基于BP神经网络的彩色单通道温度测量与比较

时间:2018-12-21 17:03:45 来源:安陆资讯网 作者:匿名



温度是冶金工业和科学实验的重要参数之一。温度的测量和控制效果直接影响许多产品的质量和使用寿命。温度测量仪器的原理是温度传感器将温度转换为电能并使用电子。电路转换为数字读数,显示其相应的温度。该方法基于热交换原理,其将改变温度的真实值,并且在测量的温度中存在滞后。因此,将采用通过图像颜色测量温度的方法。有效改进传统的测量方法。

由于目标图像的颜色和温度是一个复杂的非线性映射关系,神经网络具有自学习,自适应和自组织能力,它可以近似任意连续映射,具有所需的精度,并可以通过自学习。它易于实现并行处理并具有一定的容错性。因此,BP神经网络用于测量图像的温度。为了进一步减小成像条件引起的影响并分别提高测量精度,对于像素R,G和B的三原色分量(红色,绿色和蓝色)分别是神经网络建模,训练和模拟,以及然后选择影响最大,精度最高,测量效果最好的主导成分。

1基于神经网络的图像色温测量方法

1.1高温物体图像颜色与物体温度之间的关系

物体在任何温度下都具有热辐射。热辐射是从物体表面连续发射的能量。取决于物体的温度,它是一种以电磁波的形式发射能量的辐射。热辐射由红外线,可见光和紫外线组成,在可见光谱中,不同波长使人眼感知不同的颜色。在低温下,辐射能量非常小,主要发射波长较长的红外光。随着温度升高,辐射能量增加,辐射光谱转变为短波。定向位移,当物体温度升至500°C时,部分辐射光谱落在可见光范围内,包括可见光谱的红色部分,红色出现在800°C左右,继续变暖,逐渐变为橙色,变黄,加热到约3000°C的辐射光谱包含更多的短波成分,使物体呈现白热。这表明高温物体的颜色确实与物体的温度具有一定的对应关系,因此高温物体的颜色可以用作温度测量值。依据。2.2应用神经网络实现图像色温测量

2.2.1神经网络原理

BP神经网络首先为每个输入模式设置所需的输出值,然后将实际的学习和存储模式输入到网络,输入层将隐藏层传输到输出层。此过程称为“模式平滑”。传播。实际输出和预期输出之间的差异是误差。根据误差平方最小的规则,从输出层到隐藏层逐层校正连接层和警报值。该过程称为“误差反向传播”。重复“模式前向传播”和“误差反向传播”的交替过程,不断调整网络的权重和闭合值,使误差信号最小化,最后网络的实际输出逐渐接近相应的期望输出[2j。

2.2.2神经网络模型的选择

由于BP神经网络可以在隐层中实现特殊的非线性变换,其自学习能力使其适应颜色与温度的非线性对应,无需精确建模。

隐藏的神经网络已经可以近似任何非线性关系闭包,因此神经网络结构选择输入层,隐式层和输出层。用于图像色温测量的神经网络结构如图所示。如图1所示,隐藏层中的神经元使用切线函数作为激活函数。根据实验,选择隐藏层节点15;输入和输出节点都是一个,输入是R,G,B,颜料之一。输出温度为T.

2.2.3神经网络的算法选择

BP网络权重调整使用反向传播学习算法。标准BP算法使用最速下降静态优化算法。当权重被修改时,学习过程易于振荡并且收敛非常慢。改进的BP神经网络有很多种不同的优势。已经证明,Ladenburg-Marquardt优化算法考虑了最速下降法和高斯 - 牛顿迭代的优点。它稳定快速,学习时间比最速下降法短得多。它特别适合模拟。算法已关闭。

2.2.4实验步骤

(l)固定数码相机的位置(距离电炉“cm”的距离,在不同温度下,拍摄相同高温物体的颜色,并获得大量具有一定间隔温度的样品。(2)处理图像并分割需要颜色的部分。通过MATLAB软件提取R,G,B颜色分量并进行归一化。

(3)采样将输入发送到神经网络进行训练,分别拟合R,G,B与温度T之间的非线性关系。

(4)取一组待测高温物体的图像,分别将提取的颜色的R,G,B颜色输入到训练好的神经网络中,分别得到相应的高温值。图像中的温度对象。 ,比较其温度测量精度。

3实验模拟和分析

高像素摄像头用于拍摄电炉观察口的照片。每隔2℃在600~800℃范围内收集电炉图像,同时读取温度值,得到87个实验样品数据。使用MATLAB软件平台收集样本。进行提取和处理。处理流程如图2所示。提取的原始捕获图像如图3(a)所示。然后对图像进行去噪(本文使用中值滤波),分割并分离着色以获得图2的(b),(e)和(d)中所示的R,G和B分量图像最终获得为矩阵值。为了防止输入数据过大,神经元迅速饱和并瘫痪,必须输出输入样本。归一化到区间[o,l]。

表1显示了一些样品的温度值和对应于R,G,B值的标准化温度。随机选取60个样本并输入BP神经网络进行训练,其余27个样本作为测试对象。

表2显示了训练的神经网络的测试输出值。如图4至图6所示,显示了目标曲线中神经网络输出的位置。纵坐标是温度,横坐标是标准化的图像R,G,B颜色值(0-1)。从表2和图4可以看出,红色通道已经在680°C进入饱和区,在680°C后误差非常大,有些甚至可以达到38°C(7°C)。但是,在进入饱和区之前,其精度仍然很高。最佳时间为602°C,误差仅为0.0031°C。其平均精度为: 9.152874,C。图6对于蓝色通道的测试值与目标曲线之间的关系,结合表2,它可以可以得出结论,虽然蓝色不饱和区域比红色区域宽,但它达到T730,C,最小误差为: 0.5273,C(639°C)。但是,误差从730°C增加到800°C,最大值是21°C(737°C)。平均误差为3.57567°C。这不是很理想。图5是绿色通道的测试值的比较,给出了非常理想的曲线,在800°C之前几乎没有饱和,检测点也能很好地落在目标曲线上。在范围和精度方面,绿色通道比其他两个通道好得多。最大误差仅为: 3.8724°C(792oC),最小误差为: 0.0137°C(610)。 °C),平均误差为: 0.9867n°C。因此,可以得出结论,在600℃~800℃的区间内,红色通道过早达到饱和,精度不够高,蓝色通道中等,具有一定的精度和数值范围。绿色通道具有最佳测量结果和最高测量精度。4。结论

根据高温物体颜色与温度的复杂对应关系,提出了一种基于BP神经网络的图像颜色测量方法。选择照明对象的三个单色通道R,G和B作为神经网络的输入。结合单色通道R(G或B)与温度之间的复杂非线性关系,通过温度测量图像颜色。相比之下,G通道是理想的单色测量通道。

摘录自:中国计量与测量网络

[关键词] BP神经网络,AOC官方网站,北京世纪奥科

>

下一篇:换热器试验台制冷剂循环供应系统的研究

色影无忌

相关新闻