CN104897583A - 一种微量血迹无损检测装置及方法 - Google Patents

Abstract

本发明公开了一种微量血迹无损检测装置及方法，检测装置的光源模块和数据采集模块安装在支架模块上，数据采集模块的输出接数据处理模块，数据处理模块的输出接数据显示模块；光源模块为数据采集模块提供照明白光光源；数据采集模块用于对现场图像进行高光谱数据采集。检测时，首先建立血迹检测模型，再由高光谱相机实时采集现场采样点高光谱数据并与血迹检测模型比对分析，通过类别结果判断该采样点是否有血迹并进行显示。本发明可以实现光谱的全波段的血迹检测，并且本装置具有便携性，可以携带到现场进行检测；同时本方法具有无损性，在不破环现场的情况下进行自动扫描和检测，自动标识存在血迹的特征点。

Description

一种微量血迹无损检测装置及方法

技术领域

本发明涉及微量血迹检测，具体涉及一种可实现案发现场微量血迹的无损自动检测装置及方法，属于血迹检测技术领域。

背景技术

血迹是案发现场最重要的物证之一。血迹被用作刑事诉讼案件的重要证据具有客观、稳定、广泛、复杂等特点，一直是法庭上极具采信力的证物。血迹具有痕迹、物证的双重特点，充分反映出其作为物证的重要性，血迹侦测在犯罪现场具有重要的地位和重要作用。针对案发现场的血迹侦测可以有效提取犯罪嫌疑人的DNA信息并对案发现场进行情景还原。这使得血迹侦测在犯罪现场重塑和案情分析推理中有着指纹、鞋印等证物无法比拟的作用。针对其法医物证特点，可以对其进行测量分析以确定血迹种类性别等特征，但传统测量方式与手段较为落后，其在实际的现场实现物理特征可视化仍具有很多困难。

现有血迹检测技术主要有：直接观察法、试剂法、光源法、光谱检查法。

1、直接观察法

此方法主要适用于血迹明显的犯罪现场，肉眼就能够检查到明显血迹，并可以观察颜色、形态和部位等。

该方法依赖办案人员的经验、能力，长时间观察容易疲劳，且检测速度较慢。

2、试剂法

当血迹在现场遗留时间过久时会发生霉变或者褪色，而与承痕物品之间的色差并不强，不易被肉眼发现，所以为了验证可疑物质是否为血迹，就会使用试剂(如四甲基联苯胺、鲁米诺、二氢荧光素等)进行检验识别。

这种方法对现场血迹有一定的破坏，属于有损检测，并且检测结果容易受周围环境的影响，如不同载体的影响。另外，一些检测试剂需要配合其他光学仪器进行检测，系统操作复杂，检测麻烦。

3、光源法

利用紫外、红外、多波段光源来帮助侦测血迹。现场血迹在多波段光源的照射下可以看清楚。血迹在红外、紫外荧光灯下是没有荧光的，但是其背景却可以发出荧光，这是通过增大血迹和血迹背景的反差来实现对血迹侦测的。

该方法只用到部分波段的检测，没有实现全波段的血迹检测，检测范围受到限制。

4、光谱检查

该方法是利用血液中所含有的血红蛋白以及血红蛋白衍生物都有着自己特定的吸收曲线。因此，当使用日光进行照射时，血迹的光谱图像一定会在某一波长处出现条形状阴影吸收线。然后用显微分光镜对待测体进行检测即可。

该方法的缺陷是采用吸收光谱检测，且联合使用了显微分光装置，需要在实验室进行，非现场检测技术。

发明内容

针对现有血迹检测方法的不足，本发明提出了一种微量血迹无损检测装置及方法，本发明基于高光谱成像技术，可以实现光谱的全波段的血迹检测，并且本装置具有便携性，可以携带到现场进行检测；同时本方法具有无损性，在不破环现场的情况下进行自动扫描和检测，自动标识存在血迹的特征点。

为实现本发明目的，采用了以下技术方案：

一种微量血迹无损检测装置，包括支架模块、光源模块、数据采集模块、数据处理模块和数据显示模块；光源模块和数据采集模块安装在支架模块上，由支架模块实现对光源模块和数据采集模块的托举和位置改变；光源模块为数据采集模块提供照明白光光源；数据采集模块的输出接数据处理模块，数据处理模块的输出接数据显示模块；

数据采集模块用于对现场图像进行高光谱数据采集，采集的数据为三维数据，其中两维为二维空间的横向和纵向，形成二维图像平面，第三维是各个采样点的全波长的光谱数据，该维数据的长度由数据采集模块的波长分辨率决定；

数据处理模块实现数据的接收和处理，在接收到数据采集模块的高光谱数据之后，数据处理模块实时地对各个采样点的光谱数据进行比对和分析，得到该采样点高光谱数据的血迹检测结果，然后将检测的结果传输给数据显示模块；

数据显示模块实现二维平面图像、当前采样点光谱曲线、检测结果信息的显示。

其中，所述支架模块包括三角支架、主支撑杆、次支撑杆、水平旋转电机、水平主支撑杆、水平伸缩电机和水平次支撑杆，三角支架每个腿上设有滚轮以方便三角支架移动，主支撑杆为上端开口的管状并固定安装在三角支架上，次支撑杆下端插装在主支撑杆管腔中并通过锁紧环锁紧；水平旋转电机固定在次支撑杆上部，水平旋转电机的输出轴水平布置并与水平主支撑杆连接，水平主支撑杆前端通过水平伸缩电机连接有水平次支撑杆，水平次支撑杆通过水平伸缩电机的作用可相对水平主支撑杆缩回和伸出；光源模块和数据采集模块安装在水平次支撑杆前端。

进一步地，在光源前端设有聚焦棱镜，所述数据采集模块为高光谱相机，高光谱相机的镜头朝向和聚焦棱镜出射光的方向一致。

一种微量血迹无损检测方法，首先建立血迹检测模型，再由高光谱相机实时采集现场采样点高光谱数据进行实时检测；

其中血迹检测模型建立具体步骤如下，

S1-1：通过采集样本数据以建立不同基底上不同血迹的光谱数据库；该数据库中既有血迹样本，也有基底样本，每个样本代表一个采样点的光谱数据，光谱数据为不同波长的反射光强度；数据库中保存了各个样本对应的由1或0表示的类别标号，1表示血迹样本，0表示非血迹样本；

S1-2：对所有样本的光谱数据进行主成分分析，将包含一定比例信息量的主成分保留下来，其他成分剔除；利用主成分构成新的特征向量，以供识别模型使用；

S1-3：利用主成分处理后的数据库的样本建立人工神经网络识别模型，该模型由输入层、隐藏层、输出层组成，输入层将每个样本的光谱数据的主成分分析结果作为输入，输出层将每个样本对应的类别标号作为输出，隐藏层的神经元个数为待设定参数，可根据识别结果进行调整；神经元的传递函数为线性函数或其他函数，各层之间的连接权重根据误差反向传播算法进行调整；

其中血迹实时检测步骤为：

S2-1：由高光谱相机拍摄现场照片以获取现场采样点高光谱数据，高光谱数据为三维数据，其中两维为二维空间的横向和纵向，形成二维图像平面，第三维是各个采样点的全波长的光谱数据，该维数据的长度由高光谱相机的波长分辨率决定；将当前采样点的高光谱数据分别利用建模阶段的标准进行主成分变换和降维处理，得到新的特征向量；

S2-2：将降维之后的特征向量输入到训练好的人工神经网络识别模型中进行计算，得到类别结果；通过类别结果判断该采样点是否有血迹；

S2-3：若采样点被检测为血迹点，则在数据显示模块上给出该点在二维图像上的坐标，并在所采集到的二维图像上用红色标注，并在显示屏上进行红色报警灯闪烁。

上述步骤S1-3中用于调整人工神经网络各层之间连接权重的误差反向传播算法如下：

S1-3-1：网络初始化，给各连接权值和阀值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M，选择学习效率η＞0；

S1-3-2：随机选取第k个样本，获得其输入向量和期望输出向量，

输入向量：x(k)＝(x₁(k),x₂(k),…,x_n(k))

期望输出向量：d_o(k)＝(d₁(k),d₂(k),…,d_q(k))

S1-3-3，计算隐含层各神经元的输入和输出

隐含层输入向量： ${\mathrm{hi}}_h\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_n,h=\mathrm{1,2},...,p$

隐含层输出向量：ho_h(k)＝f(hi_h(k)) h＝1,2,…,p

输出层输入向量： ${\mathrm{yi}}_o\left(k\right)=\underset{h=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o,o=\mathrm{1,2},...,q$

输出层输出向量：yo_o(k)＝f(yi_o(k)) o＝1,2,…q

其中，w_ih为输入层与隐含层的连接权值，w_ho隐含层与输出层的连接权值，b_h隐含层各神经元的阈值，b_o输出层各神经元的阈值，f()为激活函数；

S1-3-4，利用网络期望输出和实际输出，计算误差函数e对输出层的各神经元的偏导数δ_o(k)；

$\frac{\∂e}{\∂w_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}$

$\frac{{\∂\mathrm{yi}}_o\left(k\right)}{{\∂w}_{\mathrm{ho}}}=\frac{\∂(\underset{h}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o)}{{\∂w}_{\mathrm{ho}}}={\mathrm{ho}}_h\left(k\right)$

$\begin{array}{c}\frac{\∂e}{{\∂\mathrm{yi}}_o}=\frac{\∂{\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))\right)}^2}{{\∂\mathrm{yi}}_o}=-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right)){\mathrm{yo}}_o^{\′}\left(k\right)\\ =-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))f^{\′}\left({\mathrm{yi}}_o\left(k\right)\right)\stackrel{\mathrm{\Δ}}{=}-{\mathrm{\δ}}_o\left(k\right)\end{array}$

S1-3-5：利用隐含层到输出层的连接权值、输出层的δ_o(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δ_h(k)；

$\frac{\∂e}{\∂w_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}=-{\mathrm{\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{\∂w_{\mathrm{ih}}}=\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}$

$\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}=\frac{\∂(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_h)}{{\∂w}_{\mathrm{ih}}}=x_i\left(k\right)$

S1-3-6：第六步，利用输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_ho(k)；

$\mathrm{\Δ}{w}_{\mathrm{ho}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{\∂w_{\mathrm{ho}}}=\mathrm{\μ}{\mathrm{\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$w_{\mathrm{ho}}^{N+1}=w_{\mathrm{ho}}^N+\mathrm{\η}{\mathrm{\δ}}_0\left(k\right){\mathrm{ho}}_h\left(k\right)$

S1-3-7，利用隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权；

$\mathrm{\Δ}{w}_{\mathrm{ih}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{\∂w_{\mathrm{ih}}}=-\mathrm{\μ}\frac{\∂e}{\∂{\mathrm{hi}}_h\left(k\right)}\frac{\∂{\mathrm{hi}}_h\left(k\right)}{\∂w_{\mathrm{ih}}}={\mathrm{\δ}}_h\left(k\right)x_i\left(k\right)$

$w_{\mathrm{ih}}^{N+1}=w_{\mathrm{ih}}^N+\mathrm{\η}{\mathrm{\δ}}_h\left(k\right)x_i\left(k\right)$

S1-3-8：计算全局误差E

$E=\frac{1}{2m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-y_o\left(k\right))}^2$

S1-3-9，判断网络误差是否满足要求；当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。

与传统技术相比，本发明高光谱成像技术测量的数据的信息量更大，不仅可以获得现场的二维图像数据，还可以获得每个数据点上的全波段频谱特征，可以实现像素级的微量血迹检测。因此，高光谱图像处理技术具有现有技术无法比拟的先进性，具有极大的发展潜能和巨大的影响力。该发明有望改变现有血迹检测技术的格局，是刑事案件的侦测的新技术。

附图说明

图1为本发明提供的微量血迹检测装置的结构框图。

图2为本发明提供的微量血迹检测模型的建立流程图。

图3为本发明提供的微量血迹实时检测流程图。

图4为本发明提供的人工神经网络结构示意图。

图1中，110-待检测血迹的载体介质或基板；111-待检测的血迹；121-滚轮；122-三角支架；123-主支撑杆；124-锁紧环；125-次支撑杆；126-水平旋转电机；127-水平主支撑杆；128-水平伸缩电机；129-水平次支撑杆；130-光源模块；131-聚焦棱镜；140-数据采集模块；141-数据传输介质；150-数据处理模块；151-数据显示模块。

具体实施方式

参见图1，从图上可以看出，本发明微量血迹无损检测装置，包括支架模块、光源模块130、数据采集模块140、数据处理模块150和数据显示模块151；光源模块和数据采集模块安装在支架模块上，由支架模块实现对光源模块和数据采集模块的托举和位置改变；数据采集模块140的输出通过数据传输介质141(可以为有线或无线两种介质)接数据处理模块150，数据处理模块150的输出接数据显示模块151；数据采集模块140为高光谱相机。其中，110为待检测血迹的载体介质或基板；111为待检测的血迹。

光源模块130提供各种不同波长的光，其作用是对现场待检测的区域进行照明，为高光谱相机提供白光光源。

支架模块的作用是托举和固定数据采集模块及光源模块，该支架具有三维的调节功能，可以调节数据采集模块的高度、方位角和俯仰角，为数据采集模块提供最佳的数据采集姿态，并起到稳定作用。支架模块中设有由电机和传动装置组成的旋转模块，电机带动传动装置，带动数据采集模块转动，改变该数据采集的方向。在旋转过程中，数据采集模块对各个采集方向的现场进行扫描，获得该方向各个采样点的高光谱数据。

数据采集模块140对现场图像进行高光谱数据采集，采集的数据为三维数据，其中两维为二维空间的横向和纵向，形成二维图像平面，第三维是各个采样点的全波长的光谱数据，该维数据的长度由数据采集模块的波长分辨率决定。三维数据的采集需要在旋转模块的辅助下由电机带动数据采集模块的采集方向或扫描区域实现。在测量过程中，该模块通过有线或无线的方式将数据实时地传输给数据处理模块。

数据处理模块150实现数据的接收和处理，在接收到数据采集模块的高光谱数据之后，数据处理模块实时地对各个采样点的光谱数据进行比对和分析，得到该采样点高光谱数据的血迹检测结果，然后将检测的结果传输给数据显示模块。

数据显示模块151实现二维平面图像、当前采样点光谱曲线、检测结果等信息的显示。通过该模块可以实时观察到采样数据和检测结果。

具体地，所述支架模块包括三角支架122、主支撑杆123、次支撑杆125、水平旋转电机126、水平主支撑杆127、水平伸缩电机128和水平次支撑杆129，三角支架122每个腿上设有滚轮121以方便三角支架移动，滚轮上设有锁紧开关以固定某位置。主支撑杆123为上端开口的管状并固定安装在三角支架122上，次支撑杆125下端插装在主支撑杆123管腔中并通过锁紧环124锁紧。水平旋转电机126固定在次支撑杆125上部，水平旋转电机126的输出轴水平布置并与水平主支撑杆127连接，水平主支撑杆127前端通过水平伸缩电机128连接有水平次支撑杆129，水平次支撑杆129通过水平伸缩电机128的作用可相对水平主支撑杆127缩回和伸出；光源模块130和数据采集模块140被整体固定安装在水平次支撑杆129前端。

在实际检测过程中，通过支架模块可以对光源模块和数据采集模块同步进行前后左右移动(通过滚轮)、升高(通过次支撑杆)、转动(绕水平主支撑杆)、小幅平移(通过水平次支撑杆)，所以能够确保数据采集模块对各个采样点的可靠采集。

在光源模块130前端设有聚焦棱镜131，所述数据采集模块140为高光谱相机，高光谱相机的镜头朝向和聚焦棱镜出射光的方向一致。

本发明微量血迹无损检测方法，首先建立血迹检测模型，再由高光谱相机实时采集现场采样点高光谱数据进行实时检测；

1.在血迹检测的模型建立阶段

具体步骤如下，同时参见图2：

第一步S1-1：采集数据，建立不同基底上不同血迹的高光谱数据库；该数据库中既有血迹样本，也有基底样本，每个样本代表一个采样点的光谱数据，即不同波长的反射光强度。另外，数据库中保存了各个样本对应的类别标号(1或者0)，1表示为血迹样本，0为非血迹样本；

第二步S1-2：为了降低光谱数据的冗余程度，对所有样本的光谱数据进行主成分分析(PCA)，将包含一定比例(如95％、98％)信息量的主成分保留下来，其他成分不保留。利用主成分构成新的特征向量，以供识别模型使用。

第三步S1-3：利用主成分处理后的数据库的样本建立人工神经网络识别模型，该模型由输入层、隐藏层、输出层组成，其结构如图4所示。输入层将每个样本的光谱数据的主成分分析结果作为输入，输出层将每个样本对应的类别标号作为输出，隐藏层的神经元个数为待设定参数，可根据识别结果进行调整。神经元的传递函数可以为线性函数或其他函数，各层之间的连接权重根据误差反向传播算法进行调整。

第四步S1-4：保存主成分变换矩阵和训练好的人工神经网络到硬盘，以备后续血迹检测时使用。

人工神经网络的误差反向传播学习算法如下：

第一步S1-3-1：网络初始化，给各连接权值和阀值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M，选择学习效率η＞0。

第二步S1-3-2：随机选取第k个输入样本及对应期望输出

x(k)＝(x₁(k),x₂(k),…,x_n(k))

d_o(k)＝(d₁(k),d₂(k),…,d_q(k))

第三步S1-3-3，计算隐含层各神经元的输入和输出

${\mathrm{hi}}_h\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_n,h=\mathrm{1,2},...,p$

ho_h(k)＝f(hi_h(k)) h＝1,2,…,p

${\mathrm{yi}}_o\left(k\right)=\underset{h=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o,o=\mathrm{1,2},...,q$

yo_o(k)＝f(yi_o(k)) o＝1,2,…q

第四步S1-3-4，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δ_o(k)。

$\frac{\∂e}{\∂w_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}$

$\frac{{\∂\mathrm{yi}}_o\left(k\right)}{{\∂w}_{\mathrm{ho}}}=\frac{\∂(\underset{h}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o)}{{\∂w}_{\mathrm{ho}}}={\mathrm{ho}}_h\left(k\right)$

$\begin{array}{c}\frac{\∂e}{{\∂\mathrm{yi}}_o}=\frac{\∂{\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))\right)}^2}{{\∂\mathrm{yi}}_o}=-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right)){\mathrm{yo}}_o^{\′}\left(k\right)\\ =-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))f^{\′}\left({\mathrm{yi}}_o\left(k\right)\right)\stackrel{\mathrm{\Δ}}{=}-{\mathrm{\δ}}_o\left(k\right)\end{array}$

第五步S1-3-5：利用隐含层到输出层的连接权值、输出层的δ_o(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δ_h(k)。

$\frac{\∂e}{\∂w_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}=-{\mathrm{\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{\∂w_{\mathrm{ih}}}=\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}$

$\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}=\frac{\∂(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_h)}{{\∂w}_{\mathrm{ih}}}=x_i\left(k\right)$

第六步S1-3-6：第六步，利用输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_ho(k)。

$\mathrm{\Δ}{w}_{\mathrm{ho}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{\∂w_{\mathrm{ho}}}=\mathrm{\μ}{\mathrm{\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$w_{\mathrm{ho}}^{N+1}=w_{\mathrm{ho}}^N+\mathrm{\η}{\mathrm{\δ}}_0\left(k\right){\mathrm{ho}}_h\left(k\right)$

第七步S1-3-7，利用隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权。

$\mathrm{\Δ}{w}_{\mathrm{ih}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{\∂w_{\mathrm{ih}}}=-\mathrm{\μ}\frac{\∂e}{\∂{\mathrm{hi}}_h\left(k\right)}\frac{\∂{\mathrm{hi}}_h\left(k\right)}{\∂w_{\mathrm{ih}}}={\mathrm{\δ}}_h\left(k\right)x_i\left(k\right)$

$w_{\mathrm{ih}}^{N+1}=w_{\mathrm{ih}}^N+\mathrm{\η}{\mathrm{\δ}}_h\left(k\right)x_i\left(k\right)$

第八步S1-3-8：计算全局误差

$E=\frac{1}{2m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-y_o\left(k\right))}^2$

第九步S1-3-9，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。

2.血迹实时检测阶段

具体步骤如下，同时参见图3：

第一步S2-1：将硬盘中的主成分变换矩阵和训练好的人工神经网络载入到数据处理模块(计算机内存)中。

第二步S2-2：从数据采集模块获取当前时刻的采样点数据，将当前采样点的高光谱数据分别利用建模阶段的标准进行主成分变换和降维处理，得到新的特征向量。

第三步S2-3：将降维之后的特征向量输入到训练好的人工神经网络中进行计算，得到类别结果。通过类别结果判断该采样点是否有血迹。

第四步S2-4：若采样点被检测为血迹点，则在数据显示模块上给出该点的坐标，并在所采集到的二维图像上用红色标注，并在显示屏上出现红色报警灯闪烁。

本发明中，整个血迹检测模型及实际采样点光谱数据与模型的对比分析均在数据处理模块中完成，即数据处理模块中预先存储有相应的程序。

最后说明的是，上述实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种微量血迹无损检测装置，其特征在于：包括支架模块、光源模块、数据采集模块、数据处理模块和数据显示模块；光源模块和数据采集模块安装在支架模块上，由支架模块实现对光源模块和数据采集模块的托举和位置改变；光源模块为数据采集模块提供照明白光光源；数据采集模块的输出接数据处理模块，数据处理模块的输出接数据显示模块；

数据采集模块用于对现场图像进行高光谱数据采集，采集的数据为三维数据，其中两维为二维空间的横向和纵向，形成二维图像平面，第三维是各个采样点的全波长的光谱数据，该维数据的长度由数据采集模块的波长分辨率决定；

数据处理模块实现数据的接收和处理，在接收到数据采集模块的高光谱数据之后，数据处理模块实时地对各个采样点的光谱数据进行比对和分析，得到该采样点高光谱数据的血迹检测结果，然后将检测的结果传输给数据显示模块；

数据显示模块实现二维平面图像、当前采样点光谱曲线、检测结果信息的显示。

2.根据权利要求1所述的微量血迹无损检测装置，其特征在于：所述支架模块包括三角支架、主支撑杆、次支撑杆、水平旋转电机、水平主支撑杆、水平伸缩电机和水平次支撑杆，三角支架每个腿上设有滚轮以方便三角支架移动，主支撑杆为上端开口的管状并固定安装在三角支架上，次支撑杆下端插装在主支撑杆管腔中并通过锁紧环锁紧；水平旋转电机固定在次支撑杆上部，水平旋转电机的输出轴水平布置并与水平主支撑杆连接，水平主支撑杆前端通过水平伸缩电机连接有水平次支撑杆，水平次支撑杆通过水平伸缩电机的作用可相对水平主支撑杆缩回和伸出；光源模块和数据采集模块安装在水平次支撑杆前端。

3.根据权利要求1或2所述的微量血迹无损检测装置，其特征在于：在光源前端设有聚焦棱镜，所述数据采集模块为高光谱相机，高光谱相机的镜头朝向和聚焦棱镜出射光的方向一致。

4.一种微量血迹无损检测方法，其特征在于：首先建立血迹检测模型，再由高光谱相机实时采集现场采样点高光谱数据进行实时检测；

其中血迹检测模型建立具体步骤如下，

S1-1：通过采集样本数据以建立不同基底上不同血迹的光谱数据库；该数据库中既有血迹样本，也有基底样本，每个样本代表一个采样点的光谱数据，光谱数据为不同波长的反射光强度；数据库中保存了各个样本对应的由1或0表示的类别标号，1表示血迹样本，0表示非血迹样本；

S1-2：对所有样本的光谱数据进行主成分分析，将包含一定比例信息量的主成分保留下来，其他成分剔除；利用主成分构成新的特征向量，以供识别模型使用；

S1-3：利用主成分处理后的数据库的样本建立人工神经网络识别模型，该模型由输入层、隐藏层、输出层组成，输入层将每个样本的光谱数据的主成分分析结果作为输入，输出层将每个样本对应的类别标号作为输出，隐藏层的神经元个数为待设定参数，可根据识别结果进行调整；神经元的传递函数为线性函数或其他函数，各层之间的连接权重根据误差反向传播算法进行调整；

其中血迹实时检测步骤为：

S2-1：由高光谱相机拍摄现场照片以获取现场采样点高光谱数据，高光谱数据为三维数据，其中两维为二维空间的横向和纵向，形成二维图像平面，第三维是各个采样点的全波长的光谱数据，该维数据的长度由高光谱相机的波长分辨率决定；将当前采样点的高光谱数据分别利用建模阶段的标准进行主成分变换和降维处理，得到新的特征向量；

S2-2：将降维之后的特征向量输入到训练好的人工神经网络识别模型中进行计算，得到类别结果；通过类别结果判断该采样点是否有血迹；

S2-3：若采样点被检测为血迹点，则在数据显示模块上给出该点在二维图像上的坐标，并在所采集到的二维图像上用红色标注，并在显示屏上进行红色报警灯闪烁。

5.根据权利要求4所述的微量血迹无损检测方法，其特征在于：步骤S1-3中用于调整人工神经网络各层之间连接权重的误差反向传播算法如下：

S1-3-1：网络初始化，给各连接权值和阀值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M，选择学习效率η＞0；

S1-3-2：随机选取第k个样本，获得其输入向量和期望输出向量，

输入向量：x(k)＝(x₁(k),x₂(k),…,x_n(k))

期望输出向量：d_o(k)＝(d₁(k),d₂(k),…,d_q(k))

S1-3-3，计算隐含层各神经元的输入和输出

隐含层输入向量： $\begin{array}{cc}{\mathrm{hi}}_h\left(k\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_h& h=\mathrm{1,2},...,p\end{array}$

隐含层输出向量：ho_h(k)＝f(hi_h(k)) h＝1,2,…,p

输出层输入向量： $\begin{array}{cc}{\mathrm{yi}}_o\left(k\right)=\underset{h=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o& o=\mathrm{1,2},...,q\end{array}$

输出层输出向量：yo_o(k)＝f(yi_o(k)) o＝1,2,…q

其中，w_ih为输入层与隐含层的连接权值，w_ho隐含层与输出层的连接权值，b_h隐含层各神经元的阈值，b_o输出层各神经元的阈值，f()为激活函数；

S1-3-4，利用网络期望输出和实际输出，计算误差函数e对输出层的各神经元的偏导数δ_o(k)；

$\frac{\∂e}{{\∂w}_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}$

$\frac{{\∂\mathrm{yi}}_o\left(k\right)}{{\∂w}_{\mathrm{ho}}}=\frac{\∂(\underset{h}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ho}}{\mathrm{ho}}_h\left(k\right)-b_o)}{{\∂w}_{\mathrm{ho}}}={\mathrm{ho}}_h\left(k\right)$

$\begin{array}{c}\frac{\∂e}{{\∂\mathrm{yi}}_o}=\frac{\∂{\left(\frac{1}{2}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))\right)}^2}{{\∂\mathrm{yi}}_o}=-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right)){\mathrm{yo}}_o^{\′}\left(k\right)\\ =-(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right))f^{\′}\left({\mathrm{yi}}_o\left(k\right)\right)\stackrel{\mathrm{\Δ}}{=}-{\mathrm{\δ}}_o\left(k\right)\end{array}$

S1-3-5：利用隐含层到输出层的连接权值、输出层的δ_o(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δ_h(k)；

$\frac{\∂e}{{\∂w}_{\mathrm{ho}}}=\frac{\∂e}{{\∂\mathrm{yi}}_o}\frac{{\∂\mathrm{yi}}_o}{{\∂w}_{\mathrm{ho}}}=-{\mathrm{\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{{\∂w}_{\mathrm{ih}}}=\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}$

$\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}=\frac{\∂(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\left(k\right)-b_n)}{{\∂w}_{\mathrm{ih}}}=x_i\left(k\right)$

S1-3-6：第六步，利用输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_ho(k)；

${\mathrm{\Δw}}_{\mathrm{ho}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{{\∂w}_{\mathrm{ho}}}={\mathrm{\μ\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$w_{\mathrm{ho}}^{N+1}=w_{\mathrm{ho}}^N+{\mathrm{\η\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

S1-3-7，利用隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权；

${\mathrm{\Δw}}_{\mathrm{ih}}\left(k\right)=-\mathrm{\μ}\frac{\∂e}{{\∂w}_{\mathrm{ih}}}=-\mathrm{\μ}\frac{\∂e}{{\∂\mathrm{hi}}_h\left(k\right)}\frac{{\∂\mathrm{hi}}_h\left(k\right)}{{\∂w}_{\mathrm{ih}}}={\mathrm{\δ}}_h\left(k\right)x_i\left(k\right)$

$w_{\mathrm{ih}}^{N+1}=w_{\mathrm{ih}}^N+{\mathrm{\η\δ}}_h\left(k\right)x_i\left(k\right)$

S1-3-8：计算全局误差E

$E=\frac{1}{2m}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{o=1}{\overset{q}{\mathrm{\Σ}}}{(d_o\left(k\right)-y_o\left(k\right))}^{\text{2}}$

S1-3-9，判断网络误差是否满足要求；当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。