智能化色差计的研究

　　最古老的颜色测量方法是目视法,它受很多因素影响,缺陷较多。CIE(国际标准照明委员会)标准色度的建立奠定了测色基础,可以通过测量三刺激值来确定物体颜色。测色仪器分为分光光度计和光电测色色差计两大类。前者测量准确度高,但系统构成复杂,操作麻烦,成本高,适用于要求较高的测色与配色场合[1, 2];光电积分测色色差计是三刺激值读法测色仪,利用具有特定光谱灵敏度的光电积分元件,直接测量光源色或物体色的三刺激值或色度坐标的仪器;对于只需要控制物体颜色而不需配色的行业来说,具有测量速度快、价廉且具有一定精度的优点。

　　1色差计的硬件及原理[3]

　　光电积分测色色差计[4]是仿造人眼感色的原理制成的,采用了能感受红、绿、蓝3种颜色的受光器,将各自所感受光电的光电流加以放大处理,得出各色的刺激量,从而获得这一颜色信号。其结构框图如图1所示。光电积分式仪器总的光学条件应符合卢瑟条件(Luther condition)。在D65光源10°视场下的卢瑟条件:

　　在仪器的生产中,各滤光器的光谱曲线是通过各种有色玻璃的组合匹配而形成,实际的光谱曲线不可能完全符合式(1)的要求,只能近似的接近。

　　如图2所示,这种不符合在颜色测量中带来的误差便是这类仪器的原理误差,仪器的精度取决于接近卢瑟条件的程度。正是这种原理误差给仪器带来了一些弊病,如绝对测量误差较大,台间差较大等。

　　2神经网络非线性拟合

　　仪器不可能完全满足卢瑟条件,也就是说实际匹配的校正滤色器的光谱曲线和10°视场D65光源CIE标准观察的三刺激值曲线存在差异。采用3层前馈神经网络实现两种曲线的非线性拟合,网络输入层的三输入是经过线性变换计算出物体色的三刺激值归一化处理后的数据;输出训练后的测量数据,然后进行还原计算,得到物体色的三刺激值。

　　神经网络的结构对整个神经网络系统的特性具有决定性的影响。本测色系统采用3层前馈网络结构如图3,输入层有3个节点,输出层有3个节点。根据Kolmogorov定理(连续函数表示定理),若3层神经网络图的输入层为M个节点,输出层为N个节点,则中间层应为2M+1个节点。为了理论上能精确

模拟该连续函数,为此我们选择中间的隐层的节点数应为2M+1=2×3+1=7个节点。因此,本神经网络结构为输入层3个节点,中间层7个节点,输出层3个节点。

　　反向传播算法(BP算法)[5]是一种最常采用的前向神经网络训练算法,在实用中BP算法存在两个重要问题:收敛速度慢,目标函数存在局部极小。Vogl提出了批处理思想:每一个样本对网络并不立即产生作用,而是等到全部输入样本到齐,将全部误差求和累加,然后集中修改权值一次。则总的的平均误差是: