[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

说明书

本发明公开了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，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。可以极快实现不同设备颜色值之间的转换，不需要购买很多不同品牌或型号色差仪，可以实现远程转换。

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：