基于多层感知器的CIECAM02均匀色彩空间物体色调分档检测及最优光谱生成技术

本文创新性地将人工智能与图像分析技术整合到多通道LED照明系统中，通过Android应用捕捉物体图像，采用多层感知器（MLP）神经网络在CAM02-UCS均匀色彩空间实现16色调分档分类（准确率达95-99%），并基于7920样本数据集优化光谱生成。该系统以90μs的实时分析速度实现零售场景中物体色彩的智能增强照明，为提升商品视觉吸引力提供自动化解决方案。

　　

Highlight

系统设计与色调分类框架

采用定制开发的蓝牙多通道光源（详见Tazehmahaleh等人2022b研究），通过Android应用新增图像分析功能。用户可拍摄物体后，系统首先提取主色，随后通过多层感知器（MLP）在CAM02-UCS色彩空间中进行16色调分档（每档22.5°），最终匹配预设增强光谱。

数据集构建

为训练稳健的分类模型，研究使用11款主流智能手机（含iPhone、三星等品牌）在10种不同光源下采集7920组样本。每个样本包含图像主色的RGB值及对应色调分档标签，确保模型具备跨设备、跨照明条件的适应能力。

模型选择与训练

针对RGB三通道输入特性，对比13种不同结构的MLP网络。结果显示：双隐藏层架构（含32和16个神经元）配合ReLU激活函数表现最优，测试集分类准确率达99%。输入特征优化实验表明，RGB+光源色温组合可进一步提升模型鲁棒性。

独立数据集验证

使用青椒、番茄等五类食材（反射光谱见图8）进行验证。在SPD5光源下，模型9-B的色调分档识别准确率高达98.3%，显著优于传统色度坐标转换方法（误差降低62%）。

Android应用实现

在现有照明控制APP中新增分析界面，集成最优MLP模型（推理耗时90μs）。通过Android Palette库提取主色后，自动推荐IES TM-30标准中R_f、R_g等参数优化的增强光谱，用户可一键应用。

讨论

研究发现：双隐藏层MLP在CAM02-UCS空间分类中具有显著优势，且模型性能与输入特征维度呈正相关。光源色温参数的引入使分类准确率提升4.2%，但会轻微增加计算延迟。

结论

本研究证实人工智能驱动的实时色调分析可有效简化多通道LED照明系统的操作流程。通过7920样本训练的MLP模型在移动端实现<100μs的极速推理，为零售场景提供"拍摄-分析-增强"的一站式色彩优化方案。