CN114239654A - 一种基于双波段热释电器件的温度识别分类方法 - Google Patents

Abstract

本发明涉及热释电检测的温度识别分类领域，具体为一种基于双波段热释电器件的温度识别分类方法。本发明根据双波段热释电器件输出的双波段特性，利用目标黑体不同温度可映射不同双波段比值的特点，将双波段比值作为该信号的主要特征，再额外加上时域和频域的一部分特征作为该信号的特征集，从而对信号的主要特征提取完毕；并与机器学习相结合，进而达到良好的温度识别分类效果。本发明易于实现且能达到良好的分类效果，有效解决了现有的温度识别分类方法受限于各自类别使得普适性较低的问题，且可以应用于其他领域，为其他领域的发展提供新的思路。

Description

一种基于双波段热释电器件的温度识别分类方法

技术领域

本发明涉及热释电检测的温度识别分类领域，具体为一种基于双波段热释电器件的温度识别分类方法,涉及到根据双波段热释电器件所采集到的长波和中波输出信号从而完成对目标温度的识别分类方法。

背景技术

在基于硬件的计算机识别领域，传统的基于红外摄像设备所采集到的红外图片来进行的温度识别技术，虽然已经达到了应用的要求，且识别准确率高，但是由于基于红外图像的识别算法过于复杂，需要强大的计算设备进行支撑，导致整个系统价格高昂，难以在某些特定场合进行应用。且在某些识别目标是高热量辐射领域，基于传统采集红外图像识别方法在此邻域的应用、成本、便捷等的方面还存在诸多缺陷。

而热释电红外传感器作为被动式红外信号的接收元件，具有低成本、低功耗、高灵敏度、便于安装等特点，能够适应复杂多变的外部环境并能够有效的检测到不同目标的温度变换。由于热释电红外传感器具有使用成本低且技术相对成熟等特点，主要大量应用在智慧照明、人体姿态识别、安防检测等领域。

在现有的以热释电红外传感器为信号采集装置的识别分类领域，主要应用的是以硬件网络和软件算法相结合的方法来实现对人体目标的姿态识别。其所搭建的硬件网络需要使用大量的传感器来完成对目标的数据采集，软件算法则以采用支持向量机和神经网络等作为识别分类的主要算法，其分类结果也达到了令人满意的结果。但是在对高温目标的识别分类上所采用硬件网路的方法所需要的资源较多，所需要的传感器数量为符合环境要求可能大幅增加，且在数据融合方面也是及其占用资源，并且在处理数据上也将消耗额外的计算量，所以传统的热释电器件所搭建的探测网络不适用于高温目标的识别分类。

发明内容

针对上述存在问题或不足，为了解决现有的温度识别分类方法受限于各自类别使得普适性较低的问题，本发明提供了一种基于双波段热释电器件的温度识别分类方法。

一种基于双波段热释电器件的温度识别分类方法，包括如下步骤：

S1、在频率和探测环境一定的情况下，采集目标黑体不同温度下的双波段热释电器件所输出的长波和中波信号。

S2、将S1所采集的信号通过高级语言转换为后续能够处理的格式。

S3、对于S2获得的格式可使用的原始信号进行滤波去噪的预处理。

S4、将S3预处理后的信号进行特征提取，提取的特征为双波段比值。

S5、将S4提取的特征数据，通过留出法将其分为70％～80％的训练集和30％～20％的测试集。

S6、将S5所得训练集作为输入数据，用于建立随机森林预估器模型。

S7、根据超参数搜索采用3～8倍交叉验证通过S5所得训练集对S6建立的随机森林预估器模型验证和调优，以重构得到准确率不低于90％的随机森林模型。

S8、将步骤S5所得测试集作为输入数据，通过S7重构的随机森林模型对其进行分类处理并输出分类结果。

进一步的，所述步骤S2中高级语言不仅转换格式，还进行样本量增加的操作，以提高整个分类方法的准确率。所述步骤S2中高级语言为python语言。

进一步的，所述步骤S4中提取的特征还包括时域特征峰峰值和/或频域特征功率谱密度，以提高整体方法的稳定性。所述时域特征和/或频域特征还包括至少一个的所属类别额外特征，即在时域特征峰峰值和/或频域特征功率谱密度基础上增加更多的时域特征和/或频域特征，以提升方法的识别效率以及执行速度。

双波段热释电器件的特殊性在于该器件的设计应用了对不同波段红外光线超高选择性和吸收性的超材料，此类结构的超材料又被称为超材料完美吸波结构，可通过设计来选择吸收波段的中心位置。通过设计使得双波段热释电器件所选择吸收的是目标物体的长波和中波段，故双波段热释电器件所输出的信号是探测目标物体的长波和中波信号。而自然界中的高温物体在不同的温度下所产生的长波和中波的比值是不同的，即一个特定温度有一个特定的长波和中波比值，所以本发明充分利用高温物体的这一特征，将双波段热释电器件与机器学习相结合，从而达到温度的识别分类作用。

本发明的主要关键点在于将双波段热释电器件的双波段输出特性与机器学习的随机森林算法相结合达到温度识别的作用。主要过程是通过采集双波段热释电器件在目标不同温度下输出的双波段信号，然后通过预处理对信号进行滤波去操，再对去噪后的信号进行特征提取，其主要特征为双波段比值与时域部分的幅度检测、相关分析和频域部分的功率谱密度等主要特征，然后使用留出法将数据分割成训练集和测试集，并利用训练集构建随机森林预估模型；再通过超参数搜索采用交叉验证通过所得训练集对建立的随机森林预估器模型验证和调优，重构得到准确度符合要求的随机森林模型；最后采用随机森林模型对测试集进行分类识别作为最终的温度识别分类结果，然后用测试集上的误差作为最终模型在应对现实场景中的泛化误差。

系统在选择识别特征之后，就是如何根据选择特征对目标进行分类，这就涉及到数学建模来建立分类预估器的问题。良好的数学模型不仅可以实现系统识别性能的提高，而且可以节省一定的计算资源。在目标检测和识别系统里，核心的模型就是分类器，而在众多的分类器中，随机森林以易于实现、计算开销小，分类效果显著等优点被广泛应用，且根据本系统的特点，所以采用随机森林分类器以构建一个温度识别分类系统。

综上所述，本发明根据双波段热释电器件输出的双波段特性，利用不同温度可映射不同双波段比值的特点，将双波段比值作为该信号的主要特征，再额外加上时域和频域的一部分特征作为该信号的特征集，从而对信号的主要特征提取完毕；并与机器学习相结合，从而达到良好的温度识别分类效果。本发明有效解决了现有的温度识别分类方法受限于各自类别使得普适性较低的问题。

附图说明

图1为实施例的流程图。

图2是热释电探头内部结构示意图。

图3是PIR工作原理。

图4是双波段热释电器件双波段敏感元截面示意图。

图5是目标黑体不同温度下的双波段比值。

图6是特征提取示意图。

图7是随机森林分类示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明做进一步详细描述，本实施例的整体流程如附图1所示。

图2所示的是热释电探头内部结构示意图。其热释电红外传感器由滤光片、热释电探测元和前置放大器组成，补偿型热释电传感器还带有温度补偿元件，为防止外部环境对传感器输出信号的干扰，上述元件被真空封装在一个金属营内。热释电传感器的滤光片为带通滤光片，它封装在传感器壳体的顶端，使特定波长的红外辐射选择性地通过，到达热释电探测元在其截止范围外的红外辐射则不能通过。

制备热释电探测元时，在大片热释电材料上进行图形化设计，对大面积热释电材料分区域图形化制备各层结构，然后利用激光切割将各区域切割开，每个区域就是一个红外敏感单元元件。如图4双元横截面所示，一个热释电单元上制备不同的顶层金属图形层。两者分别针对不同波段，利用激光切割，将原本连在一起的切开，形成两个敏感元，实现单一热释电材料上的双元结构。以此设计为基础，在图形化的设计顶层金属图形层时，针对单个热释电材料进行多区域划分，在不同区域制备中心波段不同的超材料红外吸收结构。双波段热释电器件的敏感元就是在如图4所示的双元结构上制备针对长波和中波的超材料红外吸收结构，从而达到了输出目标物体长波和中波信号的作用。

图3所示为热释电器件的工作原理，及当移动热源进入视场并离开视场时，其所输出的电信号也会有相应的变化。根据电极连接的不同，当目标进入视场时，输出电压会有正向/负向的输出电压，当目标离开视场时，输出电压会有负向/正向的输出电压，这是一个普通的热释电器件的工作原理。双波段热释电器件是在这个工作原理的情况下，输出两个电信号，其两个电信号代表得分别是长波和中波的信号，这就增加了探测目标的可用信息，为后续的特征提取增加特征量，从而更易于与机器学习的结合。

针对以上的硬件特性可结合机器学习对其信号进行处理，其步骤如下。

步骤1：在频率和探测环境一定的情况下，通过示波器采集目标黑体不同温度下的双波段热释电器件所输出的长波和中波信号。

热释电所探测的目标需要是能够对热释电视场引起变化的目标，及是移动的且进入或离开视场的目标，只有这样热释电才会有输出响应。所以为了模拟目标进入和离开热释电视场这一情况，需要一个斩波器，以简单循环的遮挡热释电视场这一作用来模拟目标进入和离开视场。

然后控制斩波器的频率，即模拟目标在一个时间段内进入和离开视场的频率；改变探测黑体的温度，通过示波器从而收集一定频率下目标不同温度输出的长波和中波信号。

步骤2：将步骤1所采集的信号通过python语言的处理，使得信号转换为后续能够处理的格式，并且增加样本量。

所采集的原始信号可能样本量不够且格式不适合于后续步骤的处理，所以本发明通过python语言先对其进行特定格式的变换，使其符合后面特征提取和分类器的格式要求，然后再对信号按周期进行分割，从而增加样本量。

步骤3：此时步骤2的结果为格式可使用的原始信号，需要对该原始信号进行滤波去噪的预处理操作。

由于热释电探测器输出信号容易受到各种噪声干扰，且采集过程中也可能引入新的噪声，所以为后续的有效分析，需对信号进行预处理。本实施例采用低通滤波的方式进行去噪，所采用的方法有傅里叶变换、滑动平均窗滤波、Wiener线性滤波等，且随着小波理论的日趋完善，也将应用小波阈值去噪方法对信号进行去噪，选择去噪效果最好的方法，从而为后续的处理做准备。

步骤4、将步骤3预处理后的信号进行特征提取，获取信号的双波段比值，以及时域的峰峰值特征和频域的功率谱密度特征。

特征提取的原理如图6所示，可以将传入的数据的进行特征提取，因为传感器输入的信号是多维信号且无明显特征，所以需要通过计算特征值，将原始数据从高维空间映射到低维空间。在低维空间中找到能表征原始数据本质信息的少量综合特征，因为输入算法中的数据特征的品质直接决定模式识别算法的性能，因此如何有效提取特征是至关重要的。

合适的特征将决定后续分类器的分类效率，从图5可以看出目标黑体的温度在366.6℃以上时，其自身的长波和中波的比值是一定的且不随斩波器频率的变化而变化，并且不同的温度下的双波段比值是不同的，故高温目标下这一差异度较大的特征，可作为特征中的关键特征。

因单一特征会使得分类器的容错率较小，较小的误差会导致输出结果偏离真实值较大。故又进一步的在时域和频域中提取部分特征。时域分析方法可从热释电信号波形变化的规律中提取有用的波形信息，其方法有幅度检测、相关分析、斜率分析、方差分析等，从而能够后提取出时域中的幅值、相关度、斜率、方差等主要特征。在频域分析中可得到时域分析不能得到的一些结果，其频谱分析和功率谱分析是频域分析中的常用一种方法，得出的功率谱密度可作为频域的主要特征。通过获取时域和频域中信号的各自特征，选择差异性较大的特征，从而为后续分类器的识别效率打下良好的基础。

识别分类系统的一个关键步骤就是特征的提取，特征的选择会影响后续分类器的识别效率。而自然界中的高温物体在不同温度下的自身所发射的长波和中波比值是不同的，及特定温度具有特定的双波段比值。双波段热释电器件也是根据这一特点所设计的，即双波段热释电器件输出的信号是探测目标的长波和中波信号，针对该器件的双波段特性，以及与温度具有映射关系的双波段比值，可将双波段比值这一个特征作为该系统识别所需要的主要特征。

步骤5、将步骤4提取的特征数据，通过留出法将其分为70％～80％的训练集和30％～20％的测试集。

在对预估模型的建立过程中，需要不断的测试其真实环境中的数据在预估模型中的准确度，模型在真实环境中的误差叫做泛化误差，而模型的泛化误差越小表明模型越好。由于每次在现实环境中测数据，在部署环境和训练模型之间往复，代价很高，并且获得的数据也不干净，所以好的方法是将数据分割成两部分：训练集和测试集。

留出法作为再划分数据领域的主流算法，其优点主要有：1、尽可能保持数据分布的一致性。避免因数据划分过程引入的额外偏差而对最终结果产生影响；2、采用若干次随机划分避免单次使用留出法的不稳定性。所以可以使用留出法得出的训练集的数据来训练模型，然后用测试集上的误差作为最终模型在应对现实场景中的泛化误差。

步骤6：将步骤5划分的训练集作为输入数据，用于建立随机森林预估器模型。

系统在选择识别特征之后，就是如何根据选择特征对目标进行分类，这就涉及到数学建模来建立分类预估器的问题。良好的数学模型不仅可以实现系统识别性能的提高，而且可以节省一定的计算资源。

在目标检测和识别系统里，核心的模型就是分类器，而在众多的分类器中，随机森林以易于实现、计算开销小，分类效果显著等优点被广泛应用，且根据本发明的特点，所以采用的是随机森林分类器。

随机森林可以堪称是Bagging和随机子空间的结合，是由一系列分类器组合在一起进行决策，期望得到一个最“公平”的集成学习方法。该分类器的示意图如附图7所示，即通过判决各个单个决策树的决策结果，从而达到提高分类准确率的目的。

步骤7：在步骤6的随机森林算法基础上对训练集进行模型选择和调优，根据超参数搜索得到模型的最优参数，根据3～8倍交叉验证得到模型的预估准确度。

步骤6建立起来的随机森林预估模型的准确性与其自身的泛化误差有直接关系，及泛化误差越小证明该模型的分类准确率越高。

但模型的分类准确度与算法的核心参数的选取有关，不合适的核心参数将会使得模型的准确度达不到良好的效果，但是随机森林算法的参数选择过多，所以不同参数的组合将会产生不同的效果。为了提高分类准确度，采用超参数选择的方式，以牺牲运算速度为前提，提取出适合该训练数据的最优参数，从而提高预估器的分类准确率。

交叉验证是用来评估一个模型的泛化误差的经典办法，但是其自身的缺点是对检验数据的完善性以及计算机的计算能力有要求，所以考虑交叉验证的特性，选取了训练集作为验证的输入保证输入数据的合理性，在选取3倍交叉验证时，因交叉验证的次数比较少，虽然提高了整体的运算效率，但最后的预估分类率会有所误差；在选取8倍交叉验证时，因交叉验证的次数有所提高，虽然最后的预估分类率有所提升，但其运算时间也明显加长。所以最终选择多少倍进行交叉验证可依据实际需求，本实施例选择5倍交叉验证，以确保分类率和运行时间两方面的均衡性。

步骤8：将步骤5所得测试集作为输入数据，通过步骤7重构的随机森林模型对其进行分类处理并输出分类结果。

重新采集数据会无故增加成本，而步骤7重构的模型已能保证模型的准确度，所以可以利用之前数据处理时从原始数据中分离出来的测试集数据，通过S7重构的随机森林模型对其进行分类处理并输出分类结果。

综上所述，本发明根据双波段热释电器件两个不同探测波段的输出特性，利用不同双波段比值可映射目标不同温度的特点，将双波段比值作为该信号的主要特征，再额外加上时域和频域的一部分特征作为该信号的特征集，从而对信号的主要特征提取完毕；并与机器学习相结合，进而达到良好的温度识别分类效果。本发明易于实现且能达到良好的分类效果，有效解决了现有的温度识别分类方法受限于各自类别使得普适性较低的问题，且可以应用于其他领域，为其他领域的发展提供新的思路。

Claims (5)

1.一种基于双波段热释电器件的温度识别分类方法，其特征在于，包括如下步骤：

S1、在频率和探测环境一定的情况下，采集目标黑体不同温度下的双波段热释电器件所输出的长波和中波信号；

S2、将S1所采集的信号通过高级语言转换为后续能够处理的格式；

S3、对于S2获得的格式可用的原始信号进行滤波去噪的预处理；

S4、将S3预处理后的信号进行特征提取，提取的特征为双波段比值；

S5、将S4提取的特征数据，通过留出法将其分为70％～80％的训练集和30％～20％的测试集；

S6、将S5所得训练集作为输入数据，用于建立随机森林预估器模型；

S7、根据超参数搜索采用3～8倍交叉验证通过S5所得训练集对S6建立的随机森林预估器模型验证和调优，以重构得到准确率不低于90％的随机森林模型；

S8、将步骤S5所得测试集作为输入数据，通过S7重构的随机森林模型对其进行分类处理并输出分类结果。

2.如权利要求1所述基于双波段热释电器件的温度识别分类方法，其特征在于：所述步骤S2中高级语言不仅转换格式，还进行样本量增加的操作，以提高整个分类方法的准确率。

3.如权利要求1所述基于双波段热释电器件的温度识别分类方法，其特征在于：所述步骤S2中高级语言为python语言。

4.如权利要求1所述基于双波段热释电器件的温度识别分类方法，其特征在于：所述步骤S4中提取的特征还包括时域特征峰峰值和/或频域特征功率谱密度，以提高整体方法的稳定性。

5.如权利要求4所述基于双波段热释电器件的温度识别分类方法，其特征在于：所述时域特征和/或频域特征还包括至少一个所属类别的额外特征，以提升方法的识别效率以及执行速度。

Images