Error Correction Algorithm of High Precision Temperature Measurement Based on EACN Model
-
摘要:
针对红外热像仪测温精度不足以及速度较慢的问题，提出了一种融合通道注意力机制的温度修正模型EACN（Efficient Attention Compression Networks Module）。该模型首先通过1×1卷积实现特征降维压缩，以此减少模型参数。其次引入通道注意力机制ECA，在特征映射模块阶段增强通道间特征显著性表达，以此弥补降维压缩所损失的特征信息，且进一步提高模型特征表征能力。最后，通过跳跃连接，在特征重建阶段结合浅层特征信息与语义空间信息，从而提高温度修正精度。本实验采用两种数据策略在自建数据集上进行实验。实验结果表明，与SRCNN和VDSR模型相比，EACN模型无论在修正精度方面，还是速度方面表现均最优。
Abstract:A temperature correction model, EACN, based on a channel attention mechanism is proposed to address the issues of insufficient accuracy and slow speed in temperature measurements from thermal imaging cameras. First, the model parameters are reduced by decreasing the features through 1x1 convolution. Second, we introduce a channel attention mechanism, ECA, to enhance the feature saliency expression between channels in the feature mapping module stage, compensating for lost feature information during dimensionality reduction and compression, thereby further improving the feature characterization capability of the model. Finally, through skip connections, shallow feature information is combined with semantic space information in the feature reconstruction stage, thus improving temperature correction accuracy. In this experiment, two data strategies were used on a self-built dataset. The experimental results show that the EACN model outperforms the SRCNN and VDSR models in both correction accuracy and speed.
-
0. 引言
红外热像仪以非接触的方式获取物体表面温度，其原理是利用物体表面发射的热辐射成像，相比于传统测温方法，具有测温速度快、测温灵敏度高、测温范围广等优点[1-2]。但在实际测温中，会不可避免地产生各种误差，比如，无法准确测得发射率、测温距离与标定距离不同、测温时间太长会导致周围温度升高、测温仪器和物体自身原因产生的误差[3]。可通过提高测温仪器硬件性能的方式使测量误差降低，但其不能调控物体因自身受热不均或易受周围环境温度影响而导致的误差，这将会导致测量所得物体表面温度与物体本身温度有所差别。因此，需要将采集的物体表面温度数据进行修正。
近年来，红外测温技术方法主要分为两种：基于非线性补偿的技术和基于深度学习的技术。早期，刘纯红等[4]根据黑体辐射定律，利用理论曲线对探测器的检测曲线进行修正，能够达到提高热辐射测温的测温精度的目的。王军帅等[5]通过测量不同观测距离下的黑体温度值，研究出红外相机测量结果距离补偿方法，提出了温度-距离的分段二次曲线分布模型，利用模型对测温数据进行误差补偿，解决了由于距离越大测温数据误差越大的问题。非线性补偿的方法对红外测温技术的精度有所提高，但影响因素单一、处理的数据量大、计算时间长。
随着深度学习[6]的发展，许多学者将其引入修正红外测温数据中。例如，翟子洋等[7]通过对影响红外热像仪测温的环境因素建立误差回传神经网络模型，修正补偿了红外热像仪受到环境因素等误差问题，从而提升测温精度。李贞等[8]利用单片机内置的BP神经网络[9]，检测数据优化温度并补偿算法中的参数，进而提高红外测温仪的数据检测精度。臧运瑞[10]提出了基于特征选择和深度学习的红外测温方法，运用红外辐射基础理论分析出影响红外测温精度因素，将红外测温加入卷积神经网络和残差网络，优化网络参数，提高红外测温精度。但这些方法对于特征表达丰富度不足，模型泛化能力较弱，从而导致测温修正精度不高。
针对上述问题，本文提出了一种融合通道注意力机制ECA[11]（Efficient Channel Attention Module）的卷积神经网络，即EACN（Efficient Attention Compression Networks Module）模型。具体概述如下：
1）本文引入超分辨率重建[12]的思想，构建温度修正模型。
2）该模型方法通过特征压缩，减少特征参数，以此提高网络推理速度。为了保留显著特征关注度，模型方法引入ECA通道注意力机制。
3）为了更好利用浅层细节特征，本文采用跳跃连接[13]关联前后语义特征，以此进一步提升模型的修正精度。
1. EACN算法模型
EACN网络模型包含特征提取模块、特征映射模块和特征重建模块3部分。具体网络结构如图 1所示。
1.1 特征提取
特征提取模块是由特征块提取模块与特征压缩模块两部分组成。其流程是先根据数据处理的不同策略选择不同的输入尺寸。假定输入尺寸为H×W×1，将待修正的数据输入到模型中，经一层5×5卷积核对输入数据进行卷积操作，提取特征块，输出尺寸为H×W×56，再利用1×1卷积进行特征降维，即对通道数压缩，此时输出尺寸为H×W×12，激活函数均选用PReLU函数。特征块提取模块利用卷积层的局部感知特性，获取细节特征信息，并通过级联堆叠映射提取语义特征信息。特征压缩模块利用1×1卷积实现跨通道特征整合，以及增加层与层之间的非线性，不仅保留原有的语义特征信息，还提高模型计算处理速度。
1.2 特征映射
特征映射模块主要由ECA模块和卷积模块构成。具体如图 2所示。其中，ECA模块前后均采用一层3×3卷积核对数据进行卷积处理，采用PReLU激活函数。ECA模块作为特征映射模块的核心部分，其主要的功能模块是动态1×1卷积，用于学习不同通道间的重要性。动态卷积是指卷积核的大小由一个函数做自适应变化，在通道数较大的层时使用较大的卷积核做1×1卷积，使其更多地进行跨通道交互；在通道数较小的层时使用较小的卷积核做1×1卷积，使其更少地进行跨通道交互，卷积和自适应函数的计算公式如式(1)所示：
$$ K = F(C) = {\left| {\frac{{{\text{lo}}{{\text{g}}_2}(C)}}{\gamma } + \frac{b}{\gamma }} \right|_{{\text{odd}}}} $$ (1) 式中：K表示卷积核的大小；C表示通道数0；odd表示K只能取奇数；b和γ可以改变通道数C和卷积核大小K之间的比例。ECA模块不仅能学习特征图通道之间的重要程度，且以增加较少的参数量换取对模型性能的提升，即该模块对EACN模型的速度影响较小。其具体算法流程如图 3所示，假定输入为一个H×W×C的特征图，通过全局平均池化整合空间信息，得到各个通道的特征表达，以便于后续通道间特征关联性的学习。其次利用自适应卷积实现邻近通道间的信道交互，得到所有通道共享权重信息，从而使特征图获取到不同通道间的重要性。最后将带有共享权重信息的特征图和原特征图进行逐通道结合，得到最终通道注意力机制的特征图。
1.3 特征重建
特征重建模块主要由特征扩展模块和跳跃连接模块组成。先将特征映射模块输出的数据进行通道扩展，再结合输入数据，输出修正数据。特征扩展模块利用1×1卷积还原通道尺度实现特征升维，此时输出尺寸为H×W×56，与特征压缩对应，再使用一层3×3卷积核输出最终通道数的数据，其尺寸为H×W×1，激活函数采用PReLU函数。将此数据加入原始输入数据，实现跳跃连接。最后进行3×3卷积输出最终数据，此处使用ReLU函数，完成特征重建。跳跃连接可将浅层信息与高层语义相结合，实现特征重用，进一步提升温度修正精度。跳跃连接结构如图 4所示。
2. 实验结果及分析
2.1 数据采集与处理
为尽可能减少实验环境产生的误差、测温设备误差以及物体自身误差，本实验选用高低温试验箱进行实验环境控制，使用红外热像仪作为测温仪器，选用黑体[14]作为被测物体。
本实验首先设定高低温试验箱温度为25℃，湿度为50%，其次放入红外热像仪与被测黑体，最后，固定红外热像仪与黑体距离。采集平台如图 5所示，其中，图(a)为高低温试验箱外形及设置参数的屏幕显示，图(b)为试验箱内红外热像仪采集黑体温度数据时状态。
采集平台搭建完成之后，将采集5组黑体温度数据进行实验。为了减少黑体自身散热对环境温度产生的影响和模型训练时对固定温度梯度的依赖性，设置温度梯度在2℃左右，具体黑体温度为24.5℃、26.3℃、28℃、30℃和32℃。每组数据采集49张，每张数据分辨率大小为512×640。将每组实验的数据集进行划分，其中训练集、验证集和测试集的比例为3:1:1。
基于上述所采集的温度数据，本文提出两种数据处理的策略：一是直接使用热红外热像仪采集的原始尺度的温度数据作为网络输入，称为C1策略；二是为探究本文的局部数据是否可以映射到全局数据，利用基于CNN提取特征时的局部特性，对原始数据进行二次划分。具体是依据相同横纵比采用横向步长为64，竖向步长为80将每张原始数据切分为49张128×160的数据，为原始数据尺寸的1/16，总计12005张，再随机抽取其中5040张数据作为网络输入，称为C2策略。两种数据处理策略在测试数据时统一使用原始数据集的测试集。具体C1、C2策略下的红外图像分别如图 6的(a)、(b)所示。
2.2 实验条件
为保证后续实验结果的有效性，本实验将统一实验软硬件与模型训练超参数，实验硬件设备、软件具体如表 1，训练超参数具体如表 2所示。
表 1 实验软硬件Table 1. Experimental hardware and softwareName Model Number Thermal imaging camera HiNet-6400EM Blackbody of a surface source HT-20-D100 High and low temperature tester KB-TKS-F1000D Operating system Windows10 GPU RTX3090 CUDA 11.7 Deep learning framework PyTorch 表 2 超参数信息Table 2. Hyperparameter informationHyperparameterization Number of Settings Initial learning rate 0.001 Batchsize 16 Weight decay 0.0001 Loss RMSE Optimizer Adam 2.3 评价指标
本实验以均值、标准差、均方误差（Mean-Square Error, MSE）、均方根误差（Root Mean Square Error, RMSE）、运行时间作为评价指标，对网络模型性能进行评估。其中均值、标准差、MSE和RMSE计算公式如式(2)~(5)所示：
$$ \bar x = \frac{{\sum\limits_{i = 1}^n {{x_{\text{i}}}} }}{n} $$ (2) $$ \sigma = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{({x_i} - \bar x)}^2}} }}{n}} $$ (3) $$ {\text{MSE}} = \frac{1}{n}\sum\limits_{i = 1}^n {({Y_i}} - {\hat Y_i}{)^2} $$ (4) $$ {\text{RMSE}} = \sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {({Y_i}} - {{\hat Y}_i}{)^2}} $$ (5) 式(2)、(3)中：xi表示每个温度数据值；n表示每张温度数据总数；$ \bar x $表示均值温度；σ表示标准差。式(4)、(5)中：Yi表示每个温度数据值；$ {\hat Y_i} $表示真实温度值，即采集黑体时黑体设定的温度值；n表示每张温度数据总数；MSE表示均方误差；RMSE表示均方根误差。
2.4 实验结果与分析
为了验证本文所提方法性能，实验分为不同模型间的对比实验以及消融实验。
2.4.1 与不同模型进行对比
本文选用SRCNN[15]模型和VDSR[16]模型在两种数据处理策略下与本文算法进行对比实验。结果如表 3所示。
表 3 不同模型综合实验结果对比Table 3. Comparison of comprehensive experimental results of different modelsModels Corresponding mean values for different real temperature values/℃ Standard deviation MSE RMSE Time/ms 24.5 26.3 28 30 32 SRCNN_C1 24.34 26.11 28.01 30.11 32.01 0.08 0.053 0.230 1007 SRCNN_C2 24.40 26.15 28.02 30.09 31.97 0.08 0.037 0.192 183 VDSR_C1 24.30 26.11 28.02 30.13 32.04 0.10 0.046 0.214 450 VDSR_C2 24.29 26.10 28.01 30.12 32.03 0.10 0.045 0.212 858 EACN_C1 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330 EACN_C2 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325 对比3种模型在C1策略下的实验结果，观察不同温度下的评价指标，具体变化曲线如图 7所示。EACN模型在24.5℃、26.3℃和30℃的均值温度数据都更接近真实温度值；SRCNN模型的标准差最小，说明SRCNN模型得到的温度数据分布更稳定；EACN的MSE和RMSE值在24.5℃和26.3℃的温度下最小，其综合值也最小，说明EACN模型的精度比SRCNN和VDSR模型高；从运行时间来说，EACN模型的运行时间最少，运行速度比SRCNN模型和VDSR模型分别快3倍和1.3倍。
![]()
图 7 三种模型在C1策略下的评价指标数据变化Figure 7. Evaluation index data variation of the three models under the C1 strategy对比3种模型在C2策略下的实验结果，如图 8所示。EACN模型在24.5℃、26.3℃和30℃的均值温度数据也都更接近真实温度值；EACN模型的标准差比VDSR模型低；EACN的MSE和RMSE值在前四组温度下和综合值都最低，说明EACN模型提升数据精度性能更好；EACN模型的运行时间最少，VDSR模型的运行时间最多。
![]()
图 8 三种模型在C2策略下的评价指标数据变化Figure 8. Variation of evaluation index data of the three models under the C2 strategy两种数据策略下的均值温度、MSE和RMSE变化相似，在C1策略下，EACN模型的标准差最高，SRCNN运行时间最多；在C2策略下，VDSR模型的标准差和运行时间最多。EACN模型在两种数据策略下的MSE、RMSE值和运行时间最短。
总之，本实验提出的EACN模型在两种数据策略下精度与速度均最优，证明EACN模型方法的高效性。
2.4.2 消融实验
为检验特征映射模块层数以及两种数据处理策略对模型性能的影响，本文设计不同特征映射模块数量的消融实验。具体实验结果如表 4所示。
表 4 不同特征映射层数实验对比Table 4. Experimental comparison of different feature mapping layersModel Corresponding mean values for different
real temperature values/℃Standard deviation MSE RMSE Time/ms 24.5 26.3 28 30 32 EACN_C1_6 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330 EACN_C1_9 24.52 26.20 28.00 29.99 31.79 0.13 0.057 0.239 2825 EACN_C1_12 24.54 26.22 28.03 29.98 31.82 0.12 0.042 0.205 5481 EACN_C2_6 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325 EACN_C2_9 24.52 26.21 28.02 29.97 31.84 0.09 0.036 0.190 935 EACN_C2_12 24.51 26.21 28.02 29.97 31.84 0.10 0.036 0.190 1432 对比模型在两种数据处理策略下的实验结果，观察不同温度下的评价指标，具体变化曲线如图 9所示。C1策略下的均值温度更接近真实温度值；C2策略下的标准差、MSE值、RMSE值和运行时间更低。比如，6层的两种处理策略所得到的MSE值相差0.015，RMSE值相差0.041，运行时间相差5 ms；9层和12层运行时间大概相差3倍，说明C2策略下得到的温度数据与真实温度数据值更接近，速度也更快。以上表明，在EACN模型上，C2策略从精度和速度都优于C1策略，证明了C2策略的有效性。
![]()
图 9 特征映射层数不同时的评价指标数据变化Figure 9. Variation of evaluation index data at different feature mapping layers对比EACN模型的不同特征映射模块层数的实验结果，如图 9所示。随着映射模块层数加深，标准差越小，说明数据分布越稳定；在C1策略下，层数越深，均值温度偏移更多；6层比12层的MSE值高0.06，但运行时间为前者的1/16，表明随着层数加深，数据精度在提升，但也牺牲更多的时间。在C2策略下，12层的均值温度最接近真实温度值，MSE值和RMSE值也没有随着网络结构的加深而提高，但运行时间却增多了，说明在EACN模型中加深特征映射模块，没有明显提高数据精度，速度也会下降。
由此可见，对于EACN算法，设置6层的特征映射模块并使用C2策略的修正温度数据效果更好。
为检验各模块的性能以及两种数据处理策略对模型的影响，本文设计加入不同模块的消融实验。本实验以6层CNN卷积块作为Baseline，逐层增加各个模块，其中，FC表示特征压缩，JC表示跳跃连接。具体实验结果如表 5所示。
表 5 逐层加入模块实验结果对比Table 5. Comparison of experimental results by adding modules layer by layerModel Corresponding mean values for different
real temperature values / ℃Standard deviation MSE RMSE Time/ms 24.5 26.3 28 30 32 Baseline_C1 24.99 26.51 28.13 29.91 31.53 0.12 0.134 0.366 898 +FC_C1 24.74 26.34 28.04 29.93 31.63 0.19 0.093 0.305 304 +ECA_C1 24.53 26.28 28.02 30.01 31.93 0.25 0.083 0.288 324 +JC_C1 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330 Baseline_C2 24.52 26.21 28.01 30.00 31.80 0.08 0.035 0.187 2644 +FC_C2 24.51 26.24 27.97 30.01 31.89 0.07 0.028 0.163 309 +ECA_C2 24.48 26.30 27.94 29.99 31.86 0.02 0.009 0.095 320 +JC_C2 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325 对比逐层加入各个模块时模型在C1策略下的实验结果，观察不同温度下的评价指标，具体变化曲线如图 10所示。Baseline的温度均值、MSE值及RMSE值的变化幅度较大，但标准差最小，说明每个温度值下的数据较稳定；随着改进模块的增加，MSE值和RMSE值明显减小，说明每个模块在C1策略下对模型的精度均有有效提升。
![]()
图 10 在C1策略下逐层加入模块的各评价指标数据变化Figure 10. The data variation of each evaluation index of modules are added layer by layer under C1 strategy对比逐层加入各个模块时模型在C2策略下的实验结果，观察不同温度下的评价指标，具体变化曲线如图 11所示。各个模块在32℃下的均值偏移均最大，尤其是Baseline；加入ECA模块的标准差、MSE值、RMSE值均最小，说明数据比较稳定，ECA模块在C2策略下的作用更突出。
![]()
图 11 在C2策略下逐层加入模块的各评价指标数据变化Figure 11. The data variation of each evaluation index of modules are added layer by layer under C2 strategy对比同一模块下的不同数据处理策略，Baseline在C2策略下的运行时间比C1多将近3倍，而随着其他模块的加入，C2策略下的运行时间都更少。在同一处理策略下，Baseline的运行时间最长，在增加特征压缩模块后运行时间有大幅度下降，精度也有所增加，说明特征压缩模块保留特征提取能力且能有效提升模型速度。
3. 结论
本文提出了融合通道注意力机制的EACN模型，该模型首先进行特征压缩，减少特征参数量。其次，为提供更具表征的特征信息，EACN模型在卷积的基础上增加了通道注意力机制和跳跃连接，从而得到特征通道间的重要程度与多层语义特征信息。为检验模型方法的有效性，将其与相关算法进行实验结果对比。实验结果表明，EACN模型在两种数据策略下均有效提升测温修正精度，并且在速度方面有明显提升。但本文未能考虑数据温度范围对实验模型的影响，且在加深特征映射模块数量后，并无明显性能提升，后续工作将会针对以上存在的问题继续研究。
-
![]()
图 7 三种模型在C1策略下的评价指标数据变化
Figure 7. Evaluation index data variation of the three models under the C1 strategy
![]()
图 8 三种模型在C2策略下的评价指标数据变化
Figure 8. Variation of evaluation index data of the three models under the C2 strategy
![]()
图 9 特征映射层数不同时的评价指标数据变化
Figure 9. Variation of evaluation index data at different feature mapping layers
![]()
图 10 在C1策略下逐层加入模块的各评价指标数据变化
Figure 10. The data variation of each evaluation index of modules are added layer by layer under C1 strategy
![]()
图 11 在C2策略下逐层加入模块的各评价指标数据变化
Figure 11. The data variation of each evaluation index of modules are added layer by layer under C2 strategy
表 1 实验软硬件
Table 1 Experimental hardware and software
Name Model Number Thermal imaging camera HiNet-6400EM Blackbody of a surface source HT-20-D100 High and low temperature tester KB-TKS-F1000D Operating system Windows10 GPU RTX3090 CUDA 11.7 Deep learning framework PyTorch 
下载: 导出CSV
表 2 超参数信息
Table 2 Hyperparameter information
Hyperparameterization Number of Settings Initial learning rate 0.001 Batchsize 16 Weight decay 0.0001 Loss RMSE Optimizer Adam
下载: 导出CSV
表 3 不同模型综合实验结果对比
Table 3 Comparison of comprehensive experimental results of different models
Models Corresponding mean values for different real temperature values/℃ Standard deviation MSE RMSE Time/ms 24.5 26.3 28 30 32 SRCNN_C1 24.34 26.11 28.01 30.11 32.01 0.08 0.053 0.230 1007 SRCNN_C2 24.40 26.15 28.02 30.09 31.97 0.08 0.037 0.192 183 VDSR_C1 24.30 26.11 28.02 30.13 32.04 0.10 0.046 0.214 450 VDSR_C2 24.29 26.10 28.01 30.12 32.03 0.10 0.045 0.212 858 EACN_C1 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330 EACN_C2 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325
下载: 导出CSV
表 4 不同特征映射层数实验对比
Table 4 Experimental comparison of different feature mapping layers
Model Corresponding mean values for different
real temperature values/℃Standard deviation MSE RMSE Time/ms 24.5 26.3 28 30 32 EACN_C1_6 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330 EACN_C1_9 24.52 26.20 28.00 29.99 31.79 0.13 0.057 0.239 2825 EACN_C1_12 24.54 26.22 28.03 29.98 31.82 0.12 0.042 0.205 5481 EACN_C2_6 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325 EACN_C2_9 24.52 26.21 28.02 29.97 31.84 0.09 0.036 0.190 935 EACN_C2_12 24.51 26.21 28.02 29.97 31.84 0.10 0.036 0.190 1432
下载: 导出CSV
表 5 逐层加入模块实验结果对比
Table 5 Comparison of experimental results by adding modules layer by layer
Model Corresponding mean values for different
real temperature values / ℃Standard deviation MSE RMSE Time/ms 24.5 26.3 28 30 32 Baseline_C1 24.99 26.51 28.13 29.91 31.53 0.12 0.134 0.366 898 +FC_C1 24.74 26.34 28.04 29.93 31.63 0.19 0.093 0.305 304 +ECA_C1 24.53 26.28 28.02 30.01 31.93 0.25 0.083 0.288 324 +JC_C1 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330 Baseline_C2 24.52 26.21 28.01 30.00 31.80 0.08 0.035 0.187 2644 +FC_C2 24.51 26.24 27.97 30.01 31.89 0.07 0.028 0.163 309 +ECA_C2 24.48 26.30 27.94 29.99 31.86 0.02 0.009 0.095 320 +JC_C2 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325
下载: 导出CSV
-
[1] 胡蝶. 红外热像仪的测量技术及其应用研究[D]. 广州: 广东工业大学, 2019. HU D. Research on Measurement Technology and Application of Infrared Thermal Imager[D]. Guangzhou: Guangdong University of Technology, 2019.
[2] 尤清涛. 浅谈红外热成像技术发展现状及未来发展趋势[J]. 中国安防, 2020, 172(5): 27-29. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGAF202005005.htm YOU Q T. Discussion on the development status and future trend of infrared thermal imaging technology[J]. China Security, 2020, 172(5): 27-29. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGAF202005005.htm
[3] 王小丽, 王君, 严志勇. 影响红外测温精度原因分析[J]. 中国电力教育, 2010(S1): 559-560. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDI2010S1239.htm WANG X L, WANG J, YAN Z Y. Analysis on the influence of infrared temperature measurement accuracy [J]. China Electric Power Education, 2010(S1): 559-560. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDI2010S1239.htm
[4] 刘纯红, 吴海滨, 熊丹枫, 等. 热辐射测温系统中探测器非线性校正方法[J]. 量子电子学报, 2017, 34(2): 227-230. https://www.cnki.com.cn/Article/CJFDTOTAL-LDXU201702014.htm LIU C H, WU H B, XIONG D F, et al. Nonlinear correction method of detector in thermal radiation temperature measurement system[J]. Chinese Journal of Quantum Electronics, 2017, 34(2): 227-230. https://www.cnki.com.cn/Article/CJFDTOTAL-LDXU201702014.htm
[5] 王军帅, 田军委, 张杰, 等. 一种红外测温的误差建模与补偿方法[J]. 西安工业大学学报, 2021, 41(1): 40-45. https://www.cnki.com.cn/Article/CJFDTOTAL-XAGY202101008.htm WANG J S, TIAN J W, ZHANG J, et al. An error modeling and compensation method for infrared temperature measurement[J]. Journal of Xi'an University of Technology, 2021, 41(1): 40-45. https://www.cnki.com.cn/Article/CJFDTOTAL-XAGY202101008.htm
[6] CHEN Deyin, ZAN Tao, MA Zhiqian, et al. Research on pattern recognition performance of control chart based on deep learning[C]//Proceedings of 2022 Global Conference on Robotics, Artificial Intelligence and Information Technology, 2022: 212-216.
[7] 翟子洋, 畅宏达, 董世浩, 等. 修正环境因素对红外测温模块精度影响的分析[J]. 科学技术创新, 2021(24): 92-93. https://www.cnki.com.cn/Article/CJFDTOTAL-HLKX202124042.htm ZHAI Z Y, CHANG H D, DONG S H, et al. Analysis of the influence of modified environmental factors on the accuracy of infrared temperature measurement module[J]. Science and Technology Innovation, 2021(24): 92-93. https://www.cnki.com.cn/Article/CJFDTOTAL-HLKX202124042.htm
[8] 李贞, 魏勇. 基于BP神经网络的红外测温补偿算法研究[J]. 机械制造与自动化, 2023, 52(1): 170-172, 176. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZHD202301042.htm LI Z, WEI Y. Research on infrared temperature measurement compensation algorithm based on bp neural network[J]. Machine Building & Automation, 2023, 52(1): 170-172, 176. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZHD202301042.htm
[9] XU M, MA C, HAN X J, et al. Influence of different optimization algorithms on prediction accuracy of photovoltaic output power based on bp neural network[C]//41st Chinese Control Conference (CCC). IEEE, 2022: 7275-7278. DOI: 10.23919/CCC55666.2022.9902165
[10] 臧运瑞. 基于特征选择和深度学习的红外测温方法[D]. 秦皇岛: 燕山大学, 2022. ZANG Y R. Infrared Temperature Measurement Method Based on Feature Selection and Deep learning[D]. Qinhuangdao: Yanshan University, 2022.
[11] XUE L Z, ZENG X Y, JIN A Q. A novel deep-learning method with channel attention mechanism for underwater target recognition[J]. Sensors, 2022, 22(15): 5492-5492. DOI: 10.3390/s22155492
[12] SUN M B, CHEN S B. Deep learning-based super-resolution reconstruction and algorithm acceleration of mars hyperspectral CRISM data[J]. Remote Sensing, 2022, 14(13): 3062-3062. DOI: 10.3390/rs14133062
[13] 王岚. 基于跳跃连接注意力网络的音乐分离[J]. 电声技术, 2022, 46(2): 29-32. https://www.cnki.com.cn/Article/CJFDTOTAL-DSJS202202007.htm WANG L. Music separation based on jump connected attention network[J]. Electroacoustic Technology, 2022, 46(2): 29-32. https://www.cnki.com.cn/Article/CJFDTOTAL-DSJS202202007.htm
[14] 王浩, 苗丽. 黑体辐射源校准方法及亮度温度不确定度评定[J]. 品牌与标准化, 2022, 375(4): 34-36. https://www.cnki.com.cn/Article/CJFDTOTAL-QYBZ202204012.htm WANG H, MIAO L. Blackbody radiation source calibration method and luminance temperature uncertainty evaluation[J]. Brand and Standardization, 2022, 375(4): 34-36. https://www.cnki.com.cn/Article/CJFDTOTAL-QYBZ202204012.htm
[15] CHAO D, CHEN C L, TANG X O. Image super-resolution using deep convolutional networks[J]. CoRR, 2015, 38(2): 295-307
[16] Jiwon K, Jung Kwon L, Kyoung Mu L. Accurate image super-resolution using very deep convolutional networks[J]. CoRR, 2016, 1646-1654. DOI: 10.1109/CVPR.2016.182.
计量
- 文章访问数: 67
- HTML全文浏览量: 12
- PDF下载量: 25
