论文部分内容阅读
摘 要：基于高温物体的温度不同，与之相对应通过数码相机摄取的高温物体的颜色也不同，提出一种神经网络的图像颜色测温方法。选取RGB模型的R、G和B作为模式特征向量，用BP网络拟合高温物体的颜色和温度之间的非线性关系。实验结果表明，该方法精度高，运行速度快，切实可行。
关键词：温度测量；BP神经网络；颜色模型
中图分类号：TP391．4 文献标识码：A
1 引 言
近年来，随着电子计算机技术和光学技术的发展，图像处理技术在燃烧测量方面应用引起了极大关注，很多学者对基于辐射图像进行温度测量的方法进行了研究并取得了很大的进展。由于高温物体的颜色与其温度之间存在着某种映射关系，而神经网络具有函数逼近、模式识别、数据分类和预测等特性，尤其是它的自组织、自适应、自学习功能，将神经网络应用于颜色测温可以不受非线性模型的限制，便于给出工程上易于实现的学习算法。神经网络技术为解决非线性、不确定系统的建模问题，提供了一条有效的途径。
3 BP神经网络的彩色温度测量
3．1 BP网络的结构及神经网络工具箱的特点
BP网络(Backpropagation NN)是一种单向传播的多层前向网络，其结构如图2所示。网络除输入输出节点外，还有一层或多层的隐层节点，同层节点间没有任何耦合。输入信号从输入层节点依次传过隐层节点，最后传到输出节点。每层节点的输出只影响下一层节点的输出。其节点传递函数通常为Sigmoid型，但在输出层有时为线性。
与Matlab7．0对应的神经网络工具箱为NNToolbox4．4．3，其内容非常丰富，包括了很多现有的神经网络的新成果，涉及多种网络模型，如：BP网络、径向基网络、自组织网络等。同时还提供了很多经典的学习算法，使用他能够快速的实现对实际问题的建模求解。
BP算法把一组样本的输入输出问题转化为一个非线性优化问题。用迭代运算求解网络权值相当于学习记忆问题，加入隐含结点使优化问题的可调整参数增加，因此可得到更精确的解。BP网络的权值调整使用的是反向传播的学习算法，标准的BP算法使用最速下降静态寻优算法，在修正权值时，学习过程易发生震荡，且收敛很慢；而Leven-berg-Marquardt优化算法兼顾最速下降法和高斯一牛顿迭代的长处，既稳定又快速，学习时间较最速下降法短得多，故选用该算法。
3．3 实验具体步骤
步骤1：固定彩色数码相机位置，在不同温度下，对同一个高温物体发出的颜色光进行拍摄，得到许多间隔一定温度的样本；
步骤2：对图像进行处理，分割出颜色光部分。求取平均值，得到R、G、B；
步骤3：取样本输入到神经网络进行训练，拟合出R、G、B与温度T之间的非线性关系；
步骤4：利用测试样本验证训练好的BP网络。
4 实验结果及分析
选取广西冶金研究院自制的温度计量设备——高温电炉进行标定。受热发光体为电炉，用调压器为电炉加电压，用热电偶测电炉温度，应用尼康E5600型数码相机(分辨率为2592*1944)在600℃～800℃范围内，当时间、光线条件等一定的情况下，每隔3℃拍摄一次图像，选取其中的40组作为训练样本输入到神经网络，20组作为测试样本来验证算法的准确性。表2给出部分样本的R、G、B值。
图4为数码相机采集到641℃和790℃时的图像，可以看出颜色有很大的差别。由于数码相机采集的电炉部分数据量比较大，达到约12万的像素点，只须采集颜色光中心部分的颜色就可以很好地反映高温物体的温度，而不必处理所有的颜色光内的像素。图像预处理的过程为：首先将图像由RGB模型变换为HSV模型，因为电炉发出的颜色光的亮度明显高于背景，应用亮度V对图像进行分割，然后再转换为RGB模型，取颜色光的中心，向外扩展一个矩形，取大约1千个像素作为处理对象，求取它们的平均值R、G、B。
利用M atlab7．0对应的神经网络工具箱提供的newff，train函数设计M程序来建立和训练该3层BP网络。表2给出部分样本的R、G、B值和对应的温度T。将R、G、B作为样本输入到BP神经网络中，将对应温度值T作为输出样本。为了防止输入数据太大，使神经元迅速饱和而麻痹，输入输出样本均须归一化到[0，1]区间。BP网络隐层个数选取8个神经元，于是该网络结构为3×8×1。主要语句如下：
net=newff(minmax(x)，[8，1]，
{’logsig’，’purelin’}，’trainlm’)
％％建立网络
net.trainParam.show=100；
net.trainParam.epoch=5000；
net.trainParam.goal=0.0001；
net.trainParam.max_fail=100；
此外，Matlab7．0对应的神经网络工具箱还提供很多其它网络模型、算法函数，如径向基网络、小波网络等，可以试着用其它模型和算法来进行研究，比较不同神经网络模型的软测温效果。
关键词：温度测量；BP神经网络；颜色模型
中图分类号：TP391．4 文献标识码：A
1 引 言
近年来，随着电子计算机技术和光学技术的发展，图像处理技术在燃烧测量方面应用引起了极大关注，很多学者对基于辐射图像进行温度测量的方法进行了研究并取得了很大的进展。由于高温物体的颜色与其温度之间存在着某种映射关系，而神经网络具有函数逼近、模式识别、数据分类和预测等特性，尤其是它的自组织、自适应、自学习功能，将神经网络应用于颜色测温可以不受非线性模型的限制，便于给出工程上易于实现的学习算法。神经网络技术为解决非线性、不确定系统的建模问题，提供了一条有效的途径。
3 BP神经网络的彩色温度测量
3．1 BP网络的结构及神经网络工具箱的特点
BP网络(Backpropagation NN)是一种单向传播的多层前向网络，其结构如图2所示。网络除输入输出节点外，还有一层或多层的隐层节点，同层节点间没有任何耦合。输入信号从输入层节点依次传过隐层节点，最后传到输出节点。每层节点的输出只影响下一层节点的输出。其节点传递函数通常为Sigmoid型，但在输出层有时为线性。
与Matlab7．0对应的神经网络工具箱为NNToolbox4．4．3，其内容非常丰富，包括了很多现有的神经网络的新成果，涉及多种网络模型，如：BP网络、径向基网络、自组织网络等。同时还提供了很多经典的学习算法，使用他能够快速的实现对实际问题的建模求解。
BP算法把一组样本的输入输出问题转化为一个非线性优化问题。用迭代运算求解网络权值相当于学习记忆问题，加入隐含结点使优化问题的可调整参数增加，因此可得到更精确的解。BP网络的权值调整使用的是反向传播的学习算法，标准的BP算法使用最速下降静态寻优算法，在修正权值时，学习过程易发生震荡，且收敛很慢；而Leven-berg-Marquardt优化算法兼顾最速下降法和高斯一牛顿迭代的长处，既稳定又快速，学习时间较最速下降法短得多，故选用该算法。
3．3 实验具体步骤
步骤1：固定彩色数码相机位置，在不同温度下，对同一个高温物体发出的颜色光进行拍摄，得到许多间隔一定温度的样本；
步骤2：对图像进行处理，分割出颜色光部分。求取平均值，得到R、G、B；
步骤3：取样本输入到神经网络进行训练，拟合出R、G、B与温度T之间的非线性关系；
步骤4：利用测试样本验证训练好的BP网络。
4 实验结果及分析
选取广西冶金研究院自制的温度计量设备——高温电炉进行标定。受热发光体为电炉，用调压器为电炉加电压，用热电偶测电炉温度，应用尼康E5600型数码相机(分辨率为2592*1944)在600℃～800℃范围内，当时间、光线条件等一定的情况下，每隔3℃拍摄一次图像，选取其中的40组作为训练样本输入到神经网络，20组作为测试样本来验证算法的准确性。表2给出部分样本的R、G、B值。
图4为数码相机采集到641℃和790℃时的图像，可以看出颜色有很大的差别。由于数码相机采集的电炉部分数据量比较大，达到约12万的像素点，只须采集颜色光中心部分的颜色就可以很好地反映高温物体的温度，而不必处理所有的颜色光内的像素。图像预处理的过程为：首先将图像由RGB模型变换为HSV模型，因为电炉发出的颜色光的亮度明显高于背景，应用亮度V对图像进行分割，然后再转换为RGB模型，取颜色光的中心，向外扩展一个矩形，取大约1千个像素作为处理对象，求取它们的平均值R、G、B。
利用M atlab7．0对应的神经网络工具箱提供的newff，train函数设计M程序来建立和训练该3层BP网络。表2给出部分样本的R、G、B值和对应的温度T。将R、G、B作为样本输入到BP神经网络中，将对应温度值T作为输出样本。为了防止输入数据太大，使神经元迅速饱和而麻痹，输入输出样本均须归一化到[0，1]区间。BP网络隐层个数选取8个神经元，于是该网络结构为3×8×1。主要语句如下：
net=newff(minmax(x)，[8，1]，
{’logsig’，’purelin’}，’trainlm’)
％％建立网络
net.trainParam.show=100；
net.trainParam.epoch=5000；
net.trainParam.goal=0.0001；
net.trainParam.max_fail=100；
此外，Matlab7．0对应的神经网络工具箱还提供很多其它网络模型、算法函数，如径向基网络、小波网络等，可以试着用其它模型和算法来进行研究，比较不同神经网络模型的软测温效果。