我们知道要想色差计的测量结果精准，测量前的仪器矫正是非常重要的，多余测色色差计来说误差的矫正可能拿到手的成品是非常简单的，几个步骤就解决了，但是但色差计的研发过程中这种误差的矫正并不是一项简单的工作。目前色差计行业研发仪器是对采用一种用神经网络处理数据的方法对光电探测器的光谱反应特性进行拟合，给出了相应的算法和公式，保证其与观察者在标准照明体下的光谱反应达到最佳，目的就是为了提高测量的准确度。测量数值结果证明该方法是误差校正的准确有效的方法。

 

目前，颜色的测量与控制愈来愈受到现代工业制造者的重视，色差计器也倍受青睐。适用于染料和颜料测色的仪器，有分光光度计和光电色差计两大类。现代分光光度计具有测色和计算的快速性、测量准确度高的特点，但价格昂贵、体积大、速度慢。光电色差计是仿照人眼感色的原理制成的，采用了能感受红、绿、蓝三种颜色的受光器，将各自所感受光电的光电流加以放大处理，得出各颜色的刺激量，从而获得这一颜色信号，具有轻便、灵活、成本低的优点。测色色差计是典型的光电色差计，其测量准确度主要取决于光电探测器的光谱响应特性与标准观察者在标准照明条件下的光谱响应特性曲线一致的程度。与传统的用滤色片对光电探测器的光谱反应特性进行校正的方法不同，本文所述的方法是用神经网络处理数据的方法对其光谱反应特性进行拟合，使它的光谱响应很像人眼的视觉系统。

 

测色色差计一般均采用滤色片校正仪器光源，使它的光谱分布与标准照明体的光谱分布呈比例；校正光电探测器使它的相对光谱灵敏度比例于标准观察者。为此，校正滤色器的模拟准确度决定了该类仪器原理误差的大小，提高滤色器的模拟准确度有重要的意义。为了提高滤色器的模拟准确度，校正滤色器的设计必须以卢瑟条件为基础，根据色度学原理和选定的标准照明光源，仪器的总体光谱响应特性(光源、光学系统和探测器的综合响应特性)应符合卢瑟条件(Luthercondition)，在D65光源10°视场下的卢瑟条件：

 

式中，S（λ）为仪器所用的标准光源光谱功率分布；X10（λ）、Y10（λ）、Z10（λ）为10°视场补充标准色度观察者光谱三刺激值；X（λ）、Y（λ）、Z（λ）为仪器特定滤色器的光谱透过率：（λ）为仪器探测器的相对光谱灵敏度；KX、KY、KZ为与波长无关的常数。

 

在仪器的生产中，各滤色器的光谱曲线是通过各种滤色片的组合匹配而形成，实际的光谱曲线不可能完全符合式的要求，只能近似的接近。示意图如图1所示，这种不符合在颜色测量中带来的误差便是这类仪器的原理误差，仪器的精度取决于接近卢瑟条件的程度。正是这种原理误差给仪器带来了一些弊病，如绝对测量误差较大，同类仪器之间的测量误差较大等。由于神经网络具有高度非线性映射能力，能方便地实现两曲线的非线性变换并提高拟合精度，故采用神经网络方法解决这两条曲线的非线性拟合问题，以提高色差计的测量准确度。

 

 

 

数据处理

 

实际匹配的滤色片与卢瑟条件的符合程度直接关系到颜色测量准确度。由于滤色片的匹配不可能完全满足卢瑟条件而总是存在一定的误差，其匹配误差体现为在大部分光谱波长处非常接近，而在部分光谱波长处误差较大，使得测量有些颜色时的误差小，而测量另一些颜色时误差较大，因此需要进行色度修正。也就是说实际匹配的校正滤色器的光谱曲线和10°视场D65光源CIE标准观察者三刺激值曲线存在差异。为此本文提出采用三层前馈神经网络实现两种曲线的非线性拟合，网络的输入层的输入是经过线性变换计算出物体色的三刺激值归一化处理后的数据：输出训练后的测量数据，然后进行还原计算，得到物体色的三刺激值。

 

神经网络的结构对整个神经网络系统的特性具有决定性的影响。本测色系统中采用三层前馈网络结构如图2，输入层有3个节点，输出层有3个节

 

点。根据Kolmogomv定理(连续函数表示定理)，中间隐层的节点数取2M+1=2×3+1=7个为最佳。因此，本神经网络的拓扑结构定为3—7—3。

 

这个问题相对比较晦涩一般都是生产研发团队比较重视和了解的信息，对于一般用户可能应用比较少，毕竟一般色差计出厂时这些矫正问题都已经严格的设置完好了，真正出现色差计矫正不准确的问题大多数我们也建议返厂维修，不提倡自主修整。但是了解这些矫正信息可以帮助色差计的使用者更加透彻的了解色差计的工作原理，使用时更为熟悉，分析色差计故障是更为清晰。