Skin Radiation Measurement Method of High Altitude Aircraft Based on Long Wave Infrared Light
-
摘要: 本文提出一种对飞行中的飞机蒙皮进行辐射测量和温度反演的方法。首先建立蒙皮辐射模型、大气传输模型和绝对辐射校正模型，然后推导出温度反演的公式，使用逐次逼近法计算蒙皮温度。在理论分析的基础上，使用8~12 μm的宽波段长波红外相机进行试验验证和温度反演，对反演温度的不确定度计算并进行修约，得到5 km飞行高度的民航飞机蒙皮温度的修约结果为268 K，修约不确定度为4 K，修约相对不确定度为1.49%。论文研究工作对获取飞机目标红外辐射特性有重要参考价值。Abstract: This paper presents a method for radiation measurement and temperature inversion of aircraft skin in flight. Firstly, the skin radiation, atmospheric transport, and absolute radiation correction models are established. Then, the formula of temperature inversion is deduced, and the skin temperature is calculated by successive approximation. Based on theoretical analysis, a wideband long wave (infrared) camera that can image light of wavelength 8-12 μm is used for experimental verification and temperature inversion. By calculating and modifying the uncertainty of inverted temperature, the result of modifying the skin temperature of civil aircraft at 5 km flight height is 268 K; the uncertainty of modifying is 4 K, and the relative uncertainty of modifying is 1.49%.The research work of this paper would be useful for acquiring infrared radiation characteristics of aircraft targets.
-
0. 引言
输电线路设备作为电力系统的重要部分，对输电线路的安全稳定运行起着至关重要的作用。而金属氧化物避雷器（MOA）是输电线路中常用设备，其作用是防止电气设备遭受过电压侵害，是输电线路中重要的结构支撑件。由于MOA在潮湿环境下，存在污秽、老化和爆裂等情况，因此准确地检测MOA故障是目前电网亟待解决问题之一[1]。
目前，传统的检测MOA故障方法主要有以下几种：①全电流[2]；②谐波分析法[3]；③容性电流补偿法[4]；④基波阻性电流法[5]；⑤基于温度的测量法等[6]。但以上方法在MOA运行过程中，MOA或监测装置表面污秽所产生的泄漏电流以及电网谐波对MOA在线监测的影响，会对所监测的特征量产生影响，进而使测量的数值存在误差，影响检测精度，同时存在成本高以及检测周期长等问题。而随着深度学习相关技术快速发展，由于具有识别精度高，无需人工监督，高效等优点，更适用于解决图像分类、目标识别等问题，并且取得显著效果[7]。
深度学习算法已广泛应用在输电线路设备故障检测中。本文所研究的红外图像MOA故障检测，可看作物体检测问题。主流的深度学习的目标检测算法包括两类：一类是基于区域的目标检测算法如Faster RCNN（Faster-regions with Convolutional Network）[8]与RFCN（Region-based Fully Convolutional Networks）[9]等，其中文献[10]基于Faster RCNN算法对变压器、套管、断路器等7种变电设备进行目标检测，实现设备的精准定位、识别。文献[11]采用了深度学习算法体系中基于区域建议网络的Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。以上算法虽然检测精度高，但速度相对较慢，不能满足实时性的要求。另一类是将检测问题转变为回归问题求解如SSD（Single Shot MultiBox Detector）、YOLO（You Only Look Once）算法[12-13]。文献[14]基于YOLOv3算法，通过添加卷积模块及调整部分超参数对其基础网络架构进行优化，以实现高压开关设备异常发热点的快速检测、识别和定位。文献[15]提出了一种基于多尺度特征融合的端到端红外小目标检测模型。文献[16]以小轿车和公交车红外图像为研究对象，构建了红外图像Pascal VOC数据集，训练了SSD网络，并利用训练好的网络检测了红外目标图像。以上算法虽提高了网络的检测效率，但是目标定位的准确率有所降低，而红外图像故障检测对模型准确率有较高的要求，选用Faster RCNN模型比较符合实际需求。但是已有实验证明Faster RCNN对中大型的目标具有良好的检测效果，但对小目标的检测效果不佳，如果直接使用原始的Faster RCNN模型，可能会造成漏检。
基于上述问题，本文提出一种基于改进YOLOv3的MOA故障检测方法。首先，将Darknet19网络代替YOLOv3的原始Darknet53网络。替换后的网络训练难度更低，在保证高识别精度情况下，识别速度更快，减少了冗余的计算。特征学习时针对样本中不同MOA长宽比例，通过K-means聚类算法对图像中的目标帧进行分析，重新聚类样本中心锚点框，得到合适的锚框数目和大小，提高了网络的检测规模。最后，利用改进YOLOv3模型完成MOA红外图像故障检测。
1. MOA红外图像故障在线检测方案
1.1 避雷器红外检测
如图 1(a)所示，当避雷器正常运行时，MOA红外热像仅有轻微的发热且整体分布均匀，没有明显温差变化。而且同一MOA不同部位的最大温差不会超过1 K，相间温差也很小。然而当发生故障时，往往会伴随着异常的温升现象。MOA常见的故障主要包括阀片老化和受潮。通过避雷器泄露电流中的有功分量会使阀片发热导致老化，阀片由于老化继续升温，而温升又进一步使阀片电阻下降导致损耗加大，最终形成恶性循环。MOA由于呼吸作用受潮，造成阀片电导率增大，从而导致阻性泄露电流增大，引起局部发热。总之，阀片老化和受潮的红外热像都表现为局部发热，特征热像图如图 1(b)所示，220 kV MOA上节存在明显局部过热。
根据标准[17]规定，图像特征判断法适用于如氧化锌避雷器电压致热型设备。在排除环境等因素影响后，通过对同类设备不同状态下的红外热像图进行对比分析，判断设备是否存在异常。
1.2 避雷器故障检测架构
如图 2所示，为本文MOA红外图像故障检测模型整体框架图。整个MOA红外图像故障检测流程如下：首先，通过无人机采集MOA红外图像，对采集的MOA红外图像分类，分为正负样本。由于拍摄的红外图像会受背景环境的影响，如光照、树等。因此，采用中值滤波法对MOA红外图像进行预处理。处理后的MOA红外图像对改进的YOLOv3模型进行训练，最后调用训练好的MOA红外故障检测模型对预处理后的MOA红外图像进行故障检测。检测流程先是对数据进行聚类分析，得到合适的锚框数目和大小，其次采用深层次特征提取网络进行特征提取，最后通过多尺度预测得到MOA检测结果。
1.3 图像预处理
由于在拍摄红外图像过程中受到大气辐射噪声以及拍摄背景的影响。这些噪声会降低图像对比度。因此，需对MOA红外图像进行降噪处理。本文采用中值滤波法[18]。将模板中的像素从小到大排序，并将当前像素值替换为排序序列的中间值。主要步骤如下：移动图片中的滤镜模板，将模板中心位置对应的像素作为当前像素。读取模板中每个像素的灰度值。将灰度值从小到大排序。取最终排序结果的中值像素，而不是当前像素值。在3×3滤波模板下，原始图像对应像素的灰度值如图 3所示。
![]()
图 3 中值滤波处理后图像灰度值结果Figure 3. Grayscale value result of the image after median filtering processing2. 改进YOLOv3网络模型
2.1 YOLOv3网络结构修改
YOLOv3算法是Joseph Redmon等在2018年新提出的目标检测算法[19]。YOLOv3借鉴残差网络提出了Darknet53网络，利用残差结构降低了训练难度。此外，采用大量1×1的卷积核和步长为2，大小为3×3的卷积核来代替最大池，从而减少了参数的数目。由于Darknet53网络实现的检测类别众多，单个目标的检测复杂且冗余，而本文针对MOA红外图像进行目标检测。过多的参数会导致训练过于复杂，影响训练速度。
针对MOA，本文借鉴YOLOv3的多尺度检测部分，提出了一种参数少、计算复杂度低的目标检测网络，以降低训练难度，提高模型速度，同时也具有较高的识别精度。
用Darknet19网络代替YOLOv3的骨干网Darknet53，并对应用于多尺度预测的卷积层。与Darknet53网络相比，由于不在Darknet19中加入残差网络，训练速度得到了很大地提高。Darknet19的网络结构如表 1所示。
表 1 Darknet19网络结构Table 1. Network structure of Darknet19Type Fitlers Size/stride Output Convolutional 32 3×3/1 256×256 Maxpool 2×2/2 128×128 Convolutional 64 3×3/1 128×128 Maxpool 2×2/2 64×64 Convolutional 128 3×3/1 64×64 Convolutional 64 1×1/1 64×64 Convolutional 128 3×3/1 64×64 Maxpool 2×2/2 32×32 Convolutional 256 3×3/1 32×32 Convolutional 128 1×1/1 32×32 Convolutional 256 3×3/1 32×32 Maxpool 2×2/2 16×16 Convolutional 512 3×3/1 16×16 Convolutional 256 1×1/1 16×16 Convolutional 512 3×3/1 16×16 Convolutional 256 1×1/1 16×16 Convolutional 512 3×3/1 16×16 Maxpool 2×2/2 8×8 Convolutional 1024 3×3/1 8×8 Convolutional 512 1×1/1 8×8 Convolutional 1024 3×3/1 8×8 Convolutional 512 1×1/1 8×8 Convolutional 1024 3×3/1 8×8 卷积神经网络将预测每个单元中每个边界框的4个值，即坐标(x, y)、目标宽度w、高度h，分别表示为tx、ty、tw和th。如果目标中心与单元格中图像的左上角有偏差(cx, cy)，并且锚框的高度和宽度为Pw和Ph，则修改后的边界框为：
$$ b_{x}＝σ(t_{x})+c_{x} $$ (1) $$ b_{y}＝σ(t_{y})+c_{y} $$ (2) $$ {b_w} = {P_w}{{\text{e}}^{{t_w}}} $$ (3) $$ {b_h} = {P_h}{{\text{e}}^{{t_h}}} $$ (4) 在YOLOv3中，引入了FPN网络。同时利用低层特征的高分辨率和高层次特征的信息，通过上采样对多尺度特征进行融合，检测出3个不同尺度的特征层上的目标。本文保留YOLOv3网络的多尺度预测，利用多尺度卷积层对不同尺度的目标进行检测，如表 2所示。
表 2 YOLOv3的先验框尺寸Table 2. Prior box size of YOLOv3Scale prediction Feature map size Anchor value Scale 1 13×13 (105, 153) (49, 250)(32, 132) Scale 2 26×26 (144, 43) (33, 78)(47, 56) Scale 3 52×52 (52, 25) (22, 34)(16, 15) 2.2 锚框的聚类分析
锚框是通过对数据集的目标帧进行聚类和分析得到的一组固定宽度和高度的初始候选帧。YOLOv3使用逻辑回归来预测锚框中包含对象的概率。如果锚框（Anchor Box）与真实目标包围盒之间的重叠率大于任何其他锚盒，则该锚框的概率为1。如果真实目标的锚框和边界框之间的重叠大于0.5，但不是最大值，则忽略预测。锚框的数量和大小直接影响网络结构对目标检测的精度和速度。YOLOv3使用K-means聚类算法[20]对目标帧进行聚类，并使用平均重叠平均IOU作为目标聚类的度量。目标函数如式(5)所示：
$$ {\text{arg max}}\frac{{\sum {_{i = 1}^k\sum {_{j = 1}^{{n_k}}{R_{{\text{IOU}}}}(B,C)} } }}{n} $$ (5) 式中：B是真实的地面目标；C是簇的中心；nk是K簇中心的样本数；n是样本总数；k为簇数；RIOU(B, C)表示簇中心盒和簇盒的交点。
选取k＝0~20，分别对两个数据集进行聚类分析。锚框数（即k值）与平均IOU之间的曲线关系如图 4所示。随着k值的增大，目标函数的变化越来越慢，变化线的拐点可以看作是最优的锚框数目。通过这种多尺度检测，可以增强各尺度特征层的信息，对多幅图像中的小目标检测有较好的效果。多尺度检测的最终网络模型如图 5所示。
经过修改，在608×608尺度下，本文采用的Yolov3-Darknet19网络为74.963 BFLOPS，基于Darknet53的YOLOv3网络为139.481 BFLOPS。因此，Darknet19训练速度优于Darknet53。
3. 实验结果与分析
红外目标检测是实现MOA红外故障目标检测系统的核心环节，该方案采用改进的YOLOv3算法的目标检测方案。通过运用Darknet19深度学习框架进行样本训练。
3.1 数据采集及扩展
由于所采集的MOA红外图像数量有限，因此，本文通过对原始图像水平翻转、水平移动、缩放和亮度级别转换为人工图像，增加样本数量。增加的图像类标签没有改变，变换是在图像上随机进行的。在训练模型的过程中使用新的变换图像和原始图像。数据扩充的目的是为了提高模型的泛化能力。扩充后的数据集包含5602幅图片，并将图片的注释转换成相应的格式，得到图片的标注数据进行训练。
将实验数据按8:1:1的比例随机划分为训练集、测试集和验证集。在训练阶段，动量参数设置为0.9，采用批量随机梯度下降法进行优化，初始学习率为0.0001，衰减为0.0005，前1000次训练中，采样学习率为0.001，以稳定网络。随后，在40000和45000次训练中，采用steps策略根据衰减系数改变学习率，防止梯度消失问题。
本文采用多尺度训练策略来增强不同尺度下的鲁棒性。每10批训练集为一组，每组随机选取新的图像大小进行训练，训练范围为320×320~608×608，采样间隔为32。
如表 3所示，为YOLOv3-Darknet19训练环境。本文的评价依据主要是训练过程中的损失图像和两个模型训练后的实际检测效果。
表 3 YOLOv3-Darknet19训练环境Table 3. Training environment of YOLOv3-Darknet19Term configuration CPU Core i9 10900K GPU INVIDIA RTX 3080 Operating system Microsoft Windows10 Parallel computing library Cuda10.0+Cudnn7.4.1.5 Image processing Python3.7 Deep learning framework Darknet19 3.2 实验对比
本文对YOLOv3-Darknet19算法和YOLOv3- Darknet53算法进行了比较。同一数据集的训练时间分别为70 h和14 h。训练期间的两个网络损失变化曲线如图 6和图 7所示。从图 8所示的数据比较可以看出，Darknet19网络的损耗下降较快，数据波动较小，最终稳定值相对较小。
从实验结果可知，本文分别对两个网络训练的同一图像的权值进行测试，测试实例效果如图 9所示。通过本文所提出的YOLOv3-Darknet19可精准地对MOA红外故障图像进行识别检测。
基于以上两点的分析，本文提出的改进算法在使用相同训练集的情况下，在速度和识别率上有一定的保证，不存在未识别或错误情况。在识别单个目标时，网络结构的简化提高了训练速度，采用AP（Average Precision）值作为评价指标，识别精度可达96.3%。在检测速度方面，以图片为例，YOLOv3-Darknet53的识别速度为25.41 ms，YOLOv3- Darknet19的识别速度为6.75 ms，因此简化网络后，识别速度更快，帧数显著增加。在训练时间上，Darknet19网络的训练速度也更快，约为原网络的1/5，为参数和网络的微调提供了方便。
4. 总结
本文将YOLOv3目标检测算法应用到输电线路中，提出一种基于改进的YOLOv3算法用于MOA故障检测，由于本文只用于检测MOA，对YOLOv3网络结构以及锚框大小进行了修改，采用Darknet19网络代替原有的Darknet53网络，实验结果表明，改进后的YOLOv3网络在识别效果上没有下降，与原有的YOLOv3算法相比识别速度更快。YOLOv3-Darknet19的识别速度为6.75 ms，识别精度可达96.3%。因此简化网络后，识别速度更快，帧数显著增加。
-
![]()
图 3 不同精度下的大气透过率折线图
Figure 3. Polygonal chart of atmospheric transmittance with different accuracy
![]()
图 4 DN值与黑体辐亮度对应关系
Figure 4. Corresponding relation between DN values and blackbody radiance
表 1 分段大气透过率
Table 1 Atmospheric transmittance of different waveband
Waveband number (i) Starting wavelength (λa) Termination wavelength (λb) Atmospheric transmittance (τ) 1 ${\lambda _{{a_1}}}$ ${\lambda _{{b_1}}}$ τ1 2 ${\lambda _{{a_2}}}$ ${\lambda _{{b_2}}}$ τ2 … … … … I-1 ${\lambda _{{a_{I - 1}}}}$ ${\lambda _{{b_{I - 1}}}}$ τI-1 I ${\lambda _{{a_I}}}$ ${\lambda _{{b_I}}}$ τI 
下载: 导出CSV
表 2 8~12 μm平均精度50 nm的大气透过率
Table 2 Atmospheric transmittance with average accuracy of 50 nm in 8-12 μm
Waveband number (i) Starting wavelength (λa) Termination wavelength (λb) Atmospheric transmittance (τ) 1 8.01282 8.04505 0.2667 2 8.04505 8.07754 0.1837 … … … … 79 11.8624 11.93317 0.9392 80 11.93317 12.00480 0.8473
下载: 导出CSV
-
[1] 张海兴, 张建奇, 杨威, 等. 飞机红外辐射的理论计算[J]. 西安电子科技大学学报, 1997, 24(1): 78-81. https://www.cnki.com.cn/Article/CJFDTOTAL-XDKD701.012.htm ZHANG H X, ZHANG J Q, YANG W, et al. Theoretical calculation of the IR radiation of an aeroplane[J]. Journal of Xidian University, 1997, 24 (1): 78-81. https://www.cnki.com.cn/Article/CJFDTOTAL-XDKD701.012.htm
[2] 翟泉慧, 王强, 额日其太. 高速飞机红外成像特性数值模拟研究[J]. 激光与红外, 2002, 32(3): 146-148. DOI: 10.3969/j.issn.1001-5078.2002.03.005 ZHAI Q H, WANG Q, Eriqitai. Numerical simu1ation of IR image of high- speed aircraft[J]. Journal of Laser and Infrared, 2002, 32(3): 146-148. DOI: 10.3969/j.issn.1001-5078.2002.03.005
[3] LU JW. Effect of temperature and emissivity of aircraft skin On infrared radiation characteristics[J]. Opto-Electronic Engineering, 2009, 36(2): 50-54. http://www.cqvip.com/QK/83889X/200905/32092853.html
[4] LU J W, WANG Q. Aircraft-skin infrared radiation characteristics modeling and analysis[J]. Chinese Journal of Aeronautics, 2009, 22(5): 493-497. DOI: 10.1016/S1000-9361(08)60131-4
[5] 夏新林, 艾青, 任德鹏. 飞机蒙皮红外辐射的瞬态温度场分析[J]. 红外与毫米波学报, 2007, 26(3): 174-177. DOI: 10.3321/j.issn:1001-9014.2007.03.004 XIA X L, AI Q, REN D P. Analysis on the Transient Temperature Fields for Infrared Radiation of Aircraft Skin[J]. J. Infrared Millim. Waves. , 2007, 26(3): 174-177. DOI: 10.3321/j.issn:1001-9014.2007.03.004
[6] 黄伟, 吉洪湖. 蒙皮反射的背景辐射对亚声速飞机红外特征的影响研究(一): 方法[J]. 红外与激光工程, 2015, 44(6): 1699-1703. DOI: 10.3969/j.issn.1007-2276.2015.06.004 HUANG W, JI H H. Effect of reflected background radiation by skin on infrared signature of subsonic aircraft(Ⅰ): methodology[J]. Infrared and Laser Engineering, 2015, 44(6): 1699-1703. DOI: 10.3969/j.issn.1007-2276.2015.06.004
[7] 黄伟, 吉洪湖. 蒙皮反射的背景辐射对亚声速飞机红外特征的影响研究(二): 应用[J]. 红外与激光工程, 2015, 44(7): 2039-2043. DOI: 10.3969/j.issn.1007-2276.2015.07.013 HUANG W, JI H H. Effect of reflected background radiation by skin on infrared signature of subsonic aircraft (Ⅱ): application[J]. Infrared and Laser Engineering, 2015, 44(7): 2039-2043. DOI: 10.3969/j.issn.1007-2276.2015.07.013
[8] 康丽珠, 赵劲松, 李振华, 等. 飞机目标红外辐射特性研究现状概述[J]. 红外技术, 2017, 39(2): 105-115. http://hwjs.nvir.cn/article/id/hwjs201702001 KANG L Zh, ZHAO J S, LI Zh H, et al. The Overview of the Research Work Developments on Infrared Signature of Aircrafts[J]. Infrared Technology, 2017, 39(2): 105-115. http://hwjs.nvir.cn/article/id/hwjs201702001
[9] 肖喜中, 王跃明, 马骏, 等. 飞机红外光谱辐射特性的多光谱测量[J]. 光学学报, 2014, 34(10): 300-305. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201410045.htm XIAO X Zh, WANG Y M, MA J, et al. Multispectral measurement of infrared radiation characteristics of an aircraft[J]. Acta Optica Sinica, 2014, 34(10): 300-305. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB201410045.htm
[10] 曹立华, 李宁, 杨词银, 等. 3~5μm红外探测器的辐射定标[J]. 红外与激光工程, 2012, 41(4): 858-864. DOI: 10.3969/j.issn.1007-2276.2012.04.006 CAO L H, LI N, YANG C Y, et al. Radiation calibration for 3-5μm infrared detector[J]. Infrared and Laser Engineering, 2012, 41(4): 858-864. DOI: 10.3969/j.issn.1007-2276.2012.04.006
[11] 王超哲, 童中翔, 芦艳龙, 等. 飞机红外辐射特性及其探测技术研究[J]. 激光与红外, 2011, 41(9): 996-1001. DOI: 10.3969/j.issn.1001-5078.2011.09.012 WANG C Zh, TONGZh X, LU Y L, et al. Study on airplane's infrared radiation characteristics[J]. Laser & Infrared, 2011, 41(9): 996-1001. DOI: 10.3969/j.issn.1001-5078.2011.09.012
[12] 刘波, 郑伟, 李海洋. 材料表面发射率测量技术研究进展[J]. 红外技术, 2018, 40(8): 725-732. http://hwjs.nvir.cn/article/id/hwjs201808001 LIU B, ZHENG W, LI H Y. Research progress in measurement technology of material surface emissivity[J]. Infrared Technology, 2018, 40(8): 725-732. http://hwjs.nvir.cn/article/id/hwjs201808001
[13] 冯云松, 路远, 凌永顺, 等. 发射率对飞机蒙皮温度及红外辐射特性的影响[J]. 红外与激光工程, 2013, 42(2): 294-299. DOI: 10.3969/j.issn.1007-2276.2013.02.004 FENG Y S, LU Y, LING Y S. Influence of surface emissivity on temperature and infrared radiation characteristics of aircraft skin Infrared and Laser Engineering[J]. Infrared and Laser Engineering, 2013, 42(2) 294-299. DOI: 10.3969/j.issn.1007-2276.2013.02.004
[14] 胡壮丽. 钢和铝合金表面发射率特征的实验研究[D]. 新乡: 河南师范大学, 2010. HU Zhuangli. Research on Emissivity Characteristics of Steel And Aluminum Alloy[D]. Xingxiang: Henan Normal University, 2010.
[15] 王中宇, 刘智敏, 夏新涛. 测量误差与不确定度评定[M]. 北京: 科学出版社, 2008. WANG Zh Y, LIU Zh M, XIA X T. Measurement Error and Uncertainty evaluation[M]. Beijing: Science Press, 2008.
[16] 孙娟, 刘莹娟, 夏丽昆, 等. 热释电探测器NEP参数测量不确定度分析与计算[J]. 红外技术, 2008, 30(4): 192-195. DOI: 10.3969/j.issn.1001-8891.2008.04.002 SUN J, LIU Y J, XIA L K, et al. Analysis and calculation of uncertainty in measurement of NEP parameters of pyro-electric detector[J]. Infrared Technology, 2008, 30(4): 192-195. DOI: 10.3969/j.issn.1001-8891.2008.04.002
[17] 杨建清, 罗积军, 徐军, 等. 基于CART的红外辐射大气透过率的计算[J]. 激光与光电子学进展, 2018, 55(3): 030101. https://cdmd.cnki.com.cn/Article/CDMD-10143-1015561819.htm YANG J Q, LUO J J, XU J, et al. Calculation of Infrared Radiation Atmospheric Transmittance Based on CART[J]. Laser & Optoelectronics, 2018, 55(3): 030101. https://cdmd.cnki.com.cn/Article/CDMD-10143-1015561819.htm
[18] 陈秀红, 魏合理. 基于中国典型地区大气模式的红外透过率变化特性[J]. 激光与红外, 2008, 38(11): 1090-1093. DOI: 10.3969/j.issn.1001-5078.2008.11.006 CHEN X H, WEI H L. Variation of infrared atmospheric transmittance based on atmospheric model in typical regions of China[J]. Laser & Infrared, 2008, 38(11): 1090-1093. DOI: 10.3969/j.issn.1001-5078.2008.11.006
[19] 赵志军, 许方宇, 魏超群, 等. 红外整层大气透过率测量方法研究[J]. 红外技术, 2018, 40(7): 718-722. http://hwjs.nvir.cn/article/id/hwjs201807017 ZHAO Zh J, XU F Y, WEI Ch Q, et al. Study on Measurement Method for Total Infrared Atmospheric Transmittance[J]. Infrared Technology, 2018, 40(7): 718-722. http://hwjs.nvir.cn/article/id/hwjs201807017
[20] 原遵东. 黑体辐射源发射率对辐射测温准确度的影响及修正方法[J]. 计量学报, 2007, 28(3A): 19-22. YUAN Z D. The effect and correction of blackbody radiation emissivity on the accuracy for radiation thermometry[J]. Acta Metrologica Sinica, 2007, 28(3A): 19-22.
-
期刊类型引用(2)
1. 曹志群，项高鹏，胡临天，廖梓宏. 基于近红外技术的非接触式酒精度检测系统. 激光与红外. 2025(03): 408-413 . 
百度学术
2. 张肖，朱铧丞，杨阳，李兴兴. 基于随机森林算法的酒精浓度在线测量系统. 真空电子技术. 2023(02): 80-86 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 794
- HTML全文浏览量: 365
- PDF下载量: 88
- 被引次数: 2
