神经网络在颜色测温中的精度问题研究

摘要

针对复杂工业环境中高温难以直接测量的问题，本文提出一种基于神经网络的颜色测温方法，利用高温物体的颜色与温度之间复杂的非线性映射关系，使用BP神经网络和最小二乘支持向量机两种方法，分别采用绿色和彩色两种颜色特征值建立测温模型拟合与高温物体温度之间的非线性映射关系，并进行精度比较。首先，利用彩色数码相机采集高温物体在不同温度发出的颜色光图像样本；其次，通过图像处理技术对图像进行预处理，即对图像进行平滑、分割、矩阵平均，提取出电炉丝图像颜色特征值；最后分别应用BP网络测温模型和LS-SVM测温模型对绿色和彩色两种颜色特征值进行测试。
　　 实验仿真结果表明，两种测温模型都有比较高的测温精度，具有良好的非线性建模和泛化能力。其中利用LS-SVM测温模型测试效果要略好于BP测温模型，并且在稳定性方面有较大提高；而利用绿色通道测温模型的测试效果要略好于彩色测温模型。

目录

文摘

英文文摘

声明

第一章 绪论

1.1本课题的研究意义

1.2颜色测温国内外相关研究

1.2.1国外研究现状

1.2.2国内研究现状

1.3测温原理

1.3.1可见光测温的基本依据

1.3.2彩色CCD测温理论基础

1.4本文主要研究内容

第二章 高温测量系统的图像处理技术

2.1引言

2.2颜色模型

2.2.1 RGB颜色模型

2.2.2 HSV颜色模型

2.2.3 HSI颜色模型

2.3图像增强

2.3.1线性滤波

2.3.2中值滤波

2.3.3 Wiener滤波

2.3.4滤波结果

2.4图像分割

2.4.1并行边界分割

2.4.2并行区域分割

2.4.3分割效果

2.5本章小结

第三章 神经网络算法概述

3.1 BP神经网络概述

3.1.1 BP网络模型

3.1.2 BP神经网络的正向算法

3.1.3 BP神经网络的学习算法

3.1.4 BP网络改进算法

3.1.5 BP网络的局限性

3.2最小二乘支持向量机

3.2.1引言

3.2.2统计学习理论

3.2.3支持向量机(SVM)

3.2.4支持向量回归机

3.2.5最小二乘支持向量机

3.3本章小结

第四章 神经网络算法应用于颜色测温

4.1图像采集系统

4.1.1系统软硬件

4.1.2图像采集

4.2数据预处理

4.3仿真试验

4.3.1 BP神经网络法

4.3.2最小二乘支持向量机法

4.3.3精度比较

4.4本章小结

附表

第五章 总结与展望

参考文献

致 谢

攻读学位期间发表论文情况