[发明专利]核锻件锻造温度视觉测量方法

权利要求书

1.一种核锻件锻造温度视觉测量方法，其特征在于，包括以下步骤：

步骤一、将加热到锻造温度要求的高温锻件置于锻造环境中，利用CCD相机采集不同温度下的高温锻件图像，提供锻件图像颜色信息值；同时，利用红外测温仪采集高温锻件图像对应的高温锻件温度T；

步骤二、对CCD相机采集的高温锻件图像进行预处理，分割出高温锻件区域的部分，选取不包含氧化皮的高温锻件区域，并截取该区域像素大小为200*200的标准图片，获取各个标准图片的RGB颜色信息值，并做归一化处理，得到的神经网络训练样本；

步骤三、建立RBF网络测温模型并初设网络参数，将神经网络训练样本数据带入RBF网络测温模型，并拟合出RGB值与温度T的非线性关系，通过设定神经网络训练样本数据对应温度误差及网络训练的效率以调整网络参数，并找到最合适的参数值；

步骤四、得到训练好的RBF网络测温模型，将该RBF网络测温模型运用到后续温度测量中，后续的测温将不再需要红外测温模块，只需通过采集的高温锻件图像颜色信息即可测量高温锻件的温度。

2.根据权利要求1所述的高温锻件图像颜色温度视觉测量方法其特征在于：所述步骤三包括：

（1）隐含层节点数选择：设定RBF神经网络的最大的神经元个数为训练样本组数40，迭代步长为1，借助MATLAB实现RBF神经网络训练时，其隐含层的神经元数目会在训练中自动取得最佳值；

（2）径向基扩展系数的选取：在MATLAB中，选用newrb函数实现“K均值聚类法”功能，利用神经网络训练样本，设置不同的spread值，分别进行训练并记录各值对应的训练结果，比较各spread值对应的隐含层神经元个数neurons、误差表示MSE，选取，此时RBF神经网络训练误差最小，迭代次数最少为12次；

（3）根据步骤（1）-（2）中描述搭建RBF神经网络测温模型并训练，利用训练好的RBF神经网络测温模型预测当前各图像颜色信息对应的温度值。