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；光源模块提供各种不同波长的光以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；

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；

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。

2.一种微量血迹无损检测方法，本检测方法基于权利要求1所述微量血迹无损检测装置而进行，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。

3.根据权利要求2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),…,xn(k))

期望输出向量：do(k)＝(d1(k),d2(k),…,dq(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：

隐含层输出向量：hoh(k)＝f(hih(k)) h＝1,2,…,p

输出层输入向量：

输出层输出向量：yoo(k)＝f(yio(k)) o＝1,2,…q

其中，wih为输入层与隐含层的连接权值，who隐含层与输出层的连接权值，bh隐含层各神经元的阈值，bo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δo(k)；

S1-3-5：利用隐含层到输出层的连接权值、输出层的δo(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δh(k)；

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

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

S1-3-8：计算全局误差E

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。