”的判定阈值时，我们通过ROC曲线来权衡：是容忍少量轻微色块（提高阈值，降低FPR）以保证多数区域平滑，还是宁可错杀也要消除所有潜在色块（降低阈值，提高TPR）。

  • ROC-AUC：在低灰均匀性检测中，由于"良好区域"远多于"异常区域"，AUC能客观反映模型在样本不均衡下的真实性能。
  • ROC：受试者工作特性曲线
    • 负样本和正样本，分类器会给一个阈值。小于这个阈值分类器会预测为负样本，大于这个阈值分类器就会预测这个是正样本。针对某一个阈值，那么根据负样本和正样本的数据就可以求出此时阈值下的混淆矩阵、FPR(FP/(FP+TN))、TPR（=TP/(TP+TN)）
    • 那不同的阈值可以得到不同的混淆矩阵、FPR、TPR，就可以得到一个横坐标为FPR、纵坐标为TPR的ROC曲线。，ROC曲线越接近上面的正方形说明分类器的性能越好，负样本、正样本分的越开，说明分类器的分类效果很好，那此时ROC曲线接近正方形的左上直角
    • 可以实时看ROC的效果
      • http://navan.name/roc/
      • https://arogozhnikov.github.io/2015/10/05/roc-curve.html
      • https://projector.tensorflow.org/
  • AUC（Area under curve）ROC与正负样本完全重合的y=x曲线围成的面积就是AUC，Area under curve。面积越大说明分类器的分类性能越好

• 应用场景总结：

  • 对数损失（交叉熵损失）不适用于样本不均衡时的分类评估指标
  • ROC-AUC可作为样本正负不均衡时的分类评估指标
  • 如果我们想让少数情况被正确预测，就用ROC-AUC作为评估指标
  • F1-Score和PR曲线在正样本极少时适用于作为分类评估指标
    • 正样本很少的情况下，比如垃圾邮件检测、信用卡欺诈，此时对数损失或者交叉熵损失不敏感，现在看不出来区别，所以此时交叉熵损失或者说对数损失不敏感。此时F1-Score和ROC-AUC都适用
      • 对数损失：交叉熵损失（LogLoss）
    • 负样本很少的情况下，对数损失对样本不均衡同样不敏感，不适用。F1-Score不适用，ROC-AUC适用
  • F1-Score和PR曲线在FP比FN更重要时，适用于作为分类评估指标

2. 回归：教机器“预测未来” 逻辑回归（标签是连续的）

原理与通俗解：
回归任务预测的是一个连续值。它不关心“是什么”，而关心“是多少”。就像根据历史数据和环境因素，预测明天的气温。预测一个连续的值，根据一个城市的人口就能预测一个城市的用电量/房价等连续的数值

工业级思考与LED实战：

• 线性回归：它假设事物的发展是简单的线性关系。但在复杂的显示系统中，这种假设往往过于理想化。
• 更高级的回归模型（如SVR、梯度提升树）：这些模型能捕捉复杂的非线性关系。在“热力补偿”模型中，我们使用回归模型，根据屏体背部温度传感器读数、环境湿度和当前显示内容的平均灰度级，精准预测每一个LED灯珠的亮度衰减曲线，并提前进行补偿，从而保证屏体在长时间运行后，亮色度依然均匀如一。

---

第二部分：非监督学习 —— 让机器发现“未知世界”

当没有“标准答案”（标签）时，非监督学习能让机器从数据自身中寻找内在结构和规律。

• 非监督学习（训练数据都是没有标签的）

1. 聚类：数据中的“物以类聚”

原理与通俗解：
聚类算法会自动将相似的数据点归为一组，形成一个个“圈子”。聚类（离散）把没有标签的数据自组织的聚成一簇：

工业级思考与LED实战：

• K-Means：一种经典且高效的聚类算法。在全灰阶校正后，我们可以对屏体所有灯珠的校正系数进行聚类分析。如果发现某些区域的灯珠自动聚成了一类，且其系数特征与周边迥异，这往往暗示着该区域存在特殊的“mura”或“一致性”问题，为我们后续的精细化调试提供了重点方向。
  解决聚类的算法：OPTICS、DBSCAN等

2. 降维：从高维空间“透视”本质

原理与通俗解：
降维技术能将成百上千个特征（高维数据）压缩到2维或3维，让我们能用肉眼直观地看到数据的分布。

• 降维（连续）：把高维数据压缩成为三维或者二维，或更低维。便于我们可视化，便于人类理解背后的规律

工业级思考与LED实战：
在分析“画质引擎”采集到的海量屏体数据（如每个区域的RGB亮度、色坐标、Gamma值等）时，我们使用t-SNE等降维算法，将每个屏体的“画质状态”投射到二维平面上。理想情况下，所有状态良好的屏体应该紧密地聚集在一起。如果某个新生产的屏体其数据点远离这个“健康集群”，它很可能存在潜在的、人眼尚未发现的画质缺陷，需要触发预警进行开箱复查。

---

第三部分：强化学习 —— 让机器在“试错”中成长

原理与通俗解：
强化学习模拟了“驯兽”的过程。智能体（Agent）在环境（Environment）中采取行动（Action），环境给予奖励（Reward）或惩罚。其目标是学习一套策略（Policy），使得长期累积的奖励最大化。

• 介于监督和非监督之间，要训练一个智能体，能够感受到环境，能够接受到环境的奖励或惩罚，根据环境的奖励和惩罚来采取下一步的行动，这一步动作又会形成新的奖励和惩罚。比如机器人走迷宫，走对奖励走错惩罚，直至走出迷宫
  • 由遗传算法思想【物竞天择、适者生存】演变而来

工业级思考与LED实战：
我们正在预研将强化学习应用于“IC参数自动调优”。传统的调试依赖工程师的经验，耗时耗力。

• 智能体（Agent）：我们的自动调试算法。
• 环境（Environment）：LED屏体 + 画质测评系统。
• 动作（Action）：微调某个IC参数，如“耦合优化等级”或“GCLK频率”。
• 状态（State）：测评系统反馈的当前画面指标（如对比度、刷新纹可见性、均匀性）。
• 奖励（Reward）：如果调整后，关键画质指标（如低灰均匀性）提升，给予正奖励；如果引入新问题（如画面抖动），给予负奖励。

通过数百万次的“模拟调试”，这个智能体最终能学会一套复杂的调参策略，其效率和质量可能超越人类工程师，实现真正的“AI画质引擎”。

---

第四部分：AI的融合与升维——点亮显示技术的未来

将AI融入LED显示，不是简单地替换几个算法，而是一场思维范式的变革。

1. 从“感知”到“认知”：传统图像处理只在“感知”层面工作（如边缘检测）。而AI模型，尤其是深度学习，能够学习到画质的“认知”概念。例如，一个训练好的CNN模型，不仅能检测出“色块”，还能理解什么是“通透感”、什么是“胶片质感”。

2. 端到端优化：我们不再满足于分模块优化（低灰校正、画质引擎、全灰阶校正各干各的）。未来的方向是构建一个“端到端”的AI画质网络，输入原始的、未经任何处理的屏体数据，直接输出最优的IC参数集和校正系数，从根本上解决各模块间相互干扰的“顽疾”。

3. 超分辨率（SR）的落地想象：在LED显示屏领域，超分技术并非只是为了将720p视频放大到4K显示。我们更关注其在“低灰阶”和“高刷新率”下的应用。通过训练一个针对LED显示特性优化的ESRGAN模型，我们可以在低灰阶区域“创造”出更平滑的灰度过渡，有效抑制低灰抖动感；同时，通过帧间超分，在硬件限制下智能插帧，实现视觉刷新率的有效提升，减轻拍摄时的扫描纹。

总结

机器学习，于我们LED显示工程师而言，是一套将“工程师经验”数字化、模型化、自动化的强大工具箱。从用KNN快速定位坏点，到用聚类发现潜在缺陷区域，再到用强化学习探索无人涉足的参数空间，我们正一步步地将画质调试这门“艺术”，升级为一门可量化、可复制、可进化的“科学”。

这条路很长，但每一点探索，都让我们离“极致显示”的梦想更近一步。希望本文的分享，能为你带来启发。

---

• 如果想了解一些成像系统、图像、人眼、颜色等等的小知识，快去看看视频吧 ：

  • 抖音：数字图像哪些好玩的事，咱就不照课本念，轻轻松松谝闲传
  • 快手：数字图像哪些好玩的事，咱就不照课本念，轻轻松松谝闲传
  • B站：数字图像哪些好玩的事，咱就不照课本念，轻轻松松谝闲传
    • 认准一个头像，保你不迷路：
      

• 您要是也想站在文章开头的巨人的肩膀啦，可以动动您发财的小指头，然后把您的想要展现的名称和公开信息发我，这些信息会跟随每篇文章，屹立在文章的顶部哦