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(xiàng)目的復(fù)制。在該模型中，使用與光相關(guān)的電子元件和機(jī)器學(xué)習(xí)機(jī)制進(jìn)行顏色檢測和識別；它本質(zhì)上是一個(gè) RGB LED 和一個(gè) CdS 單元（光傳感器，或 LDR）的組合，兩者都與環(huán)境光隔離。這些組件分別發(fā)射和感應(yīng)從特定顏色的物體反射的每種光（紅色、綠色和藍(lán)色）的強(qiáng)度。

多層感知器

多層感知器 (MLP) 是人工神經(jīng)網(wǎng)絡(luò)的前饋架構(gòu)，具有輸入（非神經(jīng)）層、隱藏層和輸出層。該網(wǎng)絡(luò)通過反向傳播算法進(jìn)行訓(xùn)練，執(zhí)行監(jiān)督學(xué)習(xí)（通過示例學(xué)習(xí)）。

?

顏色傳感器的神經(jīng)網(wǎng)絡(luò)

?

對于這個(gè)顏色傳感器，上面說明的神經(jīng)網(wǎng)絡(luò)接收3 個(gè)輸入（RGB 值），一個(gè)隱藏層有 6 個(gè)神經(jīng)元，一個(gè)輸出層有 10 個(gè)神經(jīng)元- 只是回憶一下：輸出層必須具有相同數(shù)量的類（顏色，in這種情況下），用于二值化輸出。對于本教程，網(wǎng)絡(luò)已經(jīng)過訓(xùn)練并且能夠識別顏色 :)。有關(guān)訓(xùn)練步驟和用于它的示例數(shù)據(jù)集的更多詳細(xì)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(xùn)練有素的 MLP 網(wǎng)絡(luò)來執(zhí)行此任務(wù)。它允許對空間可分離的模式進(jìn)行分類和識別——在這種情況下非常有用。在其訓(xùn)練步驟中，網(wǎng)絡(luò)將區(qū)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(gè)區(qū)域都代表一種顏色。因此，每個(gè)新的 RGB 顏色模式（表示為 3D 點(diǎn)）都屬于特定區(qū)域，被分類為其各自的顏色。

?

?

?

?

?

1 / 2 ?神經(jīng)網(wǎng)絡(luò)分割成區(qū)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(xùn)練集（具有上述 3D 空間所需輸出的顏色示例）呈現(xiàn)給網(wǎng)絡(luò)以進(jìn)行訓(xùn)練步驟。此項(xiàng)目中使用的訓(xùn)練集可在項(xiàng)目的GitHub存儲庫中獲得。如果您熱衷于神經(jīng)網(wǎng)絡(luò)，請繼續(xù)閱讀本節(jié)并查看我開發(fā)的這個(gè)Playground ，這樣您就可以使用數(shù)據(jù)集自己訓(xùn)練網(wǎng)絡(luò)并在代碼中使用它:)。否則，跳到實(shí)施細(xì)節(jié)。

泛化將發(fā)生在訓(xùn)練集所包含的域中，因此值得關(guān)注空間每個(gè)組件的最小值和最大值！不要向網(wǎng)絡(luò)提供此域之外的模式，否則輸出將無法正常工作。

?

用于訓(xùn)練的數(shù)據(jù)集

?

數(shù)據(jù)集（所有示例）包含 75 個(gè)顏色模式實(shí)例，范圍從 0 到 1。最初的范圍從 0 到 255，這些實(shí)例通過簡單地將每個(gè)值除以 255 進(jìn)行重新縮放，使得 0 <= x1, x2, x3 <= 1 . 從數(shù)據(jù)集中可以看出，重要的是要指出，輸出層只有一個(gè)神經(jīng)元必須輸出 1，而其余神經(jīng)元必須輸出 0。由于經(jīng)過訓(xùn)練的網(wǎng)絡(luò)輸出浮點(diǎn)值，因此后處理如下：

?

?

?

?

其中 yi 是第 i 個(gè)神經(jīng)元的輸出，max(y) 是最大的輸出值。實(shí)際上，輸出最大的神經(jīng)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(chǎn)生的所有檢測過程都發(fā)生在電子電路中，包括在連接到 Arduino 板的 Atmega328 中運(yùn)行的計(jì)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(zhí)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(yīng)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(jìn)行顏色檢測的關(guān)鍵。入射光會在不規(guī)則表面反射，不會產(chǎn)生破壞 CdS 電池功能的發(fā)光效果。

回到實(shí)際的顏色理論，當(dāng)光（某種顏色的）到達(dá)一個(gè)物體時(shí)，它會根據(jù)該物體顏色的特性而反射。例如，到達(dá)黃色物體的紅光將根據(jù)該黃色成分中存在多少紅色而反射 - 請記住，我們談?wù)摰氖枪猓?/font>- 所以預(yù)計(jì)會有大量的紅光被反射，當(dāng)我們想到黃色的 RGB 成分（基本上是紅色和綠色）時(shí)，這是有道理的。然而，當(dāng)藍(lán)光到達(dá)黃色物體時(shí)，由于顏色成分中的藍(lán)色含量低，預(yù)計(jì)不會有強(qiáng)烈的反射。

?

采集用于檢測和校準(zhǔn)的 RGB 值。

?

考慮一個(gè)加色系統(tǒng)，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(xì)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(dá)到彩色對象。也就是說，可以對電路中涉及的電子元件進(jìn)行校準(zhǔn)。這是在檢測中獲得保真度以及確保穩(wěn)定檢測模式（避免異常值）的另一個(gè)關(guān)鍵 - 這是一個(gè)黃金提示：校準(zhǔn)后，嘗試（努力?。┎灰苿踊蛴|摸電子元件（特別是當(dāng)它們被放置在面包板中時(shí)），也不是您正在使用（您必須使用）將組件與環(huán)境光隔離的部件。

?

編程

對于校準(zhǔn)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(zhí)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(xì)胞穩(wěn)定其感應(yīng)；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(lán)色重復(fù)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(gè)迭代過程。

關(guān)于校準(zhǔn)，上述迭代過程執(zhí)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(jù)讀數(shù)分辨率——紅、綠和藍(lán)光的反射，獲得真實(shí)范圍以正確重新調(diào)整到區(qū)間 [0 , 255]（用于提供信息）和 [0, 1]（饋送神經(jīng)網(wǎng)絡(luò)的實(shí)際輸入）。

建立光傳感器讀數(shù)的等待時(shí)間可能因每個(gè)電子元件而異，因此最好提供一個(gè)良好的延遲以確保穩(wěn)定的感應(yīng)。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(gè)更大的值，然后再減小它直到出現(xiàn)不穩(wěn)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(zhí)行實(shí)際的顏色識別。對于在 Arduino 中運(yùn)行的 MLP，我使用的是Neurona - 我編寫的一個(gè)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(xì)信息。

如前所述，網(wǎng)絡(luò)已經(jīng)經(jīng)過訓(xùn)練，可以在項(xiàng)目代碼中進(jìn)行檢測。它是使用我開發(fā)的Playground進(jìn)行訓(xùn)練的，將調(diào)整后的權(quán)重嵌入到代碼中，以便 Neurona 庫使網(wǎng)絡(luò)準(zhǔn)備好運(yùn)行。

測試

出于提供信息的目的，從數(shù)據(jù)集中提取了一些顏色以執(zhí)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(shù)字用于識別，圖內(nèi)的數(shù)字表示錯(cuò)誤分類，參考哪些顏色被分類。