[发明专利]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

权利要求书

1.一种基于深度神经网络的不同设备测量色差值的转换方法，其特征在于，包括：

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

S2：对训练数据集和测试数据集进行预处理，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。

2.如权利要求1所述的基于深度神经网络的不同设备测量色差值的转换方法，其特征在于，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。

3.如权利要求1所述的基于深度神经网络的不同设备测量色差值的转换方法，其特征在于，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。

4.如权利要求3所述的基于深度神经网络的不同设备测量色差值的转换方法，其特征在于，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。

5.如权利要求1所述的基于深度神经网络的不同设备测量色差值的转换方法，其特征在于，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。

6.如权利要求1所述的基于深度神经网络的不同设备测量色差值的转换方法，其特征在于，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。

7.如权利要求1所述的基于深度神经网络的不同设备测量色差值的转换方法，其特征在于，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。