基于BP神经网络颜色单通道温度测量及比较

　　温度是冶金工业和科学实验中的重要参数之一对于温度的测量和控制效果直接影响到许多产品的质量及其使用寿命一般的温度测量仪器的原理是温度传感器将温度量转化为电量，用电子电路变换为数字读数，显示其相应的温度，此方法是建立在热交换原理上的，会使温度的真实值改变，并且测量温度存在滞后现象，因此，采用通过图像颜色对温度的测量方法将有效地改善传统的测量方法.

　　由于物体图像颜色与温度之间是一种复杂的非线性映射关系，而神经网络具有自学习、自适应和自组织能力，它能以期望的精度逼近任何连续映射，能通过自学习完成该逼近，易于实现并行处理且具有一定的容错能力.因此，本文采用BP神经网络来实现图像对温度的测量.为更进一步减小因摄像条件造成的影响，提高测量精度，分别对一个像素的R，G，B(红、绿、蓝)三基色分量分别进行神经网络建模、训练和仿真，进而选出其中影响最大，精度最高，测量效果最好的主导分量.

　　1基于神经网络的图像颜色温度测量方法

　　1.1高温物体图像颜色与物体温度的关系

　　物体在任何温度下都存在热辐射.热辐射是物体表面连续放射出的能量，依赖于物体的温度，是一种以电磁波形式发射能量的辐射.热辐射由波长相差很大的红外线、可见光和紫外线组成，在可见光谱范围内，不同的波长使人眼感知不同颜色.低温时，辐射能量非常小，主要发射波长较长的红外线，随着温度的升高，辐射能量增加，辐射光谱向短波方向位移，当物体的温度升高到500℃时，辐射光谱有一部分落在可见光范围内，包含可见光谱的红光部分，到800℃左右出现红色，继续加温，逐渐变橙、变黄，加热到3000℃左右辐射光谱包含更多的短波成分，使得物体呈现白热.这说明高温物体的颜色确实与物体温度存在着某种对应关系，因此可以把高温物体的颜色作为一种测温的依据。

　　2.2应用神经网络实现图像颜色测温

　　2.2.1神经网络原理

　　BP神经网络首先是对每一种输人模式设定一个期望输出值，然后对网络输人实际的学习记忆模式，并由输人层经隐层向输出层传播，此过程称为“模式顺传播”.实际输出与期望输出的差即是误差.其按照误差平方最小这一规则，由输出层往隐层逐层修正连接权值和闹值，此过程称为“误差逆传播”.随着“模式顺传播”和“误差逆传播”过程的交替反复进行，不断调整网络的权值和闭值，使得误差信号最小，最终使网络的实际输出逐渐向各自所对应的期望输出逼近[2j.