一种基于神经网络的多光谱温度测量方法与流程

1.本发明属于光谱温度测量和非接触测温领域，具体涉及一种基于神经网络的多光谱温度测量方法。


背景技术：

2.多光谱辐射测温法是利用目标物体多个光谱的辐射信息，经过数据处理得到目标物体的真温和材料的光谱发射率。真温的测量依赖于目标物体的光谱发射率，而目标的光谱发射率与材料的组成、表面状态、测量角度、波长等多种因素有关。要测量物体的真温就要假设发射率与波长的函数关系，但现有的发射率和波长的假设模型皆为一种固定模型，每种假设模型只适用于某一种材料，还无法适用于所有材料。问题的关键在于对某种未知材料进行测量之前，并不知道此种材料的发射率与波长符合哪种函数关系，因此在对测量数据进行数据处理时，发射率与波长假设模型的选取是盲目的，迄今为止还无法找到一种适合于所有材料的发射率与波长的假设模型。因此，用辐射法测量真温就成为一大难题。需要解决目标物体的辐射量和真温之间的非线性映射关系。


技术实现要素：

3.(一)要解决的技术问题
4.本发明要解决的技术问题是如何提供一种基于神经网络的多光谱温度测量方法，以解决目标物体的辐射量和真温之间的非线性映射关系的问题。
5.(二)技术方案
6.为了解决上述技术问题，本发明提出一种基于神经网络的多光谱温度测量方法，该方法包括如下步骤：
7.s11、光谱离散化，将物体温度辐射分解为离散化不同谱段的光谱；
8.s12、温度标定，测量不同物体在不同温度的光谱辐射，通过光敏传感器记录其光谱分布情况；
9.s13、基于神经网络的机器学习与建模；
10.基于神经网络的机器学习与建模，包括以下步骤：
11.s131、光谱数据预处理，将多通道采集得到的光谱数据进行归一化处理；
12.s132、构建神经网络模型，将预处理后的样本数据输入神经网络进行训练，建立光谱信息与物体温度之间的非线性映射关系；
13.s133、输入测试样本，根据测试样本的光谱强度信息与物体温度之间的非线性映射关系获得测试样本对应的温度。
14.进一步地，该方法应用于多光谱高温瞬态测量系统，该系统包括光谱信息摄取单元、光电转换单元和主控处理单元和神经网络测温单元。
15.进一步地，所述光谱摄取单元包括望远系统、孔径光阑、准直系统、色散系统、聚焦系统，各个组成部件顺次摆放，用于实现对光谱信息的分离；其中，望远系统摄取物体光线；
孔径光阑控制视场角；准直系统将光线变成平行光束；色散系统用于将平行光束分解成多光谱；聚焦系统用于将色散系统分解后的光谱的不同波长的光线聚焦在不同的像面上。其中，物体光线经过望远系统、孔径光阑、准直系统、色散系统后变为均匀分布的多光谱，并通过聚焦系统聚焦到不同的像面上；所述光电转换单元包括光敏探测器阵列和放大电路，用于对辐射物体的离散化后的光谱进行光电流转换；其中，光敏探测器阵列放置在像面上，用于对不同像面上的光谱强度进行光电流转换，输出的电流输入到放大电路中，由放大电路实现电流电压转换，以及信号放大；所述光敏探测器阵列包括多个像元，放置在对应的像面上，每一个光敏探测器阵列像元上的光电二极管代表一个通道；所述主控处理单元包括主控芯片和a/d电路，a/d电路用于将电压信号进行模数转换，利用主控芯片接收a/d的电压信号，将多通道的电压信号输入到神经网络进行训练，建立光谱数据与温度值的对应关系；所述神经网络测温单元，根据目标物体的光谱数据，通过神经网络算法反演出目标物体的温度。
16.进一步地，所述样本数据和测试样本的光谱强度信息为多通道的电压信号。
17.进一步地，所述步骤s132具体包括：在训练前，通过其他测温设备获取每个物体不同的温度值，并在该温度点获取光谱分布数据，然后构建神经网络模型，采用神经网络对光谱数据进行训练，神经网络结构包括输入层、模式层、求和层和输出层；输入层用于接收归一化后的样本值并将数据传递给模式层；第二层模式层本系统用于计算输入向量与中心点的距离，中心点由训练数据进行确定，具有模式识别的功能；然后求和层把模式层各项输出的概率进行求和归一化处理，挑选出概率最大的那一个类别给输出层；经过神经网络内部对数据的线性拟合能力，输出层输出类别，返回一个温度值，从而建立光谱强度信息与物体温度之间的非线性映射关系。
18.进一步地，所述输入层的神经元个数与通道个数或像元个数相等。
19.进一步地，所述神经网络为pnn神经网络。
20.进一步地，所述其他测温设备为钨片。
21.进一步地，采用大功率激光器作为加热装置，选用钨片作为加热对象，记录钨片在多个温度下的光谱数据，通过数据预处理后将样本数据输入神经网络进行训练，建立光谱信息与物体温度之间的非线性映射关系。
22.进一步地，所述步骤s133具体包括：采用神经网络对光谱数据进行训练，神经网络结构包括输入层、模式层、求和层和输出层，输入层用于接收归一化后的待测样本值并将数据传递给模式层；第二层模式层用于计算输入向量与中心点的距离，中心点由训练数据进行确定，具有模式识别的功能；然后求和层把模式层各项输出的概率进行求和归一化处理，挑选出概率最大的那一个类别，即不同温度下的辐射辐射物体的温度值，给输出层；输出层输出类别，返回一个温度值。
23.(三)有益效果
24.本发明提出一种基于神经网络的多光谱温度测量方法，本发明利用神经网络可以实现任意非线性函数逼近的特点，避开构建光谱发射率和波长的函数关系的问题，有效解决目标物体的辐射量和真温之间的非线性映射关系，适用于绝大多数工程材料的目标真温及光谱发射率的测量问题。
附图说明
25.图1为本发明多光谱温度测量方法流程图；
26.图2为本发明的pnn神经网络。
具体实施方式
27.为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
28.本发明提供了一种基于神经网络的多光谱温度测量方法，目的是避开建立光谱发射率与波长的函数关系，解决目标物体的辐射量和真温之间的非映射关系。
29.为实现上述目的，本发明采用的技术方案如下：
30.一种基于神经网络的多光谱温度测量方法，包括以下步骤：
31.s11、光谱离散化。需要在成像面获取离散化的光谱分布，以使得不同波长的光谱聚焦在不同的成像面处，每一个像元对应着一个通道；
32.s12、温度标定。测量不同物体在不同温度的光谱辐射，通过光敏传感器记录其光谱分布情况，根据光电转换效应，成像器件会将光谱强度转换成电信号。
33.s13、基于神经网络的机器学习与建模。
34.所述基于神经网络的机器学习与建模，包括以下步骤：
35.s131、光谱数据预处理。对多通道采集得到的光谱数据(电信号)进行归一化处理，防止因数据差异较大而导致结果不精准；
36.s132、构建神经网络模型，将预处理后的样本数据输入到pnn神经网络进行训练，其结构如图2所示，建立光谱信息(电信号)与物体温度之间的非线性映射关系。
37.在训练前，通过其他测温设备获取每个物体不同的温度值，并在该温度点采用本系统获取光谱分布数据，然后构建神经网络模型，将预处理后的光谱样本数据和温度值输入神经网络进行训练(输入层的神经元个数与通道个数或像元个数相同)，经过神经网络内部对数据的线性拟合能力，输出对应的温度值，建立光谱强度信息与物体温度之间的非线性映射关系。
38.s133、输入待测试的光谱分布数据样本，通过神经网络得到温度值，检验系统测温的准确度和泛化能力。
39.如图1所示，一种基于神经网络的多光谱温度测量方法，包括以下步骤：
40.s11、光谱离散化。将物体温度辐射分解为离散化不同谱段的光谱；
41.s12、温度标定。测量不同物体在不同温度的光谱辐射，通过光敏传感器记录其光谱分布情况，根据光电转换效应，成像器件会将光谱强度转换成电信号。
42.s13、基于神经网络的机器学习与建模；
43.基于神经网络的机器学习与建模，包括以下步骤：
44.s131、光谱数据预处理。将多通道采集得到的光谱数据进行处理，防止因数据差异较大而导致结果不精准；
45.s132、构建神经网络模型，将预处理后的样本数据输入pnn神经网络进行训练，其结构如图2所示，建立光谱信息与物体温度之间的非线性映射关系。
46.在训练前，通过其他测温设备获取每个物体不同的温度值，并在该温度点采用本
系统获取光谱分布数据，然后构建神经网络模型，采用神经网络对光谱数据进行训练，神经网络结构是由输入层、模式层、求和层和输出层这四种结构组成。输入层用于接收归一化后的样本值并将数据传递给模式层，神经元个数与输入像元个数相等；第二层模式层本系统用于计算输入向量与中心点的距离，中心点由训练数据进行确定，具有模式识别的功能；然后求和层把模式层各项输出的概率进行求和归一化处理，挑选出概率最大的那一个类别(即不同温度下的辐射辐射物体的温度值)给输出层；经过神经网络内部对数据的线性拟合能力，输出层输出类别，返回一个温度值，从而建立光谱强度信息与物体温度之间的非线性映射关系。
47.s133、输入测试样本，根据光谱强度信息与物体温度之间的非线性映射关系获得测试样本对应的温度，检验系统测温的准确度和泛化能力。
48.本实施例采用如图2所示的温度测量方法流程，假设成像器件的第i个像元对应波长λ
i
的通道的输出信号为：
[0049][0050]
式中，τ(λ
i
)和s(λ
i
)分别表示只与波长有关而与温度无关的光学系统的透过率和光电二极管灵敏度的检定常数，每一通道的信号值作为神经网络的样本输入。
[0051]
本实施例中，采用大功率激光器作为加热装置，选用钨片作为加热对象，记录钨片在多个温度下的光谱数据，通过数据预处理将样本数据输入pnn神经网络进行训练，建立光谱信息与物体温度之间的非线性映射关系；输入测试样本，能够实现最大相对误差为1.3％。
[0052]
本发明的方法采用基于神经网络的多光谱高温瞬态测量系统，目的是利用神经网络的非线性曲线拟合能力以及泛化能力来直接建立光谱信息与温度的联系，提高多光谱测温精度与测温范围。
[0053]
本发明采用的多光谱高温瞬态测量系统，具体包括光谱信息摄取单元、光电转换单元和主控处理单元、神经网络测温单元。
[0054]
所述光谱摄取单元包括望远系统、孔径光阑、准直系统、色散系统、聚焦系统，各个组成部件顺次摆放，用于实现对光谱信息的分离；其中，望远系统摄取物体光线；孔径光阑控制视场角；准直系统将光线变成平行光束；色散系统用于将平行光束分解成多光谱；聚焦系统用于将色散系统分解后的光谱的不同波长的光线聚焦在不同的像面上。其中，物体光线经过望远系统、孔径光阑、准直系统、色散系统后变为均匀分布的多光谱，并通过聚焦系统聚焦到不同的像面上。所述色散系统包括棱镜或光栅或两者的组合。棱镜可以为三棱镜。
[0055]
所述光电转换单元包括光敏探测器阵列和放大电路，用于对辐射物体的离散化后的光谱进行光电流转换；其中，放大电路为高动态范围放大电路。其中，光敏探测器阵列放置在像面上，用于对不同像面上的光谱强度进行光电流转换，输出的电流输入到放大电路中，由放大电路实现电流电压转换，以及信号放大。通常，所述光敏探测器阵列包括多个像元，放置在对应的像面上，每一个光敏探测器阵列像元上的光电二极管代表一个通道，需要匹配一个放大电路。所述放大电路为多级放大电路组成的高动态范围放大电路。
[0056]
所述主控处理单元包括主控芯片和a/d电路，a/d电路用于将电压信号进行模数转
换，利用主控芯片接收a/d的电压信号，将多通道的电压信号输入到神经网络进行训练，建立光谱数据与温度值的对应关系。
[0057]
所述神经网络测温单元，根据目标物体的光谱数据，通过神经网络算法反演出目标物体的温度。
[0058]
本发明的方法该方法具体包括以下步骤：
[0059]
s31、光谱摄取单元设计：通过设计光谱摄取单元中各个组成部件的位置，摄取工作范围的光谱并使之离散分布在不同的像面位置，实现高光谱分辨率；
[0060]
s32、光电转换单元设计：将光敏探测器阵列放置在像面，使用光敏探测器阵列将光谱信息转换成电流信号，通过放大电路进行电流电压转换以及信号放大；
[0061]
s3、对光谱样本数据进行归一化预处理；该光谱样本数据为多通道的电压信号。
[0062]
s4、在训练前，通过其他测温设备获取每个物体不同的温度值，并在该温度点采用本系统获取光谱分布数据，然后构建神经网络模型，将预处理后的光谱样本数据和温度值输入神经网络进行训练(输入层的神经元个数与像元个数相同)，经过神经网络内部对数据的非线性拟合能力，输出对应的温度值，建立光谱强度信息与物体温度之间的非线性映射关系；
[0063]
s5、输入待测试的光谱分布数据样本，通过神经网络得到温度值，检验系统测温的准确度和泛化能力。
[0064]
神经网络测温单元对接收的光谱数据进行信号处理，通过神经网络算法反演出目标物体的温度，具体包括：
[0065]
采用神经网络对光谱数据进行训练，神经网络结构是由输入层、模式层、求和层和输出层这四种结构组成，输入层用于接收归一化后的待测样本值并将数据传递给模式层，神经元个数与输入像元个数相等；第二层模式层用于计算输入向量与中心点的距离，中心点由训练数据进行确定，具有模式识别的功能；然后求和层把模式层各项输出的概率进行求和归一化处理，挑选出概率最大的那一个类别(即不同温度下的辐射辐射物体的温度值)给输出层；输出层输出类别，返回一个温度值。
[0066]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。