CN110411585B - 一种高精度红外辐射测量方法 - Google Patents
一种高精度红外辐射测量方法 Download PDFInfo
- Publication number
- CN110411585B CN110411585B CN201910716564.8A CN201910716564A CN110411585B CN 110411585 B CN110411585 B CN 110411585B CN 201910716564 A CN201910716564 A CN 201910716564A CN 110411585 B CN110411585 B CN 110411585B
- Authority
- CN
- China
- Prior art keywords
- radiation
- integration time
- pixel
- regression
- target
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 77
- 238000000691 measurement method Methods 0.000 title claims description 9
- 230000010354 integration Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000000306 recurrent effect Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000002441 reversible effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 41
- 238000005259 measurement Methods 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 8
- 230000005457 Black-body radiation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000036760 body temperature Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
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
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- 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
- G01J5/52—Radiation pyrometry, e.g. infrared or optical thermometry using comparison with reference sources, e.g. disappearing-filament pyrometer
- G01J5/53—Reference sources, e.g. standard lamps; Black bodies
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种高精度红外辐射测量方法,包括:系统工作点定标;原始数据预处理;计算理论像元辐射量;搭建并训练回归神经网络;用训练好的网络预测像元辐射量;根据像元辐射量反演目标辐射信息;在辐射测量过程中,积分时间可以连续动态调整。本发明将不同积分时间、不同温度的定标数据整合为一个整体数据库,借助神经网络损失函数和误差反向传递机制,对反映探测器线性和非线性响应特性的各项参数进行学习,充分挖掘不同积分时间、不同温度定标数据之间的相关性,对定标过程中系统随机误差具有更强的抵御能力,训练得到的网络具有良好的泛化性和非线性回归能力,能对工作范围内未定标积分时间、温度点的辐射量进行精确预测。
Description
技术领域
本发明属于红外系统辐射测量领域,具体涉及一种高精度红外辐射测量方法。
背景技术
红外焦平面阵列属于第二代红外成像器件,是红外系统的核心部件之一,具有集成度高、噪声等效温差低、探测能力强等优点,目前广泛应用于工业、农业、医疗、森林防火、军事等各个领域,其中红外辐射测量是红外焦平面阵列的重要应用之一。
红外辐射测量需要解决从探测器灰度响应到红外辐射信息的数学回归。红外辐射信息包括辐强度、辐照度、辐亮度、辐射功率、等效温度等。红外辐射信息计算的理论基础是普朗克黑体辐射公式,但实际系统中还需要考虑探测器响应的非线性、光学系统光晕等因素的影响。合理的回归方程是高精度辐射测量的前提和保障。
红外辐射测量还需要解决非均匀性的问题。理想情况下,红外焦平面阵列在相同辐射输入条件下其输出信号幅度应该相同。但实际上,由于器件材料的不均匀(内部结构、晶体缺陷、杂质浓度等)、器件暗电流的不均匀、1/f噪声引起的器件响应不均匀、器件响应的非线性以及器件工作状态等因素的影响,红外焦平面阵列的输出具有非均匀性。红外焦平面阵列的非均匀性会严重影响红外系统的探测灵敏度和空间分辨率,从而降低红外辐射测量精度。
目前,常规红外辐射测量方法是在不同积分时间点进行定标,再分别采用最小二乘法、双线性回归等方法进行辐射量反演计算。每一个积分时间档位对应一组反演参数。在进行辐射测量时,根据工作积分时间,切换对应参数组进行辐射量计算。
常规辐射测量方法有如下弊端:
1、积分时间档位固定:受存储能力和定标工作量等因素的限制,系统只能存固定的多组积分时间系数组,无法动态选择最佳积分时间,难以充分发挥红外系统性能;
2、测量精度较差:常规方法的参数计算是按积分时间分组、独立进行的,不同积分时间之间的相关性被忽略了,定标数据容易受系统误差影响而精度较低,积分时间档位切换时辐射测量值误差较大。
3、辐射定标工作量大:由于未定标积分时间在系统以后使用过程中不能使用,系统需要对多组积分时间下的多组温度点进行定标,造成红外系统定标工作量大、效率较低。
发明内容
本发明的目的在于提供一种高精度红外辐射测量方法,将不同积分时间、不同温度的定标数据整合为一个整体数据库,设计合理的回归神经网络结构,借助神经网络损失函数和误差反向传递机制,对回归方程中反映探测器线性和非线性响应特性的各项参数进行学习,充分挖掘不同积分时间、不同温度定标数据之间的相关性,训练得到的回归网络具有良好的泛化性和非线性回归能力,能对工作范围内未定标积分时间、温度点的辐射量进行精确预测,实现了积分时间连续动态调整过程中高精度红外辐射测量,提高了红外系统对大动态范围目标的辐射测量能力。
本发明采用的技术方案为:一种高精度红外辐射测量方法,包括:
步骤A,系统定标:在系统多个积分时间、黑体温度点进行工作点定标,获取图像灰度随积分时间和黑体温度变化的多帧原始数据;
步骤B,数据预处理:对每个工作点的多帧原始数据进行平均去噪、盲元周围像素平均或替换等预处理;
步骤C,像元辐射量理论值计算:像元辐射量包括但不限于辐强度、辐照度、辐亮度、辐射功率等。以辐照度为例,根据普朗克黑体辐射公式和红外系统各项参数(工作波段、黑体温度、黑体发射率、焦距、口径、透过率等)按方程式(1)计算定标点像元辐照度理论值:
其中,Eexpect为像元辐照度理论值,τc为定标时系统透过率,e为黑体发射率,F为光学系统F#数,Mλ,T为黑体辐射出射度,根据普朗克黑体辐射公式:λ1和λ2是系统的工作截止波段,T为黑体温度,c1为普朗克第一辐射常数,c2为普朗克第二辐射常数;
步骤D,回归神经网络的搭建和训练:
1、建立用于回归的前向神经网络,设置神经网络的各项参数,包括:输入层,回归层、输出层、损失函数、误差反向传递函数、激活函数、学习速率、迭代次数;
2、将步骤B得到的预处理灰度响应数据和探测器积分时间作为回归神经网络的输入,为方便网络的训练、加快训练速度,对输入按方程式(2)进行归一化处理:
其中,xi,j为坐标为[i,j]像素的灰度响应值,xmin和xmax为xi,j的最小值和最大值,x为归一化灰度响应值,Tint为探测器积分时间,Tint,min和Tint,max为Tint的最小值和最大值,t为归一化积分时间;
3、将步骤C得到的像元辐照度作为回归神经网络的期望值,为方便网络的训练、加快训练速度,对期望值按方程式(3)进行归一化处理:
其中,Yexpect为像元辐照度归一化期望值,Emin和Emax为像元辐照度理论值的最小值和最大值,width为探测器宽度像元数,height为探测器高度像元数;
4、建立回归方程及其误差反向传递函数:按方程式(4)建立数学回归方程,根据不同探测器的响应特性,回归方程可以由方程式(4)的全部项或部分项组成:
其中,Y为归一化像元辐射量回归项,x为归一化像元灰度值,t为归一化积分时间,A为灰度项回归系数,B为灰度二次方项回归系数,C为灰度与积分时间乘积项回归系数,D为灰度除积分时间项回归系数,E为有效灰度对数项回归系数,F为积分时间项回归系数,G为积分时间二次方项回归系数,H为积分时间倒数项回归系数,I为辐射量偏置回归系数,J为积分时间修正项回归系数;
误差反向传递函数为回归方程式对各项回归参数的偏微分,如方程式(5)所示:
其中,dYdA是Y对A的偏微分,dYdB是Y对B的偏微分,dYdC是Y对C的偏微分,dYdD是Y对D的偏微分,dYdE是Y对E的偏微分,dYdF是Y对F的偏微分,dYdG是Y对G的偏微分,dYdH是Y对H的偏微分,dYdI为Y对I的偏微分,dYdJ为Y对J的偏微分;
5、非线性激活函数:非线性激活函数的作用是引入非线性因素,提高网络的回归能力。由于方程式(4)已经具备非线性回归能力,因此非线性激活函数不是必须的,可以根据探测器响应特性和方程式(4)的回归效果决定是否选用。为了保持回归网络的连续性、避免奇点,激活函数应选择单调、连续的非线性函数。非线性激活函数包括但不限于方程式(6)和方程式(7):
6、建立损失函数及其误差反向传递函数:按方程式(8)建立“均方误差”损失函数及其误差反向传递函数,或按方程式(9)建立“平均绝对误差”损失函数及其误差反向传递函数:
其中,Loss为损失函数值,dLdYi,j为损失函数的误差反向传递函数,是损失函数对坐标[i,j]像元辐射量的偏微分,Yi,j为坐标[i,j]像元对应的辐射量回归值,Yexpect为像元辐射量期望值,width为探测器宽度像元数,height为探测器高度像元数,N为辐射定标组数;
7、训练网络得到满足精度要求的网络参数:训练时整张图像尺寸的数据一起输入,训练过程中各像素参数同时并行学习,缩短训练时间,训练达到预期精度后停止训练。训练网络的硬件平台包括但不限于CPU、GPU、ARM、ASIC。
步骤E,回归参数部署:将训练得到的参数部署到网络中计算像元辐射量。以像元辐照度为例,将参数部署到方程式(10)的像元辐照度计算网络中,以归一化的灰度响应和积分时间作为输入,计算像元辐照度:
Epredict=(Emax-Emin)·Predict(NET,X)+Emin (10)
其中,Epredict为像元辐照度预测值,Emin和Emax为像元辐照度理论值的最小值和最大值,NET为训练好的回归网络,Predict(NET,X)是对方程式(2)的X按回归网络NET进行计算。
步骤F,目标辐射信息反演:目标辐射信息包括但不限于辐强度、辐照度、辐亮度、辐射功率、等效温度;以目标辐亮度为例,根据像元辐照度和系统成像关系,按方程式(11)计算目标辐亮度:
其中,Ltarget为目标辐亮度,Epredict为像元辐照度预测值,F为光学系统F#数,τt:目标到焦平面的透过率;
步骤G,针对红外系统存在随环境改变而发生信号漂移的问题,在辐射测量前,先用已知温度、表面均匀的黑体进行单点校正,以减少漂移对测量精度的影响。以像元辐照度和目标辐亮度为例,修正方法如方程式(12)所示:
其中,Yexpect_S为单点校正像元辐照度期望值,Ltarget_S为单点校正黑体实测辐亮度,ΔL为目标辐亮度修正项,Ltarget为目标实测辐亮度,L'target为修正后目标辐亮度值;
步骤H,积分时间调整策略包括但不限于:
1、手动调整:适用于需要固定积分时间的场合,精确调整积分时间至最佳测量效果后固定积分时间,下次测量时根据情况再进行积分时间调整;
2、自动调整:适用于动态目标智能成像场合,积分时间随目标信号强弱自动调整,使待测量区域的灰度值在积分时间可调节范围内保持在最佳测量精度范围内,以提高系统辐射测量精度。
步骤I,针对具有滤光片和/或衰减片的红外系统,定标时按滤光片、衰减片分组进行数据准备和训练,辐射测量时调用对应参数组。
本发明与现有技术相比的优点在于:
(1)积分时间连续可调:克服了以往积分时间档位固定、调节跨度大的缺点,使积分时间的调节更为细腻和灵活,提高了红外系统对大动态范围目标的辐射测量能力;
(2)测量精度更高:本发明将不同积分时间、不同温度的定标数据整合为一个整体数据库,通过回归神经网络对探测器的线性和非线性响应特性进行学习,充分挖掘不同积分时间、不同温度定标数据之间的相关性,对定标过程中系统随机误差具有更强的抵御能力,测量精度更高;
(3)减少定标工作量:训练得到的回归网络具有良好的泛化性,能对工作范围内未定标的积分时间、温度点的辐射量进行精确预测,因此在进行定标工作时,可以适当减少定标工作点,从而减少定标工作量、提高工作效率。
附图说明
图1为本发明一种高精度红外辐射测量方法流程图;
图2为平均去噪和盲元替换后的灰度响应图像;
图3为像元辐照度期望值曲线;
图4为回归神经网络结构示意图;
图5为神经网络训练过程曲线;
图6为本实施例定标图像辐照度结果;
图7为本实施例目标预处理后图像与辐亮度结果图像,其中,图7(a)为灰度响应图像,图7(b)为辐亮度图像。
具体实施方式
下面结合附图详细说明本发明的实施例。
如图1所示,本发明一种高精度红外辐射测量方法,具体步骤如下:
步骤A,系统定标:在系统多个衰减片、积分时间、黑体温度点进行工作点定标,获取图像灰度响应随积分时间和黑体温度变化的多帧原始数据。
步骤B,数据预处理:对每个工作点的多帧原始数据进行平均去噪、盲元替换预处理。本实施例平均去噪和盲元处理后的效果图如图2所示;
步骤C,像元辐射量计算:以像元辐照度为例,根据普朗克黑体辐射公式和红外系统的各项参数,按方程式(1)计算像元辐照度理论值。本实施例不同定标组下像元辐照度曲线如图3所示。
步骤D,回归神经网络的搭建和训练:
1、搭建用于回归的前向神经网络,设置网络各项参数如下所示,回归网络的结构示意图如图4所示。
2、将步骤B得到的灰度响应值和积分时间按方程式(2)进行归一化处理后作为回归网络的输入;
3、将步骤C得到的像元辐照度并按方程式(3)进行归一化处理后作为回归网络的期望值;
4、按方程式(4)建立回归方程,按方程式(5)建立误差反向传递函数;
5、按方程式(8)建立损失函数和误差反向传递函数;
6、按衰减片设置对数据进行分组,分别训练网络得到回归参数组:训练在图形处理单元(GPU)上进行,训练达到预期迭代次数后停止训练。本实施例训练过程例图如图5所示。
步骤E,回归参数部署:将训练得到的网络回归参数部署到网络中,以归一化后的灰度响应和积分时间作为输入,按方程式(10)计算像元辐照度。
本实施例定标图像辐照度计算结果例图如图6所示。
步骤F,目标辐亮度反演:以目标辐亮度为例,根据像元辐照度和成像关系,按方程式(11)计算得到目标辐亮度。
步骤G,单点校正:获取已知温度、表面均匀黑体目标的多帧图像,按方程式(12)计算单点校正修正项并对目标辐亮度进行修正。
步骤H,积分时间调整:
1、手动调整:选择固定的积分时间进行辐射测量;
2、自动调整:设定图像灰度期望值:当平均灰度低于期望值时,积分时间增加ΔTint;反之,当平均灰度高于期望值时,积分时间减少ΔTint。在积分时间动态调整过程中进行辐射测量。
步骤I,本实施例采用3个衰减片,按衰减片对数据进行分组训练。
本实施例目标预处理后图像与辐亮度结果如图7所示。
本实施例目标辐亮度计算结果如表1所示。
表1 目标辐亮度计算结果
本发明中涉及到的本领域公知技术未详细阐述。
Claims (10)
1.一种高精度红外辐射测量方法,其特征在于,包括以下步骤:
步骤A:系统工作点定标;
步骤B:原始数据预处理;
步骤C:计算像元辐射量理论值;
步骤D:搭建并训练回归神经网络;
所述步骤D包括:
建立用于回归的前向神经网络,设置网络的各项参数,包括:输入层,回归层、输出层、损失函数、误差反向传递函数、激活函数、学习速率、迭代次数;
将步骤B得到的预处理后灰度响应数据和探测器积分时间进行归一化处理后作为回归神经网络的输入;
将步骤C得到的像元辐射量理论值进行归一化处理后作为回归神经网络的期望值;
建立数学回归方程式(4)和误差反向传递函数(5);根据不同探测器的响应特性,回归方程可以由方程式(4)的全部项或部分项组成;
其中,Y为像元辐射量回归项,x为像元灰度值,t为积分时间,A为灰度项回归系数,B为灰度二次方项回归系数,C为灰度与积分时间乘积项回归系数,D为灰度除积分时间项回归系数,E为有效灰度对数项回归系数,F为积分时间项回归系数,G为积分时间二次方项回归系数,H为积分时间倒数项回归系数,I为辐射量偏置回归系数,J为积分时间修正项回归系数;
误差反向传递函数为回归方程式对各项回归参数的偏微分,如方程式(5)所示:
其中,dYdA是Y对A的偏微分,dYdB是Y对B的偏微分,dYdC是Y对C的偏微分,dYdD是Y对D的偏微分,dYdE是Y对E的偏微分,dYdF是Y对F的偏微分,dYdG是Y对G的偏微分,dYdH是Y对H的偏微分,dYdI为Y对I的偏微分,dYdJ为Y对J的偏微分;
建立激活函数:根据方程式(4)的回归情况决定是否选用非线性激活函数;
建立损失函数及其误差反向传递函数:根据方程式(8)建立“均方误差”损失函数及其误差反向传递函数,或根据方程式(9)建立“平均绝对误差”损失函数及其误差反向传递函数;
其中,Loss为损失函数值,dLdYi,j为损失函数的误差反向传递函数,是损失函数对坐标[i,j]像元辐射量的偏微分,Yi,j为坐标[i,j]像元对应的辐射量回归值,Yexpect为像元辐射量期望值,width为探测器宽度像元数,height为探测器高度像元数,N为辐射定标组数;
训练回归网络得到满足精度要求的回归参数;
步骤E:部署网络参数并计算像元辐射量;
步骤F:根据像元辐射量反演目标辐射信息;
步骤G:单点校正;
步骤H:积分时间调整策略;
步骤I:滤光片/衰减片设置。
2.如权利要求1所述的高精度红外辐射测量方法,其特征在于,所述步骤A包括:
在系统多个积分时间、黑体温度点进行定标,获取图像灰度响应随积分时间和黑体温度变化的多帧原始数据。
3.如权利要求1所述的高精度红外辐射测量方法,其特征在于,所述步骤B包括:
对步骤A的多帧原始数据进行预处理,包括多帧平均去噪、盲元周围像素平均或替换。
4.如权利要求1所述的高精度红外辐射测量方法,其特征在于,所述步骤C包括:
以普朗克黑体辐射公式为基础,根据红外系统各项参数计算像元接收的辐射量理论值;
像元辐射量包括辐强度、辐照度、辐亮度、辐射功率。
5.如权利要求1所述的高精度红外辐射测量方法,其特征在于,训练网络的硬件平台包括CPU、GPU、ARM、ASIC。
6.如权利要求1所述的高精度红外辐射测量方法,其特征在于,所述步骤E包括:
将训练得到的参数部署到像元辐射量计算网络中,以归一化后的原始灰度响应和积分时间作为输入,对像元辐射量进行推理计算。
7.如权利要求1所述的高精度红外辐射测量方法,其特征在于,所述步骤F还包括:
根据像元辐射量和系统成像关系计算目标辐射信息;
目标辐射信息包括辐强度、辐照度、辐亮度、辐射功率、等效温度。
9.如权利要求1所述的高精度红外辐射测量方法,其特征在于,所述步骤H包括:
积分时间调整策略包括:
(1)手动调整:适用于需要固定积分时间的场合,精确调整积分时间至最佳测量效果后固定积分时间,下次测量时根据情况再进行积分时间调整;
(2)连续自动调整:适用于动态目标智能成像场合,积分时间随目标信号强弱自动调整,使待测量区域的灰度值在积分时间可调节范围内保持在最佳测量精度范围内,以提高系统辐射测量精度。
10.如权利要求1所述的高精度红外辐射测量方法,其特征在于,所述步骤I包括:
针对具有滤光片和/或衰减片的红外系统按滤光片、衰减片分组进行定标、组织数据并训练,辐射测量时调用对应参数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910716564.8A CN110411585B (zh) | 2019-08-05 | 2019-08-05 | 一种高精度红外辐射测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910716564.8A CN110411585B (zh) | 2019-08-05 | 2019-08-05 | 一种高精度红外辐射测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110411585A CN110411585A (zh) | 2019-11-05 |
CN110411585B true CN110411585B (zh) | 2021-05-11 |
Family
ID=68365762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910716564.8A Active CN110411585B (zh) | 2019-08-05 | 2019-08-05 | 一种高精度红外辐射测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110411585B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989714B (zh) * | 2021-05-08 | 2021-10-08 | 同方威视技术股份有限公司 | 探测器调整模型的训练方法和装置 |
CN113588095B (zh) * | 2021-08-17 | 2022-08-09 | 北京环境特性研究所 | 基于帧累积的点源目标红外辐射定量处理方法及装置 |
CN113624350B (zh) * | 2021-08-18 | 2022-05-31 | 哈尔滨工业大学 | 一种基于神经网络的空中远程目标的温度测量装置及方法 |
CN113721529A (zh) * | 2021-09-03 | 2021-11-30 | 成都理工大学 | 一种基于fpga的数据采集系统 |
CN113945278B (zh) * | 2021-09-14 | 2023-09-12 | 中国科学院上海技术物理研究所 | 空间光学遥感仪器反射波段在轨全动态范围辐射定标方法 |
CN117112966B (zh) * | 2023-09-28 | 2023-12-22 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种校正红外遥感器非线性响应系数的方法、系统和设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084092A (zh) * | 2018-01-25 | 2019-08-02 | 通用电气公司 | 用机器学习算法进行温度测量的方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6090787B2 (ja) * | 2013-06-13 | 2017-03-08 | 国立研究開発法人産業技術総合研究所 | 光学センサの校正方法 |
CN103604503B (zh) * | 2013-06-17 | 2016-07-20 | 中国航天科工集团第三研究院第八三五八研究所 | 一种积分时间动态调整的高精度非均匀性校正方法 |
US20150204725A1 (en) * | 2014-01-23 | 2015-07-23 | General Monitors, Inc. | Multi-spectral flame detector with radiant energy estimation |
CN108663122B (zh) * | 2018-05-29 | 2020-04-10 | 中国科学院光电技术研究所 | 一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法 |
CN109813442B (zh) * | 2019-03-27 | 2020-05-12 | 北京理工大学 | 一种基于多帧处理的内部杂散辐射非均匀性校正方法 |
-
2019
- 2019-08-05 CN CN201910716564.8A patent/CN110411585B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084092A (zh) * | 2018-01-25 | 2019-08-02 | 通用电气公司 | 用机器学习算法进行温度测量的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110411585A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110411585B (zh) | 一种高精度红外辐射测量方法 | |
CN115615560A (zh) | 一种宽动态范围高精度红外辐射测量方法 | |
CN109341864B (zh) | 一种轻小型宽动态空间红外定量测量装置 | |
CN108663122B (zh) | 一种基于神经网络的适应积分时间动态调整的红外焦平面阵列非均匀性校正方法 | |
CN103528694B (zh) | 一种用红外热像仪测量目标物体的温度的方法 | |
CN103528690B (zh) | 一种红外热像仪的非均匀校正方法 | |
JP2661865B2 (ja) | 赤外線焦点平面アレイの広いダイナミック範囲の不均一性補償方法および装置 | |
CN103335716B (zh) | 基于变积分时间的面阵红外相机定标与非均匀性校正方法 | |
CN108871588B (zh) | 一种红外成像系统多维度联合非均匀性校正方法 | |
CN105043552B (zh) | 比色测温系统显示与标定方法 | |
CN102938137A (zh) | 基于图像序列分析的线扫描图像动态非均匀性校正方法 | |
CN102779332A (zh) | 时域卡尔曼滤波修正的非线性拟合红外非均匀校正方法 | |
CN106197673A (zh) | 一种自适应宽温度范围非均匀校正方法及系统 | |
CN105136308A (zh) | 一种红外焦平面阵列变积分时间下的自适应校正方法 | |
CN109932061B (zh) | 一种基于冷反射的面阵红外热像仪实时校正方法 | |
CN110631706B (zh) | 红外图像的校正方法、装置及存储介质 | |
Zhang et al. | A method for improving temperature measurement precision on the uncooled infrared thermal imager | |
CN102752504B (zh) | 一种宽视场线阵ccd相机的相对辐射校正方法 | |
CN111681287B (zh) | 一种大型遥感卫星多角度相机对月定标参数评估方法 | |
CN108226059B (zh) | 一种卫星高光谱co2探测仪在轨辐射定标方法 | |
CN111044153B (zh) | 一种图谱关联系统红外光谱的非线性定标方法及装置 | |
CN112710397B (zh) | 一种基于温度替代的两点校正方法及系统 | |
CN108489606B (zh) | 一种应用于太阳观测的可调谐滤光器在线标定方法 | |
CN113176079A (zh) | 用于高对比度成像星冕仪超高精度波前检测与标定方法 | |
CN110646099A (zh) | 基于实测数据反演目标红外辐射图像的方法和装置 |
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 |