通过RGB-GSA1000/ RGB-GSB1000两款产品，光色科技成功解决了氛围灯厂商氛围灯PCBA校准从研发端的单颗校准验证，到生产端的拼板校准自动化智能装备，通过实体线数据验证，能够满足RGB校准精度高、节拍快，降低氛围灯厂商生产的综合成本。 我们建议的光色管控目标是：灯具总成颜色差值小于0.01，PCBA的灯珠校准后混色颜色差值小于0.007，白光区域范围小于0.005。通过对PCBA的检测校准技术，可以提高产品的颜色品质，在Bom成本没有增加的情况下，提升了产品质量。 自动化产线的优势 1、加快生产节拍，增加生产线产能。 2、通过自动化机械将员工从重复劳动中解放出来,大幅度提高工作效率，规避因人员造成的影响错误。 3、通过实体线数据验证，能够满足RGB校准精度高、节拍快，降低氛围灯厂商生产的综合成本。氛围灯模组光色检测校准系统专门配置OK/NG指示灯，增加直观提示校准结果，避免OK/NG品分拣出错。rgb光色检测系统
自动布点技术为检测提供了高效、准确的解决方案，而纠偏算法则进一步确保了检测结果的可靠性和准确性，两者相辅相成，共同为智能汽车发光件的质量控制提供了强有力的保障。 由于生产过程中的装配偏差或环境因素，发光件的图像可能会出现偏移，直接影响检测的准确性和可靠性。光色科技通过滑动窗口和模板匹配技术，实现了高精度的纠偏处理，确保检测结果的准确性。滑动窗口：逐像素匹配；相似度计算：多种方法定位；可视化匹配结果；总结与展望格栅灯检测设备系统氛围灯模组光色检测校准系统软件支持一键配置多色测试参数，实现任意多的目标色自动化，减少人工误差。
在格栅灯的光学检测领域，当前面临着新产品迭代速度加快与样本标注成本高的突出矛盾，小样本问题已成为制约检测效率提升的关键瓶颈。而光色科技的检测系统凭借对前沿技术的融合应用，为这一困境提供了有效的解决方案。 传统的模板匹配算法虽能实现高精度纠偏，但在面对新型号格栅灯样本量不足的情况时，其泛化能力会明显下降，难以满足快速检测的需求。光色科技敏锐地把握这一痛点，将迁移学习技术融入自身的检测产品中。 光色科技的格栅灯检测系统借助迁移学习技术，能够充分复用已有的检测知识和模型。当遇到新型号格栅灯且样本有限时，系统可以基于过往对类似格栅灯产品的检测经验，快速调整模型参数，大幅缩短模型训练周期，同时保证检测精度。这不*有效解决了小样本场景下的模型训练难题，还能让检测系统快速适配新产品，跟上格栅灯迭代的节奏。
光色科技光学课堂小知识：2005年后LED灯迅速发展，LED以热量少，体积小，寿命长等优点，取代卤素灯，成为汽车光纤照明的光源，成为光纤在汽车上的应用主要光源配件，目前所有汽车氛围灯的光源均采用LED光源。LED灯的优点是其色温可控，基本上想用什么颜色都可以得到满足，除了红黄蓝绿等彩色可选，白光LED也有不同色温可选，给了灯光设计师无限的发挥空间；打造汽车座舱内舒适的灯光氛围，对光源色温的要求是应该是谨慎和严格的。汽车氛围灯作为车内辅助照明灯，其功率是一个重要性能指标，一般不宜过大，功率过大，LED芯片工作时热量大，散热解决不好的话会严重影响LED灯的寿命，功率过大驾舱内灯光过亮会干扰驾驶员安全驾驶，目前国内对氛围灯亮度没有统一标准要求，从前些年来诸多汽车制造商配套使用的氛围灯光源的经验看，选择使用0.2W电功率贴片LED较为合适。用的LED实现光源变色易如反掌，成熟的LED控制驱动器可以驱动RGB模式或是RGBW模式的LED，呈现出上百种光变化效果，满足车内个性化的氛围灯灯光效果。光色科技在软件开发、光谐技术、图形图像算法的智能化产业化上不断前行。
光色科技光学课堂小知识 汽车内饰氛围灯通常使用RGB LED光源，以三原色（R=红色、G=绿色、B=蓝色）共同交集成像，通过叠加不同光色产生新的颜色，从而达到丰富多彩的颜色变换效果。 车灯的光色定义采用CIE1931标准。CIE1931色坐标图中，用(x,y)的坐标值来表示颜色。x表示与红色有关的相对量值，y表示与绿色有关的相对量值。建立色坐标后，光源的颜色就可以用色空间上的某一点表示出来。在明确CIE1931原理后，我们可以通过定义目标颜色的色坐标进一步计算出RGB三种光色比例，并仿真模拟。以橙色（x=0.5，y=0.35）为例，利用三基色配色计算公式输入目标颜色的色坐标、光通量，可以算出R、G、B三种颜色各自的光通量。根据该数值进行设定，可模拟出目标颜色。在光学方面，光色具备光学部件标定能力，LED亮色度的校准和温度补偿算法开发及验证能力。rgb氛围灯光色检测设备
在服务能力方面，光色具备：交钥匙工程一体化服务，提供光、机、电、算、软全链路交钥匙工程。rgb光色检测系统
发光件缺陷检测是确保发光件产品质量的重要环节。针对发光件表面缺陷检测采用传统的图像算法会存在样本量不足，检测精度低，适应性差等问题。光色科技提出了一种基于Unet的自动化缺陷检测技术。首先，通过模糊生成技术，根据已提供的样本学习缺陷特征并自动生成大量缺陷样本和模板图片，解决样本量不足和手工打标签繁琐的问题。其次，通过Unet深度学习，将获取到的样本进行训练，引入交叉熵损失函数，提升模型收敛速度以及模型精度。结果表明，采用上述方法对发光件产品亮暗斑缺陷检测效果良好，具有研究意义。rgb光色检测系统
