Prototipe Sensor Warna Arduino – Identifikasi dan Tampilkan Nama Warna Objek
Komponen dan Perlengkapan
Arduino UNO — 1 unit
LED RGB Diffused Common Anode — 1 unit
Photo resistor (LDR) — 1 unit
LCD Standar Adafruit 16x2 Putih pada Biru — 1 unit
Resistor 10k ohm — 2 unit
Resistor 100 ohm — 3 unit
Tombol Tekan SparkFun 12mm — 1 unit
Kabel Jumper generik — 1 set
Papan Rohong generik — 1 unit
Aplikasi dan Layanan Online
MLP Topology Workbench — Alat untuk melatih ulang jaringan syaraf tiruan yang digunakan dengan pustaka Neurona pada Arduino.
Tentang Proyek Ini
Ini adalah versi sederhana dari artikel lengkap untuk kemudahan reproduksi proyek. Periksa juga proyek ini di blog saya untuk detail implementasi lebih lanjut.
Artikel ini dibagi menjadi bagian-bagian yang terdaftar di menu sisi kanan. Jika Anda ingin melompat ke detail teknis, periksa daftar isi di kanan, atau unduh kode dari repositori GitHub. Sebelum melanjutkan membaca, periksa video proyek untuk melihat apa yang sebenarnya dimaksudkan dengan proyek ini :)
Ringkasan Proyek
Mirip dengan penglihatan warna mata manusia, serta berdasarkan pada cahaya, model RGB mencakup lebih dari 16 juta warna, yang diatur dalam ruang 3D, di mana nilai integer komponen R (Merah), G (Hijau), dan B (Biru), yang berkisar dari 0 hingga 255, merupakan koordinat ruang ini. Dari model ini, deteksi dan pengenalan warna dilakukan dengan komponen elektronik terkait cahaya dan mekanisme pembelajaran mesin; ini esensialmente kombinasi LED RGB dan Sel CdS (sensor cahaya, atau LDR), keduanya terisolir dari cahaya sekeliling. Komponen tersebut, masing-masing, memancar dan merasakan intensitas setiap cahaya (merah, hijau dan biru) yang dipantulkan dari objek dengan warna tertentu.
Perceptron Lapisan Banyak (MLP)
Perceptron Lapisan Banyak (MLP) adalah arsitektur feedforward Jaringan Syaraf Tiruan, yang memiliki lapisan masukan (non-syaraf), lapisan tersembunyi dan lapisan keluaran. Jaringan ini dilatih dengan algoritma backpropagation, melakukan pembelajaran terawasi (pembelajaran dengan contoh).
Untuk sensor warna ini, jaringan syaraf yang diilustrasikan di atas menerima 3 masukan (nilai RGB), memiliki satu lapisan tersembunyi dengan 6 neuron dan lapisan keluaran dengan 10 neuron - ingat kembali: lapisan keluaran harus memiliki jumlah kelas yang sama (warna, dalam hal ini), untuk keluaran biner. Untuk tutorial ini, jaringan telah dilatih dan siapa mengenali warna :). Detail lebih lanjut tentang langkah pelatihan dan kumpulan data contoh yang digunakan, lihat posting lengkap di blog saya.
Pengenalan Warna
Tugas ini dapat dilakukan menggunakan jaringan MLP yang telah dilatih kami. Ini memungkinkan klasifikasi dan pengenalan pola yang dapat dipisahkan secara spasial - sangat berguna dalam kasus ini. Tijdens langkah pelatihan, jaringan memetakan wilayah dalam ruang warna RGB yang diilustrasikan di bawah, sehingga setiap wilayah yang terisolir oleh hiperpiksel mewakili sebuah warna. Oleh karena itu, setiap pola warna RGB baru (direpresentasikan sebagai titik 3D) jatuh ke wilayah tertentu, diklasifikasikan sebagai warna masing-masingnya.
Dengan tujuan mendapatkan generalisasi dengan MLP untuk pengenalan pola RGB yang baik, satu set pelatihan (contoh warna dengan keluaran yang diinginkan dari ruang 3D yang diilustrasikan di atas) harus disajikan kepada jaringan untuk langkah pelatihan. Set pelatihan yang digunakan dalam proyek ini tersedia di repositori GitHub proyek. Jika Anda tertarik pada jaringan syaraf, lanjutkan membaca bagian ini dan periksa Playground yang saya kembangkan, sehingga Anda dapat menggunakan kumpulan data untuk melatih jaringan sendiri dan menggunakannya dalam kode :). Jika tidak, lewati ke Detail Implementasi.
Generalisasi akan terjadi dalam domain yang melingkupi set pelatihan, jadi layak memperhatikan nilai min dan max dari setiap komponen ruang! Jangan memberi masukan pola di luar domain ini kepada jaringan, jika tidak keluaran tidak diharapkan berfungsi dengan benar.
Kumpulan data (semua contoh) berisi 75 instance pola warna yang bervariasi dari 0 hingga 1. Awalnya bervariasi dari 0 hingga 255, instance-instance ini diskalakan dengan cara membagi setiap nilai dengan 255, sehingga 0 <= x1, x2, x3 <= 1. Seperti yang dapat dilihat dalam kumpulan data, penting untuk diberitahu bahwa hanya satu neuron di lapisan keluaran yang harus mengeluarkan 1, sementara yang lainnya harus mengeluarkan nol. Karena jaringan yang telah dilatih mengeluarkan nilai float, pemrosesan lanjutan dilakukan sebagai berikut:
di mana yi adalah keluaran dari neuron ke-i dan max(y) adalah nilai keluaran terbesar. Dalam hal praktis, neuron dengan keluaran terbesar memberikan 1 sebagai keluaran dan yang lainnya memberikan 0. Sederhana begitu.
Rangkaian Elektronik
Timbul dari objek, semua prosedur deteksi terjadi dalam rangkaian elektronik, mencakup aktivitas komputasi yang berjalan pada Atmega328, yang terhubung pada papan Arduino. Periksa pengkabelan dari skematik di bawah.
Kode mengikuti skema di atas yang menggunakan LED RGB anoda umum. Dengan demikian, periksa apakah LED RGB Anda juga anoda umum, jika tidak balik logika dalam kode.
Detail penting lainnya adalah bahwa saya hanya menggunakan satu resistor dengan LED RGB. Karena satu warna akan menyala pada satu waktu, saya menempatkan resistor di anoda umum, dengan resistansi rata-rata dari resistor yang harusnya ada pada katoda - ini malas, saya tahu dan saya minta maaf! Saat saya pergi membeli bagian proyek, mereka tidak memiliki semua yang saya butuhkan - namun sangat penting untuk menggunakan resistor yang benar pada katoda untuk memiliki fidelitas dalam nilai RGB yang dikumpulkan dengan nilai RGB di komputer. Cara saya melakukan tidak begitu buruk, karena pola tidak terdistorsi; mereka hanya bukan warna yang sama yang kita lihat di layar komputer (dan seperti yang ditangkap oleh mata manusia).
Dapat diamati dari skematik ketetanggaan antara LED RGB dan Sel CdS. Itu karena mereka harus diisolir dari cahaya sekeliling (tabung film hitam lama adalah potongan sempurna), sehingga kalibrasi (dijelaskan dalam Pemrograman) dan pengenalan dapat dilakukan. Periksa video proyek untuk melihat komponen-komponen ini diisolir dari cahaya sekeliling.
Teori Warna
Persepsi warna yang dilakukan oleh rangkaian elektronik berdasarkan pada konsep teori warna. Karena tidak ada lensa (belum) yang terlibat, hanya objek dengan material opak (dan licin) yang harus dipertimbangkan, menghindari menangani refleksi spekular dari LED. Refleksi difusi di sisi lain adalah kunci untuk melakukan deteksi warna dengan cahaya. Dari cahaya insiden, itu dipantulkan pada permukaan yang tidak teratur, tidak menciptakan efek mengkilat yang merusak fungsi Sel CdS.
Kembali ke teori warna sebenarnya, ketika cahaya (dengan warna tertentu) mencapai objek, itu dipantulkan sesuai dengan properti warna objek tersebut. Misalnya, cahaya merah yang mencapai objek kuning akan dipantulkan sesuai dengan seberapa banyak merah yang ada dalam komposisi warna kuning itu - ingat, kita berbicara tentang cahaya! - jadi diharapkan untuk memiliki banyak cahaya merah yang dipantulkan, yang masuk akal ketika kita memikirkan komposisi RGB dari kuning (esensialmente merah dan hijau). Namun, ketika cahaya biru mencapai objek kuning, tidak ada refleksi kuat yang diharapkan karena kehadiran biru yang rendah dalam komposisi warna.
Mempertimbangkan sistem warna aditif, di mana putih dan hitam masing-masing adalah kehadiran dan kehadiran setiap warna (detail lebih lanjut di sini), ada yang dapat diukur (dengan Sel CdS) refleksi maksimum dan minimum dari setiap cahaya dari LED RGB yang akan mencapai objek berwarna. Dengan demikian, memungkinkan untuk melakukan kalibrasi pada komponen elektronik yang terlibat dalam rangkaian. Ini adalah kunci lain untuk mendapatkan fidelitas dalam deteksi, serta untuk memastikan deteksi pola yang stabil (menghindari outlier) - inilah tips emas: setelah mengkalibrasi, coba (keras!) untuk tidak memindahkan atau menyentuh komponen elektronik (terutama ketika mereka ditempatkan di papan roong), maupun potongan yang Anda gunakan (Anda harus menggunakan) untuk mengisolir komponen dari cahaya sekeliling.
Untuk kalibrasi dan pengenalan, sensor warna melakukan tiga iterasi, setelah objek berwarna diekspos kepada LED RGB dan Sel CdS. Dalam iterasi pertama, cahaya merah mengenai objek dan program menunggu Sel CdS untuk menstabilkan sensornya; masukan analog kemudian dibaca dan refleksi cahaya merah disimpan. Program mengulangi dua kali lagi untuk warna hijau dan biru. Gambar yang ditunjukkan dalam Teori Warna memberikan penjelasan visual yang baik tentang proses iteratif ini.
Mengenai kalibrasi, proses iteratif yang disebutkan di atas dilakukan dua kali: sekali untuk warna hitam dan sekali untuk warna putih. Seperti yang dijelaskan dalam Teori Warna, ini untuk deteksi maksimum dan minimum - awalnya dari mendekati nol hingga mendekati 1024, sesuai dengan resolusi pembacaan - refleksi cahaya merah, hijau dan biru, mendapatkan rentang yang benar untuk diskalakan dengan benar ke interval [0, 255] (untuk tujuan informatif) dan [0, 1] (masukan aktual untuk memberi makan jaringan syaraf tiruan).
Waktu tunggu untuk menetapkan pembacaan sensor cahaya bisa bervariasi menurut setiap komponen elektronik, jadi baik untuk memberikan jeda yang cukup untuk memastikan sensornya stabil. Dalam kasus saya, saya memberikan jeda 500 milidetik, tetapi baik untuk menggunakan nilai yang lebih besar awalnya dan kemudian menurunkannya hingga ambang perilaku yang tidak stabil.
Dalam deteksi, nilai RGB yang dikumpulkan - yang berkisar dari 0 hingga 1 - memberi makan MLP, melakukan pengenalan warna sebenarnya. Untuk MLP yang berjalan pada Arduino, saya menggunakan Neurona - sebuah pustaka yang saya tulis untuk mudah menggunakan ANN di arduino, yang dapat diinstal dari Arduino IDE dengan Library Manager. Periksa juga postingan ini untuk detail lebih lanjut.
Seperti yang disebutkan sebelumnya, jaringan telah dilatih dan siap untuk deteksi dalam kode proyek. Ini dilatih menggunakan Playground yang saya kembangkan, menyematkan bobot yang disesuaikan ke kode, sehingga pustaka Neurona membuat jaringan siap untuk beroperasi.
Tes
Untuk tujuan informatif, beberapa warna diekstrak dari kumpulan data untuk melakukan beberapa tes pengenalan:
Angka di luar gambar digunakan untuk identifikasi dan angka di dalam gambar menunjukkan kesalahan klasifikasi, merujuk pada warna apa yang diklasifikasikan sebagai gantinya. Warna-warna ini dicetak pada kertas sulfite dengan printer injek tinta - periksa persegi kertas kecil di video di awal posting ini - sehingga objek terdiri dari material opak, yang tepat untuk deteksi warna.
Kode
Prototipe Sensor Warna
Kode untuk dikirim ke Arduino terletak di dalam folder colorSensor. Pastikan rangkaian elektronik Anda dibangun sesuai dengan skematik yang disajikan dan pustaka Neurona terinstal dengan benar (Anda dapat menginstal dari Arduino Library Manager). https://github.com/moretticb/ColorSensor/
Skematik
Gunakan tombol tekan sesuai dengan petunjuk pada tampilan LCD