CN105509899B - 一种红外图像测温校准方法及系统 - Google Patents
一种红外图像测温校准方法及系统 Download PDFInfo
- Publication number
- CN105509899B CN105509899B CN201610050953.8A CN201610050953A CN105509899B CN 105509899 B CN105509899 B CN 105509899B CN 201610050953 A CN201610050953 A CN 201610050953A CN 105509899 B CN105509899 B CN 105509899B
- Authority
- CN
- China
- Prior art keywords
- temperature
- distance
- network system
- nerve network
- calibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 210000005036 nerve Anatomy 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 6
- 239000012634 fragment Substances 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000001931 thermography Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开的一种红外图像测温校准方法,用于红外热像仪测量的校准,包括:获取样本数据,样本数据包括红外热像仪距离目标物的距离、距离对应的测量温度和目标物的真实温度;建立专家库,建立专家库用于存储样本数据;测量区域进行分段,根据红外热像仪距离目标物的距离、距离对应的测量温度将红外热像仪测量的测量区域进行分段;建立神经网络系统,根据样本数据建立神经网络系统,并依照神经网络系统进行样本训练,神经网络系统的个数等于测量区域的分段数量;温度校准,获得被测物与红外热像仪的实际距离和被测物测量温度,获得实际距离对应区域的神经网络系统,被测物测量温度根据相对应的神经网络系统获得校准温度。以提高测温的准确性。
Description
技术领域
本发明涉及红外热像仪设备技术领域,更为具体地说,涉及一种红外图像测温校准方法及系统。
背景技术
温度是确定物质状态的重要参数之一,它不仅反映了物体的冷热程度,而且它的测量与控制在国防、军事、科学实验及工农业生产中具有十分重要的作用。测温通常被分为接触测温和非接触测温,接触测温是测量设备或仪器直接接触被测对象,非接触测温是利用来自物体的辐射能、辐射亮度、颜色等进行温度测量,温度敏感原件不与被测对象接触。接触测温的测量结果准确,但被测对象的范围有限制,如有些被测对象有强烈的腐蚀性,如有些被测对象处在高温状态,测量设备或仪器无法靠近被测对象,从而无法做到接触测量,如此在一些时候只有通过非接触测温进行测温。
红外测温是一种较为普遍的非接触测温方式,它是采用红外热像仪通过被测温度的物理参数来求得被测温度的,不存在热接触和热平衡,拓展了测温的适用范围。但在红外热像仪可视范围内,周围环境温度、湿度以及目标辐射率对被测物体真实温度的影响,随着被测物体距离红外热像仪的位置变化有着明显的非线性关系,如此随着位置的变化将会产生测量误差,测量的不准确将会对使用者带来不便以及经济损失。
发明内容
本发明的目的是提供一种红外图像测温校准方法,以提高红外热像仪测温的准确性。
为了解决上述技术问题,本发明提供如下技术方案:
本发明提供的一种红外图像测温校准方法,用于红外热像仪测量的校准,其特征在于,所述方法包括:获取样本数据,所述样本数据包括所述红外热像仪距离目标物的距离、所述距离对应的测量温度和目标物的真实温度;
建立专家库,所述建立专家库用于存储所述样本数据;
测量区域进行分段,根据所述红外热像仪距离目标物的距离、所述距离对应的测量温度将红外热像仪测量的测量区域进行分段;
建立神经网络系统,根据所述样本数据建立神经网络系统,并依照所述神经网络系统进行样本训练,所述神经网络系统的个数等于所述测量区域的分段数量;
温度校准,获得被测物与红外热像仪的实际距离和被测物测量温度,获得所述实际距离对应区域的神经网络系统,所述被测物测量温度根据相对应的所述神经网络系统获得校准温度;
其中:所述目标物为能够调节温度的黑体模型,所述被测物为实际测量中需要测量温度的物体,所述校准温度为所述被测物测量温度的校准值。
优选的,上述红外图像测温校准方法中,所述根据所述红外热像仪距离目标物的距离、所述距离对应的测量温度将红外热像仪测量的测量区域进行分段,具体包括:
将测量区域划分为接近域、适中域和偏远域,所述接近域为0-L1,所述适中域为L1-L2,所述偏远域为L2-L;
其中,L为所述红外热像仪的可测量的最大距离,L1和L2为红外热像仪的测量距离的任意两个距离。
优选的,上述红外图像测温校准方法中,所述神经网络系统为分别为ANN_1、ANN_2和ANN_3,所述ANN_1、ANN_2和ANN_3拓扑结构为1-15-1的单输入单输出神经网络。
优选的,上述红外图像测温校准方法中,所述获取样本数据中,具体包括:
隔相同的距离测试所述目标物的测量温度。
优选的,上述红外图像测温校准方法中,所述方法还包括,判断所述实际距离是否与所述专家库中存储的距离目标物的距离相匹配,
如果匹配,则根据所述距离目标物的距离的对应神经网络系统计算出校准温度;
如果不匹配,则根据所述距离目标物的距离对应区域的神经网络系统计算出校准温度。
本发明提供的红外图像测温校准方法,将红外热像仪的测量范围进行区域划分,然后对划分区域范围内的红外图像测温校准运算采用一个独立的神经网络系统,根据被测物距离红外热像仪的距离,判断所属的区域,根据区域对应的神经网络系统,对被测物的测量温度进行校准,获得校准值,从而提高红外热像仪测温的准确性,有效消除了因环境温度、湿度以及目标辐射率对被测物体真实温度的影响和随着被测物体距离红外热像仪的位置变化的非线性。本发明提供的红外图像测温校准方法将红外热像仪的测量范围进行区域划分,精简了神经网络结构同时提高网络的扩展能力。
基于本发明提供的红外图像测温校准方法,本发明还提供了一种红外图像测温校准系统,包括区域选择器、专家库、判别器、距离解析定位网络;所述区域选择器用于判断被测物的实际距离所属的区域;所述专家库用于存储样本数据;所述判别器用于判断所述实际距离是否与所述专家库中存储的样本数据相匹配;所述距离解析定位网络用于根据所述实际距离选择相应的神经网络系统。
本发明提供的红外图像测温校准系统,为本发明提供的红外图像测温校准方法的实施提供具体的实施方式,更加有利于提高红外热像仪测温的准确性的实现。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的红外热像仪测温示意图;
图2是本发明实施例提供的红外图像测温校准方法的流程图。
具体实施方式
本发明实施例提供的红外图像测温校准方法及系统,提高了红外热像仪测温的准确性。
为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明实施例中的技术方案作进一步详细的说明。
参考附图1,该图示出了本发明实施例提供的获得样本数据的红外热像仪的模型图,通过将黑体模型作为目标物,进行测试。黑体是指入射的电磁波全部被吸收,既没有反射,也没有透射,黑体辐射情况只与其温度有关,与组成材料无关。真正的黑体不存在,此处的黑体模型,为理想化模型,近似为黑体。同时,本发明利用的黑体模型为能够调节温度的黑体模型。
参考附图2,该图示出了本发明提供的红外图像测温校准方法的流程图。红外图像测温校准方法主要包括:
S101:获取样本数据,所述样本数据包括所述红外热像仪距离目标物的距离、所述距离对应的测量温度和目标物的真实温度。
相同的条件下,在红外热像仪全视域范围内,对目标物进行测试,记录目标物与红外热像仪的距离,以及相应距离对应的测试温度和目标物的真实温度,其中距离与测试温度一一对应,如此可以建立相应的表格,以便后续的查看、分析和处理。
优选的,在获取取样本数据的时候,隔相同的距离测试所述目标物的测量温度,即红外热像仪全视域范围内,每隔一定距离,测量一次数据。如,每隔半米,测量一次数据。
S102:建立专家库,所述建立专家库用于存储所述样本数据。
根据S101获得的样本数据,将样本数据进行存储,建立专家库,将样本数据存储在专家库中。将数据存储在专家库中,有利于数据的调用和保存。
S103:测量区域进行分段,根据所述红外热像仪距离目标物的距离、所述距离对应的测量温度将红外热像仪测量的测量区域进行分段。
将所述距离对应的测量温度建立神经网络系统,如此进行校准以获得真实温度,比较其建立的神经网络系统,将相同或相近的神经网络系统对用的距离划分为一个区域。经试验获得将测量区域划分为接近域、适中域和偏远域,设红外热像仪的可测量的最大距离为L,红外热像仪的测量距离的任意两个距离的L1和L2(L1小于L2),L1和L2对应测量温度的校准神经网络系统为相对明显的分界点。0-L1为接近域,L1-L2为适中域,L2-L为偏远域。
S104:建立神经网络系统,根据所述样本数据建立神经网络系统,并依照所述神经网络系统进行样本训练,所述神经网络系统的个数等于所述测量区域的分段数量。
将测量区域进行划分后,根据其划分获得其区域所对应的神经网络系统,并依照其区域内的样本进行训练,如此对所述神经网络系统进行修正,以至于获得理想的其区域所对应的神经网络系统。本发明中说明的神经网络系统是人工神经网络(ArtificialNeural Networks,简写为ANNs)是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学建模。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,并具有自学习和自适应的能力,是一种实现输入输出关系的非线性拟合。
如此,如果将测量区域划分为接近域、适中域和偏远域,可以建立ANN_1、ANN_2和ANN_3 三个单独神经网络系统。可选的,每个ANN子网络拓扑结构为1-15-1的单输入单输出神经网络。ANN子网络结构的中间层的节点数的确定采用试验比较法确定,其中BP算法采用Levenberg-Marquardt优化算法,在训练网络时设定训练步数为1000次,误差要求0.05。在样本的选取过程中,为了更好的训练网络,选取实际试验中的50个偶数项作为输入输出样本对,而采用50个奇数项作为验证训练结果的验证数据。
S105:温度校准,获得被测物与红外热像仪的实际距离和被测物测量温度,获得所述实际距离对应区域的神经网络系统,所述被测物测量温度根据相对应的所述神经网络系统获得校准温度。
在S104中获得神经网络系统,用所述的神经网络系统进行被测物测量温度到被测物实际温度的校准,获得校准温度。在选择神经网络系统的时候根据被测物与红外热像仪的实际距离对应区域所对应的神经网络系统进行校准。
在进行温度校准获得校准温度的时候,先进行所述实际距离是否与所述专家库中存储的距离目标物的距离相匹配,如果相匹配,则根据所述距离目标物的距离的对应神经网络系统计算出校准温度,如果不匹配,则根据所述距离目标物的距离对应区域的神经网络系统计算出校准温度。
即,获得被测物与红外热像仪的实际距离,将所述实际距离在专家库中进行查询,如果专家库中包含所述实际距离,则直接引用所述专家库中数据对应的神经网络系统,通过所述神经网络系统进行测量温度的校准,获得校准温度;如果专家库中不包含所述实际距离,则根据所述距离目标物的距离对应区域的神经网络系统计算出校准温度。如此,提高校准温度的准确性。
本发明提供的红外图像测温校准方法,将红外热像仪的测量范围进行区域划分,然后对划分区域范围内的红外图像测温校准运算采用一个独立的神经网络系统,根据被测物距离红外热像仪的距离,判断所属的区域,根据区域对应的神经网络系统,对被测物的测量温度进行校准,获得校准值,从而提高红外热像仪测温的准确性,有效消除了因环境温度、湿度以及目标辐射率对被测物体真实温度的影响和随着被测物体距离红外热像仪的位置变化的非线性。本发明提供的红外图像测温校准方法将红外热像仪的测量范围进行区域划分,精简了神经网络结构同时提高网络的扩展能力。
基于本发明提供的红外图像测温校准方法,本发明实施例还提供一种红外图像测温校准系统,其特征在于,包括区域选择器、专家库、判别器、距离解析定位网络;所述区域选择器用于判断被测物的实际距离所属的区域;所述专家库用于存储样本数据;所述判别器用于判断所述实际距离是否与所述专家库中存储的样本数据相匹配;所述距离解析定位网络用于根据所述实际距离选择相应的神经网络系统。
被测物与红外热像仪的实际距离作为输入,通过专家库及训练样本进行筛选,并通过判别器对是否是之前试验过程中已有的样本参数进行判断,若输入的目标和红外热像仪的距离在专家库中,则专家库将根据经验数据直接计算给出被测目标的温度校准值。若不在专家库中,则根据目标和红外热像仪的距离,通过成像区域选择器选择其所在的区域(接近域、适中域还是偏远域),成像区域选择器的输入为目标距离红外热像仪的距离、环境温度参数、环境湿度参数、被测目标辐射率参数等。将选择的区域输入到相应的子网络中进行预报,从而输出得到温度校准结果。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。
以上所述的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种红外图像测温校准方法,用于红外热像仪测量的校准,其特征在于,所述方法包括:获取样本数据,所述样本数据包括所述红外热像仪距离目标物的距离、所述距离对应的测量温度和目标物的真实温度;
建立专家库,所述建立专家库用于存储所述样本数据;
测量区域进行分段,根据所述红外热像仪距离目标物的距离、所述距离对应的测量温度将红外热像仪测量的测量区域进行分段;
建立神经网络系统,根据所述样本数据建立神经网络系统,并依照所述神经网络系统进行样本训练,所述神经网络系统的个数等于所述测量区域的分段数量;
温度校准,获得被测物与红外热像仪的实际距离和被测物测量温度,获得所述实际距离对应区域的神经网络系统,所述被测物测量温度根据相对应的所述神经网络系统获得校准温度;
其中:所述目标物为能够调节温度的黑体模型,所述被测物为实际测量中需要测量温度的物体,所述校准温度为所述被测物测量温度的校准值。
2.根据权利要求1所述的红外图像测温校准方法,其特征在于,所述根据所述红外热像仪距离目标物的距离、所述距离对应的测量温度将红外热像仪测量的测量区域进行分段,具体包括:
将测量区域划分为接近域、适中域和偏远域,所述接近域为0-L1,所述适中域为L1-L2,所述偏远域为L2-L;
其中,L为所述红外热像仪的可测量的最大距离,L1和L2为红外热像仪的测量距离的任意两个距离。
3.根据权利要求1或2所述的红外图像测温校准方法,其特征在于,所述神经网络系统为分别为ANN_1、ANN_2和ANN_3,所述ANN_1、ANN_2和ANN_3拓扑结构为1-15-1的单输入单输出神经网络。
4.根据权利要求1所述的红外图像测温校准方法,其特征在于,所述获取样本数据中,具体包括:
隔相同的距离测试所述目标物的测量温度。
5.根据权利要求3所述的红外图像测温校准方法,其特征在于,所述方法还包括,判断所述实际距离是否与所述专家库中存储的距离目标物的距离相匹配,
如果匹配,则根据所述距离目标物的距离的对应神经网络系统计算出校准温度;
如果不匹配,则根据所述距离目标物的距离对应区域的神经网络系统计算出校准温度。
6.红外图像测温校准系统,其特征在于,包括区域选择器、专家库、判别器、距离解析定位网络;所述区域选择器用于判断被测物的实际距离所属的区域;所述专家库用于存储样本数据;所述判别器用于判断所述实际距离是否与所述专家库中存储的样本数据相匹配;所述距离解析定位网络用于根据所述实际距离选择相应的神经网络系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610050953.8A CN105509899B (zh) | 2016-01-26 | 2016-01-26 | 一种红外图像测温校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610050953.8A CN105509899B (zh) | 2016-01-26 | 2016-01-26 | 一种红外图像测温校准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105509899A CN105509899A (zh) | 2016-04-20 |
CN105509899B true CN105509899B (zh) | 2018-11-13 |
Family
ID=55718046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610050953.8A Active CN105509899B (zh) | 2016-01-26 | 2016-01-26 | 一种红外图像测温校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105509899B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124062A (zh) * | 2016-06-16 | 2016-11-16 | 哈尔滨工程大学 | 一种基于历史数据的红外测温自动补偿方法 |
CN106124058A (zh) * | 2016-06-27 | 2016-11-16 | 上海电力学院 | 基于Kinect深度检测的电力设备红外测温装置 |
CN106355812A (zh) * | 2016-08-10 | 2017-01-25 | 安徽理工大学 | 基于温度场的火灾隐患预测方法 |
CN106682083A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种红外全景监测系统及监测方法 |
CN111179334B (zh) * | 2019-11-14 | 2024-03-19 | 青岛理工大学 | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 |
CN110926615A (zh) * | 2019-11-27 | 2020-03-27 | 大连港森立达木材交易中心有限公司 | 用于原木灭活仓的温度测绘系统和方法 |
CN111486961B (zh) * | 2020-04-15 | 2023-05-09 | 贵州安防工程技术研究中心有限公司 | 基于宽光谱人体额头成像与距离感知的高效额温估计方法 |
CN111579082B (zh) * | 2020-05-09 | 2021-07-30 | 上海交通大学 | 红外热成像测温系统的误差自动补偿方法 |
CN112304436B (zh) * | 2020-10-23 | 2022-07-19 | 北京百度网讯科技有限公司 | 用于创建温度校正模型的方法、装置、电子设备和介质 |
CN112378527B (zh) * | 2020-11-27 | 2022-06-21 | 深圳市同为数码科技股份有限公司 | 提升非接触式测温精度的方法及装置 |
CN113340438B (zh) * | 2021-07-08 | 2022-05-03 | 电子科技大学 | 一种航空发动机热端部件非接触温度场距离误差校准方法 |
CN113865713A (zh) * | 2021-08-25 | 2021-12-31 | 广东电网有限责任公司广州供电局 | 温度检测方法、温度检测装置及红外热像仪 |
CN113959566B (zh) * | 2021-10-22 | 2023-11-17 | 南水北调东线江苏水源有限责任公司 | 一种复杂工况测温方法及装置 |
CN114264373A (zh) * | 2021-12-27 | 2022-04-01 | 淮阴工学院 | 一种红外测温仪温度补偿和测量距离增强方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102589706A (zh) * | 2012-02-14 | 2012-07-18 | 南昌航空大学 | 一种光纤束发射光谱层析中光纤传感单元的标定方法 |
CN102706457A (zh) * | 2012-05-24 | 2012-10-03 | 上海电力学院 | 基于超声测距温度补偿的红外测温装置 |
CN104155008A (zh) * | 2014-07-28 | 2014-11-19 | 上海电力学院 | 一种红外温度监测系统测量误差修正方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI439679B (zh) * | 2011-08-03 | 2014-06-01 | Univ Nat Chiao Tung | 電校式輻射計 |
-
2016
- 2016-01-26 CN CN201610050953.8A patent/CN105509899B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102589706A (zh) * | 2012-02-14 | 2012-07-18 | 南昌航空大学 | 一种光纤束发射光谱层析中光纤传感单元的标定方法 |
CN102706457A (zh) * | 2012-05-24 | 2012-10-03 | 上海电力学院 | 基于超声测距温度补偿的红外测温装置 |
CN104155008A (zh) * | 2014-07-28 | 2014-11-19 | 上海电力学院 | 一种红外温度监测系统测量误差修正方法 |
Non-Patent Citations (2)
Title |
---|
"基于遗传神经网络的红外测温仪补偿器设计";李雷 等;《仪器仪表学报》;20080831;第29卷(第8期);第197-199页 * |
"距离对红外热像仪测温精度的影响及校正方法研究";孙丽 等;《长春理工大学学报(自然科学版)》;20080331;第31卷(第1期);第34-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105509899A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105509899B (zh) | 一种红外图像测温校准方法及系统 | |
CN103983361B (zh) | 在线式网络测温热像仪标定方法 | |
Zhang et al. | Principles and methods for the validation of quantitative remote sensing products | |
Parsons | Occupational health impacts of climate change: current and future ISO standards for the assessment of heat stress | |
WO2021184254A1 (zh) | 红外热成像测温方法、电子设备、无人机及存储介质 | |
CN106124062A (zh) | 一种基于历史数据的红外测温自动补偿方法 | |
CN109798981A (zh) | 温度确定方法、测温设备、存储介质 | |
CN109419495A (zh) | 一种基于红外热像仪测量眼睛温度的校准方法 | |
CN105093201B (zh) | 一种基于多基地mimo雷达的目标关联方法 | |
CN103479339A (zh) | 一种红外体温监测自动校准方法及校准系统 | |
CN106372268B (zh) | 基于热模型的实时红外仿真方法 | |
Catbas et al. | Predictive analysis by incorporating uncertainty through a family of models calibrated with structural health-monitoring data | |
Tang et al. | Design of a non-contact body temperature measurement system for smart campus | |
Mahan et al. | Agricultural applications of a low-cost infrared thermometer | |
Melnikov et al. | System dynamics of human body thermal regulation in outdoor environments | |
CN107765216B (zh) | 非同步无线网络中的目标位置和时钟参数联合估计方法 | |
Barroso et al. | Assessing the reliability of thermography to infer internal body temperatures of lizards | |
CN111854964A (zh) | 一种测量体温的方法、装置、测温工具及存储介质 | |
Royuela-del-Val et al. | Air infiltration monitoring using thermography and neural networks | |
CN109632004A (zh) | 一种基于局地修正utci的严寒地区室外热舒适度实时评价方法 | |
CN110160661A (zh) | 一种基于可见光照片的物体表面温度的测量方法及装置 | |
CN103630756B (zh) | 一种大功率微波脉冲信号的校准方法 | |
JP6890847B2 (ja) | 電子式wbgt計の出力方法および電子式wbgt計 | |
CN104331836B (zh) | 农作物决策支持方法和装置 | |
CN106774919A (zh) | 一种基于智能眼镜锁定目标物的信息传输系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |