鉴于 LED 模组（含氛围灯）在研发环节，存在着对 LED 所发出的多种颜色需进行快速测量校准以及复测的需求，我们特此推出了GSA2000 LED模组光色检测校准系统。该系统适用于RGB灯模组光色检测领域企业的不同应用： 1、质量管控部门过程质量抽样检测； 2、研发部门的Demo光色准确度算法验证； 3、Tier1/Tier2总成件组装前的来料检验； 4、主机厂对不同LED模组供应商颜色统一质量要求溯源； 此系统的应用，有助于迅速提升专业水准并对团队进行光学技术培训，能够有效加快产品迭代研发进程。GSS1000智能光源色卡适用于辅助主机厂CMF设计部、工程部、质量管理部、Tier1/Tier2。氛围灯检测设备系统
光色科技的检测系统在应用迁移学习技术的同时，还保留了其在光学参数检测上的优势。系统能捕捉格栅灯的各项光学特征，结合迁移学习得到的模型，对格栅灯的缺陷进行高效识别和判断。迁移学习通过知识复用有效解决了格栅灯小样本缺陷检测的难题，其在于通过参数迁移、特征映射和分布对齐，在样本量有限的情况下实现高精度检测。这种技术融合使得光色科技的检测系统在格栅灯光学检测中，既能应对小样本挑战，又能保证检测质量。实验表明，该算法在新型号格栅灯的光学缺陷检测中，准确率可达82%以上，且训练效率提升4 倍，为格栅灯的高效生产提供了坚实的技术支撑。氛围灯光学检测设备解决方案LED模组光色检测校准系统配置标准光谱辐射通量标准灯（含中国国家计量院计量报告）。
光色科技光学课堂小知识：校准是怎么进行的？在哪里进行的？如何让上百颗甚至上千颗LED灯珠的光色一致的？ 解决这个问题之前，需要先认识汽车是如何控制车内的每一颗LED灯珠的。总体控制流程，从中控平台发送控制命令将点亮目标色传递给不同氛围灯的PCBA控制板。PCBA板的控制驱动芯片（如英迪芯、迈来芯、TI等等）收到点亮信息，读取芯片内部预先烧录的点亮算法（定义每种颜色的PWM配比），从而让PCBA板上的LED颗粒发出指定颜色的光。但是正如之前讨论过的问题，LED颗粒会有BIN区的问题，会有温度变化的影响，还有使用久了光衰的现象。显然，简单粗暴给每一个PCBA烧录同样的点亮算法，只会导致颜色的不一致。 而进行颜色的标定校准这个工作，就是在每一个PCBA板中点亮算法的后面加入一个校准算法。这个校准算法相当于每一个LED颗粒的个性，是经过测试验证后得来的。而加入了这个算法作为补偿以后，每一个PCBA板上的芯片就可以实现个性化控制LED灯珠，从而保证每个灯珠的颜色亮度的一致性了。
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。GSF1000氛围灯总成检测系统多维度结果展示，测量结果可通过报表、折线图、伪彩图等多种形式展示。
光色科技光学课堂小知识：汽车内饰系统是汽车车身的重要组成部分，它集中了人机交互界面，为消费者在使用中提供了对整车直观的感受。它通过某种介质来增加电子功能的产品结构。作为一种交互形式的介质，智能表面借助膜片、皮革、木材等材质、集成各类传感器、透明触控薄膜等结构实现了功能与装饰“二合一”的设想。智能表面装饰未来发展的重要方向是在内饰上集成触控反馈等功能，模内电子技术（IME, In-Mold Electronics）则是其中的之一。IME技术将传统的模内装饰技术与电子印刷技术有机结合，主要通过采用多层导电性高性能电子浆料印刷在聚酯薄膜片上，形成印刷电路，待膜片完全稳定后，冲切成片材，然后放入注塑模具中，在其背面注入无色或着色的树脂成型，得到具有触控功能的智能表面装饰件。GSF1000氛围灯总成检测系统具备检测亮暗斑、均匀性等光学缺陷功能。RGB氛围灯光学检测设备供应商
GSS1000智能光源色卡色彩一致性管理，有助于统一色彩沟通语言，确保供应链中色彩的一致性。氛围灯检测设备系统
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。氛围灯检测设备系统
