CN113624350B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113624350B CN113624350B CN202110950706.4A CN202110950706A CN113624350B CN 113624350 B CN113624350 B CN 113624350B CN 202110950706 A CN202110950706 A CN 202110950706A CN 113624350 B CN113624350 B CN 113624350B
- Authority
- CN
- China
- Prior art keywords
- target
- training
- data
- voltage data
- measured
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009529 body temperature measurement Methods 0.000 title claims description 17
- 230000005855 radiation Effects 0.000 claims abstract description 137
- 238000012549 training Methods 0.000 claims abstract description 115
- 238000005259 measurement Methods 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000010276 construction Methods 0.000 claims description 11
- 230000005457 Black-body radiation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000002834 transmittance Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004861 thermometry Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004154 testing of material Methods 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
-
- 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
- G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
-
- 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
- G01J5/56—Electrical features thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
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,涉及一种多光谱辐射测温技术,为了解决现有的空中远程目标的温度测量方法测量精度差的问题。本发明的标定测量模块,用于获取待测目标的训练辐射电压数据,还用于获取黑体的标定辐射电压数据;实际测量模块,用于获取待测目标的现场辐射电压数据;数据处理模块,用于构建矩阵数据;还用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。有益效果为测量精度高。
Description
技术领域
本发明涉及一种多光谱辐射测温技术。
背景技术
多光谱辐射测温法是一种典型的非接触式测量方法,其工作原理是利用探测器接收到的目标辐射能量转换为电信号,再对转换后的电信号进行特定的数据处理,从而得到被测目标的真实温度;近年来,由于计算机技术、电子技术的飞速发展,又因辐射测温计具有无测量上限、不需接触被测对象、响应速度快等优点,辐射测温测量技术在众多研究人员的不懈努力下取得了长足的发展,被广泛应用于航天、航空、材料测试等国防科学行业领域中。
大气透过率使得探测系统接收到的目标辐射能量严重受损,不同波长上衰减程度的差别致使目标原有的信号光谱特征发生一定的改变,一方面受目标识别距离的影响,导致测量系统无法识别低于一定辐射强度的目标,另一方面在大气复杂特性的影响下,不同地域、不同季节和不同天气状况下测得的同一目标的辐射强度也不尽相同,给依靠目标辐射强度获得温度信息的工作带来了困难;现有的大气补偿方法是借助多种大气环境参数测量设备对目标所在环境的实时实地气象参数进行采集,将测量得到的参数输入大气补偿软件,软件内置的大气辐射传输模型会计算出当前大气透过率,并且将计算结果补偿于目标的辐射测量中,实现大气辐射传输的修正过程,现在常用的大气补偿软件包括LOWTRAN、MOODTRAN、CART等;使用现有的大气补偿软件补偿大气透过率的示意图如图1所示;由于大气表现出高度的随机性和不均匀性,通过大气测量设备测得各参数并不能全面地表征目标辐射传输路径上的大气环境,且即使在良好的天气,不同地理位置和不同季节下大气环境的差异性也很大,其大气传输模型明显缺乏普适性,计算精度很难保证。另一种方法是基于标准源的实时实地测量法,即在待测目标附近放置标准源(一般为黑体)作为参考,实时计算标校目标与探测系统之间的大气透过率,再补偿到实际目标测量中,该方法根据已知辐射量的标准参考源黑体直接测量路径上的大气透过率,有效避免了利用大气参数建立传输模型之间的误差,具有更高的测量精度;使用标准源法补偿大气透过率的示意图如图2所示;该方法的局限性在于,在实际的地基辐射温度测量应用中,探测目标多为飞机、机身蒙皮、导弹尾焰、红外诱饵等动态目标,难以在目标附近放置标准参考源,因此极大地限制了该方法的实际应用;同时因为大气衰减,测量空中远程标准源(如黑体)的难度较大,需要靶标具有足够的温度和温度稳定的同时还需要靶标的尺寸做得足够大,这就导致靶标与外界环境热交换速度非常快,极大地增加了靶标的研制难度与成本。
因此,现在工程上急需一种更高效、更精准的空中远程目标的温度测量方法来对远程辐射大气透过率衰弱进行补偿。
发明内容
本发明的目的是为了解决现有的空中远程目标的温度测量方法测量精度差的问题,提出了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。
本发明所述的一种基于神经网络的空中远程目标的温度测量装置包括标定测量模块、实际测量模块和数据处理模块;
标定测量模块,用于获取待测目标的训练辐射电压数据,还用于获取黑体的标定辐射电压数据;
实际测量模块,用于获取待测目标的现场辐射电压数据;
数据处理模块,是基于LSTM神经网络实现的,用于利用黑体的标定辐射电压数据与待测目标的训练辐射电压数据构建矩阵数据;还用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。
本发明所述的一种基于神经网络的空中远程目标的温度测量方法包括标定测量步骤、实际测量步骤和数据处理步骤;
标定测量步骤,用于获取待测目标的训练辐射电压数据,还用于获取黑体的标定辐射电压数据;
实际测量步骤,用于获取待测目标的现场辐射电压数据;
数据处理步骤,是基于LSTM神经网络实现的,用于利用黑体的标定辐射电压数据与待测目标的训练辐射电压数据构建矩阵数据;还用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。本发明的有益效果是:提出了将神经网络来与多光谱相结合,对空中远程目标进行温度测量的技术,误差由20%降低到了9%,同时该温度测量方法只需要测量目标多波长下的辐射电压数据,无需测量其他数据,解决了现有方法补偿大气透过率效率低、精度差的问题;该温度测量方法提出了利用多光谱方法补偿大气透过率对目标影响的技术方法,拓展了多光谱的实际应用范围,并且该温度测量方法实际应用于大风、大雾、高浓度粉尘等恶劣环境下,大幅度提高了多光谱在相关场合中的实际应用价值;同时该温度测量方法脱离了现有计算软件和标准源测温体系,首次提出了属于国内的空中远程目标的测温方法,此方法集瞄准、测量、训练、计算、校验、显示等功能于一体,功能齐全且可靠性高,为相关技术国有化打下了坚实的基础。
附图说明
图1为背景技术中现有的大气补偿软件补偿大气透过率的示意图;
图2为背景技术中使用标准源法补偿大气透过率的示意图;
图3为具体实施方式一所述的一种基于神经网络的空中远程目标的温度测量装置结构示意图;
图4为具体实施方式四中LSTM神经网络处理单元的结构示意图;
图5为具体实施方式四中Sigmoid神经网络层示意图。
具体实施方式
具体实施方式一:结合图3说明本实施方式,本实施方式所述的一种基于神经网络的空中远程目标的温度测量装置包括标定测量模块1、实际测量模块2和数据处理模块3;
标定测量模块1,用于获取待测目标的训练辐射电压数据,还用于获取黑体的标定辐射电压数据;
实际测量模块2,用于获取待测目标的现场辐射电压数据;
数据处理模块3,是基于LSTM神经网络实现的,用于利用黑体的标定辐射电压数据与待测目标的训练辐射电压数据构建矩阵数据;还用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。
在本实施方式中,利用数据处理模块3得出的测试集对得出待测目标的真实温度进行测试,防止训练过拟合。
在本实施方式中,数据处理模块3还包括数据备份单元;
数据备份单元,用于对待测目标的训练辐射电压数据、黑体的标定辐射电压数据、待测目标的现场辐射电压数据、网络训练结果及待测目标的真实温度进行数据备份。
在本实施方式中,待测目标是指在工作现场有实际温度测量需求的目标,黑体是指作为标准源、在指定温度下作为标准辐射能量数据参考的标准黑体。
具体实施方式二:本实施方式是对具体实施方式一所述的一种基于神经网络的空中远程目标的温度测量装置进一步限定,在本实施方式中,
所述标定测量模块1包括第一零点测量单元、标定测量单元、第一实测测量单元和第一去噪单元;
第一零点测量单元,用于利用辐射传感器对待测目标所处在的训练环境背景在多个波长下的电压进行测量,得到训练环境背景的原始零点电压数据;
第一实测测量单元,用于利用辐射传感器对待测目标所处在训练环境背景下的总体辐射电压进行测量,得到原始目标电压数据;
标定测量单元,用于利用辐射传感器对黑体所处在的训练环境背景下的电压进行测量,得到原始黑体辐射电压数据;
第一去噪单元,用于利用原始目标电压数据减去原始零点电压数据,得到待测目标的训练辐射电压数据;还用于利用原始黑体辐射电压数据减去原始零点电压数据,得到黑体的标定辐射电压数据。
在本实施方式中,第一零点测量单元,用于利用辐射传感器对待测目标所处在的训练环境背景在多个波长(一般为6个波长)下的电压进行测量,得到训练环境背景的原始零点电压数据;使用多次测量获取原始零点电压数据取平均值的方法来作为去噪声的基础数据,测量次数一般取10次。
具体实施方式三:本实施方式是对具体实施方式二所述的一种基于神经网络的空中远程目标的温度测量装置进一步限定,在本实施方式中,所述实际测量模块(2)包括第二零点测量单元、第二实测测量单元和第二去噪单元;
第二零点测量单元,用于利用辐射传感器对待测目标所处的工作现场环境背景在多个波长下的电压进行测量,得到工作现场环境背景的实测零点电压数据;
第二实测测量单元,用于利用辐射传感器对待测目标所处在工作现场环境背景下的总体辐射电压进行测量,得到实测目标电压数据;
第二去噪单元,用于利用实测目标电压数据减去实测零点电压数据,得到待测目标的现场辐射电压数据。
在本实施方式中,第二零点测量单元,用于利用辐射传感器对待测目标所处的工作现场环境背景在多个波长(一般为6个波长)下的电压进行测量,得到工作现场环境背景的实测零点电压数据;使用多次测量获取实测零点电压数据取平均值的方法来作为去噪声的基础数据,测量次数一般取10次。
具体实施方式四:结合图4和图5说明本实施方式,本实施方式是对具体实施方式三所述的一种基于神经网络的空中远程目标的温度测量装置进一步限定,在本实施方式中,所述数据处理模块3包括数据矩阵构建单元和LSTM神经网络处理单元;
数据矩阵构建单元,用于利用黑体的标定辐射电压数据和待测目标的训练辐射电压数据构建矩阵数据;
LSTM神经网络处理单元,用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。
在本实施方式中,数据矩阵构建单元,利用MATLAB语言对黑体的标定辐射电压数据和待测目标的训练辐射电压数据进行矩阵构建,构建依据的元素包括各个通道的测得的黑体的标定辐射电压数据以及待测目标的训练辐射电压数据;利用PYTHON语言对运行代码进行编写编译,利用TENSORFLOW环境作为神经网络运行环境,使用LSTM神经网络处理单元作为神经网络核心结构;将矩阵数据归一化为原始数据;划分情况为:训练集占总数80%,测试集占总数20%,利用训练集对待测目标的训练辐射电压数据进行训练,同时利用测试集同步进行精度测试以防止训练过拟合以得到最佳网络结构,最后带入现场辐射电压数据得出待测目标的真实温度;同时给出了几组经典样本的辐射电压数据、计算出的待测目标温度及与误差,如表1所示;
表1经典样本计算结果
此方法误差小于9%,且便于操作、易于实施,能够很好地达到对空中远程目标进行测温的目的。
在本实施方式中,LSTM神经网络处理单元,记忆不定时间长度的数值,区块中有一类门gate能够决定输入input是否重要到能被记住、影响输出output,进而决定舍弃哪些旧信息、添加哪些新信息,适用于本实施方式中所述测量装置的应用情况;该测量装置以各通道的电压数据作为输入训练计算目标真温,为了最小化训练误差使用梯度下降法为核心优化目标函数,函数的表达式为:
LSTM(long short-term memory),长短期记忆网络是RNN的一种变体,RNN由于梯度消失的原因只能有短期记忆,LSTM神经网络处理单元通过精妙的门控制将加法运算带入网络中,一定程度上解决了梯度消失的问题;LSTM神经网络处理单元的具体结构入图4所示,其中矩形是学习得到的神经网络层;圆形表示一些运算操作,诸如加法乘法;单箭头表示向量的传输。
LSTM神经网络处理单元的核心思想为:LSTM神经网络处理单元的关键就是细胞状态,水平线在图4上方贯穿运行;细胞状态类似于传送带,直接在整个链上运行,只有一些少量的线性交互,信息在上面流传保持不变会很容易;LSTM神经网络处理单元有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力;门是一种让信息选择式通过的方法;他们包含一个sigmoid神经网络层和一个pointwise乘法操作;Sigmoid神经网络层示意图如图5所示;Sigmoid层输出0到1之间的数值,描述每个部分有多少量可以通过。0代表“不许任何量通过”,1就指“允许任意量通过”,LSTM神经网络处理单元拥有三个门,来保护和控制细胞状态;在LSTM神经网络处理单元中的第一步是决定我们会从细胞状态中丢弃什么信息;这个决定通过一个称为遗忘门完成;该门会读取ht-1和xt,输出一个在0到1之间的数值给每个在细胞状中的数字;1表示“完全保留”,0表示“完全舍弃”。
具体实施方式五:本实施方式是对具体实施方式四所述的一种基于神经网络的空中远程目标的温度测量装置进一步限定,在本实施方式中,该温度测量装置还包括结果显示模块4;
所述结果显示模块4,用于对待测目标的真实温度进行显示;还用于显示训练集的训练效果。
具体实施方式六:本实施方式所述的一种基于神经网络的空中远程目标的温度测量方法包括标定测量步骤、实际测量步骤和数据处理步骤;
标定测量步骤,用于获取待测目标的训练辐射电压数据,还用于获取黑体的标定辐射电压数据;
实际测量步骤,用于获取待测目标的现场辐射电压数据;
数据处理步骤,是基于LSTM神经网络实现的,用于利用黑体的标定辐射电压数据与待测目标的训练辐射电压数据构建矩阵数据;还用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。
在本实施方式中,数据处理步骤还包括数据备份单元;
数据备份单元,用于对待测目标的训练辐射电压数据、黑体的标定辐射电压数据、待测目标的现场辐射电压数据、网络训练结果及待测目标的真实温度进行数据备份;防止数据丢失和方便对数据的二次处理。
具体实施方式七:本实施方式是对具体实施方式六所述的一种基于神经网络的空中远程目标的温度测量方法进一步限定,在本实施方式中,所述标定测量步骤包括第一零点测量步骤、标定测量步骤、第一实测测量步骤和第一去噪步骤;
第一零点测量步骤,用于利用辐射传感器对待测目标所处在的训练环境背景在多个波长下的电压进行测量,得到训练环境背景的原始零点电压数据;
第一实测测量步骤,用于利用辐射传感器对待测目标所处在训练环境背景下的总体辐射电压进行测量,得到原始目标电压数据;
标定测量步骤,用于利用辐射传感器对黑体所处在的训练环境背景下的电压进行测量,得到原始黑体辐射电压数据;
第一去噪步骤,用于利用原始目标电压数据减去原始零点电压数据,得到待测目标的训练辐射电压数据;还用于利用原始黑体辐射电压数据减去原始零点电压数据,得到黑体的标定辐射电压数据。
具体实施方式八:本实施方式是对具体实施方式七所述的一种基于神经网络的空中远程目标的温度测量方法进一步限定,在本实施方式中,
所述实际测量步骤包括第二零点测量步骤、第二实测测量步骤和第二去噪步骤;
第二零点测量步骤,用于利用辐射传感器对待测目标所处的工作现场环境背景在多个波长下的电压进行测量,得到工作现场环境背景的实测零点电压数据;
第二实测测量步骤,用于利用辐射传感器对待测目标所处在工作现场环境背景下的总体辐射电压进行测量,得到实测目标电压数据;
第二去噪步骤,用于利用实测目标电压数据减去实测零点电压数据,得到待测目标的现场辐射电压数据。
具体实施方式九:本实施方式是对具体实施方式八所述的一种基于神经网络的空中远程目标的温度测量方法进一步限定,在本实施方式中,所述数据处理模块步骤包括数据矩阵构建步骤和LSTM神经网络处理步骤;
数据矩阵构建步骤,用于利用黑体的标定辐射电压数据和待测目标的训练辐射电压数据构建矩阵数据;
LSTM神经网络处理步骤,用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。
在本实施方式中,将多光谱方法与LSTM神经网络相结合,利用LSTM神经网络算法对大气透过率进行补偿,从而完成空中远程目标的高精度温度测量。
具体实施方式十:本实施方式是对具体实施方式九所述的一种基于神经网络的空中远程目标的温度测量方法进一步限定,在本实施方式中,该温度测量方法还包括结果显示步骤;
所述结果显示步骤,用于对待测目标的真实温度进行显示;还用于显示训练集的训练效果。
Claims (7)
1.一种基于神经网络的空中远程目标的温度测量装置,其特征在于,该温度测量装置包括标定测量模块(1)、实际测量模块(2)和数据处理模块(3);
标定测量模块(1),用于获取待测目标的训练辐射电压数据,还用于获取黑体的标定辐射电压数据;
实际测量模块(2),用于获取待测目标的现场辐射电压数据;
数据处理模块(3),是基于LSTM神经网络实现的,用于利用黑体的标定辐射电压数据与待测目标的训练辐射电压数据构建矩阵数据;还用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度;
所述标定测量模块(1)包括第一零点测量单元、标定测量单元、第一实测测量单元和第一去噪单元;
第一零点测量单元,用于利用辐射传感器对待测目标所处在的训练环境背景在多个波长下的电压进行测量,得到训练环境背景的原始零点电压数据;
第一实测测量单元,用于利用辐射传感器对待测目标所处在训练环境背景下的总体辐射电压进行测量,得到原始目标电压数据;
标定测量单元,用于利用辐射传感器对黑体所处在的训练环境背景下的电压进行测量,得到原始黑体辐射电压数据;
第一去噪单元,用于利用原始目标电压数据减去原始零点电压数据,得到待测目标的训练辐射电压数据;还用于利用原始黑体辐射电压数据减去原始零点电压数据,得到黑体的标定辐射电压数据;
所述实际测量模块(2)包括第二零点测量单元、第二实测测量单元和第二去噪单元;
第二零点测量单元,用于利用辐射传感器对待测目标所处的工作现场环境背景在多个波长下的电压进行测量,得到工作现场环境背景的实测零点电压数据;
第二实测测量单元,用于利用辐射传感器对待测目标所处在工作现场环境背景下的总体辐射电压进行测量,得到实测目标电压数据;
第二去噪单元,用于利用实测目标电压数据减去实测零点电压数据,得到待测目标的现场辐射电压数据;
所述数据处理模块(3)包括数据矩阵构建单元和LSTM神经网络处理单元;
数据矩阵构建单元,用于利用黑体的标定辐射电压数据和待测目标的训练辐射电压数据构建矩阵数据;
LSTM神经网络处理单元,用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。
2.根据权利要求1所述的一种基于神经网络的空中远程目标的温度测量装置,其特征在于,该温度测量装置还包括结果显示模块(4);
所述结果显示模块(4),用于对待测目标的真实温度进行显示;还用于显示训练集的训练效果。
3.一种基于神经网络的空中远程目标的温度测量方法,该温度测量方法利用权利要求1所述的一种基于神经网络的空中远程目标的温度测量装置实现;
其特征在于,该温度测量方法包括标定测量步骤、实际测量步骤和数据处理步骤;
标定测量步骤,用于获取待测目标的训练辐射电压数据,还用于获取黑体的标定辐射电压数据;
实际测量步骤,用于获取待测目标的现场辐射电压数据;
数据处理步骤,是基于LSTM神经网络实现的,用于利用黑体的标定辐射电压数据与待测目标的训练辐射电压数据构建矩阵数据;还用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。
4.根据权利要求3所述的一种基于神经网络的空中远程目标的温度测量方法,其特征在于,所述标定测量步骤包括第一零点测量步骤、标定测量步骤、第一实测测量步骤和第一去噪步骤;
第一零点测量步骤,用于利用辐射传感器对待测目标所处在的训练环境背景在多个波长下的电压进行测量,得到训练环境背景的原始零点电压数据;
第一实测测量步骤,用于利用辐射传感器对待测目标所处在训练环境背景下的总体辐射电压进行测量,得到原始目标电压数据;
标定测量步骤,用于利用辐射传感器对黑体所处在的训练环境背景下的电压进行测量,得到原始黑体辐射电压数据;
第一去噪步骤,用于利用原始目标电压数据减去原始零点电压数据,得到待测目标的训练辐射电压数据;还用于利用原始黑体辐射电压数据减去原始零点电压数据,得到黑体的标定辐射电压数据。
5.根据权利要求4所述的一种基于神经网络的空中远程目标的温度测量方法,其特征在于,所述实际测量步骤包括第二零点测量步骤、第二实测测量步骤和第二去噪步骤;
第二零点测量步骤,用于利用辐射传感器对待测目标所处的工作现场环境背景在多个波长下的电压进行测量,得到工作现场环境背景的实测零点电压数据;
第二实测测量步骤,用于利用辐射传感器对待测目标所处在工作现场环境背景下的总体辐射电压进行测量,得到实测目标电压数据;
第二去噪步骤,用于利用实测目标电压数据减去实测零点电压数据,得到待测目标的现场辐射电压数据。
6.根据权利要求5所述的一种基于神经网络的空中远程目标的温度测量方法,其特征在于,所述数据处理步骤包括数据矩阵构建步骤和LSTM神经网络处理步骤;
数据矩阵构建步骤,用于利用黑体的标定辐射电压数据和待测目标的训练辐射电压数据构建矩阵数据;
LSTM神经网络处理步骤,用于对矩阵数据进行归一化得到原始数据集,并将原始数据集划分成训练集和测试集,利用训练集对待测目标的训练辐射电压数据进行训练,利用测试集防止训练过拟合,最后利用待测目标现场辐射电压数据得出待测目标在工作现场实际测量中的真实温度。
7.根据权利要求6所述的一种基于神经网络的空中远程目标的温度测量方法,其特征在于,该温度测量方法还包括结果显示步骤;
所述结果显示步骤,用于对待测目标的真实温度进行显示;还用于显示训练集的训练效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950706.4A CN113624350B (zh) | 2021-08-18 | 2021-08-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950706.4A CN113624350B (zh) | 2021-08-18 | 2021-08-18 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113624350A CN113624350A (zh) | 2021-11-09 |
CN113624350B true CN113624350B (zh) | 2022-05-31 |
Family
ID=78386610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110950706.4A Active CN113624350B (zh) | 2021-08-18 | 2021-08-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113624350B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109186811B (zh) * | 2018-09-18 | 2021-01-05 | 天津科技大学 | 一种基于bp神经网络的fbg温度标定方法 |
EP3857458A1 (en) * | 2018-10-30 | 2021-08-04 | Google LLC | Quantizing trained long short-term memory neural networks |
CN110411585B (zh) * | 2019-08-05 | 2021-05-11 | 中国科学院光电技术研究所 | 一种高精度红外辐射测量方法 |
CN111707373B (zh) * | 2020-06-01 | 2021-12-03 | 中国科学院空天信息创新研究院 | 温度与发射率分离方法及装置 |
CN113091768B (zh) * | 2021-03-12 | 2024-04-12 | 南京理工大学 | 一种mimu整体动态智能标定补偿方法 |
-
2021
- 2021-08-18 CN CN202110950706.4A patent/CN113624350B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113624350A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111829666B (zh) | 一种目标红外成像仿真模型的四级验证方法 | |
CN111737913B (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
CN112329334B (zh) | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 | |
CN116879297B (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
CN105138720B (zh) | 基于矩阵正交三角化的标定数据曲线拟合方法 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN106597852A (zh) | 一种基于rbf神经网络的mems陀螺仪温度补偿方法 | |
CN115422703A (zh) | 一种基于MODIS数据和Transformer网络的地表热红外发射率反演方法 | |
CN117933095A (zh) | 一种基于机器学习的地表发射率实时反演及同化方法 | |
CN107631803A (zh) | 基于热感成像的混凝土表面温度精确测量方法 | |
CN113624350B (zh) | 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 | |
CN103674237B (zh) | 一种红外恒星与天空背景交叉辐射标校方法 | |
CN116989972A (zh) | 基于热电模拟网络测试的测热试验数据不确定度评估方法 | |
CN116699729A (zh) | 地基微波辐射计资料的直接同化方法及装置 | |
CN113311509B (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 | |
Gao et al. | Multi-spectral pyrometer for narrow space with high ambient temperature | |
CN114486820A (zh) | 一种机载微波辐射计云中过冷水的反演方法 | |
CN108414997B (zh) | 一种基于粒子特性差异的边界层高度反演方法 | |
CN105784626A (zh) | 一种基于红外光谱成像技术的大气污染物自适应识别方法及系统 | |
Wang et al. | Nonlinear correction of pressure sensor based on depth neural network | |
CN111123406A (zh) | 手持气象仪温度数据拟合方法 | |
Hots | Investigation of temperature measurement uncertainty components for infrared radiation thermometry | |
Liu et al. | Error Calibration Model of Air Pressure Sensor Based on DF-RBF. | |
CN118150055A (zh) | 一种气体气云光谱分析方法及装置 | |
Zhang et al. | Millimeter wave passive detection simulation system |
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 |