[发明专利]一种基于神经网络标定模型的车载氛围灯色度标定方法

说明书

本发明公开一种基于神经网络标定模型的车载氛围灯色度标定方法，用于解决同一系统下不同车载氛围灯颜色不一致问题。该方法通过采用闭环标定算法对批量氛围灯标定获得训练数据，搭建输入为三基色和目标色颜色信息、输出为氛围灯驱动参数的神经网络，采用Levenberg‑Marquardt算法对模型训练，得出模型，完成色度标定。使用本发明的方法，一方面提高了色度标定的准确度，另一方面减少了用于色度标定误差补偿的反馈迭代时间。

技术领域

本发明涉及LED颜色标定领域，特别涉及一种面向车载氛围灯的智能色度标定方法。

技术背景

如今LED的材料及生产工艺使得各个LED的光谱功率分布不同，车载氛围灯是由红绿蓝三个颜色的LED组成的混色光源，使用同一组基色比例点亮的颜色会出现偏差，从而造成色彩显示的颜色不统一现象，因此需要在氛围灯出厂之前进行色度标定，从而解决颜色不一致现象。

目前流行的车载氛围灯色度标定方法为采集氛围灯红绿蓝LED最大驱动电流下的色品坐标及光通量，依据混色原理得出目标色品坐标、三基色色品坐标和三基色驱动电流PWM占空比之间的代数模型，以此求解PWM占空比，将该占空比写入氛围灯的存储中从而完成标定

使用上述方法进行色度标定时，由于LED单通道分别点亮和混合点亮时结温变化对色品的影响、LED电流驱动的精度等问题，往往标定结果与目标色之间存在一定误差。

为解决误差问题，可在该标定方法上进行反馈调节以消除误差，但该方法因需要多次迭代，故所需标定时间较长，对于车间大批量氛围灯标定效率不高。

发明内容

本发明的目的在于提供一种用于车载氛围灯颜色标定的智能标定方法，该方法结合基于混色原理的标定模型和闭环反馈调节得出精准的目标色和PWM占空比的映射关系组成数据集，搭建适于该使用情景的神经网络，采用上述数据集训练并验证，最终得出基于神经网络的标定模型，使用该模型进行色度标定既能解决现有标定方法精度低的问题又能避免迭代从而节省标定时间。

为了实现上述目标，本发明采用了如下技术方案：

应用于车载氛围灯颜色标定的智能化LED标定方法，其特征在于，包括以下步骤：

(1)获取训练数据。采集氛围灯三基色色品和光通量，根据目标颜色色品和坐标，结合颜色混合原理计算出驱动三基色LED的PWM占空比，根据颜色混合原理计算占空比的混色模型如公式1所示，使用该占空比点亮氛围灯，采集所点亮颜色，以点亮色和目标色的色品误差乘以比例系数作为反馈，调整目标色色品，其中当色品误差大于0.02时比例系数为1，小于0.02时比例系数为0.5，重复上述过程直至点亮色和目标色的色品误差小于误差要求，将三基色和目标色的色品及光通量、驱动三基色LED的占空比作为训练数据。

式中，Y′_r，Y′_g，Y′_b为红、绿、蓝LED在PWM调光下的光通量；D_r，D_g，D_b为驱动红、绿、蓝LED的PWM占空比；Y_r，Y_g，Y_b为红、绿、蓝LED在PWM调光下PWM占空比为1时的光通量；Y_m为混合色的光通量；x_m，y_m为混合色的色品坐标；x_r，y_r，x_g，y_g，x_b，y_b为红、绿、蓝LED在PWM调光下PWM占空比为1时的色品坐标。

(2)数据预处理。进行数据分类，将三基色、目标色的色品及光通量作为网络输入数据，驱动三基色LED的占空比作为输出数据，对数据进行归一化处理。