一种基于深度神经网络的不同设备测量色差值的转换方法

技术领域

本发明属于颜色值测量技术领域，具体涉及一种基于深度神经网络的不同设备测量色差值的转换方法。

背景技术

粉末涂料的颜色是其重要的属性之一，客户下单时都会对其进行明确的要求，一般是在LAB颜色空间中以确定的L、A、B值对其颜色进行描述，因此在生产时需要对产品颜色有一个明确的认知，这就需要用色差仪进行测色，但现在的分光式色差仪存在如下几点问题：1.品牌众多，这些公司彼此生产的色差仪测量同一物品同一部位时测量出的L、A、B值具有较大的差异，彼此测量结果不能满足色差测量时的色差精度要求；2.同一品牌的分光色差仪其生产的不同型号色差仪间的色差测量同样存在较大的差异。这两个因素使得生产厂家与客户之间对于颜色的描述不能用确定的L、A、B值定量，现在进行颜色确定需要厂家依据客户的样品测量或者用与客户测量时使用的同款同型号仪器进行测量，这使得各个品牌色差仪测量结果不具有统一性，产品颜色的确认流程复杂。

目前，随着大数据以及计算机算力的发展，基于数据驱动的回归预测已经应用在诸多领域，取得了良好的效果。而在颜色测量方面，不同厂家的分光式色差仪的测量原理相同，不同色差仪测量同一颜色得到的值虽有差异，但这种差异是存在内在的联系与规律性，在不同品牌色差仪L、A、B值区间虽有细小的变化，但两者间具有极强的相关性，运用回归预测模型对数据进行分析预测可找出这种内在关联关系，实现不同品牌间色差仪测量颜色值的转换。

目前主要的回归预测方法有支持向量机，神经网络、xgboost、随机森林等，能很好实现一元回归及多元回归问题，能够达到较高的预测精度。

但目前这些方法尚没有运用到颜色测量领域，将不同品牌及型号的色差仪测量结果之间关系连接起来，真正实现颜色测量值有一个统一的、确定的标准，能够以一组确定的L、A、B值表达某件产品的颜色。综上所述，在颜色测量领域，需要一种方法充当不同品牌及型号色差仪间的转换桥梁，真正解决测量值同一颜色存在较大偏差的问题。

因此，有必要提供一种基于深度神经网络的不同设备测量色差值的转换方法来解决上述问题。

发明内容

本发明的目的在于提供了一种传基于深度神经网络的不同设备测量色差值的转换方法，方法能够很好的实现不同厂商、不同色差仪间测量同一颜色具有偏差的问题，实现两款色差仪间颜色值的转换。

为实现上述目的，本发明提供如下技术方案：一种基于深度神经网络的不同设备测量色差值的转换方法，包括：S1：获取第一、第二色差仪测量色板的LAB颜色值，作为训练数据集Ω和测试数据集Ω′；S2：对训练数据集Ω和测试数据集Ω′进行预处理，剔除偏差大于预设值的数据；S3：建立具有三维输入与三维输出的深度神经网络回归模型；S4：将经过处理后的训练数据集与测试数据集数据输入到建好的神经网络模型中，离线训练神经网络回归模型，其中训练数据集与测试数据集均以第一色差仪测得LAB值为标签，第二色差仪测得LAB值为特征数据；S5：将第二色差仪测得数据输入模型对应转换输出得到期望预测值。

S3中，建立具有三维输入与三维输出的深度神经网络回归模型，包括构造连续5层linear层，前面4层linear层每个后面接上一个激活层，其中，激活层中激活函数为ReLU函数,第五层输出linear层后不接激活函数。

上述S4中，在训练回归预测模型时，模型损失函数确定为：

Loss＝MSE(L)+MSE(A)+MSE(B)

损失函数由三部分构成，即L、A、B值分别的MSE损失。

回归模型训练完成后，就将测试数据输入回归模型得到预测值，将预测值与标签值联合根据CIEDE2000的计算公式计算其色差，计算完成后依据不同颜色的满足允差及满足理想的标准进行评价、分析，最终结果需要计算出各个颜色满足允差，满足理想的占比以及综合各个颜色整体的占比。

采集数据的颜色覆盖多个颜色，其中白、灰色占比大于其他颜色。

所述的训练数据集与测试数据集划分时采取分颜色排序然后等排序间隔进行抽取。

5层linear层的输入参数依次为(input_fea,16)、(16,32)、(32,64)、(64,128)、(128,output)，其中input_fea为输入数据特征维度，其为3，output为输出预测维度，其为3。

与现有技术相比，本发明的不同设备测量色差值的转换方法的有益效果是：本方法相较于如今确定颜色值的方法，即用不同设备分别进行测试获取颜色值，具有较快的转换速度，可以极快实现颜色值转换，同时应用成本低，不需要购买很多不同品牌或型号色差仪，模型训练完成后可以实现远程转换。

同时本方法训练所需数据量不大，实现过程简单，转换精度高，同时方法的扩展性强。

附图说明

图1是本发明中基于深度神经网络的不同设备测量色差值的转换方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，为本发明基于深度神经网络的不同设备测量色差值的转换方法的流程图。

本发明提供一种基于深度神经网络的不同设备测量色差值的转换方法，其步骤包括：

S1：获取第一、第二色差仪测量色板的LAB颜色值，作为训练数据集Ω和测试数据集Ω′，

具体的，确定数据采集项，即记录色板编号、颜色、第一色差仪与第二色差仪测量色板得到对应的LAB颜色值；第一色差仪与第二色差仪来自不同品牌厂商的色差仪。色板的测量数值可以参考表1进行记录：

表1第一(X)与第二(M)分光式色差仪测量数据记录表

采集数据的颜色覆盖多个颜色，其中白、灰色占比大于其他颜色。

采集数据的颜色覆盖多个颜色，例如白、黄、红、蓝、绿、棕、灰、黑、金属色共计9种颜色，保证除白色与灰色外其他7种颜色的比例一致，白、灰色占比为其他颜色单个比例1.5倍，白色与灰色相较于其他颜色具有更高的色差精度要求，为保证其精度，增加了其数据占比，同时在同种颜色数据采集时应保证颜色覆盖该种颜色在颜色空间中占据的L、A、B值取值区域，表现在颜色上就是保证该种颜色的梯度变化，这样采集数据可以很好保证数据完备性，全面反映出两台色差仪测量颜色的差异性；

对采集数据依据第一色差仪测得L值或A值或B值从小到大进行排序，然后按照抽取0.2的比例计算需抽取的数据量对原数据分颜色进行等排序序号抽取，抽出数据充当测试数据集Ω′，剩下数据充当训练数据集Ω。

例如：抽取样例为，例如白色数据20条，需抽取20*0.2＝4条，原本10条白色数据排序后序号为0～9，抽取序号为0、5、10、15的数据充当测试数据集，剩下16条充当训练集数据。

S2：对训练数据集Ω和测试数据集Ω′进行预处理，剔除偏差大于预设值的数据；

具体，依据

S3：建立具有三维输入与三维输出的深度神经网络回归模型；其包括：

S31：构造连续5层linear层，前面4层linear层每个后面接上一个激活层，其中，激活层中激活函数为ReLU函数,第五层输出linear层后不接激活函数，总共有3层隐藏层的神经网络具有较强的表达能力，可以很好的找出数据中的差异规律并表达出来，让预测更加精准，而加入ReLU层则增强了模型的非线性表达能力；

S32：5层linear层的输入参数依次为(input_fea,16)、(16,32)、(32,64)、(64,128)、(128,output)，其中input_fea为输入数据特征维度，本方法中其为3，output为输出预测维度，其为3，其他的参数为linear层中神经元数量，即第2、3、4层神经元数量分别为32、64、128，中间神经元的数量的设置需要经过一定尝试，过多易使模型训练时参数过多，易过拟合，鲁棒性差，过少模型不能很好学习到数据中的规律，进而进行准确的拟合。

S4：将经过处理后的训练数据集与测试数据集数据输入到建好的神经网络模型中，离线训练神经网络回归模型：

(4a)训练数据集与测试数据集均以第一色差仪测得LAB值为标签，第二色差仪测得LAB值为特征数据；

(4b)在训练回归预测模型时，模型损失函数确定为：

Loss＝MSE(L)+MSE(A)+MSE(B)

损失函数由三部分构成，即L、A、B值分别的MSE损失，本回归模型为多元回归模型，在输出时需要预测出三个值，这三个值的预测精度均需要考虑，在进行训练时，损失函数要综合三个值的预测偏差；

训练时选用Adam优化算法，学习率设置为0.001。

(4c)回归模型训练完成后，就将测试数据输入回归模型得到预测值，将预测值与标签值联合根据CIEDE2000的计算公式计算其色差，计算完成后依据不同颜色的满足允差及满足理想的标准进行评价、分析，最终结果需要计算出各个颜色满足允差，满足理想的占比以及综合各个颜色整体的占比，即为预测准确率，以50条数据为测试样例，结果如下表2所示；

表2回归模型测试结果表

S5：将第二色差仪测得数据输入模型对应转换输出得到期望预测值。

本发明公开的一种基于深度神经网络的不同设备测量色差值的转换方法，主要用于应对不同厂家生产的分光式色差仪和同厂家不同型号分光式色差仪间测量同一产品颜色存在较大差异状况，实现通过第二色差仪测量颜色值预测第一色差仪测量值。

本发明基于深度神经网络的不同设备测量色差值的转换方法包括数据获取，数据预处理后经过划分获得训练集与测试集，神经网络回归模型的构建，回归模型的训练与测试，第二色差仪测色值的回归预测。本方法相较于如今确定颜色值的方法，即用不同设备分别进行测试获取颜色值，具有较快的转换速度，可以极快实现颜色值转换，同时应用成本低，不需要购买很多不同品牌或型号色差仪，模型训练完成后可以实现远程转换。同时本方法训练所需数据量不大，实现过程简单，转换精度高，同时方法的扩展性强，可以应用在多个品牌色差仪彼此间的转换。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。