颜色传感器原型：从对象检测颜色名称

应用和在线服务

关于这个项目

这是全文的简化版，为简单起见，便于本项目的复制。也可以在我的博客上查看此项目以了解更多实现细节。

本文分为右侧菜单中列出的部分。如果您想跳到技术细节，请查看右侧的目录，或在 GitHub 存储库中下载代码。在继续阅读之前，请查看项目视频以了解该项目的真正含义:)

项目概况

类似于人眼的色觉，并且基于光，RGB 模型包含超过 1600 万种颜色 , 排列在 3D 空间 ，其中分量 R（红色）、G（绿色）和 B（蓝色）的整数值，范围从 0 到 255，构成了该空间的坐标。从该模型中，使用与光相关的电子元件和机器学习机制执行颜色检测和识别;它本质上是 RGB LED 和 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）。

对于这个颜色传感器，上图所示的神经网络接收 3 个输入（RGB 值） , 有一个隐藏层，有 6 个神经元 和一个具有 10 个神经元的输出层 - 回想一下：对于二值化输出，输出层必须具有相同数量的类（在本例中为颜色）。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训练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 网络执行此任务。它允许对空间可分离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，以便每个被超平面隔离的区域代表一种颜色 .因此，每个新的 RGB 颜色模式（表示为 3D 点）都属于特定区域，被归类为各自的颜色。

为了使用 MLP 进行泛化以很好地识别 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 上获得 存储库。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，跳到实现细节 .

泛化会发生在训练集所包含的领域，所以注意最小值和最大值 空间的每个组成部分！不要用这个域之外的模式输入网络，否则输出不会正常工作。

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 来重新缩放，例如 0 <=x1、x2、x3 <=1从数据集中可以看出，需要指出的是，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，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，输出最大的神经元输出1，其余神经元输出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 Atmega328 中运行的计算活动，它连接在 Arduino 板上。从下面的示意图检查接线。

代码遵循上述使用公共阳极的方案 RGB LED。也就是说，检查您的 RGB LED 是否也是共阳极，否则只需反转代码中的逻辑 .

另一个重要的细节是我在 RGB LED 上只使用了一个电阻。由于一次点亮一种颜色，我将电阻器放在共阳极中，电阻器的平均电阻应该 使用阴极 - 这是懒惰的，我知道，我很抱歉！当我去购买项目部件时，他们并没有我需要的一切 - 但是使用正确的电阻器和阴极非常重要，以便使收集的 RGB 值与计算机中的 RGB 值保持一致。我的做法还不错，因为图案没有扭曲；它们与我们在计算机屏幕上看到的颜色（以及人眼捕捉到的颜色）不同。

从原理图中可以看出RGB LED 和CdS Cell 之间的邻接关系。那是因为它们必须与环境光隔离（旧的黑色胶片管是完美的选择），因此可以执行校准（在编程中解释）和识别。 查看项目视频，了解此类组件与环境光隔离。

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（尚）不涉及镜头，只应考虑具有不透明（和哑光）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。入射光在不规则表面反射，不会产生破坏 CdS 细胞功能的发光效果。

回到实际的颜色理论，当（某种颜色的）光到达一个物体时，它会根据该物体颜色的特性进行反射。例如，到达黄色物体的红光将根据该黄色的成分中存在多少红色而被反射 - 请记住，我们正在谈论光！ - 所以预计会有很多红光被反射，当我们想到黄色（基本上是红色和绿色）的 RGB 组合时，这是有道理的。然而，当蓝光到达黄色物体时，由于颜色成分中蓝色的含量较低，预计不会有强烈反射。

考虑加色系统，其中白色和黑色分别代表每种颜色的存在和不存在（更多细节这里 )，可以测量（使用 CdS 单元）来自 RGB LED 的每种光线的最大和最小反射，这些反射将到达有色物体。也就是说，可以对电路中涉及的电子元件进行校准。这是获得检测保真度以及确保稳定检测模式（避免异常值）的另一个关键 - 这是一个金技巧 ：校准后，尽量（努力！）不要移动或触摸电子元件（特别是当它们放置在面包板中时），也不要移动或触摸您正在使用的部件（您必须使用）以将组件与环境光隔离。

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个迭代。在第一次迭代中，红光击中物体，程序等待 CdS 细胞稳定其传感；然后读取模拟输入并存储红光的反射。该程序对绿色和蓝色再重复两次。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。正如颜色理论中所解释的，这是为了检测最大值和最小值 - 最初从 接近零 到 接近 1024 ，根据阅读分辨率 - 红色、绿色和蓝色光的反射，获得真实范围以正确重新缩放到区间 [0, 255]（用于信息目的）和 [0, 1]（馈送神经网络的实际输入） ).

等待时间 建立光传感器的读数可以变化 根据每个电子元件，因此最好给出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，但值得一开始使用更大的值，然后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，用于在 arduino 中轻松使用 ANN，可以使用库管​​理器从 Arduino IDE 安装。也检查这篇文章 了解更多详情。

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

测试

为了提供信息，我们从数据集中提取了一些颜色来进行一些识别测试：

图外的数字用于识别，图内的数字表示错误分类，指的是哪些颜色被分类。这些颜色是用喷墨打印机在亚硫酸盐纸上打印的——请查看本文开头视频中的小纸方块——所以对象 由不透明材料组成，适合颜色检测​​。

代码

颜色传感器原型

示意图