颜色传感器原型：从对象中检测颜色名称

描述

这是全文的简化版本，为了简单起见，以便可以轻松地完成该项目的复制。在该模型中，使用与光相关的电子元件和机器学习机制进行颜色检测和识别；它本质上是一个 RGB LED 和一个 CdS 单元（光传感器，或 LDR）的组合，两者都与环境光隔离。这些组件分别发射和感应从特定颜色的物体反射的每种光（红色、绿色和蓝色）的强度。

多层感知器

多层感知器 (MLP) 是人工神经网络的前馈架构，具有输入（非神经）层、隐藏层和输出层。该网络通过反向传播算法进行训练，执行监督学习（通过示例学习）。

 

颜色传感器的神经网络

 

对于这个颜色传感器，上面说明的神经网络接收3 个输入（RGB 值），一个隐藏层有 6 个神经元，一个输出层有 10 个神经元- 只是回忆一下：输出层必须具有相同数量的类（颜色，in这种情况下），用于二值化输出。对于本教程，网络已经过训练并且能够识别颜色 :)。有关训练步骤和用于它的示例数据集的更多详细信息，请查看我博客中的完整帖子。

颜色识别

可以使用我们训练有素的 MLP 网络来执行此任务。它允许对空间可分离的模式进行分类和识别——在这种情况下非常有用。在其训练步骤中，网络将区域映射到下图所示的 RGB 颜色空间中，因此被超平面隔离的每个区域都代表一种颜色。因此，每个新的 RGB 颜色模式（表示为 3D 点）都属于特定区域，被分类为其各自的颜色。

 

 

 

 

 

1 / 2 •神经网络分割成区域的颜色空间

 

为了使用 MLP 获得泛化以更好地识别 RGB 模式，必须将训练集（具有上述 3D 空间所需输出的颜色示例）呈现给网络以进行训练步骤。此项目中使用的训练集可在项目的GitHub存储库中获得。如果您热衷于神经网络，请继续阅读本节并查看我开发的这个Playground ，这样您就可以使用数据集自己训练网络并在代码中使用它:)。否则，跳到实施细节。

泛化将发生在训练集所包含的域中，因此值得关注空间每个组件的最小值和最大值！不要向网络提供此域之外的模式，否则输出将无法正常工作。

 

用于训练的数据集

 

数据集（所有示例）包含 75 个颜色模式实例，范围从 0 到 1。最初的范围从 0 到 255，这些实例通过简单地将每个值除以 255 进行重新缩放，使得 0 <= x1, x2, x3 <= 1 . 从数据集中可以看出，重要的是要指出，输出层只有一个神经元必须输出 1，而其余神经元必须输出 0。由于经过训练的网络输出浮点值，因此后处理如下：

 

 

其中 yi 是第 i 个神经元的输出，max(y) 是最大的输出值。实际上，输出最大的神经元给出 1 作为输出，其余的给出 0。就这么简单。

电子电路

由物体产生的所有检测过程都发生在电子电路中，包括在连接到 Arduino 板的 Atmega328 中运行的计算活动。从下面的示意图中检查接线。

 

 

 

 

 

1 / 2 •使用共阳极 RGB LED 的示意图

 

代码遵循上述使用共阳极RGB LED 的方案。

色彩理论

电子电路执行的颜色感知基于颜色理论概念。由于还没有涉及透镜，因此只应考虑具有不透明（和无光泽）材料的物体，避免处理 LED 的镜面反射。另一方面，漫反射是用光进行颜色检测的关键。入射光会在不规则表面反射，不会产生破坏 CdS 电池功能的发光效果。

回到实际的颜色理论，当光（某种颜色的）到达一个物体时，它会根据该物体颜色的特性而反射。例如，到达黄色物体的红光将根据该黄色成分中存在多少红色而反射 - 请记住，我们谈论的是光！- 所以预计会有大量的红光被反射，当我们想到黄色的 RGB 成分（基本上是红色和绿色）时，这是有道理的。然而，当蓝光到达黄色物体时，由于颜色成分中的蓝色含量低，预计不会有强烈的反射。

 

采集用于检测和校准的 RGB 值。

 

考虑一个加色系统，其中白色和黑色分别代表每种颜色的存在和不存在（此处有更多详细信息），可以测量（使用 CdS 单元）来自 RGB LED 的每种光的最大和最小反射，这些反射将达到彩色对象。也就是说，可以对电路中涉及的电子元件进行校准。这是在检测中获得保真度以及确保稳定检测模式（避免异常值）的另一个关键 - 这是一个黄金提示：校准后，尝试（努力！）不要移动或触摸电子元件（特别是当它们被放置在面包板中时），也不是您正在使用（您必须使用）将组件与环境光隔离的部件。

编程

对于校准和识别，一旦有色物体暴露于 RGB LED 和 CdS 单元，颜色传感器就会执行三次迭代。在第一次迭代中，红光照射到物体上，程序等待 CdS 细胞稳定其感应；然后读取模拟输入并存储红光的反射。该程序针对绿色和蓝色重复了两次以上。颜色理论中显示的图很好地直观地解释了这个迭代过程。

关于校准，上述迭代过程执行两次：一次用于黑色，一次用于白色。正如色彩理论中所解释的，这是为了检测最大值和最小值——最初从接近零到接近 1024 ，根据读数分辨率——红、绿和蓝光的反射，获得真实范围以正确重新调整到区间 [0 , 255]（用于提供信息）和 [0, 1]（馈送神经网络的实际输入）。

建立光传感器读数的等待时间可能因每个电子元件而异，因此最好提供一个良好的延迟以确保稳定的感应。在我的例子中，我给出了 500 毫秒的延迟，但值得一开始使用一个更大的值，然后再减小它直到出现不稳定行为的边缘。

在检测中，收集到的 RGB 值（范围从 0 到 1）提供给 MLP，执行实际的颜色识别。对于在 Arduino 中运行的 MLP，我使用的是Neurona - 我编写的一个库，可以在 arduino 中轻松使用 ANN，它可以使用 Library Manager 从 Arduino IDE 安装。另请查看此帖子以获取更多详细信息。

如前所述，网络已经经过训练，可以在项目代码中进行检测。它是使用我开发的Playground进行训练的，将调整后的权重嵌入到代码中，以便 Neurona 库使网络准备好运行。

测试

出于提供信息的目的，从数据集中提取了一些颜色以执行一些识别测试：

 

用于测试颜色传感器的印刷样品。

 

图外的数字用于识别，图内的数字表示错误分类，参考哪些颜色被分类。