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
混凝土材料往往因为预埋钢筋的腐蚀、水的侵蚀、连续的冻融循环、荷载等多种因素共同作用，产生裂缝、孔洞和分层等缺陷[1]。这些内部缺陷随着时间的推移会逐渐积聚、扩展，严重威胁着结构的耐久性和安全性[2]。主动红外热像检测方法作为一种无损检测手段，由于具有检测面积大、非接触式和应用操作简单等优点在混凝土结构检测领域得到了广泛的关注，并逐渐被应用到了隧道、桥梁现场检测中。
主动红外热像检测技术是一种利用红外热像仪检测材料内部缺陷的无损检测方法，其检测的基本原理是：材料被热激励后其表面红外辐射量因内部缺陷的存在而表现出差异，红外热像仪通过记录该差异，以获得材料内部的缺陷信息[3]。红外图像的信息提取与分析是红外热像检测技术的核心内容。理论上，根据热图像缺陷区域和正常区域之间的红外辐射差异可获得缺陷的信息。但实际上，红外图像本质是根据缺陷与正常区域之间的温度和辐射率生成的灰度图，而且红外光辐射的能量远比可见光低，因此到达光学镜头的红外辐射能很小，导致了红外图像与可见光图像相比只有较低的对比度，分辨弱小目标和细节能力差[4]；另外，红外光子的随机性、红外成像系统的固有特性以及热激励不均匀等给红外图像引入了许多噪声，在一定程度上改变了图像的原始信息，增加了图像分割及后续图像处理的难度[5-6]。传统的基于空域的红外图像处理方法主要分为两个大的步骤：首先，是对红外图像进行降噪和增强，常用的方法有高斯滤波、中值滤波、引导滤波、小波变换、Contourlet变换、三维块匹配算法等[7-10]；其次，对红外图像进行边缘特征的提取，常用的方法有：基于边缘的检测算法、基于数学形态的检测算法和最近发展较快的基于网络模型的检测算等[11-12]。传统的基于单张空域的红外图像处理方法虽然在一定程度上可以消除噪声的影响、提高图像的对比度，但是仍存在一些问题。第一，采集的数据集包含大量的热图像，每一帧红外图像都对应着某一时刻，依靠视觉手动选择缺陷信息丰富的红外图像进行缺陷信息的提取的识别费时费力。第二，在图像降噪、增强和图像分割过程中设定阈值会引入主观成分，干扰红外图像的解释。第三，仅仅分析单张红外图像，忽略采集过程中的时序信息可能会导致忽略一些边缘的缺陷信息[13-14]。
针对上述问题，本文提出了一种基于时序信息的红外图像缺陷信息提取方法。首先，通过室内实验制作含缺陷分层的混凝土试块，其次利用主动红外热像检测技术进行红外数据的采集，提取每个像素点的温度特征曲线，然后采用基于时序信息的提取方法进行含分层缺陷混凝土的缺陷提取，并与传统的基于空域的处理方法进行对比分析。
1. 基本原理
1.1 主动红外热像检测技术原理和系统
主动红外热像检测技术中，当以一定的距离对混凝土材料表面持续加热时，物体会吸收入射波的能量并将其转化为热能，并以温度场的形式表现出来。如果试样存在缺陷（本研究采用的是隔热型缺陷，模拟混凝土内部的空气分层缺陷），到达缺陷的大部分能量将反射到试样表面，引起表面正常区域和有缺陷区域温度场的差异。
利用红外热像仪记录整个检测过程中物体表面温度场的空间和时间分布信息，通过对红外图像数据进行分析和处理进而可以提取材料近表层的分层缺陷信息。主动红外热像检测技术采集到的一系列红外图像组成了一个三维的图像数据集[15]（尺寸：Nx×Ny×Nt，见图 1(a)），在空间维度上，每一帧对应着某一时刻红外热像仪所采集到的物体表面温度场信息，其像素个数为Nx×Ny；在时间维度上，每个像素点可以看作是一条随时间变化的温度特征曲线（Nt时间点组成），如图 1(b)所示，其中标签NT11 DEFECT表示缺陷区域的温度特征曲线，标签NT11 NORMAL表示正常区域的温度特征曲线。
![]()
图 1 主动红外热成像采集的数据结构：(a) 三维红外数据；(b) 像素点温度特征曲线Figure 1. Active infrared thermal imaging acquisition of data structures (a) Three-dimensional infrared data; (b) Temperature characteristic curves of pixels1.2 基于时序信息的缺陷信息提取原理
主动红外热像技术采集到的三维红外图像数据，其正常区域和含缺陷的区域每个像素点的温度特征曲线在冷却阶段会存在差异，如图 1(b)所示，利用这个特点我们可以采用许多能够分辨这个特征曲线差异值的相关算法进行缺陷信息的提取，本文采用相对简单、容易实施的K-means方法来提取混凝土的缺陷信息。K-means聚类方法的原理是同一类内的实体是相似的，一个类是测试空间中点的集合，同一类内任意一个点到其类中心的距离小于其到其它类中心的距离，我们可以用此算法分辨正常区域和缺陷区域的温度特征曲线[16]。K-means方法的关键是核函数的选取，核函数决定了其分辨能力，本文采用常用的马氏距离进行度量。其具体算法原理如下[17]：
假设给定的数据集为Y={y1, y2, …, ym}，其中yi=[X1, X2, …, Xn]，将数据对象划分为k类C={c1, c2, …, ck}，每个类有一个类中心U={u1, u2, …, uk}。选取欧式距离作为相似性和距离判断准则，计算ck类内各点到聚类中心uk的距离平方和，见公式(1)：
$$ J\left( {{c_k}} \right) = \sum\limits_{{x_i} \in {C_k}} {{{\left\| {{x_i} - {u_k}} \right\|}^2}} $$ (1) 聚类的目标是使各类总的距离平方和最小，见公式(2)：
$$ J(C) = \sum\limits_{k = 1}^K J \left( {{c_k}} \right) = \sum\limits_{k = 1}^K {\sum\limits_{{x_i} \in {C_k}} {{{\left\| {{x_i} - {u_k}} \right\|}^2}} } $$ (2) 根据最小二乘法和拉格朗日原理，聚类中心uk应该取为类别ck类各数据点的平均值。
K-means算法是一个反复迭代过程，目的是使聚类域中所有的点到聚类中心距离的平方和最小。
2. 实验与数据分析
2.1 实验过程
本次实验混凝土试件的设计强度为C50，尺寸为50 cm×50 cm×20 cm，在混凝土中嵌入4块尺寸为10 cm×10 cm的聚苯乙烯材料（隔热型材料），模拟混凝土中的分层缺陷，混凝土试块见图 2(a)。试验采用美国FLIR公司的A655SC非制冷型红外热像仪，其热灵敏度为30 mK，图像分辨率为640×480，标准测温范围为－40℃~150℃，波长范围为7.5~14 μm，见图 2(b)。主动热激励系统采用自制的配有自动控制加热时间的碳化硅远红外加热板，共2块，每块加热板的加热功率为500 W，见图 2(c)。整个实验过程中加热时间为5 min，冷却时间为10 min；加热完成后，立即用红外热像仪采集试样表面的冷却温度场，整个采集系统见图 3所示，本文选用的是持续加热法。
![]()
图 2 实验试块和仪器：(a) 混凝土试块；(b) 红外热像仪；(c) 红外加热板Figure 2. Test blocks and instruments: (a) Concrete test block; (b) Infrared thermal imager; (c) Infrared heating plate2.2 红外图像数据
实验采集到的红外图像序列如图 4所示，根据红外图像可以发现一共存在4块分层缺陷，各个缺陷之间存在温度场相互影响的干扰区，而且各个缺陷的轮廓比较模糊，存在被隐藏的缺陷信息。整个采集的红外图像数据的第一帧（0 s）最清晰，其正常区域和缺陷区域存在较大的温差；之后随着冷却的进行，正常区域和缺陷区域的温差逐渐减小，缺陷信息逐渐模糊，至最后一帧很难用肉眼分辨。
3. 红外图像处理和对比分析
3.1 红外图像缺陷提取
主动红外热像检测技术所采集的图像每一帧都含有大量的噪声，为了测试基于时序信息红外图像缺陷信息提取的可行性以及性能，本次在图像特征提取前不对图像进行预处理。首先，将红外图像数据按像素点逐个提取时间序列，组成聚类数据集；然后将时序数据序列输入到K-means程序中，进而得到每一帧各个像素点的聚类信息。为了提高运算效率，本次在图像序列处理中采样间隔为1，其序列长度减小为原来的一半。聚类完成后得到图像中每一个像素点所属的类别，进而完成对图像缺陷信息的提取。
图 5为经过聚类后的提取结果，通过观察发现4个缺陷信息都被提取出来，与原始红外图像相比（图 4），其缺陷信息有了明显的增强，缺陷信息完全肉眼可见，每个识别出的缺陷区域呈近似正方形，完整性相当好，接近于预埋缺陷的形状，而且缺陷提取后的图像序列的时序信息得以保留。
3.2 对比分析
为了测试基于时序信息红外图像分层缺陷的信息提取效果，本文采用基于空域的二维K-means图像缺陷信息提取算法与其进行对比。由于采集的红外图像数据集第一帧（0 s）缺陷信息最清晰，因此选用第一帧红外图像进行基于空域的分层缺陷信息提取。两种方法的分层缺陷信息提取结果见图 6，由图 6(b)所示，基于时序信息的分层缺陷提取方法4个分层缺陷都被完全提取出来，图 6(a)中模糊、隐藏的信息也被提取出来，缺陷细节分辨能力较好。由图 6(c)所示，基于空域信息的分层缺陷信息提取方法4个分层缺陷被识别为一个缺陷，缺陷细节分辨能力较差。通过分析可能是受缺陷之间温度场叠加的相互影响，缺陷之间区域（图 6(a)中虚线框内部所示的无缺陷区域）的温度信息和分层缺陷的温度场信息较为接近，而和图 6(a)的无缺陷边缘温度场信息差异较大，导致基于空域信息的提取方法效果较差；根据含缺陷混凝土试块的物理特性可知，存在分层缺陷和正常区域的温度特征曲线是存在差异的，基于时序信息的提取方法主要是根据每个像素点的温度特征曲线差异来提取特征，其提取缺陷的分辨能力和效果更好。
![]()
图 6 处理结果对比分析：(a) 红外原图；(b) 基于时序K-means方法；(c) 基于空域K-means方法Figure 6. Comparative analysis of processing results: (a) Original infrared image; (b) K-means method based on temporal information; (c) K-means method based on spatial information4. 结论
主动红外热像检测技术中，传统的红外图像处理方法在一定程度上可以消除噪声、提高图像的对比度，但是仍存在一些问题。针对上述问题，本文根据主动红外热成像的数据特点提出了一种基于时序信息的红外图像缺陷信息提取方法。结果表明，基于时序信息的缺陷提取方法是可行的，其可以提取到隐藏的缺陷信息，分层缺陷信息提取效果优于基于空域的K-means方法。
-
![]()
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.
-
期刊类型引用(3)
1. 邱欣欣，温强，何婧. 基于参考帧的数字媒体视频图像信息隐藏算法. 吉林大学学报(信息科学版). 2025(02): 377-383 . 
百度学术
2. 李环宇，冯国会，刘馨，蒲毅，王涵. 基于红外热成像的围护结构热工性能定量检测方法研究进展. 太阳能学报. 2024(07): 427-437 . 百度学术
3. 张迁，王剑，楚瑞博，陈欢欢. 基于BRISK-BEBLID特征的无人机图像快速配准方法. 激光杂志. 2023(06): 92-98 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 68
- HTML全文浏览量: 12
- PDF下载量: 26
- 被引次数: 4
