基于BP神经网络的红外测温系统温度标定方法

　　1　引　言

　　红外测温系统在显示器上显示的热图像,反映了被测物体表面的热分布情况,由于探测器所接收到的红外辐射与目标温度之间呈非线性关系,而且还要受到物体表面发射率、大气衰减及物体所处环境的反射等因素的影响,热图像只能给出物体表面辐射温度的定性描述,如果想要根据热图像获得物体的绝对温度值,必须采用与基准物体热像相比较的方式来标定绝对温度值。一般是利用高精度的黑体炉作为标准,用红外测温系统测量其表面温度,做出黑体炉温度与光电转换器件的输出信号的关系曲线。具体标定有两种方法[1]:拟合曲线法和查找表法。对与曲线拟合的方法,一般是将标定得到的数据用最小二乘法进行拟合运算,得到一条灰度与温度的最近拟合曲线。这种方法只要采集部分灰度级与温度数据,其他可由拟合曲线运算获得,比较简单易行,但是测量精度略低,只适用于测量精度要求不高的场合。

　　近年来,神经网络的研究取得了很大的进展,且在工程中得到了广泛应用。神经网络的高度并行处理能力,良好的非线性影射能力和可用于优化计算的特点,为实验的数据曲线拟合提供了一种有效的工具。对此本文提出了运用BP神经网络方法[2]进行红外测温系统温度标定数据曲线的拟合。

　　2　BP神经网络的原理[3-5]

　　神经网络通过自行调节神经元之间的连接权重,因而具有自学习、自适应信息的并行处理能力等特性,广泛用于图像处理、模式识别、信号处理、智能控制等方面。

　　BP神经网络的结构包含网络的层次和各个层次神经元的数目等。网络的结构虽然和所用的算法有关,但根据实际的应用情况是可以调整

和改进的。由于变量及其重要程度不同,改进网络的结构对运行效率有很大的影响,一个良好的网络结构能提高运算的精度,缩短学习时间。输入和输出层的神经元个数一般由输入和输出变量的个数决定,而隐层的神经元个数跟输入层及输出层的神经元个数有关。一般情况下输入层、单个隐层和输出层的神经元个数基本相等或呈金字塔结构时,BP模型的运行效果较好。

　　神经网络由大量神经元相互连接而成,其内部结构可能是很复杂的,但从外部来看,可以将神经网络看作是一个黑箱,它实现了从输入到输出之间的映射。由于各神经元之间相互制约、相互影响,输入与输出之间具有高度的非线性,因而可用于函数逼近和曲线拟合。已经证明一个3层的具有非线性sigmoid型激活函数的网络,可以以任意精度逼近非线性连续函数表示。

　　3　实验数据分析

　　我们对每一温度点进行了多组实验数据的采集,经多组数据处理后,计算出它们的算术平均值,如表1所示。校核算术平均值及其残余误差,判断了有无系统误差和粗大误差的存在,最后计算出极限误差的算术平均值为:±0. 87785。