首页 > 论文范文 > 社会科学论文 > 科技论文 > 自动化论文 > 基于双波段LiTaO3热释电探测器的目标温度识别研究

基于双波段LiTaO3热释电探测器的目标温度识别研究

2024-10-09 40 上传者：管理员

摘要：针对热释电红外探测器在温度识别领域的难题，本文设计了一种基于长/中波双波段钽酸锂（LiTaO3）热释电多元探测器，建立了基于机器学习算法的目标温度识别模型。分析了不同黑体温度下的两波段辐射量与双波段比值的变化趋势，测试了双波段比值与黑体温度的关系以及分析了双波段比值在仿真与实测中的误差，研究了基于热释电数据的决策树、随机森林算法的最优参数选择以及所搭建的模型识别准确率。研究结果表明：基于该探测器构建的温度识别系统的识别准确率最高可大于90%,为基于热释电的目标温度识别提供了一种新的技术路径，拓宽了热释电红外探测器的应用范围。

关键词：
双波段
双波段比值
机器学习
热释电探测器
目标识别
加入收藏

由热释电构成的红外探测器件[1]能够在人体运动检测[2]、非分散红外气体传感器[3]、红外成像[4]等领域有着广泛的应用，但有关于测温应用的报道较少。曾亦可等人[5]报道了基于单通道钛酸锶钡(barium strontium titanate, BST)薄膜热释电红外探测器和斯蒂芬—玻尔兹曼定律[6]测量目标温度的方法，表明了可利用热释电薄膜红外传感器接收斩波器调制后的红外辐射，以此达到测温目的，但实验测量准确度残差平均为22.85,分析其原因可能是没有考虑被测物体的发射率，且电压测温方法的抗干扰能力较差，故易受噪声的影响。

根据热释电红外探测器依据的斯蒂芬—玻尔兹曼公式，当黑体温度确定时，任意波段的辐射强度一定，探测器可利用能量等比吸收的原理，接收物体在2个不同波长内的辐射能量，根据两路信号的能量比值来确定被测物体的温度，故对应温度下的双波段比值与温度呈单值函数对应关系[7]。文献[8]采用基于双波段比值测量提高温度测量准确性的方法。与之类似，在红外气体传感器中，通常采用双通道的方式来提高测试精确度。文献[9]采用这一方法实现红外气体传感器对二氧化硫(SO2)浓度的检测，结果为对4种标样中硫(S)的最大测量误差分别为0.03 %,0.04 %,0.07 %和0.13 %。此外随着人工智能领域的发展，通过搭建合适的机器学习算法并结合相关探测器能实现一定的识别功能。然而，目前并没有结合双波段比值和机器学习算法提升热释电红外探测器温度识别准确率的报道。

本文提出了基于双波段(中波3～5 μm、长波8～14 μm)热释电红外探测器的目标温度识别方法。通过制备的双波段热释电红外探测器所采集的数据，研究了目标不同波段辐射量与双波段比值的仿真与实测，并分析了两者之间的误差；研究了决策树、随机森林两种机器学习算法的最优参数选择，以及两种算法下搭建的模型识别准确率。

1、研究方法

采用双面镀金的75 μm钽酸锂(LiTaO3)单晶材料通过激光划切机(JHQ—400)划成7.2 mm×1 mm的敏感元。采用运放(主运放为 AD8627,封装为SC70—5)构成前置放大电路，采用同相放大电路作为主放电路，其两部分构成的放大电路增益为10倍。使用3～5 μm和8～14 μm滤光片(杭州麦乐克公司)实现双波段波长选择。通过设计极性相反的双元补偿结构[10]实现信噪比增强，并采用TO8管壳实现器件封装。

探测器测温硬件测试框架如图1所示。测试系统中的黑体辐射源满足普朗克黑体辐射定律，平行光管起到纠正光源方向作用，探测器与黑体距离为0.46 m, 标靶为中心直径4 mm的圆孔，斩波器频率为6.3 Hz下，对黑体在100～425 ℃之间每隔25 ℃进行探测，共收集315条数据，其中每个温度点包含21条数据，以用于后续的训练识别。

图1 探测器测温硬件测试框架

将由测试系统获得的信号输入上位机，对已得信号进行小波阈值去噪，实现信号信噪比的增强，并分析出信号除双波段比值外的其余时域特征，以增加目标特征量。然后通过训练集分别对决策树[11]、随机森林[12]两种机器学习算法进行训练以获得识别模型，再通过模型对独立的测试集进行识别，从而获得识别准确率。

2、实验结果与讨论

在已得器件有良好输出的情况下，为了得到温度与双波段比值(长波/中波)的关系，研究了黑体不同温度下的双波段比值特性，分别从模型仿真与实际应用上进行分析。

2.1 黑体辐射温度对双波段比值的影响

2.1.1 不同黑体温度下两波段辐射量与双波段比值仿真

对于发射率为1的黑体目标，采用如下的普朗克辐射公式进行双波段仿真模型的搭建

式中Lt为特征点的辐射亮度，W/(sr·m2);T为特征点的等效黑体辐射温度：λ1,λ2为接收波段；c1为第一辐射常数，值为3.741 5×10-16W·m2;c2为第二辐射常数，值为1.438 79×104μm·K;ε为目标发射率，对于黑体设定为1。

根据式(1)可得波段在3～5 μm的黑体辐射强度L1如式(2)所示

目标在波段8～14 μm的黑体辐射强度L2如式(3)所示

由此，红外双波段比值为

由式(4)和辐射定律知，比值R(T)在一定范围内是温度特征T的单值函数[13]。由此可以通过计算双波段辐射强度比值来确定辐射体温度。而对不同温度下对中波段(3～5 μm)和长波段(8～14 μm)进行积分，并取二者辐射量比值，可以得到如图2所示的结果。

图2 仿真模型下的不同波段辐射量以及双波段(长/中)比值

由图2可明显看出：不同波段下其辐射量随着黑体温度的变化规律，其中，中波段(3～5 μm)与长波段(8～14 μm)在不同温度下的辐射量明显不同，且随温度变化的辐射增量也不同，故2个波段的双波段比值也将随着温度的变化而变化，如图2所示呈现出温度与两者比值的单值函数关系。

2.1.2 双波段比值实测结果分析

根据仿真模型的结果开展了对实测信号以及将信号进行小波去噪后的双波段比值特性分析，结果如图3所示。

图3 双波段(长/中)比值随黑体辐射温度的变化

图3中的(a)线可以看出，该探测器输出原始信号的双波段比值与黑体温度呈现良好的单值函数对应关系。图中的(b)线可以看出，经小波阈值去噪后的双波段比值虽略有丢失，但整体呈现出了更优异的线性对应关系。表明了双波段LiTaO3热释电探测器结合双波段辐射探测原理测温的可行性与稳定性。

经小波阈值去噪后的双波段比值更优异的原因在于滤除了更多干扰噪声，使得比值与温度的对应关系更准确，由表1可看出，经小波阈值去噪后的信号曲线曲率平均值仅为原始信号曲率平均值1/2,表明双波段比值与温度的变化更平滑及对应关系更准确，更有益于后续增强系统的识别准确率。

表1 曲线绝对值曲率平均值

由以上结果分析可知仿真与实际结果之间存在误差，根据目标辐射强度由目标响应信号反演得下式所示

式中K为传感器响应函数，可标定获得；IFOV(instantaneous field of view)为传感器瞬时视场；Lb为背景辐射亮度；τ为大气透过率；x′(s,t)为目标响应信号；R为目标与传感器距离；As为目标面积。

由式(5)可知，目标辐射强度测量误差包括大气透过率估计误差、背景辐射估计误差、距离测量误差、热像仪标定误差、目标分割误差以及压元误差等[13],而这些误差都具有一定的随机性，构成了目标辐射强度测量主要误差贡献。故其双波段比值在仿真与实际下会存在差异，但其双波段比值随温度变化的趋势与特性一致，表明了热释电探测器所采集的双波段辐射特性的有效性与稳定性。

2.2 算法识别准确率分析

将收集到的315条数据采用留出法进行训练集与测试集的划分，通过每个机器学习算法来测试其识别准确率，其中选取的机器学习中的特征集与其权重如下：双波段比值(长/中),长波峰峰值，长波均值，中波峰峰值，中波均值分别为0.092 9,0.070 5,0.027 3,0.075 6,0.026 9。

图4所示为基于所建特征集采用决策树算法下的系统分类准确率。决策树需要找出最佳节点和最佳的分枝方法及不纯度Criterion[11],其中对Criterion采用两种不同的计算方法，由图可以看出：采用熵(entropy)计算方法下识别准确率更高，其原因在于entropy在纬度低，数据比较清晰时对Criterion更加敏感，其效果更好。

图4 决策树内部算法比较

表2所示为基于所建特征集采用随机森林算法下的系统的分类准确率。其中对其采用不同数量的决策树，可看出：在n_estimators=10时达到识别准确率的最高点，因随机森林随着内部决策树的增加其相应的所需资源也随之增加，故选定n_estimators=10为随机森林的最佳参数选择。

表2 随机森林中参数对识别准确率的影响

在选定两种算法的最优情况下，规定测试集占原始数据集比例为0.5～0.1之间，相应的训练集占原始数据集比例为0.5～0.9之间。通过逐步增加训练集的占比，来观察不同机器学习算法下对测试集的识别准确率。表3列出识别结果，通过表可以看出随机森林在该特征集下的分类准确率更好，最高的识别准确率随着训练集占比的增加可达90 %以上。

表3 各算法在不同训练集下的识别准确率

3、结论

本文设计了一种能有效提取目标物体双波段辐射的双波段LiTaO3热释电探测器，研究了目标辐射量在仿真与实际应用中的变化趋势以及双波段比值在实际应用中的误差分析，探究了双波段比值在应用中的可行性，并依据双波段比值以及其他时域特征通过两种机器学习算法搭建识别模型，使得基于该探测器搭建的识别系统达到较高的分类准确率。实验结果表明了双波段LiTaO3热释电探测器在测温领域通过结合双波段辐射探测原理与机器学习算法能够实现有效的温度识别，为今后热释电在测温领域的应用开阔了方向。

参考文献:

[2]孙百顺.基于无线热释电红外传感器网络的人体定位系统研究[D].合肥:合肥工业大学,2020:44-49.

[5]曾亦可,刘梅冬,姜胜林,等.热释电红外测温系统[J].系统工程与电子技术,2004(2):273-276.

[6]程瑶,袁祥辉,赵雷.红外图像探测器成像评估实验系统设计[J].传感器与微系统,2013,32(10):65-67.

[7]郑斌.双色红外测温仪的设计与改进[D].上海:上海交通大学,2017:36-40.

[8]施德恒,戴启润,陈玉科,等.一种实用化双波长高精度光纤测温仪的优化设计[J].仪器仪表学报,2005(12):12-14.

[9]马凌云,谢明华,刘辉.双通道热释电红外硫分析仪的研制[J].工矿自动化,2014:40(1):34-37.

[12]陈静,张艳新,姜媛媛,等.融合多特征与随机森林的纹理图像分类方法[J].传感器与微系统,2019,38(12):58-61.

[13]刘铮,姚石磊,毛宏霞,等.红外双波段弱小目标温度特征提取模型研究[J].激光与红外,2019,49(1):67-72.

基金资助:四川省科技支撑项目(2021JDRC0023);

文章来源:宋泽乾,赵泽彬,胡晨晓,等.基于双波段LiTaO3热释电探测器的目标温度识别研究[J].传感器与微系统,2024,43(10):63-65+70.