一种宽动态范围高精度红外辐射测量方法

摘要

本发明提供了一种宽动态范围高精度红外辐射测量方法，该方法包括：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。本发明将不同衰减片、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，对模型中的各项参数进行学习，充分挖掘不同工作点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，训练得到的网络在系统工作范围内具有良好的泛化性和回归能力，在红外辐射测量过程中衰减片、积分时间可以在工作范围内动态调节，从而拓宽红外系统辐射测量动态范围。

说明书

技术领域

本发明属于红外辐射测量领域，具体涉及一种宽动态范围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、积分时间、光学系统增益、衰减片透过率等因素的影响。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将衰减片和积分时间组合成不同的工作点分别定标，然后再采用最小二乘法、双线性回归等方法进行辐射量反演计算。每一个工作点档位对应一组反演参数。在进行辐射测量时，根据工作点设置切换对应参数组进行辐射量反演计算。

常规辐射测量方法具有如下弊端：

1、衰减片和积分时间档位固定：受存储能力和定标工作量等因素的限制，系统只能存有限的衰减片和积分时间组合工作点，使用时无法动态选择最佳测量工作点，难以充分发挥红外辐射测量系统的性能；

2、测量精度较差：常规方法的参数计算是按衰减片和积分时间分组、独立进行的，不同定标工作点数据之间的相关性被忽略了，定标精度容易受系统随机误差影响而降低，造成工作点切换时辐射测量误差较大；

3、辐射定标工作量大：由于未定标工作点在系统以后使用过程中不能使用，系统需要对多个工作点下的多个温度点进行定标，造成红外辐射测量系统定标工作量大、效率较低。

本发明是《一种高精度红外辐射测量方法》(专利号201910716564.8)基础上进一步增加对滤光片组兼容性的宽动态范围高精度红外辐射测量方法，将不同衰减片组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，对模型中的各项参数进行学习，充分挖掘不同工作点定标数据之间的相关性，在红外辐射测量过程中衰减片、积分时间可以在工作范围内动态调节，从而进一步拓宽红外系统辐射测量动态范围。

发明内容

本发明的目的在于提供一种宽动态范围高精度红外辐射测量方法，该方法建立了一种统一了衰减片、积分时间和黑体温度的辐射定标物理模型，将不同衰减片档位、不同积分时间、不同黑体温度的定标数据整合为一个整体数据库，设计合理的回归网络结构，借助神经网络损失函数和误差反向传递机制，对回归方程中各项参数进行学习，充分挖掘不同工作点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，训练得到的网络在系统工作范围内具有良好的泛化性和回归能力，能对工作范围内未定标工作点的红外辐射量进行精确预测，提高了红外系统对大动态范围红外目标的辐射测量能力。

本发明采用的技术方案为：

一种宽动态范围高精度红外辐射测量方法，该方法包括以下步骤：

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；

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：实时衰减片和积分时间调整策略。

进一步的，所述步骤A包括：

在系统多个衰减片、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。

进一步的，所述步骤B包括：

对从步骤A获得的多帧原始数据进行预处理，包括多帧平均去噪和盲元周围像素平均或替换；

通过步骤B获得预处理灰度响应数据、探测器积分时间及衰减片信息。

进一步的，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照度理论值作为所述像元辐射量理论值。

进一步的，所述步骤D包括：

建立用于回归的前向神经网络，设置前向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、学习速率和迭代次数；

将步骤B得到的预处理灰度响应数据、探测器积分时间及衰减片信息进行归一化处理后作为所述前向神经网络的输入；

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前向神经网络的期望值；

建立统一的数学回归方程式(4)，表示如下：

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，K

建立回归方程式的误差反向传递函数：该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

建立损失函数及损失函数的误差反向传递函数：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：

其中，Loss为损失函数值，dLdY

训练所述前向神经网络的方式如下：

由于参数A、B与衰减片回归系数D是乘积耦合关系，并且回归参数F所对应的二次非线性补偿项会引起网络训练不稳定，因此网络训练时分三阶段进行：

第一阶段针对无衰减片的部分数据库，同时保持参数F及其反向误差传递为零；

第二阶段针对包含衰减片组的整体数据组库，同时保持参数F及其反向误差传递为零；

第三阶段针对包含衰减片组的整体数据组库，恢复参数F及其反向误差传递正常。

最后训练网络得到满足精度要求的回归网络参数。

进一步的，训练网络的硬件平台包括CPU、GPU、ARM或ASIC。

进一步的，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、积分时间及衰减片信息作为输入，对像元辐射量进行推理计算。

进一步的，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、辐亮度、辐射功率和/或等效温度。

进一步的，所述步骤G包括：

针对红外系统存在随环境条件改变而发生信号漂移的问题，在辐射测量前，用已知温度、表面均匀的黑体按方程式(11)进行单点校正，以减少漂移对测量精度的影响：

其中，Y

进一步的，所述步骤H中，

衰减片和积分时间调整策略包括：

H1、手动调整：根据目标和背景情况精确调整衰减片和积分时间至最佳测量效果后固定工作点，下次测量时根据情况再进行衰减片和积分时间调整；手动调整适用于测量过程中需要固定衰减片和积分时间的场合；

H2、自动调整：设定图像灰度期望值、图像灰度阈值上限和图像灰度阈值下限，当目标图像灰度值低于图像灰度期望值时，增加积分时间，反之，当目标图像灰度值高于图像灰度期望值时，减少积分时间；当目标图像灰度值低于图像灰度阈值下限时，切换透过率更高的衰减片，反之，当目标图像灰度值高于图像灰度阈值上限时，切换透过率更低的衰减片；自动调整适用于动态目标智能成像场合，衰减片和积分时间自动调整，使待测量区域的灰度值在系统可调节范围内保持在最佳测量范围内，以提高系统宽动态范围下辐射测量精度。

本发明与现有技术相比的优点在于：

(1)系统工作点连续可调：克服了以往衰减片和积分时间档位固定、调节跨度大的缺点，使工作点参数调节更为细腻和灵活，提高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：本发明将不同衰减片、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，通过回归网络对系统参数进行学习，充分挖掘不同工作点数据之间的相关性，对定标过程中系统随机误差具有更强的抵御能力，辐射测量精度更高；

(3)减少定标工作量：训练得到的回归网络在系统工作范围内具有良好的泛化性，能对工作范围内未定标点的红外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为本发明一种宽动态范围高精度红外辐射测量方法流程图；

图2为实施例黑体定标数据；

其中，(a)为衰减片1定标数据；(b)衰减片2定标数据；(c)衰减片3定标数据；

图3为网络结构示意图；

图4为网络正向和误差反向传递示意图；

图5为实施例网络训练过程曲线；

图6为实施例黑体辐亮度测量结果；

其中，(a)为衰减片1测量结果；(b)为衰减片2测量结果；(c)为衰减片3测量结果。

具体实施方式

下面将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。

本发明提供了一种宽动态范围高精度红外辐射测量方法，如图1所示，包括步骤如下：

步骤A，系统定标：在系统多个衰减片、积分时间、黑体温度点进行定标，获取图像灰度响应随衰减片、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，像元辐照度理论值计算：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，E

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、迭代次数等；

2、将步骤B得到的预处理灰度响应数据、探测器积分时间及衰减片信息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，x

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，Y

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：

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，K

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

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)已经具备一定的非线性回归能力，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：

其中，Loss为损失函数值，dLdY

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照度。将参数部署到方程式(9)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：

E

其中，E

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、辐亮度、辐射功率、等效温度等；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(10)计算目标辐亮度：

其中，L

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(11)所示：

其中，F为光学系统F#数，τ

步骤H，系统工作点调整策略：

H1、手动调整：根据目标和背景情况精确调整衰减片和积分时间至最佳测量效果后固定工作点，下次测量时根据情况再进行衰减片和积分时间调整。手动调整适用于测量过程中需要固定衰减片和积分时间的场合；

H2、自动调整：设定图像灰度期望值、图像灰度阈值上限和图像灰度阈值下限，当目标图像灰度值低于图像灰度期望值时，增加积分时间，反之，减少积分时间；当目标图像灰度值低于图像灰度阈值下限时，切换透过率更高的衰减片，反之，当目标图像灰度值高于图像灰度阈值上限时，切换透过率更低的衰减片。自动调整适用于动态目标智能成像场合，衰减片和积分时间自动调整，使待测量区域的灰度值在系统可调节范围内保持在最佳测量范围内，以提高系统宽动态范围下辐射测量精度。

优选的，本发明提供了以下具体实施例：

本发明所述方法包括以下步骤：

步骤A，系统定标：在系统多个衰减片、积分时间、黑体温度点进行定标，获取图像灰度响应随衰减片、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和盲元替换预处理。

步骤C，像元辐照度计算：根据普朗克黑体辐射公式和红外系统各项参数，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2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3和图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、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、积分时间及衰减片信息作为输入，按方程式(9)计算像元辐照度。

E

本实施例定标图像辐亮度计算结果例图如图6所示，从图中可以看出，在衰减片组和积分时间的整个动态范围内均具有较好的回归效果。

步骤F，目标辐亮度反演：根据像元辐照度和成像关系，按方程式(10)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(11)计算单点校正修正项并对目标辐亮度进行修正。

步骤H，衰减片和积分时间调整：

H1、手动调整：选择固定的衰减片和积分时间进行辐射测量；

H2、自动调整：设定图像灰度期望值、图像灰度阈值上限及图像灰度阈值下限：当平均灰度低于期望值时，积分时间增加ΔT

本实施例目标辐亮度测量结果如表1所示，本方法的黑体辐亮度测量误差相比传统分组方法的测量精度具有明显提升。

表1目标辐亮度测量结果

本发明中涉及到的本领域公知技术未详细阐述。