CN108181001B - 一种基于机器学习的远红外温度预测方法 - Google Patents
一种基于机器学习的远红外温度预测方法 Download PDFInfo
- Publication number
- CN108181001B CN108181001B CN201810043473.8A CN201810043473A CN108181001B CN 108181001 B CN108181001 B CN 108181001B CN 201810043473 A CN201810043473 A CN 201810043473A CN 108181001 B CN108181001 B CN 108181001B
- Authority
- CN
- China
- Prior art keywords
- temperature
- far
- infrared
- value
- sample
- 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 23
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000001931 thermography Methods 0.000 abstract description 4
- 238000009529 body temperature measurement Methods 0.000 abstract description 2
- 230000005855 radiation Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
- 230000009466 transformation 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
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于机器学习的远红外温度预测方法，包括远红外线样本热成像图像采集步骤、样本温度检测步骤、机器学习步骤以及温度更新步骤。根据远红外线图像帧信息，获得200个样本温度数据；采用近邻局部加权回归算法进行温度预测，可有效提高测温精度。该方法适用于实时热成像温度检测系统。
Description
技术领域
本发明属于远红外图像测温技术领域，更具体地，涉及一种基于机器学习的远红外温度预测方法。
背景技术
随着社会和经济的快速兴起，红外线热成像技术在过去的几年内迅速发展。红外线热成像系统可以对检测的目标进行远距离的热图像成像和测温，并且可以对其进行智能分析从而进一步做出判断。
红外线辐射是存在于自然界中的最广泛的电磁波辐射，它在电磁波连续频谱中波长为0.78～1000μm处于无线电波与可见光之间的区域。红外线辐射是，基于物理学中所有物体的分子和原子在一般环境下都会永不停息地做无规则运动，并且无休止地辐射出热红外能量。分子和原子的无规则运动越剧烈，辐射的能量就越大；分子和原子的无规则运动越平缓，辐射的能量就越小。
由于黑体辐射的存在，所有的物体都会辐射红外线，利用红外探测器接收被测物体的红外辐射能量分布图形和背景的红外辐射能量分布图形之间的红外线差，可以形成不同的红外图像。利用这种方法，就可以对检测的目标进行远距离的热图像成像和测温，并且可以对其进行智能分析从而进一步做出判断。红外线热成像技术可以广泛应用于工程技术，科学研究，建筑检查，军事及安防等领域。
发明内容
本发明针对现有技术存在的精度不高的问题，提供了一种基于机器学习的远红外温度预测方法。
为实现上述目的，本发明采用如下技术方案：
一种基于机器学习的远红外温度预测方法，包括步骤，
(a)，远红外线样本图像采集步骤：通过红外摄像头采集N张远红外线热成像图像，其中N为正整数；
(b)，样本温度检测步骤：测量远红外线热成像图像中温度值，采用第一传感器获得原始温度值，采用第二传感器获得对应的实际温度值，共获得M组样本温度数据，M为正整数；
(c)，机器学习步骤：
y＝ωx+b，即y＝f(x)为温度转换函数 (1)
其中，x为样本测量值，y为样本温度值，ω，b为函数的学习参数，
为学习参数ω的估计值，W是权重矩阵，用来给每个温度数据点赋予不同的权值，
采用近邻局部加权线性回归方法学习温度转换函数，
如公式(3)所示，采用高斯核构建权重矩阵W，对离学习点最近的m个样本温度数据x(i)赋予大的权值，远离学习点的其他样本温度数据赋值为0，即温度点x越靠近x(i)，ω(i，i)的值会越大，其中k为调节参数；
(d)，温度更新步骤：
对于新图像中温度，采用第三传感器获得测量值tx，运用学习到的温度转换函数f进行温度预测，
ty＝f(tx) (4)
其中ty为预测的当前温度值，f为学习到的温度转换函数。
本技术方案进一步优化，所述温度更新步骤采用回归算法进行温度预测。
本技术方案进一步优化，所述k为0.1。
本技术方案进一步优化，所述第一传感器型号为Lepton3，第二传感器型号为MLX90194。
本技术方案进一步优化，所述第三传感器型号为Lepton3。
区别于现有技术，上述技术方案可获得较好的温度测量结果并且具有较强的抗干扰性。
附图说明
图1所示的是本发明的流程图；
图2所示的是本发明分区测量矩阵构建流程图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
本发明提出一种基于机器学习的远红外温度预测方法，包括以下步骤：
(a)，远红外线样本图像采集步骤：通过红外摄像头采集N张远红外线热成像图像；
(b)，样本温度检测步骤：测量远红外线热成像图像中温度值，采用第一传感器获得原始温度值，采用第二传感器获得对应的实际温度值，共获得M组样本温度数据。
(c)，机器学习步骤：
y＝ωx+b，即y＝f(x)，为温度转换函 (1)
其中，x为样本测量值，y为样本温度值，ω，b为函数的学习参数，为学习参数ω的估计值，W是权重矩阵，用来给每个温度数据点赋予不同的权值。
采用近邻局部加权线性回归方法学习温度转换函数，
如公式(3)所示，采用高斯核构建权重矩阵W，对离学习点最近的5个样本温度数据x(i)赋予大的权值，远离学习点的其他样本温度数据赋值为0，这样可以提升效率。即温度点x越靠近x(i)，ω(i，i)的值会越大。其中k为调节参数，取值越小，学习点附近样本温度数据权重越大。
(d)，温度更新步骤：
对于新图像中温度，采用第三传感器获得测量值tx，运用学习到的温度转换函数f进行温度预测；
ty＝f(tx) (4)
其中ty为预测的当前温度值，f为学习到的温度转换函数。
请参阅图1和图2所示，
本发明优选一实施例包括以下步骤：
(a)，远红外线样本图像采集步骤：
通过红外摄像头采集200张远红外线热成像图像；
(b)，样本温度检测步骤：
测量远红外线热成像图像中温度值，采用Lepton3传感器获得原始温度值，采用MLX90194传感器获得对应的实际温度值，共获得200组样本温度数据。
(c)，机器学习步骤：
y＝ωx+b，即y＝f(x)，为温度转换函 (1)
其中，x为样本测量值，y为样本温度值，ω，b为函数的学习参数，为学习参数ω的估计值，W是权重矩阵，用来给每个温度数据点赋予不同的权值。
采用近邻局部加权线性回归方法学习温度转换函数。
如公式(3)所示，采用高斯核构建权重矩阵W，对离学习点最近的5个样本温度数据x(i)赋予大的权值，远离学习点的其他样本温度数据赋值为0，这样可以提升效率。即温度点x越靠近x(i)，ω(i，i)的值会越大。其中k为调节参数，取值越小，学习点附近样本温度数据权重越大，本方法中k取值0.1。
(d)，温度更新步骤：
对于新图像中温度，采用Lepton3传感器获得测量值tx，运用学习到的温度转换函数f进行温度预测；
ty＝f(tx) (4)
其中ty为预测的当前温度值，f为学习到的温度转换函数。
本申请选择嵌入式平台进行测试，表1所示的是本发明系统测试平台参数，表2所示的是本发明所采用的样本数据集，本发明可获得较好的结果并且具有较强的抗干扰性。
表1系统测试平台参数
表2测试样本数据
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。
Claims (5)
1.一种基于机器学习的远红外温度预测方法，其特征在于，包括步骤，
(a)，远红外线样本图像采集步骤：通过红外摄像头采集N张远红外线热成像图像，其中N为正整数；
(b)，样本温度检测步骤：测量远红外线热成像图像中温度值，采用第一传感器获得原始温度值，采用第二传感器获得对应的实际温度值，共获得M组样本温度数据，M为正整数；
(c)，机器学习步骤：
y＝ωx+b，即y＝f(x)为温度转换函数 (1)
其中，x为样本测量值，y为样本温度值，ω，b为函数的学习参数，为学习参数ω的估计值，W是权重矩阵，用来给每个温度数据点赋予不同的权值，
采用近邻局部加权线性回归方法学习温度转换函数，
如公式(3)所示，采用高斯核构建权重矩阵W，对离学习点最近的m个样本温度数据x(i)赋予大的权值，远离学习点的其他样本温度数据赋值为0，即温度点x越靠近x(i)，ω(i，i)的值会越大，其中k为调节参数；
(d)，温度更新步骤：
对于新图像中温度，采用第三传感器获得测量值tx，运用学习到的温度转换函数f进行温度预测，
ty＝f(tx) (4)
其中ty为预测的当前温度值，f为学习到的温度转换函数。
2.如权利要求1所述的基于机器学习的远红外温度预测方法，其特征在于，所述温度更新步骤采用回归算法进行温度预测。
3.如权利要求1所述的基于机器学习的远红外温度预测方法，其特征在于，所述k为0.1。
4.如权利要求1所述的基于机器学习的远红外温度预测方法，其特征在于，所述第一传感器型号为Lepton3，第二传感器型号为MLX90194。
5.如权利要求1所述的基于机器学习的远红外温度预测方法，其特征在于，所述第三传感器型号为Lepton3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810043473.8A CN108181001B (zh) | 2018-01-17 | 2018-01-17 | 一种基于机器学习的远红外温度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810043473.8A CN108181001B (zh) | 2018-01-17 | 2018-01-17 | 一种基于机器学习的远红外温度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108181001A CN108181001A (zh) | 2018-06-19 |
| CN108181001B true CN108181001B (zh) | 2019-08-06 |
Family
ID=62550770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810043473.8A Active CN108181001B (zh) | 2018-01-17 | 2018-01-17 | 一种基于机器学习的远红外温度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108181001B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859300A (zh) * | 2020-07-24 | 2020-10-30 | 深圳智云人工智能科技有限公司 | 提升额温枪温度精度的方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017090277A (ja) * | 2015-11-11 | 2017-05-25 | 国立大学法人九州大学 | 把持情報取得装置、ロボット教示装置及びロボット制御装置、並びに把持情報取得方法、ロボット教示方法及びロボット制御方法 |
| JP6339603B2 (ja) * | 2016-01-28 | 2018-06-06 | ファナック株式会社 | レーザ加工開始条件を学習する機械学習装置、レーザ装置および機械学習方法 |
-
2018
- 2018-01-17 CN CN201810043473.8A patent/CN108181001B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108181001A (zh) | 2018-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Measurement of magnetic field and relativistic electrons along a solar flare current sheet | |
| CN108956526B (zh) | 一种被动式太赫兹危险品检测装置、检测方法及其应用 | |
| CN103196564B (zh) | 一种通过图像分割修正表面发射率的红外热成像测温方法 | |
| Li et al. | Study of automatic detection of concealed targets in passive terahertz images for intelligent security screening | |
| CN106017690B (zh) | 一种多目标自动区分测温方法及系统 | |
| CN105352998B (zh) | 脉冲涡流红外热图像的独立成分个数确定方法 | |
| Liu et al. | Reconstruction method for inversion problems in an acoustic tomography based temperature distribution measurement | |
| Liu et al. | Image enhancement for outdoor long‐range surveillance using IQ‐learning multiscale Retinex | |
| Kim et al. | Automated classification of thermal defects in the building envelope using thermal and visible images | |
| CN103389310A (zh) | 一种基于辐射标定的亚像素光学元件损伤在线检测方法 | |
| CN108181001B (zh) | 一种基于机器学习的远红外温度预测方法 | |
| CN106228197A (zh) | 一种基于自适应极限学习机的卫星图像云量识别方法 | |
| CN111652314A (zh) | 温度检测方法、装置、计算机设备和存储介质 | |
| Maraaba et al. | A neural network-based estimation of the level of contamination on high-voltage porcelain and glass insulators | |
| Ma et al. | Classification of partial discharge severities of ceramic insulators based on texture analysis of UV pulses | |
| Shakya et al. | Characterising and predicting the movement of clouds using fractional‐order optical flow | |
| Xu et al. | Modeling EM problem with deep neural networks | |
| CN107742114B (zh) | 高光谱图像特征检测方法及装置 | |
| Fan et al. | Baseline optimization for scalar magnetometer array and its application in magnetic target localization | |
| Zhuang et al. | A novel method for 3D measurement of RFID multi-tag network based on matching vision and wavelet | |
| CN108897059A (zh) | 一种目标红外成像可探测性分析方法 | |
| CN110674782B (zh) | 一种基于分数熵的红外弱小目标检测方法 | |
| Ke et al. | Enhanced CS-based device-free localization with RF sensor networks | |
| Chen et al. | Corner detection based on gradient ghost imaging | |
| Lee et al. | A modified Harris corner detection for breast IR image |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240515 Address after: 215011 No. 870 Binhe Road, Suzhou high tech Zone, Suzhou, Jiangsu Patentee after: NOVA ELECTRONICS Co.,Ltd. Country or region after: China Address before: No. 287, Xuefu Road, Suzhou, Jiangsu Province Patentee before: SUZHOU INSTITUTE OF TRADE & COMMERCE Country or region before: China |
|
| TR01 | Transfer of patent right |