光源颜色坐标估计系统及其深度学习方法与流程

1.本发明涉及一种光源的颜色坐标估计系统及其深度学习方法，特别是涉及一种基于神经网络架构的光源颜色坐标估计系统及其深度学习方法。


背景技术：

2.不同的颜色坐标分别表示不同色温及其颜色特性。目前取得光源的颜色坐标的方式，是通过感测器取得光源的rgb数值，接着rgb数值乘上转换矩阵，借此计算颜色坐标数值。
3.然而，rgb值转换为颜色坐标会产生误差。此外，有一些光源的表面比较光亮，其具有较高的反射率，而有一些光源的表面比较粗糙，其具有较低的反射率。光源表面的反射率的差异以及光源发射的光束强度的差异，也会导致颜色坐标的计算误差。


技术实现要素：

4.本发明所要解决的技术问题在于，针对现有技术的不足提供一种光源颜色坐标估计系统，其特征在于，包括：多个光侦测器、一正规化计算电路、以及一神经网络。所述光侦测器在接受光源发射的光束后具各自的光谱响应，其中光谱响应包含一个或多个侦测波段及对应于所述侦测波段的多个能量积分值。正规化计算电路电性连接于所述光侦测器，将所述能量积分值分别除以所述能量积分值之中的最大者以计算出多个正规化能量积分值。神经网络的输入端电性连接于正规化计算电路，神经网络包含有多个神经元，所述神经元之间通过多个神经键相连接，每一神经键具有一权重值，至少部分的神经元包含一激励函数，神经网络的输入端接收所述正规化能量积分值且所述正规化能量积分值通过所述激励函数以及所述权重值的运算转变为估计颜色坐标，神经网络的输出端输出估计颜色坐标。
5.优选地，所述侦测波段的总和涵盖380nm～700nm。
6.优选地，所述神经元包含多个输入层神经元，所述输入层神经元位于该神经网络的一输入层，所述输入层神经元的数量相同于该光侦测器的数量，所述输入层神经元分别取得所述正规化能量积分值。
7.优选地，该神经网络包含一输入层、多个隐藏层以及一输出层，该输入层以及该输出层分别与所述隐藏层的二者相连接，所述隐藏层中任二相邻者彼此连接，所述神经元包含多个隐藏层神经元，每一隐藏层包含所述隐藏层神经元的一部分。
8.优选地，该隐藏层神经元使用的激励函数为sigmoid函数。
9.优选地，所述光侦测器的所述侦测波段皆不相同。
10.优选地，所述光侦测器设置于一用户装置，而该正规化计算电路以及该神经网络设置于一远端主机。
11.优选地，所述光侦测器、该正规化计算电路以及该神经网络设置于一系统芯片内。
12.本发明还公开了一种光源颜色坐标估计系统的深度学习方法，包括：提供多个不同的光源，并依序对所述光源执行一深度学习程序，其中该深度学习程序包含：通过多个光
侦测器分别取得该光源中多个不同侦测波段的多个能量积分值；通过一正规化计算电路将所述能量积分值分别除以所述能量积分值之中的最大者以计算出多个正规化能量积分值；通过一神经网络接收所述正规化能量积分值，其中该神经网络包含多个激励函数以及多个权重值；根据该神经网络的所述激励函数以及所述权重值的计算将所述正规化能量积分值转变为一估计颜色坐标；计算该估计颜色坐标与该光源的一预设颜色坐标之间的一颜色坐标误差；以及根据该神经网络的一倒传递演算法以及该坐标误差去调整该神经网络的至少一权重值。
13.优选地，所述侦测波段的总和涵盖380nm～700nm。
14.优选地，更包括在每一光源执行完毕该深度学习程序之后，判断所述颜色坐标误差是否处于一误差收敛区间，当所述颜色坐标误差之一超出该误差收敛区间，提供另外多个不同的光源去执行该深度学习程序。
15.优选地，当所述颜色坐标误差位为于该误差收敛区间内时，完成该深度学习程序；在完成该深度学习程序之后，提供一测试光源且该测试光源发出一测试光束，该光源颜色坐标估计系统取得该测试光束且产生该测试光束的一估计颜色坐标。
16.本发明的其中一有益效果在于，本发明所提供的光颜色坐标估计系统及其深度学习方法，由于神经网络对于不同光侦测器的感应差异进行深度学习，取得不同光侦测器的正规化能量积分值，其中所有光侦测器的光谱响应的总和较佳涵盖了整个可见光区域(380nm～700nm)。因此，神经网络具有较高的抗干扰能力，使得所估计出的颜色坐标具有较高的准确度。再者，正规化计算电路是光源每发射一次光束，就会对多个光侦测器数值进行正规化处理。如此一来，各光侦测器侦测的能量积分值不会因为光源发出的光束的强度或者光源的表面的反射率的影响而被弱化，也使得所估计出的颜色坐标具有较高的准确度。
17.为使能更进一步了解本发明的特征及技术内容，请参阅以下有关本发明的详细说明与图式，然而所提供的图式仅用于提供参考与说明，并非用来对本发明加以限制。
附图说明
18.图1为本发明第一实施例的光源颜色坐标估计系统的功能方框图。
19.图2为图1的六个光侦测器的光谱响应与波长的关系图。
20.图3为本发明第二实施例的光源颜色坐标估计系统的功能方框图。
21.图4为本发明第三实施例的光源颜色坐标估计系统的功能方框图。
22.图5为本发明第四实施例的光源颜色坐标估计系统的功能方框图。
23.图6为本发明第一实施例的光源颜色坐标估计系统的深度学习方法。
24.图7为本发明第二实施例的光源颜色坐标估计系统的深度学习方法。
25.图8a～图8b分别为光源颜色坐标估计系统的x轴颜色坐标误差分布图以及y轴颜色坐标误差分布图。
26.图9为本发明的光源颜色坐标估计系统的第一种使用状态的示意图。
27.图10为本发明的光源颜色坐标估计系统的第二种使用状态的示意图。
具体实施方式
28.以下是通过特定的具体实施例来说明本发明所提供有关“光源颜色坐标估计系统
及其深度学习方法”的实施方式，本领域技术人员可由本说明书所提供的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不悖离本发明的构思下进行各种修改与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所提供的内容并非用以限制本发明的保护范围。
29.应当可以理解的是，虽然本文中可能会使用到“第一”、“第二”、“第三”等术语来描述各种组件或者信号，但这些组件或者信号不应受这些术语的限制。这些术语主要是用以区分一组件与另一组件，或者一信号与另一信号。另外，本文中所使用的术语“或”，应视实际情况可能包含相关联的列出项目中的任一个或者多个的组合。
30.[第一实施例]：
[0031]
图1为本发明第一实施例的光源颜色坐标估计系统的功能方框图。参阅图1所示，光源颜色坐标估计系统100包括多个光侦测器1a-1f、一正规化计算电路2以及一神经网络3，所述光侦测器1a-1f分别具有一个或多个侦测波段，以侦测一光源s所发出的一光束中对应于不同侦测波段下的能量积分值，其中所述侦测波段的总和较佳涵盖了整个可见光区域(380nm～700nm)。所述光侦测器1a～1f分别电性连接于正规化计算电路2，而正规化计算电路2更电性连接于神经网络3，至于神经网络3输出第一估计颜色坐标数值x以及第二估计颜色坐标y，而第一估计颜色坐标数值x以及第二估计颜色坐标数值组成一个估计颜色坐标(x,y)，经由估计颜色坐标(x,y)可得知光源发光的颜色。
[0032]
图2为图1的所述光侦测器1a～1f的光谱响应图。如图2所示，横轴的单位为波长(nm)，纵轴的单位为光能量，曲线spr1～spr6分别表示所述光侦测器1a-1f的六个光谱响应，各光谱响应反应出为光侦测器在光束照射下的侦测波段以及能量强度。所述光侦测器的所述侦测波段皆不相同，即任两个光侦测器的侦测波段可部分重叠但不可完全一致，以尽可能地增加感测范围的多样性。所述光侦测器1a-1f的每一个进行将所对应的侦测波段内的光能量进行加总以获得出对应的能量积分值。如图2所示，所述侦测波段的总和例示为380nm至730nm，涵盖了可见光区域(380nm～700nm)，避免在可见光波段中具有空乏区而使侦测结果不准确。
[0033]
关于光侦测器1a-1f的实施态样，举例来说，采用硬件装置来实现，硬件装置包含电路板、二极管、金属半导体场效晶体管(mos)、双载子接面晶体管(bjt)、电阻、电感、电容的任何组合。或者，也可通过固件来实现，编辑硬件语言(例如vhdl)并将硬件语言烧录于微控制器(mcu)或现场可编程逻辑闸阵列(fpga)。或者，可通过软件来实现，例如编辑c语言来实现。
[0034]
再参阅图1，正规化计算电路2包含六个输入端21a～21f、一中央处理电路23、一非易失性存储器25(non-volatile memory)以及六个输出端27a～27f，六个输入端21a～21f分别电性连接于所述光侦测器1a～1f，中央处理电路23电性连接于六个输入端21a～21f、非易失性存储器25以及六个输出端27a～27f。正规化计算电路2通过六个输入端21a～21f分别取得六个不同的能量积分值。非易失性存储器25为只读存储器(rom)、快闪存储器(flash memory)或非易失性随机存取存储器(rvram)且存储有正规化演算法。关于正规化演算法，是从n个不同数值中找出最大值者，接着将n个数值分别除以最大值者以计算出n个正规化数值。
[0035]
在本实施例中，中央处理电路23读取并执行存储于非易失性存储器25的正规化演算法，以便对六个能量积分值进行正规化处理，其先六个能量积分值中找出最大值者，接着将六个能量积分值分别除以最大值者以计算出六个正规化能量积分值。
[0036]
至于正规化计算电路2的实施态样，举例来说，采用硬件装置来实现，硬件装置包含电路板、二极管、金属半导体场效晶体管(mos)、双载子接面晶体管(bjt)、电阻、电感、电容的任何组合。或者，也可通过固件来实现，编辑硬件语言(例如vhdl)并将硬件语言烧录于微控制器(mcu)或现场可编程逻辑闸阵列(fpga)。或者，可通过软件来实现，例如编辑c语言来实现。
[0037]
正规化计算电路2的正规化处理，至少产生以下有利功效：正规化计算电路2是光源s每发射一次光束，就会对多个光侦测器侦测到的能量积分值进行正规化处理。如此一来，光侦测器的能量积分值不会因为光源发出的光束强度的不同或者光源表面的反射率的不同而被弱化。
[0038]
再参阅图1，神经网络3包含一输入层31、第一隐藏层33、第二隐藏层35以及一输出层37，输入层31在本实施例中包含有六个输入层神经元，正规化计算电路2的六个输出端27a～27f分别与输入层31的六个输入层神经元相连接，使得输入层31的六个输入层神经元分别取得六个正规化能量积分值。
[0039]
第一隐藏层33在本实施例包含有八个隐藏层神经元，输入层31的每一个输入层神经元经由八条神经键与第一隐藏层33的八个隐藏层神经元相连接，因此输入层31与第一隐藏层33之间总共经由四十八条神经键相连接，且四十八条神经键的每一条都具有特定的权重值。因此，输入层31的每一输入层神经元的输出数值分别乘以八个权重值后分别传送至第一隐藏层33的八个隐藏层神经元。第一隐藏层33的每一隐藏层神经元使用预设的激励函数(activity function)对输入数值进行运算以产生输出数值，而激励函数(activity function)例如为sigmoid函数或者relu函数，但不以此为限。
[0040]
关于输入层31与第一隐藏层33之间的演算，举例来说，输入层31的六个输入层神经元分别经由六条神经键与第一隐藏层33的第一个隐藏层神经元相连接，且这六条神经键的权重值分别为w1～w6，输入层31的六个输入层神经元的输出数值分别为x1～x6，此时第一隐藏层33的第一个隐藏层神经元的输入端所接收的输入数值y1＝x1*w1+x2*w2+x3*w3+x4*w4+x5*w5+x6*w6，第一隐藏层33的第一个隐藏层神经元使用的激励函数为σ(x)，而
[0041]
因此，第一隐藏层33的第一个隐藏层神经元的输出数值为σ(y1)。根据以上举例的计算式，同理可推知第一隐藏层33的另外七个隐藏层神经元的输出数值。
[0042]
第二隐藏层35在本实施例包含有四个隐藏层神经元，第一隐藏层33的每一个隐藏层神经元经由四条神经键与第二隐藏层35的四个隐藏层神经元相连接，因此第一隐藏层33与第二隐藏层35之间总共经由三十二条神经键相连接，且三十二条神经键的每一条具有特定的权重值。因此，第一隐藏层33的每一隐藏层神经元的输出数值先分别乘以四个权重值后分别传送至第二隐藏层35的四个隐藏层神经元。第二隐藏层35的每一隐藏层神经元使用预设的激励函数(activity function)对输入数值进行运算以产生输出数值。
[0043]
关于第一隐藏层33与第二隐藏层35之间的演算，举例来说，第一隐藏层33的八个
隐藏层神经元分别经由八条神经键与第二隐藏层35的第一个隐藏层神经元相连接，且这八条神经键的权重值分别为w7～w14，第一隐藏层33的八个隐藏层神经元的输出数值分别为x7～x14，此时第二隐藏层35的第一个隐藏层神经元的输入端所接收的输入数值y2＝x7*w7+x8*w8+x9*w9+x10*w10+x11*w11+x12*w12+x13*w13+x14*w14。
[0044]
第二隐藏层35的第一个隐藏层神经元使用的激励函数为σ(x)，而
[0045]
因此，第二隐藏层35的第一个隐藏层神经元的输出数值为σ(y2)。根据以上举例的计算式，同理可推知第二隐藏层35的另外三个隐藏层神经元所产生的输出数值。
[0046]
输出层37在本实施例包含二个输出层神经元，第二隐藏层35的每一个隐藏层神经元经由二条神经键与输出层37的二个输出层神经元相连接，因此第二隐藏层35与输出层37之间总共经由八条神经键相连接，且八条神经键的每一条具有特定的权重值。因此，第二隐藏层35的每一个隐藏层神经元的输出数值先分别乘以两个权重值后，分别传送至输出层37的二个输出层神经元。输出层37的每一个输出层神经元使用的激励函数(activity function)对输入数值进行运算以产生输出数值。输出层37的二个输出层神经元分别输出第一估计颜色坐标数值x以及第二估计颜色坐标数值y。
[0047]
关于第二隐藏层35与输出层37之间的演算，举例来说，第二隐藏层35的四个隐藏层神经元分别经由四条神经键与输出层37的第一个输出层神经元相连接，且四条神经链的权重值分别为w15～w18，第二隐藏层35的四个隐藏层神经元的输出数值分别为x15～x18，此时输出层37的第一个输出层神经元的输入端所接收的输入数值y3＝x15*w15+x16*w16+x17*w17+x18*w18，输出层37的第一个输出层神经元所使用的激励函数为σ(x)，而因此，输出层37的第一个输出层神经元的输出数值为σ(y3)。根据以上举例的计算式，同理可推知输出层37的另一个输出层神经元的输出数值。
[0048]
至于神经网络3的实施态样，举例来说，采用硬件装置来实现，硬件装置包含电路板、二极管、金属半导体场效晶体管(mos)、双载子接面晶体管(bjt)、电阻、电感、电容的任何组合。或者，也可通过固件来实现，编辑硬件语言(例如vhdl)并将硬件语言烧录于微控制器(mcu)或现场可编程逻辑闸阵列(fpga)。或者，可通过软件来实现，例如编辑c语言来实现。
[0049]
[第二实施例]：
[0050]
图3为本发明第二实施例的光源颜色坐标估计系统的功能方框图。图3的第二实施例的光源颜色坐标估计系统200与图1的第一实施例的光源颜色坐标估计系统100之间的差异在于，光源颜色坐标估计系统200包含有八个光侦测器1a-1h，正规化计算电路2包含八个输入端21a～21h，八个输入端21a～21h分别电性连接于所述光侦测器1a～1h，中央处理电路23电性连接于八个输入端21a～21h。中央处理电路23读取并执行存储于非易失性存储器25的正规化演算法，以便对八个光侦测器所侦测到的八个能量积分值进行正规化处理，其先从八个能量积分值中找出最大值者，接着将八个能量积分值分别中除以最大值者以计算出八个正规化能量积分值。神经网络3的输入层31包含有八个神经元，正规化计算电路2的八个输出端27a～27h分别与输入层31的八个神经元相连接，使得输入层31的八个输入层神经元分别取得八个正规化能量积分值。
[0051]
[第三实施例]：
[0052]
图4为本发明第三实施例的光源颜色坐标估计系统的功能方框图。图4的第三实施例的光源颜色坐标估计系统300与图1的第一实施例的光源颜色坐标估计系统100之间的差异在于，光源颜色坐标估计系统300的第一隐藏层33的隐藏层神经元的数量变更为五个以及第二隐藏层35的隐藏层神经元的数量变更为三个。第一隐藏层33的每一个隐藏层神经元经由六条神经键与输入层31的六个隐藏层神经元相连接，连接于第一隐藏层33与输入层31之间的神经键数量总共有三十条，且每一条神经键具有特定的权重值。第二隐藏层35的每一个隐藏层神经元经由五条神经键与第一隐藏层33的五个隐藏层神经元相连接，连接于第一隐藏层33与第二隐藏层35之间的神经键数量总共有十五条，且每一条神经键具有特定的权重值。
[0053]
[第四实施例]：
[0054]
图5为本发明第四实施例的光源颜色坐标估计系统的功能方框图。图5的第四实施例的光源颜色坐标估计系统400与图1的第一实施例的光源颜色坐标估计系统100之间的差异在于，神经网络3除了包含输入层31、第一隐藏层33、第二隐藏层35以及输出层37之外，还包含一第三隐藏层39。第三隐藏层39介于第二隐藏层35与输出层37之间，第三隐藏层39包含有四个隐藏层神经元，第二隐藏层35的每一个隐藏层神经元经由四条神经键与第三隐藏层39的四个隐藏层神经元相连接，连接于第二隐藏层35与第三隐藏层39之间的神经键数量总共有十六条，且每一条神经键具有特定的权重值。第三隐藏层39的每一个隐藏层神经元经由二条神经键与输出层37的两个输出层神经元相连接，连接于第三隐藏层39与输出层37之间的神经键数量总共有八条，且每一条神经键具有特定的权重值。
[0055]
经由图1、图3、图4及图5的光源颜色坐标估计系统的实施例可知，侦测器的数量、隐藏层的神经元数量、隐藏层的数量以及神经元使用的激励函数，可根据使用上的需求以及所估计出的颜色坐标的准确度进行适度的调整，并不以上述的实施例为限。
[0056]
图6为本发明第一实施例的光源颜色坐标估计系统的深度学习方法，如图6所示，在步骤s601，提供多个不同的光源，并依序对所述光源执行深度学习程序。举例来说，当光源的数量有十个，每一个光源对光源颜色坐标估计系统发射一光束，使得光源颜色坐标估计系统取得一笔训练数据。所有光源的数量有十个时，光源颜色坐标系统总共取得十笔训练数据，总共进行十次深度学习。至于深度学习程序至少包含以下步骤：
[0057]
在步骤s603，通过多个光侦测器分别具有不同的侦测波段，以侦测光源发射的光束中分别对应于所述侦测波段的多个能量积分值，而所述侦测波段之总和较佳涵盖整个可见光区域(380nm～700nm)。举例来说，所述光侦测器的数量有五个，所述光侦测器分别对应到红光、绿光、蓝光、黄光以及紫光的侦测波段，这些侦测波段部分重叠并且在总和后可涵盖整个可见光区域(380nm～700nm)。
[0058]
在步骤s605，通过正规化计算电路2将每一能量积分值除以所有能量积分值之中的最大者以计算出多个正规化能量积分值。举例来说，在侦测波段为红光、绿光、蓝光、黄光以及紫光的光侦测器中，以对应于紫光的能量积分值为最大值，正规化计算电路将对应于红光、绿光、蓝光、黄光以及紫光的光侦测器的能量积分值分别除以紫光的能量积分值，以分别计算出五笔正规化能量积分值。
[0059]
在步骤s607，通过神经网络3接收所有正规化能量积分值，其中神经网络3包含多个激励函数以及多个权重值。
[0060]
在步骤s609，根据神经网络3的所述激励函数以及所述权重值的计算以便将所述正规化能量积分值转变为估计颜色坐标；
[0061]
在步骤s611，计算估计颜色坐标与光源的预设颜色坐标之间的颜色坐标误差。举例来说，光源颜色坐标估计系统所计算出的估计颜色坐标x以及估计颜色坐标y分别为0.3以及0.2，至于光源的预设颜色坐标x以及预设颜色坐标y分别为0.25以及0.15。x轴颜色坐标误差为-0.5，而y轴颜色坐标误差为-0.05。
[0062]
在步骤s613，根据神经网络3的倒传递演算法(back propagation)以及颜色坐标误差去调整神经网络3的权重值。举例来说，神经网络的输入层、隐藏层以及输出层分别具有i个神经元、j个神经元以及个k神经元，ak为输出层的估计值，tk为目标值，e为误差函数，其中倒传递演算法是通过调整连接于输入层与隐藏层的各神经链的权重值w
ij
以及连接于隐藏层与输出层之间的各神经链的权重值w
jk
来使误差函数e最小化，连接于输入层与隐藏层之间的各神经链的权重值调整公式为：连接于隐藏层与输出层之间的各神经链的权重值调整公式为：藏层与输出层之间的各神经链的权重值调整公式为：其中δ为学习率。输入层的神经元个数、隐藏层的神经元个数、隐藏层的数量以及学习率δ的设定都会影响神经网络的训练效果。
[0063]
图7为本发明第二实施例的光源颜色坐标估计系统的深度学习方法，图7的深度学习方法相较于图6的深度学习方法差异在于，图7的深度学习方法更包括步骤s715，至于图7的步骤s701～s713相同于图6的步骤s601～s613。关于步骤s715，每一光源执行完毕深度学习程序之后，判断所述颜色坐标误差是否位于预设的误差收敛区间内，当所述颜色坐标误差之一没有位于误差收敛区间内，提供另外多个不同的光源去执行深度学习程序。举例来说，原本准备二十个不同光源对光源颜色坐标估计系统进行深度学习训练，而预设的误差收敛区间为-2％～2％，当有一个光源的颜色坐标误差的百分率位于误差收敛区间之外时，另外准备不同于原本的二十个光源的其他光源对光源颜色坐标估计系统进行深度学习训练。
[0064]
当所述颜色坐标误差位于误差收敛区间内时，完成深度学习程序。在完成深度学习程序之后，可提供一测试光源且测试光源发出测试光束，训练完毕的光源颜色坐标估计系统取得测试光束且产生测试光束的估计颜色坐标，且所计算出的测试光束的估计颜色坐标与测试光源的实记颜色坐标之间的误差位于-2％～2％内，符合使用上的需求。
[0065]
图8a～图8b分别为光源颜色坐标估计系统针对多个不同光源所产生的x轴颜色坐标误差关系图以及y轴颜色坐标误差关系图。如图8a～图8b所示，总共有二十个不同的光源，二十个光源依序对光源颜色坐标估计系统发射一次光束，每一个光源所发出的光束都有预设的x轴颜色坐标以及y轴颜色坐标，光源颜色坐标估计系统所计算出二十笔x轴估计颜色坐标将与预设的二十笔x轴颜色坐标相比较以产生如图8a所示的二十笔x轴颜色坐标误差百分率，其分布于-5％～5％，符合实际使用的标准。同理，光源颜色坐标估计系统所计算出二十笔y轴估计颜色坐标将与预设的二十笔y轴颜色坐标相比较以产生如图8b所示的二十笔y轴颜色坐标误差百分率，其分布于-5％～5％，符合实际使用的标准。
[0066]
图9为本发明的光源颜色坐标估计系统的第一种使用状态示意图。如图9所示，所述光侦测器1a～1f设置于用户装置t1，而用户装置t1例如为用户的移动装置、笔记本电脑、穿戴装置等。正规化计算电路2以及神经网络3设置于远端主机t2，而远端主机t2例如为服务端的服务器或者云端电脑。用户装置t1通信连接于远端主机t2，如此的配置，是将光源颜色坐标估计系统中较为复杂的演算分配给远端主机t2的硬件来处理。
[0067]
图10为本发明的光源颜色坐标估计系统的第二种使用状态的示意图。如图10所示，所述光侦测器1a～1f、正规化计算电路2以及神经网络3设置于系统芯片t3中，而系统芯片t3可设置于用户的移动装置、笔记本电脑、穿戴装置等。
[0068]
[实施例的有益效果]：
[0069]
本发明的其中一有益效果在于，本发明所提供的光源颜色坐标估计系统及其深度学习方法，由于神经网络对于不同光侦测器的感应差异进行深度学习，所述光侦测器分别具有不同的侦测波段，而所述侦测波段的总和较佳涵盖整个可见光区域(380nm～700nm)。因此，神经网络具有较高的抗干扰能力，使得所估计出的颜色坐标具有较高的准确度。再者，正规化计算电路是光源每发射一次光束，就会对多个能量积分值进行正规化处理。如此一来，每个光侦测器的能量积分值不会因为光源发出的光束的强度或者光源的表面的反射率的影响而被弱化，也使得所估计出的颜色坐标具有较高的准确度。再者，由于神经网络直接估计颜色坐标，避免了rgb值转换为颜色坐标时所产生的误差。
[0070]
以上所提供的内容仅为本发明的优选可行实施例，并非因此局限本发明的权利要求书，所以凡是运用本发明说明书及图式内容所做的等效技术变化，均包含于本发明的权利要求书内。

技术特征：
1.一种光源颜色坐标估计系统，其特征在于，包括：多个光侦测器，所述光侦测器在接受一光源发射的一光束后具各自的一光谱响应，其中该光谱响应包含一个或多个侦测波段及对应于所述侦测波段的能量积分值；一正规化计算电路，电性连接于所述光侦测器，该正规化计算电路将所述能量积分值分别除以所述能量积分值之中的最大者以计算出多个正规化能量积分值；以及一神经网络，该神经网络的一输入端电性连接于该正规化计算电路，该神经网络包含有多个神经元，所述神经元之间通过多个神经键相连接，每一神经键具有一权重值，至少部分的神经元包含一激励函数，该神经网络的该输入端接收所述正规化能量积分值且所述正规化能量积分值通过所述激励函数以及所述权重值的运算转变为一估计颜色坐标，该神经网络的一输出端输出该估计颜色坐标。2.如权利要求1所述的光源颜色坐标估计系统，其特征在于，所述侦测波段的总和涵盖380nm～700nm。3.如权利要求1所述的光源颜色坐标估计系统，其特征在于，所述神经元包含多个输入层神经元，所述输入层神经元位于该神经网络的一输入层，所述输入层神经元的数量相同于该光侦测器的数量，所述输入层神经元分别取得所述正规化能量积分值。4.如权利要求1所述的光源颜色坐标估计系统，其特征在于，该神经网络包含一输入层、多个隐藏层以及一输出层，该输入层以及该输出层分别与所述隐藏层的二者相连接，所述隐藏层中任二相邻者彼此连接，所述神经元包含多个隐藏层神经元，每一隐藏层包含所述隐藏层神经元的一部分。5.如权利要求4所述的光源颜色坐标估计系统，其特征在于，该隐藏层神经元使用的激励函数为sigmoid函数。6.如权利要求1所述的光源颜色坐标估计系统，其特征在于，所述光侦测器的所述侦测波段皆不相同。7.如权利要求1所述的光源颜色坐标估计系统，其特征在于，所述光侦测器设置于一用户装置，而该正规化计算电路以及该神经网络设置于一远端主机。8.如权利要求1所述的光源颜色坐标估计系统，其特征在于，所述光侦测器、该正规化计算电路以及该神经网络设置于一系统芯片内。9.一种光源颜色坐标估计系统的深度学习方法，其特征在于，包括：提供多个不同的光源，并依序对所述光源执行一深度学习程序，其中该深度学习程序包含：通过多个光侦测器分别取得该光源中多个不同侦测波段的多个能量积分值；通过一正规化计算电路将所述能量积分值分别除以所述能量积分值之中的最大者以计算出多个正规化能量积分值；通过一神经网络接收所述正规化能量积分值，其中该神经网络包含多个激励函数以及多个权重值；根据该神经网络的所述激励函数以及所述权重值的计算将所述正规化能量积分值转变为一估计颜色坐标；计算该估计颜色坐标与该光源的一预设颜色坐标之间的一颜色坐标误差；以及根据该神经网络的一倒传递演算法以及该坐标误差去调整该神经网络的至少一权重
值。10.如权利要求9所述的光源颜色坐标估计系统的深度学习方法，其特征在于，所述侦测波段的总和涵盖380nm～700nm。11.如权利要求9所述的光源颜色坐标估计系统的深度学习方法，其特征在于，更包括在每一光源执行完毕该深度学习程序之后，判断所述颜色坐标误差是否处于一误差收敛区间，当所述颜色坐标误差之一超出该误差收敛区间，提供另外多个不同的光源去执行该深度学习程序。12.如权利要求9所述的光源颜色坐标估计系统的深度学习方法，其特征在于，当所述颜色坐标误差位为于该误差收敛区间内时，完成该深度学习程序；在完成该深度学习程序之后，提供一测试光源且该测试光源发出一测试光束，该光源颜色坐标估计系统取得该测试光束且产生该测试光束的一估计颜色坐标。

技术总结
本发明公开一种光源颜色坐标估计系统及其深度学习方法，而光源颜色坐标估计系统包括多个光侦测器、一正规化计算电路以及一神经网络。所述光侦测器分别具有一侦测波段，用于侦测一光源中对应于侦测波段的能量积分值。正规化计算电路电性连接于所述光侦测器且将每一能量积分值除以所有能量积分值中的最大值以计算出多个正规化能量积分值。神经网络电性连接于正规化计算电路以取得所有正规化能量积分值且输出估计颜色坐标。分值且输出估计颜色坐标。分值且输出估计颜色坐标。


技术研发人员：郑睿韬 简伊辰
受保护的技术使用者：光宝科技新加坡私人有限公司
技术研发日：2022.02.16
技术公布日：2023/8/31