基于神经网络的测色仪器系统误差分析和校正


摘 要:为了提高工业生产过程中广泛应用的光电积分测色仪的测试精度, 分析、研究仪器误差成为仪器设计的重要内容之一。 在分析探测器的光谱三刺激非线性误差的基础上, 进行了测色仪原理误差的研究, 提出了基于人工神经网络的非线性滤波器的方法, 并建立了一个基于神经网络的非线性滤波器黑箱模型。实验表明:用此三刺激值计算的色品坐标、色差等参数均达到了设计要求。
**词:色差计 三刺激值 神经网络

0  引言
 
颜色测量和定量控制 ,尤其是色差评定 ,是科学研究和生产中常需解决的问题。随着单片机技术的发展 , 研制这种高性能价格比的智能化测色仪器成为可能。在实际工业生产过程中,光电积分测色仪的应用**为广泛 ,其测量准确度主要取决于光电探测器的光谱响应特性与标准照明条件下的光谱响应特性曲线相一致。
 
为了提高仪器的测试精度 , **减小仪器误差。测色色差计的误差主要是原理误差 ,减小原理误差采取的措施有 :增加预热时间 ;调整滤色片的种类和厚度 ;用导光筒上的螺纹以消除杂散光 ,使仪器总的光谱响应特性尽可能满足卢瑟条件。与传统的用滤色片对光电探测器的光谱反应特性进行校正的方法不同 ,本文所述是用神经网络处理数据的方法对其光谱反应特性进行拟合 ,使它的光谱响应很像人眼的视觉系统。
 
1  仪器基本原理和组成
 
1. 1  仪器组成
 
测色色差计由照明、探测和数据处理等三部分组成 ,如图 1所示。照明系统由光源和光学系统组成 ,光源选用发光效率较高且光通量稳定的卤钨灯。光学系统由透镜和隔热玻璃组成 ,光源发出的光经过凸透镜后变成平行光 ,再经隔热玻璃滤掉红外和紫外部分后作为载波作用于被测对象。探测系统由光学变换和光电转换两部分组成 , 光学变换是通过光接受器 ;积分球、挡板、滤色片实现的。经光学变换后的光载波中含有被测对象的信息 , 称为光信号。光信号被光电探测器接收 ,并转换成易于处理的电信号。数据处理系统包括放大电路、A /D 转换、中央处理器、显示、打印等。
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 C IE 标准观察者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。本测色系统采用的 3 层前馈网络结构如图 3 所示 , 输入层和输出层各有 3 个节点。根据 K olm ogo rov定理 (连续函数表示定理 ),为了理论上能**模拟该连续函数 , 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。为此我们选择中间隐层的节点数为 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 )是 1 种**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 :收敛速度慢和目标函数存在局部极小。
 
分布的较小的数, 这些数在 ( - 1. 732 ~ 7. 732)之间,经
 
多次训练 ,确定步长 η=0. 32, β =0. 49, φ=1. 6, α=0. 87
 
的数值。选取 300个样本数据。
 
3 - 7 - 3三层前向网络的 Vogl快速算法的步骤 :
 
① 初始化 , 设置所有可调参数 (权值 、阈值和步长参数 )的初始值 ;② 提供 300个训练样本 ,对每个样本进行下面步骤 ② ~ ④的迭代 ;③ 根据式 (5)计算输出层 3个单元和隐层 7 个单元的输出 ;④ 根据式 (6) 和 (7)计算输出层 3 个单元和隐层 7个单元的训练误差 ;⑤ 根据式 (8)修正权值 ;⑥ 判断指标是否满足精度要求 :E <ε,精度 ε=0. 01;⑦ 结束。
 
学习过程的流程图如图 4所示。

根据 V og l算法步骤和图 4, 编写 C 语言程序 ,在PC上训练样本数据 ,确定出权值和阀值等参数 。把确定参数后的网络程序移植到单片机系统中 ,对测量的三刺激值进行训练 ,输出训练后的测量数据 ,然后进行还原计算 ,得到三刺激值 ;进而计算各种颜色参数。
 
3  神经网络泛化性能测试
 
检验网络泛化能力时 ,应当用训练集以外的测试集样本。训练集用于训练网络 ,使网络能够按照学习算法调节结构参数 ,以达到学习的目的 ;测试集则是用于评价已训练好的网络的泛化能力。测试集 300 个样本和训练集 300个样本都选自《设计色彩分类手册》中的 2 360种颜色 ,所选取的颜色分布在色品图的整个色域 , 能够代表整个色域。用 SC - 80C 型全自动色差计测得测试集 300组数据来检测网络的泛化能力。经过训练

4  结束语
 
由上面 3个表可得出结论 :匹配出滤色器后 ,不经过神经网络修正三刺激值时 , 对标准色板测量得到的三刺激值与其标准值的差值个别较大 ,比如黄色板的 Z 刺激值的差值 Z ′=2. 02大于设计目标 Z <1. 5,所以不能满足设计要求 ;神经网络进行修正后 ,对标准色板测量的三刺激值与其标准值的差值都小于 1. 5,而且用此三刺激值计算的色品坐标、色差等参数均达到设计要求。