摘 要：基于高溫物體的溫度不同，與之相對應(yīng)通過數(shù)碼相機攝取的高溫物體的顏色也不同，提出一種神經(jīng)網(wǎng)絡(luò)的圖像顏色測溫方法。選取RGB模型的R、G和B作為模式特征向量，用BP網(wǎng)絡(luò)擬合高溫物體的顏色和溫度之間的非線性關(guān)系。實驗結(jié)果表明，該方法精度高，運行速度快，切實可行。

關(guān)鍵詞：溫度測量；BP神經(jīng)網(wǎng)絡(luò)；顏色模型

中圖分類號：TP391．4 文獻標(biāo)識碼：A

1 引 言

近年來，隨著電子計算機技術(shù)和光學(xué)技術(shù)的發(fā)展，圖像處理技術(shù)在燃燒測量方面應(yīng)用引起了極大關(guān)注，很多學(xué)者對基于輻射圖像進行溫度測量的方法進行了研究并取得了很大的進展。由于高溫物體的顏色與其溫度之間存在著某種映射關(guān)系，而神經(jīng)網(wǎng)絡(luò)具有函數(shù)逼近、模式識別、數(shù)據(jù)分類和預(yù)測等特性，尤其是它的自組織、自適應(yīng)、自學(xué)習(xí)功能，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于顏色測溫可以不受非線性模型的限制，便于給出工程上易于實現(xiàn)的學(xué)習(xí)算法。神經(jīng)網(wǎng)絡(luò)技術(shù)為解決非線性、不確定系統(tǒng)的建模問題，提供了一條有效的途徑。

本文主要研究的內(nèi)容是運用彩色圖像顏色處理技術(shù)和神經(jīng)網(wǎng)絡(luò)算法對高溫物體進行測溫試驗。測量系統(tǒng)如圖1示。首先利用彩色數(shù)碼相機對高溫物體在不同溫度發(fā)出的顏色光進行標(biāo)定，接著通過圖像處理技術(shù)對圖像進行處理，然后應(yīng)用BP神經(jīng)網(wǎng)絡(luò)測量模型對樣本進行學(xué)習(xí)，網(wǎng)絡(luò)收斂后，利用它很好地反映物體的顏色特征與對應(yīng)溫度之間的非線性關(guān)系。把高溫物體顏色光圖像的顏色特征作為輸入，就可以得到該物體的溫度。

2 顏色模型和顏色特征向量的選擇

顏色模型有多種，包括用于顯示和打印的RGB、CMY模型；用于視頻信號的YIQ、YUV模型；顏色比配值均為正的CIE-XYZ顏色模型；歸一化顏色模型rgb、xyz；CIE推薦的均勻顏色模型CIE-LAB、CIE-LUV；主觀顏色模型HIS、HSV、LHS；Ohta提出的顏色分量之間完全獨立的I1 I2I3顏色模型；Theo提出的對強烈光線不敏感的I₁I₂I₃顏色模型以及對彩色照明有很強魯棒性的m₁m₂m₃顏色模型等。數(shù)碼相機采集的圖像值為RGB顏色空間，RGB空間主要是根據(jù)人眼錐體接收光線的方法來構(gòu)造成的一個模型，它用三組獨立的值來定義色調(diào)、飽和度和亮度。由于數(shù)碼相機采集的輸出參數(shù)為RGB，所以我們直接采用RGB顏色模型，無須轉(zhuǎn)換，非常簡便。

3 BP神經(jīng)網(wǎng)絡(luò)的彩色溫度測量

3．1 BP網(wǎng)絡(luò)的結(jié)構(gòu)及神經(jīng)網(wǎng)絡(luò)工具箱的特點

BP網(wǎng)絡(luò)(Backpropagation NN)是一種單向傳播的多層前向網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示。網(wǎng)絡(luò)除輸入輸出節(jié)點外，還有一層或多層的隱層節(jié)點，同層節(jié)點間沒有任何耦合。輸入信號從輸入層節(jié)點依次傳過隱層節(jié)點，最后傳到輸出節(jié)點。每層節(jié)點的輸出只影響下一層節(jié)點的輸出。其節(jié)點傳遞函數(shù)通常為Sigmoid型，但在輸出層有時為線性。

與Matlab7．0對應(yīng)的神經(jīng)網(wǎng)絡(luò)工具箱為NNToolbox4．4．3，其內(nèi)容非常豐富，包括了很多現(xiàn)有的神經(jīng)網(wǎng)絡(luò)的新成果，涉及多種網(wǎng)絡(luò)模型，如：BP網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)等。同時還提供了很多經(jīng)典的學(xué)習(xí)算法，使用他能夠快速的實現(xiàn)對實際問題的建模求解。

以BP網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)工具函數(shù)為例，主要有以下一些重要函數(shù)，如表1所示。

3．2 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行彩色測溫

3．2．1 BP神經(jīng)網(wǎng)絡(luò)測溫模型

首先確定BP神經(jīng)網(wǎng)絡(luò)的測溫模型。理論上已經(jīng)證明，三層BP神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任意復(fù)雜的連續(xù)函數(shù)。所以，可利用BP神經(jīng)網(wǎng)絡(luò)來構(gòu)造一個“黑箱”，并通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)來逼近溫度與灰度值Rr、Rg、Rb的函數(shù)關(guān)系。本文采用含有一個隱含層的BP神經(jīng)網(wǎng)絡(luò)來逼近溫度與灰度值的函數(shù)關(guān)系，如圖3所示，其網(wǎng)絡(luò)輸入為RGB分量的灰度值，輸出層為一個神經(jīng)元，表示測量溫度T，隱含層神經(jīng)元數(shù)目在實驗中按經(jīng)驗選取，通過訓(xùn)練將學(xué)習(xí)好的網(wǎng)絡(luò)函數(shù)作為溫度測量模型。

3．2．2 BP算法

BP算法把一組樣本的輸入輸出問題轉(zhuǎn)化為一個非線性優(yōu)化問題。用迭代運算求解網(wǎng)絡(luò)權(quán)值相當(dāng)于學(xué)習(xí)記憶問題，加入隱含結(jié)點使優(yōu)化問題的可調(diào)整參數(shù)增加，因此可得到更精確的解。BP網(wǎng)絡(luò)的權(quán)值調(diào)整使用的是反向傳播的學(xué)習(xí)算法，標(biāo)準(zhǔn)的BP算法使用最速下降靜態(tài)尋優(yōu)算法，在修正權(quán)值時，學(xué)習(xí)過程易發(fā)生震蕩，且收斂很慢；而Leven-berg-Marquardt優(yōu)化算法兼顧最速下降法和高斯一牛頓迭代的長處，既穩(wěn)定又快速，學(xué)習(xí)時間較最速下降法短得多，故選用該算法。

3．3 實驗具體步驟

步驟1：固定彩色數(shù)碼相機位置，在不同溫度下，對同一個高溫物體發(fā)出的顏色光進行拍攝，得到許多間隔一定溫度的樣本；

步驟2：對圖像進行處理，分割出顏色光部分。求取平均值，得到R、G、B；

步驟3：取樣本輸入到神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，擬合出R、G、B與溫度T之間的非線性關(guān)系；

步驟4：利用測試樣本驗證訓(xùn)練好的BP網(wǎng)絡(luò)。

4 實驗結(jié)果及分析

選取廣西冶金研究院自制的溫度計量設(shè)備——高溫電爐進行標(biāo)定。受熱發(fā)光體為電爐，用調(diào)壓器為電爐加電壓，用熱電偶測電爐溫度，應(yīng)用尼康E5600型數(shù)碼相機(分辨率為2592*1944)在600℃～800℃范圍內(nèi)，當(dāng)時間、光線條件等一定的情況下，每隔3℃拍攝一次圖像，選取其中的40組作為訓(xùn)練樣本輸入到神經(jīng)網(wǎng)絡(luò)，20組作為測試樣本來驗證算法的準(zhǔn)確性。表2給出部分樣本的R、G、B值。

圖4為數(shù)碼相機采集到641℃和790℃時的圖像，可以看出顏色有很大的差別。由于數(shù)碼相機采集的電爐部分?jǐn)?shù)據(jù)量比較大，達到約12萬的像素點，只須采集顏色光中心部分的顏色就可以很好地反映高溫物體的溫度，而不必處理所有的顏色光內(nèi)的像素。圖像預(yù)處理的過程為：首先將圖像由RGB模型變換為HSV模型，因為電爐發(fā)出的顏色光的亮度明顯高于背景，應(yīng)用亮度V對圖像進行分割，然后再轉(zhuǎn)換為RGB模型，取顏色光的中心，向外擴展一個矩形，取大約1千個像素作為處理對象，求取它們的平均值R、G、B。

利用M atlab7．0對應(yīng)的神經(jīng)網(wǎng)絡(luò)工具箱提供的newff，train函數(shù)設(shè)計M程序來建立和訓(xùn)練該3層BP網(wǎng)絡(luò)。表2給出部分樣本的R、G、B值和對應(yīng)的溫度T。將R、G、B作為樣本輸入到BP神經(jīng)網(wǎng)絡(luò)中，將對應(yīng)溫度值T作為輸出樣本。為了防止輸入數(shù)據(jù)太大，使神經(jīng)元迅速飽和而麻痹，輸入輸出樣本均須歸一化到[0，1]區(qū)間。BP網(wǎng)絡(luò)隱層個數(shù)選取8個神經(jīng)元，于是該網(wǎng)絡(luò)結(jié)構(gòu)為3×8×1。主要語句如下：

net=newff(minmax(x)，[8，1]，

{’logsig’，’purelin’}，’trainlm’)

％％建立網(wǎng)絡(luò)

net.trainParam.show=100；

net.trainParam.epoch=5000；

net.trainParam.goal=0.0001；

net.trainParam.max_fail=100；

net=train(net，x，y)％％訓(xùn)練網(wǎng)絡(luò)。其中x，y分別是輸入輸出向量矩陣，他們的列數(shù)相等，即訓(xùn)練樣本數(shù)。

網(wǎng)絡(luò)訓(xùn)練過程的誤差變化曲線如圖5所示。利用已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對表中樣本數(shù)據(jù)的仿真結(jié)果如下：

由網(wǎng)絡(luò)訓(xùn)練誤差的結(jié)果可知：對應(yīng)的溫度值與實際的溫度值比較，平均誤差為2.0493℃，最大誤差為6.8326℃。再將檢驗樣本的R、G、B輸入到網(wǎng)絡(luò)可得對應(yīng)的溫度值，可以看出應(yīng)用提出的算法進行測溫，精度在可接受范圍內(nèi)。

5 結(jié)論

本文主要研究了一種通過提取高溫物體顏色光圖像的顏色特征值，采用RGB顏色模型，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)來擬合R、G、B和溫度之間的非線性關(guān)系，計算得到高溫物體溫度的方法。該方法精度高，運行較快，切實可行。但是，由實驗知對于同一個溫度下的高溫物體在不同的光照條件下進行拍攝，測得的RGB顏色變化較大，所以只能在光照條件一致情況下進行測量，為測量帶來局限性，可以將RGB模型轉(zhuǎn)換為其它模型，選取其它的顏色特征值來進行研究，例如HSV模型、YIQ模型等。

此外，Matlab7．0對應(yīng)的神經(jīng)網(wǎng)絡(luò)工具箱還提供很多其它網(wǎng)絡(luò)模型、算法函數(shù)，如徑向基網(wǎng)絡(luò)、小波網(wǎng)絡(luò)等，可以試著用其它模型和算法來進行研究，比較不同神經(jīng)網(wǎng)絡(luò)模型的軟測溫效果。