顏色傳感器原型：從對象中檢測顏色名稱

描述

?

這是全文的簡化版本，為了簡單起見，以便可以輕松地完成該項目的復制。在該模型中，使用與光相關的電子元件和機器學習機制進行顏色檢測和識別；它本質上是一個 RGB LED 和一個 CdS 單元（光傳感器，或 LDR）的組合，兩者都與環境光隔離。這些組件分別發射和感應從特定顏色的物體反射的每種光（紅色、綠色和藍色）的強度。

多層感知器

多層感知器 (MLP) 是人工神經網絡的前饋架構，具有輸入（非神經）層、隱藏層和輸出層。該網絡通過反向傳播算法進行訓練，執行監督學習（通過示例學習）。

?

顏色傳感器的神經網絡

?

對于這個顏色傳感器，上面說明的神經網絡接收3 個輸入（RGB 值），一個隱藏層有 6 個神經元，一個輸出層有 10 個神經元- 只是回憶一下：輸出層必須具有相同數量的類（顏色，in這種情況下），用于二值化輸出。對于本教程，網絡已經過訓練并且能夠識別顏色 :)。有關訓練步驟和用于它的示例數據集的更多詳細信息，請查看我博客中的完整帖子。

顏色識別

可以使用我們訓練有素的 MLP 網絡來執行此任務。它允許對空間可分離的模式進行分類和識別——在這種情況下非常有用。在其訓練步驟中，網絡將區域映射到下圖所示的 RGB 顏色空間中，因此被超平面隔離的每個區域都代表一種顏色。因此，每個新的 RGB 顏色模式（表示為 3D 點）都屬于特定區域，被分類為其各自的顏色。

?

?

?

?

?

1 / 2 ?神經網絡分割成區域的顏色空間

?

為了使用 MLP 獲得泛化以更好地識別 RGB 模式，必須將訓練集（具有上述 3D 空間所需輸出的顏色示例）呈現給網絡以進行訓練步驟。此項目中使用的訓練集可在項目的GitHub存儲庫中獲得。如果您熱衷于神經網絡，請繼續閱讀本節并查看我開發的這個Playground ，這樣您就可以使用數據集自己訓練網絡并在代碼中使用它:)。否則，跳到實施細節。

泛化將發生在訓練集所包含的域中，因此值得關注空間每個組件的最小值和最大值！不要向網絡提供此域之外的模式，否則輸出將無法正常工作。

?

用于訓練的數據集

?

數據集（所有示例）包含 75 個顏色模式實例，范圍從 0 到 1。最初的范圍從 0 到 255，這些實例通過簡單地將每個值除以 255 進行重新縮放，使得 0 <= x1, x2, x3 <= 1 . 從數據集中可以看出，重要的是要指出，輸出層只有一個神經元必須輸出 1，而其余神經元必須輸出 0。由于經過訓練的網絡輸出浮點值，因此后處理如下：

?

?

?

?

其中 yi 是第 i 個神經元的輸出，max(y) 是最大的輸出值。實際上，輸出最大的神經元給出 1 作為輸出，其余的給出 0。就這么簡單。

電子電路

由物體產生的所有檢測過程都發生在電子電路中，包括在連接到 Arduino 板的 Atmega328 中運行的計算活動。從下面的示意圖中檢查接線。

?

?

?

?

?

1 / 2 ?使用共陽極 RGB LED 的示意圖

?

代碼遵循上述使用共陽極RGB LED 的方案。

色彩理論

電子電路執行的顏色感知基于顏色理論概念。由于還沒有涉及透鏡，因此只應考慮具有不透明（和無光澤）材料的物體，避免處理 LED 的鏡面反射。另一方面，漫反射是用光進行顏色檢測的關鍵。入射光會在不規則表面反射，不會產生破壞 CdS 電池功能的發光效果。

回到實際的顏色理論，當光（某種顏色的）到達一個物體時，它會根據該物體顏色的特性而反射。例如，到達黃色物體的紅光將根據該黃色成分中存在多少紅色而反射 - 請記住，我們談論的是光！- 所以預計會有大量的紅光被反射，當我們想到黃色的 RGB 成分（基本上是紅色和綠色）時，這是有道理的。然而，當藍光到達黃色物體時，由于顏色成分中的藍色含量低，預計不會有強烈的反射。

?

采集用于檢測和校準的 RGB 值。

?

考慮一個加色系統，其中白色和黑色分別代表每種顏色的存在和不存在（此處有更多詳細信息），可以測量（使用 CdS 單元）來自 RGB LED 的每種光的最大和最小反射，這些反射將達到彩色對象。也就是說，可以對電路中涉及的電子元件進行校準。這是在檢測中獲得保真度以及確保穩定檢測模式（避免異常值）的另一個關鍵 - 這是一個黃金提示：校準后，嘗試（努力?。┎灰苿踊蛴|摸電子元件（特別是當它們被放置在面包板中時），也不是您正在使用（您必須使用）將組件與環境光隔離的部件。

編程

對于校準和識別，一旦有色物體暴露于 RGB LED 和 CdS 單元，顏色傳感器就會執行三次迭代。在第一次迭代中，紅光照射到物體上，程序等待 CdS 細胞穩定其感應；然后讀取模擬輸入并存儲紅光的反射。該程序針對綠色和藍色重復了兩次以上。顏色理論中顯示的圖很好地直觀地解釋了這個迭代過程。

關于校準，上述迭代過程執行兩次：一次用于黑色，一次用于白色。正如色彩理論中所解釋的，這是為了檢測最大值和最小值——最初從接近零到接近 1024 ，根據讀數分辨率——紅、綠和藍光的反射，獲得真實范圍以正確重新調整到區間 [0 , 255]（用于提供信息）和 [0, 1]（饋送神經網絡的實際輸入）。

建立光傳感器讀數的等待時間可能因每個電子元件而異，因此最好提供一個良好的延遲以確保穩定的感應。在我的例子中，我給出了 500 毫秒的延遲，但值得一開始使用一個更大的值，然后再減小它直到出現不穩定行為的邊緣。

在檢測中，收集到的 RGB 值（范圍從 0 到 1）提供給 MLP，執行實際的顏色識別。對于在 Arduino 中運行的 MLP，我使用的是Neurona - 我編寫的一個庫，可以在 arduino 中輕松使用 ANN，它可以使用 Library Manager 從 Arduino IDE 安裝。另請查看此帖子以獲取更多詳細信息。

如前所述，網絡已經經過訓練，可以在項目代碼中進行檢測。它是使用我開發的Playground進行訓練的，將調整后的權重嵌入到代碼中，以便 Neurona 庫使網絡準備好運行。

測試

出于提供信息的目的，從數據集中提取了一些顏色以執行一些識別測試：

?

用于測試顏色傳感器的印刷樣品。

?

圖外的數字用于識別，圖內的數字表示錯誤分類，參考哪些顏色被分類。