CN113033777B - 一种基于神经网络标定模型的车载氛围灯色度标定方法 - Google Patents

一种基于神经网络标定模型的车载氛围灯色度标定方法 Download PDF

Info

Publication number
CN113033777B
CN113033777B CN202110283643.1A CN202110283643A CN113033777B CN 113033777 B CN113033777 B CN 113033777B CN 202110283643 A CN202110283643 A CN 202110283643A CN 113033777 B CN113033777 B CN 113033777B
Authority
CN
China
Prior art keywords
chromaticity
calibration
neural network
model
atmosphere lamp
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110283643.1A
Other languages
English (en)
Other versions
CN113033777A (zh
Inventor
万国春
康文豪
马冲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202110283643.1A priority Critical patent/CN113033777B/zh
Publication of CN113033777A publication Critical patent/CN113033777A/zh
Application granted granted Critical
Publication of CN113033777B publication Critical patent/CN113033777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/20—Controlling the colour of the light
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本发明公开一种基于神经网络标定模型的车载氛围灯色度标定方法，用于解决同一系统下不同车载氛围灯颜色不一致问题。该方法通过采用闭环标定算法对批量氛围灯标定获得训练数据，搭建输入为三基色和目标色颜色信息、输出为氛围灯驱动参数的神经网络，采用Levenberg‑Marquardt算法对模型训练，得出模型，完成色度标定。使用本发明的方法，一方面提高了色度标定的准确度，另一方面减少了用于色度标定误差补偿的反馈迭代时间。

Description

一种基于神经网络标定模型的车载氛围灯色度标定方法
技术领域
本发明涉及LED颜色标定领域，特别涉及一种面向车载氛围灯的智能色度标定方法。
技术背景
如今LED的材料及生产工艺使得各个LED的光谱功率分布不同，车载氛围灯是由红绿蓝三个颜色的LED组成的混色光源，使用同一组基色比例点亮的颜色会出现偏差，从而造成色彩显示的颜色不统一现象，因此需要在氛围灯出厂之前进行色度标定，从而解决颜色不一致现象。
目前流行的车载氛围灯色度标定方法为采集氛围灯红绿蓝LED最大驱动电流下的色品坐标及光通量，依据混色原理得出目标色品坐标、三基色色品坐标和三基色驱动电流PWM占空比之间的代数模型，以此求解PWM占空比，将该占空比写入氛围灯的存储中从而完成标定
使用上述方法进行色度标定时，由于LED单通道分别点亮和混合点亮时结温变化对色品的影响、LED电流驱动的精度等问题，往往标定结果与目标色之间存在一定误差。
为解决误差问题，可在该标定方法上进行反馈调节以消除误差，但该方法因需要多次迭代，故所需标定时间较长，对于车间大批量氛围灯标定效率不高。
发明内容
本发明的目的在于提供一种用于车载氛围灯颜色标定的智能标定方法，该方法结合基于混色原理的标定模型和闭环反馈调节得出精准的目标色和PWM占空比的映射关系组成数据集，搭建适于该使用情景的神经网络，采用上述数据集训练并验证，最终得出基于神经网络的标定模型，使用该模型进行色度标定既能解决现有标定方法精度低的问题又能避免迭代从而节省标定时间。
为了实现上述目标，本发明采用了如下技术方案：
应用于车载氛围灯颜色标定的智能化LED标定方法，其特征在于，包括以下步骤：
(1)获取训练数据。采集氛围灯三基色色品和光通量，根据目标颜色色品和坐标，结合颜色混合原理计算出驱动三基色LED的PWM占空比，根据颜色混合原理计算占空比的混色模型如公式1所示，使用该占空比点亮氛围灯，采集所点亮颜色，以点亮色和目标色的色品误差乘以比例系数作为反馈，调整目标色色品，其中当色品误差大于0.02时比例系数为1，小于0.02时比例系数为0.5，重复上述过程直至点亮色和目标色的色品误差小于误差要求，将三基色和目标色的色品及光通量、驱动三基色LED的占空比作为训练数据。
Figure BDA0002977572050000021
式中，Y′r，Y′g，Y′b为红、绿、蓝LED在PWM调光下的光通量；Dr，Dg，Db为驱动红、绿、蓝LED的PWM占空比；Yr，Yg，Yb为红、绿、蓝LED在PWM调光下PWM占空比为1时的光通量；Ym为混合色的光通量；xm，ym为混合色的色品坐标；xr，yr，xg，yg，xb，yb为红、绿、蓝LED在PWM调光下PWM占空比为1时的色品坐标。
(2)数据预处理。进行数据分类，将三基色、目标色的色品及光通量作为网络输入数据，驱动三基色LED的占空比作为输出数据，对数据进行归一化处理。
(3)搭建网络。搭建输入层节点为12，隐含层节点为24，输出层节点为9的神经网络，每层之间采用全连接的方式；构建的网络模型的9个输入分别为氛围灯R、G、B LED三个通道占空比为1时点亮的色品坐标(x，y)和光通量Y，以及目标颜色色品坐标(x，y)和光通量Y；3个输出分别为对应目标色品的红绿蓝LED三个通道PWM占空比的神经网络模型；该神经网络为单隐含层结构，隐含层节点为24，隐含层的激活函数采用Sigmoid型激发函数，输出层的激活函数采用线性函数。
(4)网络训练。采用步骤2处理后的数据集，将数据集分类为训练集和测试集，采用训练集对步骤3搭建的网络进行训练，将测试集输入网络模型用于模型输出误差验证，不断调节训练参数，选取模型输出误差最小的结果，将该训练好的模型用于色度标定
(5)使用神经网络进行色度标定。采用神经网络对氛围灯进行色度标定，采集氛围灯红绿蓝分别最大亮度点亮时色品坐标和光通量，将三基色和目标色的色品坐标和光通量输入神经网络，计算得出驱动三基色LED的占空比，将该占空比参数通过LI，传输至氛围灯并存至氛围灯的存储元件中。
(6)神经网络更新。在采用神经网络对氛围灯进行色度标定时，对存在误差的数据采用闭环调节，以点亮色和目标色的色品误差作为反馈，调整目标色色品，再次送入网络直至点亮色和目标色的色品误差小于误差要求，将该占空比和目标色添加至数据集，更新数据集再次对网络训练，完成网络更新。
通过上述技术方案用于解决同一系统下不同车载氛围灯颜色不一致问题。该方法通过采用闭环标定算法对批量氛围灯标定获得训练数据，搭建输入为三基色和目标色颜色信息、输出为氛围灯驱动参数的神经网络，采用Levenberg-Marquardt算法对模型训练，得出模型，完成色度标定。使用本发明的方法，一方面提高了色度标定的准确度，另一方面减少了用于色度标定误差补偿的反馈迭代时间。
本发明实现了一种全新的基于神经网络的车载氛围灯色度标定方法，与传统方法相比有如下优点：
1)减小标定误差。该方法通过搭建神经网络并采用大量精准的目标色和驱动PWM占空比映射关系的数据集进行训练，减小了现有标定方法存在的标定误差。
2)节省标定时间。该方法采用色度标定反馈调节的数据进行训练神经模型，在进行色度标定时无需再进行迭代，节省了标定时间。
3)标定模型随数据量增加可进化。在使用神经网络模型标定了一定数量的氛围灯后，可将标定误差较大的数据收集进数据集，对网络反复训练从而完成模型更新。
附图说明
图1是本发明方法的执行流程图。
图2是本发明方法的图1中采集训练数据步骤的流程图。
图3是本发明方法的图1中采用神经网络进行色度标定的流程图。
图4是实施例的目标颜色示意图。
图5是实施例的训练数据示意图。
图6是实施例的神经网络模型结构图。
图7是实施例的训练过程示意图。
具体实施方式
如图1虚线框所示，该标定方法主要分为三个阶段，以下结合附图和氛围灯颜色要求环绕这三个阶段对本发明技术方案中做进一步介绍。
一、模型准备
该阶段使用多个氛围灯作为样本，对样本采用混色模型和闭环反馈的方法进行标定，搭建神经网络模型，以样本标定数据作为数据集训练模型，最终得到用于色度标定的神经网络模型
收集训练数据集的具体过程如图2所示，首先通过LIN通信分别以最大亮度点亮氛围灯三基色，采集三基色色品和光通量，将三基色和目标颜色色品和坐标(如图4所示，xy为色品坐标)送入公式1所示混色模型，计算得到驱动三基色LED的PWM占空比，通过LIN使用该占空比点亮氛围灯，采集所点亮颜色，以点亮色和目标色的色品误差乘以比例系数作为反馈，调整目标色色品，其中当色品误差大于0.02时比例系数为1，小于0.02时比例系数为0.5，重复上述过程直至点亮色和目标色的色品误差小于误差要求，将三基色和目标色的色品及光通量、驱动三基色LED的占空比作为训练数据，图5所示为部分训练数据示意图。
如图6所示，所搭建神经网络的输入层包含12个节点，分别为x1～12，其中x1～3为红色的色品坐标和光通量、x4～6为绿色的色品坐标和光通量、x7～9分别为蓝色的色品坐标和光通量、x10～12分别为目标色的色品坐标和光通量；隐含层包含24个节点，分别为图6中的j1～24，采用全连接形式，隐含层的激活函数为fh(*)为Sigmoid型激发函数，具体形式如公式2所示；输出层包含3个节点，分别为图6中的y1～3，分别代表对应该目标色的驱动红色LED、绿色LED、蓝色LED的电流占空比，输出层的激活函数为fo(*)为线性函数，具体形式如公式3所示。
Figure BDA0002977572050000041
fo(x)＝x 公式3
将收集的数据集分类为训练集(数据集90％)和测试集(数据集10％)，采用训练集对神经网络进行训练，将测试集输入网络模型用于模型输出误差验证，采用均方方差MeanSquare Error为损失函数，图7所示为该实施例的模型训练图，设置初始训练误差为10-5，可见训练结果在52次迭代时达到10-5，训练完成。
二、采用神经网络进行色度标定
采用神经网络进行色度标定的具体过程如图3所示，首先通过LIN通信分别以最大亮度点亮氛围灯三基色，采集三基色色品和光通量，将三基色和目标颜色色品和坐标(如图4所示，xy为色品坐标)送入训练完毕的神经网络模型，计算得到驱动三基色LED的PWM占空比，通过LIN使用该占空比点亮氛围灯，采集所点亮颜色，以点亮色和目标色的色品误差乘以比例系数作为反馈，调整目标色色品，其中当色品误差大于0.02时比例系数为1，小于0.02时比例系数为0.5，重复上述过程直至点亮色和目标色的色品误差小于误差要求，标定结束。
三、模型更新
将第二阶段色度标定过程中神经网络输出PWM占空比点亮色误差超出阈值的数据，将闭环反馈得出的占空比与目标色作为新的数据加入至训练数据集，当训练数据集有50组新的数据加入时，对模型再次训练，采用训练完毕的模型进行替换，从而完成模型的更新，提升模型的准确率。随着标定氛围灯个数的增加，模型的准确率会逐渐提升。

Claims (4)

1.一种基于神经网络标定模型的车载氛围灯色度标定方法，其特征在于，包括以下步骤：
(1)获取训练数据
采集氛围灯三基色的色品坐标和光通量，结合目标颜色的色品坐标和光通量，通过混色模型并计算出驱动三基色LED的PWM占空比，采用闭环调节得到满足误差要求的PWM占空比，将三基色和目标色的色品及光通量、驱动三基色LED的占空比作为训练据；
(2)数据预处理
进行数据分类，将三基色、目标色的色品及光通量作为网络输入数据，驱动三基色LED的占空比作为输出数据，对数据进行归一化处理；
(3)搭建网络
搭建输入层节点为12，隐含层节点为24，输出层节点为9的神经网络，每层之间采用全连接的方式；
(4)网络训练
采用步骤(2)处理后的数据集，将数据集分类为训练集和测试集，采用训练集对步骤(3)搭建的网络进行训练，将测试集输入网络模型用于模型输出误差验证，不断调节训练参数，选取模型输出误差最小的结果，将该训练好的模型用于色度标定；
(5)使用神经网络进行色度标定
采用神经网络对氛围灯进行色度标定，采集氛围灯红绿蓝分别最大亮度点亮时色品坐标和光通量，将三基色和目标色的色品坐标和光通量输入神经网络，计算得出驱动三基色LED的占空比，将该占空比参数通过LIN传输至氛围灯并存至氛围灯的存储元件中；
(6)神经网络更新
在采用神经网络对氛围灯进行色度标定时，对存在误差的数据采用闭环调节，以点亮色和目标色的色品误差作为反馈，调整目标色色品，再次送入网络直至点亮色和目标色的色品误差小于误差要求，将该占空比和目标色添加至数据集，更新数据集再次对网络训练，完成网络更新。
2.如权利要求1所述的一种基于神经网络标定模型的车载氛围灯色度标定方法，其特征在于，步骤(1)中以点亮色和目标色的色品误差作为反馈，调整目标色色品时采用变步长调节方法，当色品坐标误差大于0.02时将完整误差反向叠加至目标色品坐标，当误差小于0.02并大于0.01时，将完整误差按比例反向叠加至目标色品坐标，比例系数为0.5，当误差小于0.02并大于0.01时无需调节，将调节后的新目标色品坐标送入标定模型，在使计算结果快速收敛的同时避免计算结果的多次震荡。
3.如权利要求1所述的一种基于神经网络标定模型的车载氛围灯色度标定方法，其特征在于，步骤(3)构建的网络模型的12个输入分别为目标颜色坐标及氛围灯三基色的色品坐标和光通量Y；
3个输出分别为对应目标色品的R、G、B LED三个通道PWM占空比的神经网络模型；
该神经网络为单隐含层结构，隐含层节点为24，隐含层的激活函数采用Sigmoid型激发函数，输出层的激活函数采用线性函数。
4.如权利要求1所述的一种基于神经网络标定模型的车载氛围灯色度标定方法，其特征在于，步骤(4)的网络训练采用均方方差Mean Square Error为损失函数，采用Levenberg-Marquardt算法进行学习，反向传播进行网络训练。
CN202110283643.1A 2021-03-16 2021-03-16 一种基于神经网络标定模型的车载氛围灯色度标定方法 Active CN113033777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110283643.1A CN113033777B (zh) 2021-03-16 2021-03-16 一种基于神经网络标定模型的车载氛围灯色度标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110283643.1A CN113033777B (zh) 2021-03-16 2021-03-16 一种基于神经网络标定模型的车载氛围灯色度标定方法

Publications (2)

Publication Number Publication Date
CN113033777A CN113033777A (zh) 2021-06-25
CN113033777B true CN113033777B (zh) 2022-10-14

Family

ID=76470959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110283643.1A Active CN113033777B (zh) 2021-03-16 2021-03-16 一种基于神经网络标定模型的车载氛围灯色度标定方法

Country Status (1)

Country Link
CN (1) CN113033777B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114916109B (zh) * 2022-05-20 2023-09-26 苏州汉瑞森光电科技股份有限公司 一种均匀发光车用后位置灯的角度识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960456A (zh) * 2017-03-28 2017-07-18 长沙全度影像科技有限公司 一种鱼眼相机标定算法评价的方法
CN110472667A (zh) * 2019-07-19 2019-11-19 广东工业大学 基于反卷积神经网络的小目标分类方法
CN112468954A (zh) * 2020-11-03 2021-03-09 西安工业大学 一种基于神经网络的可见光室内立体定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3044915B2 (ja) * 1992-05-18 2000-05-22 富士通株式会社 ニューラルネットワークによる色補正，色座標変換方法
CN109253862B (zh) * 2018-08-31 2020-06-02 武汉精测电子集团股份有限公司 一种基于神经网络的色度测量方法
CN109506781B (zh) * 2018-12-25 2020-10-13 武汉精立电子技术有限公司 一种色度测量方法及装置
CN111445498A (zh) * 2020-03-19 2020-07-24 哈尔滨工程大学 一种采用Bi-LSTM神经网络的目标跟踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960456A (zh) * 2017-03-28 2017-07-18 长沙全度影像科技有限公司 一种鱼眼相机标定算法评价的方法
CN110472667A (zh) * 2019-07-19 2019-11-19 广东工业大学 基于反卷积神经网络的小目标分类方法
CN112468954A (zh) * 2020-11-03 2021-03-09 西安工业大学 一种基于神经网络的可见光室内立体定位方法

Also Published As

Publication number Publication date
CN113033777A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
US6714924B1 (en) Computer-implemented neural network color matching formulation system
US6804390B2 (en) Computer-implemented neural network color matching formulation applications
CN104991988B (zh) 基于多颗单色大功率led实现类日光光源的方法
CN104298838B (zh) 光源的目标量调整方法和一种光源
US20170303350A1 (en) System and method for rapidly generating color models for led-based lamps
CN105973572A (zh) 一种多色led实现光源最佳显色性的光谱优化方法
CN101485234A (zh) 根据目标光分布控制照明系统的方法
CN113033777B (zh) 一种基于神经网络标定模型的车载氛围灯色度标定方法
CN110677954B (zh) 一种超三色led光源的精确调光方法及系统
CN109618479B (zh) 光源参数测量方法、装置、照明系统和终端设备
CN105136432A (zh) 基于主客观实验数据的led照明质量评价方法及系统
CN109661059B (zh) 一种led调光调色方法及系统
CN106304527B (zh) 一种照明控制系统和照明控制方法
CN105007676B (zh) 基于led混光呈色模型的光谱功率分布提取方法及系统
CN113453396A (zh) 基于加法混色的wrgb混色方法、装置、终端设备及存储介质
CN206061210U (zh) 一种带有反馈功能的参数可设led调光调色系统
CN101192546A (zh) 发光二极管的配色方法
CN104300045A (zh) 一种基于多个白光光源混出日光的方法
CN109742217B (zh) 基于最小二乘法的四种led荧光粉配比和点胶方法
CN102625111B (zh) 基于CIE Lab色空间色彩转换的方法、装置以及液晶显示装置
CN115829042B (zh) 一种量子点扩散板的结构性能评估方法及系统
CN109673082B (zh) Led照明系统的光谱、颜色及色温控制方法
CN106068050A (zh) 一种带有反馈功能的参数可设led调光调色系统
CN109167630A (zh) 一种基于dnn神经网络室内灯源布局方法
CN115665917A (zh) 一种仿真教室照明的led护眼灯光强度计算方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant