Choice of European Super Second Generation Image Intensifier Technology and its Further Development
-
摘要: 二代像增强器采用Na2KSb光电阴极，三代像增强器却采用GaAs光电阴极。由于GaAs光电阴极具有更高的阴极灵敏度，因此三代像增强器的性能远高于二代像增强器。在二代像增强器基础上发展的超二代像增强器，阴极灵敏度有了很大提高，因此性能也有很大提高，同时大大缩短了与三代像增强器的性能差距。超二代像增强器属于Na2KSb材料体系，生产成本低，与三代像增强器相比性价比较高，所以欧洲的像增强器产商选择了超二代像增强器技术的发展路线。超二代与三代像增强器技术并行发展了30多年，两者性能均有大幅提高。超二代与三代像增强器的性能差距主要体现在极低照度（＜10－4 lx）条件下，而在其它照度条件下，性能基本相当。超二代像增强器的性能仍有提高的空间。增益方面，在微通道板的通道内壁上制作高二次电子发射系数的材料膜层可以提高增益；信噪比方面，采用光栅窗可提高阴极灵敏度，从而提高信噪比；分辨力方面，在微通道板输出端制作半导体膜层、采用高清荧光屏均可提高分辨力。阴极灵敏度是光电阴极的指标，不是像增强器的整体性能指标。阴极灵敏度对像增强器整体性能的影响体现在增益、信噪比以及等效背景照度指标中。无论是超二代还是三代像增强器，都区分不同的型号。不同型号的超二代或三代像增强器性能均不相同。超二代和三代像增强器的性能指标是在A光源条件下测量的，而A光源光谱分布与实际应用环境中的光谱分布并不等同，同时Na2KSb和GaAs光电阴极的光谱分布不相同，所以超二代和三代像增强器的信噪比、分辨力等性能指标不具备可比性。Abstract: The second-generation image intensifier adopts a Na2KSb photocathode, whereas the third-generation image intensifier adopts a GaAs photocathode. Given that GaAs photocathodes have a higher cathode sensitivity, the performance of the third-generation image intensifier is much higher than that of the second-generation image intensifier. The super second-generation image intensifier, developed on the basis of the second-generation image intensifier, has been greatly improved in terms of cathode sensitivity, and thus, its performance has also been greatly improved. Simultaneously, the gap with the third-generation image intensifier has been significantly shortened. Super second-generation image intensifiers belong to the material technology of Na2KSb, with low production cost and high cost performance compared with those of third-generation image intensifiers. Therefore, European image intensifier manufacturers chose the development roadmap for super second-generation image intensifiers. Super second- and third-generation image intensifier technologies have been developed in parallel for more than 30 years, and their performance has been greatly improved. The performance gap between super second- and third-generation image intensifiers is primarily reflected under conditions of extremely low illumination (<10−4 lx); the performance remains basically unchanged for levels above that. The performance of super-second-generation image intensifiers can still be improved. In terms of the gain, they can be improved by depositing a film of high secondary electron emission material on the inner wall of the microchannel plate. With respect to the signal-to-noise ratio, the grating window was introduced to improve the cathode sensitivity, thereby improving the signal-to-noise ratio. The resolution can be improved by inserting a semiconductor film at the output of the microchannel plate and adopting a high-definition fluorescent screen. Cathode sensitivity is a parameter of the photocathode components and not the overall performance parameter of the image intensifier. The influence of the cathode sensitivity on the overall performance of the image intensifier is embodied in the gain, signal-to-noise ratio, and equivalent background illumination. Different models are employed to distinguish between super second- and third-generation image intensifiers. These models give rise to different levels of performance. The performance parameters of super second- and third-generation image intensifiers are measured under the condition of a light source, but the spectral distribution in the actual application environment is not the same as that of the light source. The spectral responses of Na2KSb and GaAs photocathodes are different. Therefore, performance parameters such as signal-to-noise ratio and resolution of the super-second-generation and third-generation image intensifiers are not comparable.
-
0. 引言
随着人工智能和汽车传感器技术[1]的快速发展，智能车辆目标检测在良好的道路环境中达到了较高的水平[2]。基于视觉的检测算法被提了出来[3]，然而，在夜间、雾天等低见度环境中仍然存在很大的挑战。
目前采用的低能见度增强的方法主要有直方图均衡化、基于Retinex的方法以及深度学习的方法，这些单模态增强方法通常只具备某一方面的信息，对目标检测性能提升有限，无法满足精度的要求，因此双模态图像融合技术应运而生。目前的双模态图像融合方法主要有基于多尺度变换[4]的融合方法，该方法存在图像细节信息丢失严重和图像信噪比低的等问题；基于稀疏表示[5]的融合方法，该方法容易造成图像纹理细节信息的丢失以及效率较低的问题；基于神经网络[6]的融合方法是目前主要的研究方向，但也存在模型参数不易设置、算法复杂耗时以及泛化能力亟待提升的问题。在目标检测方面，深度学习强大的特征提取能力能够轻松处理各种交通场景中的目标检测任务。目标检测的准确性和鲁棒性也优于传统方法和机器学习算法。算法主要分为两类：基于区域生成的两阶段法如Faster R-CNN（Regions with CNN features）[7]、SPP-Net（Spatial Pyramid Pooling Networks）[8]和作为回归问题看待的单阶段法如SSD（Single Shot Detector）[9]、YOLOv4（You Only Look Once v4）[10]、M2Det [11]。两阶段法的检测准确度略高于单阶段法，然而计算繁琐，难以满足实时性要求。近年来，基于单阶段法的车辆检测模型不断优化和改进，检测精度逐渐超过了两阶段法。最重要的是，单阶段法的检测速度远远优于两阶段法[12]。
由于可见光具有较详细的纹理信息和较高的空间分辨率，而红外光具有较强的穿透力，不受光照影响[13]。针对夜间单一可见光模态图像亮度低、对比度低、动态范围小、噪声大、色彩失真等图像质量低而导致漏检、误检、检测精度低的情况发生的问题。本文将可见光与红外光两种模态的图像通过一种新的融合算法进行图像融合，使得融合后的图像在表达详细的纹理即梯度和边缘等信息的同时突出显示辐射即亮度和对比度等信息，对实际环境有更全面、清晰的描述，从而更有利于人眼的识别和高级任务的分类或识别，然后将融合后的图像输入到YOLOv5网络进行训练，产生针对可见光与红外光双模态图像的低见度道路运动目标的检测模型，最后对于实际的低见度道路运动目标进行检测以验证目标检测的精度与实时性。
1. 低能见度目标检测技术路线
为提高对夜间等低见度交通环境下道路运动目标的检测精度，运用车载相机捕获可见光图像（提供目标纹理、颜色等信息）、红外相机捕获红外光图像（提供目标空间位置、轮廓等信息），将两种配准后的双模态图像按时间序列输入到双模态图像融合算法进行图像的预处理，从而得到具有纹理细节以及辐射信息的高质量图像，提升单阶段目标检测技术在低见度场景下的目标检测的鲁棒性，最后输入到YOLOv5网络模型以进行低见度道路目标的实时检测，如图 1所示。
![]()
图 1 低能见度下道路运动目标检测技术路线Figure 1. Technical route of road moving target detection in low visibility2. 双模态图像融合
2.1 引入红外图像
如图 2所示，在白天且光照明亮的环境下，左边可见光的彩色图要比右边红外图分辨率高的多，能清楚地分辨出目标的表面纹理特征，避免了背景颜色相似对运动目标识别造成的干扰。如图 3所示，在夜晚无光或光照不足的环境下，左边的可见光彩色图很难分辨出道路运动目标，而右边的红外图则能明显地分辨出运动目标的轮廓信息。因此，在不同的光线照射环境下，可见光彩色图与红外图这两种模态有各自的表征优势。为适应白天与黑夜等低见度的交通环境，将可见光彩色图与红外图共同作为网络的输入，丰富检测目标的特征。
![]()
图 2 白天光照明亮时彩色图与红外图对比Figure 2. Comparison between color image and infrared image when the light is bright in the daytime![]()
图 3 夜晚光照不足时彩色图与红外图对比Figure 3. Comparison between color image and infrared image in case of insufficient light at night2.2 双模态图像融合算法
本文选用的双模态图像融合算法有双尺度Tif（Two-scale Image Fusion）图像融合算法[14]、基于小波变换的图像融合算法[15]以及一种的新图像融合算法。其中双尺度图像融合与基于小波变换的图像融合算法是属于传统图像融算法中基于变换域的方法，首先将源图像变换到某个变换域，然后在该变换域内以系数的形式进行图像融合，最后再用逆变换得到融合图像。新的图像融合算法属于深度学习图像融合技术。采用双分支结构并利用设计好的基于梯度残差密集快GRDB（Gradient Residual Dense Block），强化提取丰富的细节特征，如图 4所示。分别将不同模态的图像源进行特征提取，通过concat操作将两种模态的特征进行融合，再对融合的特征进行多轮的卷积与激活操作得到融合的图像，将融合的图像输入到语义分割网络架构中得到语义分割结果。其中语义分割的结果与labels之间的损失为语义损失，这样语义损失能够将分割所需的语义信息反传回融合网络从而促使融合网络能够有效地保留源图像中的语义信息。而图像融合的结果与图像源的损失为内容损失，这两种损失共同约束网络的优化。网络结构如图 5所示。
内容损失定义如下：
$$ L_{\text {content }}=L_{\text {int }}+\alpha L_{\text {texture }} $$ (1) 式中：Lcontent为内容损失；Lint为强度损失；Ltexture为纹理损失。Lcontent由Lint和Ltexture线性加权组成，而强度损失用于优化双模态图像融合的表观强度、纹理损失则强制融合图像包含更多的细粒度信息，α为平衡强度损失与纹理损失的权重系数。
$$ L_{\text {int }}=\frac{1}{H W}\left\|I_{\mathrm{f}}-\max \left(I_{\mathrm{ir}}, I_{\mathrm{vi}}\right)\right\|_1$$ (2) $$L_{\text {texture }}=\frac{1}{H W}\left\||\nabla I_{\mathrm{f}} \mid-\max \left(\left|\nabla I_{\mathrm{ir}}\right|,\left|\nabla I_{\mathrm{vi}}\right|\right)\right\|_1$$ (3) 式中：H为输入图像的高度；W为输入图像的宽度；Iir为红外图像，Ivi为可见光图像，If为融合图像，∇为Sobel算子。
运用最大选择策略来融合红外光与可见光的强度分布，而最优纹理则是红外光与可见光纹理的最大聚合。
语义损失定义如下：
$$ L_{\text {semantic }}=L_{\text {main }}+\lambda L_{\text {aux }} $$ (4) 式中：Lsemantic为语义损失；Lmain为主损失；Laux为辅损失；λ为平衡主损失与辅损失的权重系数。Lsemantic由Lmain与Laux线性加权组成。
$$ L_{\text {main }}=-\frac{1}{H W} \sum\limits_{h=1}^H \sum\limits_{w=1}^W \sum\limits_{c=1}^c L_{\mathrm{so}}^{(h, w, c)} \log \left(I_{\mathrm{s}}^{(h, w, c)}\right) $$ (5) $$ L_{\mathrm{aux}}=-\frac{1}{H W} \sum\limits_{h=1}^H \sum\limits_{w=1}^W \sum\limits_{c=1}^C L_{\mathrm{so}}^{(h, w, c)} \log \left(I_{\mathrm{sa}}^{(h, w, c)}\right) $$ (6) 融合网络总的损失为：
$$ L=L_{\text {content }}+\beta L_{\text {semantic }} $$ (7) 式中：C为图像的通道数；Is为分割网络结果；Isa为辅助分割结果；Lso为分割标签转换的one-hot向量；β为表征语义损失的超参数。
2.3 融合效果对比
本文采用Tif、基于小波变换以及本文的图像融合技术，对输入的低见度的可见光图与红外光图进行双模态图像融合，如图 6所示为融合前后对比图，可以看出融合后的图像包含可见光模态的纹理信息以及红外光的模态的轮廓信息，使运动目标很容易显现在低见度环境中。以第一列图像为例，原始的低见度可见光彩色图与经过3种算法融合后的图像信息，如表 1所示。
表 1 双模态图像融合后图像信息对比Table 1. Comparison of image information after bimodal image fusionE SD EN AG SF Tif 46.416 25.285 5.473 1.987 6.853 Wavelet 45.818 23.694 5.401 2.090 6.115 This Article 64.176 28.444 5.326 2.355 7.185 由表 1可知，本文的算法在图像均值（E）上明显高于前两种算法，因此视觉上更加明亮，利于低见度目标的识别。在标准差（SD）上也明显高于前两种算法，因此图像的灰度级分布较前两种算法处理的结果越分散，图像所携带的信息量就越多。而在信息熵（EN）指标3种算法基本持平。平均梯度（AG）反映纹理变换的特征、空间频率（SF）反映图像灰度的变化，两项指标均为评价图像清晰度的指标，值越大则图像越清晰，本文的算法在两项指标的值也较高于前两种算法，因此图像更加清晰。综合各项量化指标来看，本文的双模态融合算法优于前两种融合算法。具体的融合效果如图 6所示。
由图 6对比得知融合后的图像整体都较原图增亮了，且经过本文算法融合的图像均值最大，图像最明亮。前两种算法融合结果的背景区域的纹理细节受到热辐射信息的干扰，无法保留目标的锐化边缘，此外，显著目标的强度信息不同程度地被削弱。本文的融合结果与背景区域的可见光图像Original_V相似，显著目标的像素强度与红外图像Original_I一致，本文的方法成功地保留了可见图像的纹理细节并保持了显着目标的强度。
3. 深度网络模型训练
3.1 算法原理
YOLO[16]核心思想是将目标检测问题转化为一个回归问题，对于输入的被检图像，经过YOLO网络即可输出预测bounding box的4个坐标参数bx、by、bh、bw、所属的类别以及置信度to，且置信度由bounding box准确度Pr与网格包含目标的概率IoU共同决定。YOLOv5损失函数由定位损失、分类损失以及置信度损失构成，其中定位损失采用GIOU Loss函数、分类损失采用BECLogits函数、置信度损失采用交叉熵损失函数。图 7为anchor box与bounding box转换示意图，其中绿色实线框是要预测的bounding box，蓝色虚线框是Anchor box，其中bx、by、bh、bw、to计算公式为：
![]()
图 7 Anchor box与bounding box转换示意图Figure 7. Schematic diagram of conversion between anchor box and bounding box$$\begin{aligned} &b_x=\sigma\left(t_x\right)+C_x \\ &b_y=\sigma\left(t_y\right)+C_y \\ &b_w=P_w \mathrm{e}^{t_w} \\ &b_h=P_h \mathrm{e}^{t_h} \\ &t_{\mathrm{o}}=P_{\mathrm{r}} * \mathrm{IoU} \end{aligned} $$ (8) 式中：Cx为预测边界框中心所在网格左上角网格的横坐标；Cy代表预测边界框中心所在网格左上角网格的纵坐标；Pw为该单元格对应anchor box的宽；Ph为该单元格对应anchor box的高；tx为预测bounding box中心距所处网格左上角的相对宽偏移量；ty为预测bounding box中心距所处网格左上角的相对高偏移量；σ为sigmoid函数。
将SPPNet应用到特征提取的末端，使得网络的输入图像大小不再受约束。在网络的Neck部分应用了PANet（Path Aggregation Network），将底层较多的位置信息自底向上地传给上层特征，以提高检测的定位精度。将CSPNet（Cross Stage Partial Network）的思想运用用到网络的Neck部分，加强特征融合的能力。通过输入参数可以改变锚框的大小以适应道路运动目标大小。如图 8所示为整体网络结构图。
3.2 夜间道路目标检测网络的训练
本文基于Pytorch框架的YOLOv5网络进行训练和验证的。训练集与验证集的比例为3:1，其中训练集有187张图片，验证集有63张图片。根据图像处理的方式分为原彩色图、Tif融合图、基于小波变换融合图以及本文算法融合图 4组。通过可视化工具观察训练过程中损失函数的变化，一共进行300轮训练后，损失函数不再降低并趋于稳定，根据每组模型在验证集上的不同指标进行比较。
4. 试验结果及分析
4.1 数据集
选用RGB-Thermal城市场景图像双模态数据集进行训练验证。该数据集包含1569张图像（白天拍摄820张，夜间拍摄749张）。在该数据集中包含驾驶过程中常见的八类障碍物（汽车、人、自行车、弯道、汽车停止、护栏、色锥和凹凸）。数据集根据图像采集时的时间序列分为三部分。每个时间序列是取自视频连续帧图片，相邻图片相差不大。因此本实验对该数据集清洗，去除冗余图像后选出夜间等低见度图像一共250张图片，并对数据集中的汽车与货车等车辆使用Make Sense打上标签Car，将行人标记为Pedestrian，将骑自行车的人标记为Cyclist，最终重新整理的数据集包含Pedestrian、Car、Cyclist，并按照3:1的比例划分为训练集train和val，其中训练集187张图片，验证集63张图片。
4.2 实验参数设置
试验环境配置：CPU i7-10750H、GPU Nvidia 1660Ti、CUDA11.4、Windows10、Python3.8。
参数设置：初始学习率设为0.01，最终学习率，以one_cycle形式从0.01衰减至0.01*0.2；warmup_ epochs：设为5，使用预热有助于使模型收敛速度变快，效果更好；epochs设为300，batch-size设为16。
4.3 评价指标
对于多目标检测任务用准确率p、召回率r、相似系数F1分数以及平均精度mAP以及在不同IoU阈值（从0.5到0.95，步长0.05）上的平均mAP，mAP_0.5:0.95作为评价模型的指标。其中：
$$ p=\frac{\text { 真正例数量 }}{\text { 预测为正样本数量 }}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}} $$ (9) $$ r=\frac{\text { 真正例数量 }}{\text { 实际为正样本数量 }}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}} $$ (10) $$ F_1=\frac{2 p r}{p+r}$$ (11) $$ \mathrm{mAP}=\frac{1}{K} \sum\limits_{i=1}^K \int_0^1 p_i \mathrm{~d} r $$ (12) 式中：TP为真正例数即正确检测框数；FP为假正例数即错误检检测框数；FN为假反例数即漏检框数；K为目标检测类别数；本文K取3。
4.4 结果分析
通过300轮训练后，每组试验均生成了最好的模型。取IoU＝50作为模型衡量的参数，四组模型所达到的不同指标如表 2所示。不同指标对比图如图 9所示。实际检测效果对比如图 10所示。
表 2 IoU＝50时各项指标对比Table 2. Comparison of various indicators when IoU=50p r F1 mAP Visible Light 0.62 0.56 0.57 0.55 Tif 0.75 0.71 0.64 0.68 Wavelet 0.76 0.78 0.75 0.79 This Article 0.81 0.78 0.78 0.81 由表 2可知，本文算法处理后的模型在IoU＝50时，准确率p较未经双模态图像融合处理的模型提高30.65%，召回率提高39.29%，其他指标也有明显提高。相比于Tif融合算法处理的模型在各项指标也有明显的提升，相比于小波变换融合算法处理的模型在各项指标也有一定程度的提升。在融合效率方面，Tif融合算法达到21 fps、小波融合算法为18 fps，由于本文算法采用GPU加速，融合速度超过80 fps，其融合速度满足实时检测要求。
由图 9可知，经过双模态图像技术融合后的图像训练的3种检测模型的各项指标明显高于未经处理的单模态图像训练的检测模型的各项指标。其中本文模型将准确率p由71.51%提升到88.86%，高于Tif的83.68%以及小波变换的85.53%、召回率r由55.99%提升到76.17%，高于Tif的66.18%以及小波变换的72.40%，其他各项指标均明显提高且高于其他两种算法。考虑到本文的融合效率明显高于其他两种融合算法，因此选用本文融合算法作为双模态图像融合处理技术。
由图 10可知，若采用单模态的低见度可见光图像作为被检对象，a列存在将漆黑的部分误检为人，b、c列均存在漏检情况，而d列则完全检测不到目标。而将双模态融合的图像作为被检对象时则明显改善了检测效果，但Tif双模态融合检测效果较另外两种差，基于小波变换融合与本文的检测效果基本满足夜间运动目标的检测精度要求。
5. 结论
本文基于双模态融合的低能见度道路目标实时检测算法对夜间主要道路目标进行检测。
1）通过引入红外图像来解决夜间运动目标难以辨别的问题，并通过基于传统方法的双模态图像融合算法Tif、小波变换算法与基于深度学习的双模态图像融合算法等对可见光模态与红外光模态进行融合，从而丰富图像的特征，实现对低对比度、高噪点、强眩光下等低能见度道路目标的感知增强，进一步改善夜间道路目标检测网络的训练效果。
2）将采用不同双模态融合算法处理的训练结果和与未经图像处理的单模态可见光模态的训练结果进行对比，本文算法在夜间环境识别道路目标的能力显著提高、识别精度由75.51%提升到88.86%，提升了17.68%、融合与检测的速度超过了60 fps，为低能见度下的道路目标检测提供了较好的参考结果。
-
![]()
图 4 Gen Ⅱ and Gen Ⅲ 像增强器光电阴极反射率
Figure 4. Photocathode reflection of Gen Ⅱ and Gen Ⅲ image intensifier
![]()
图 9 MCP通道内纳米金刚石膜层示意图
Figure 9. Channel with Nano diamond film by ultrasonic technology
![]()
图 10 玻璃窗与光栅窗的阴极光谱响应
Figure 10. Spectral response of Na2KSb cathode on glass and grating window
![]()
图 11 光栅窗提高光电阴极灵敏度的原理
Figure 11. Schematic diagram of sensitivity improvement on grating window
1. Input light; 2. Glass window; 3. Grating; 4. Photocathode; 5. Output interface; 6. Diffracting light; 7. Reflection light
![]()
图 14 A光源与星光下的发射光谱分布
Figure 14. Emission spectrum of a illuminant and star illumination
表 1 二代和三代像增强器的主要区别
Table 1 Major differences between Gen Ⅱ and Gen Ⅲ image intensifier
Image intensifier GEN Ⅱ GEN Ⅲ Characteristic Input window Fiber-optic plate Glass Glass has higher transmission AR film - Si3N4 GaAs cathode has lower reflection Photocathode Na2KSb GaAs GaAs cathode has higher PR Cathode voltage 200 V > 400 V - Ion barrier - Al2O3 Ion barrier will decrease SNR Sealing technology Thermal sealing Cold sealing Thermal sealing is easier Vacuum < 10-5 Pa < 10-8 Pa The higher the vacuum, the more expensive the equipment 
下载: 导出CSV
表 2 二代与三代像增强器的主要性能比较
Table 2 Major parameters of Gen Ⅱ and Gen Ⅲ image intensifier
Image intensifier Gen Ⅱ Gen Ⅲ Unit PR >240 >1000 μA⋅lm-1 SNR >12.7 >16.2 - RES >25 >36 lp⋅mm-1 Gain >2400 >6400 cd⋅m-2⋅lx-1 EBI <2.5×10-7 <2.5×10-7 lx MTTF 2000 - Hour Shock resistance >75 >75 g Manufacture DEP ITT -
下载: 导出CSV
表 3 二代与三代像增强器观察视距比较
Table 3 Recognized distance for Gen Ⅱ and Gen Ⅲ image intensifier
Scene illumination/lx Gen Ⅱ Gen Ⅲ 1×10-2 1 1.15 1×10-3 1 1.42 7×10-4 1 1.51
下载: 导出CSV
表 4 不同生产商三代像增强器的主要性能比较
Table 4 Major parameters of Gen Ⅲ image intensifier of different manufactures
Parameters Image intensifier model & manufacturer Unit XX1520(by AEG) XX1530(by DEP) *( by LEP) ANVIS(by ITT) PR > 1000 > 1000 >1000 >1000 μA⋅lm-1 SNR > 16.2 > 16.2 >15 >16.2 - RES > 36 > 36 >35 >36 lp⋅mm-1 Gain > 6400 > 6400 >6400 >6400 cd⋅m-2⋅lx-1 EBI < 2.5×10-7 < 2.5×10-7 < 2.5×10-7 <2.5×10-7 lx MTTF 7500 7500 7500 - Hour Shock resistance 75 75 75 >75 g Note:*without a model for sale
下载: 导出CSV
表 5 二代、超二代以及三代像增强器的主要区别
Table 5 Major differences between Gen Ⅱ, Super Gen Ⅱ and Gen Ⅲ image intensifier
Image intensifier Gen Ⅱ Super Gen Ⅱ Gen Ⅲ Input window Fiber-optic plate Glass Glass AR film - - Si3N4 Photocathode Na2KSb Na2KSb GaAs Cathode voltage 200 V 200 V >400 V Ion barrier - - Al2O3 Sealing technology Thermal sealing Thermal sealing Cold sealing Vacuum <10-5 Pa <10-5 Pa <10-8 Pa
下载: 导出CSV
表 6 不同像增强器的主要性能比较
Table 6 Major parameters of different image intensifiers
Image intensifier Super Gen Ⅱ Super Gen Ⅱ Gen Ⅲ Unit Model XX1700 XX1610 ANVIS - PR >500 >500 >1000 μA⋅lm-1 SNR > 18.9 >15.5 >16.2 - RES >36 >36 >36 lp⋅mm-1 Gain >12000 >6400 >6400 cd⋅m-2⋅lx-1 EBI <2.5×10-7 <2.5×10-7 <2.5×10-7 lx MTTF 10000 7500 7500 Hour Shock resistance > 500 >500 >75 g Manufacturer DEP Philips ITT -
下载: 导出CSV
表 7 二代、超二代以及三代像增强器观察视距比较
Table 7 Recognized distance for Gen Ⅱ, Super Gen Ⅱ and Gen Ⅲ image intensifiers
Scene illumination
/lxGen Ⅱ Super Gen Ⅱ Gen Ⅲ 1×10-2 1 1.12 1.15 1×10-3 1 1.35 1.42 7×10-4 1 1.41 1.51
下载: 导出CSV
表 8 超二代与三代像增强生产成本分析
Table 8 Analysis on cost of Super Gen Ⅱ and Gen Ⅲ
Super Gen Ⅱ Gen Ⅲ Equipment Low vacuum(< 10-5 Pa) Very high vacuum(< 10-8 Pa) Technique Short process chain, high efficiency and high yield Long process chain, low efficiency and low yield
下载: 导出CSV
表 9 像增强器性能参数比较
Table 9 Comparison between different image intensifier
PR/μA⋅lm-1 SNR RES/lp⋅mm-1 Gain/cd⋅m-2⋅lx-1 EBI/lx 1123# 872 25.7 64 16000 1.6×10-7 1171# 765 26.2 64 16000 0.9×10-7
下载: 导出CSV
表 10 Omnibus计划的三代像增强器
Table 10 Parameters of Gen Ⅲ image intensifier in Omnibus procurements
Omnibus Ⅲ Omnibus Ⅳ Omnibus Ⅴ Omnibus Ⅵ Unit PR 1350 1800 1800 2000 μA⋅lm-1 RES 51 64 64 64 lp⋅mm-1 SNR 19 21 21 25 - Gain 12500-22500 12500-22500 12500-22500 15000-22500 cd⋅m-2⋅lx-1 Year 1990 1996 1999 2002 -
下载: 导出CSV
表 11 超二代像增强器性能指标
Table 11 Parameters of Super Gen Ⅱ image intensifier
SHD-3 XD-4 XR-5 XP-6 Unit PR 500 600 700 1000 μA⋅lm-1 RES 50 60 64 64 lp⋅mm-1 SNR 18 20 25 28 - Gain 10000-16000 10000-17500 10000-17500 15000-20000 cd⋅m-2⋅lx-1 Year 1999 2000 2002 2014 -
下载: 导出CSV
表 12 像增强器性能参数比较
Table 12 Comparison between different image intensifier
RES/lp⋅mm-1 SNR FOM EBI/lx Gain/cd⋅m-2⋅lx-1 1144# 64 28.1 1800 0.7×10-7 18000 1151# 64 28.3 1800 1.5×10-7 12000
下载: 导出CSV
-
[1] 张敬贤, 李玉丹, 金伟其. 微光与红外成像技术[M]. 北京: 北京理工大学出版社, 1995: 29-35. ZHANG Jingxian, LI Yudan, JIN Weiqi. Low-light-level and Infrared Imaging Technology[M]. Beijing: Beijing Institute of Technology Press, 1995: 29-35.
[2] 周立伟, 刘玉岩. 目标探测与识别[M]. 北京: 北京理工大学出版社, 2002: 79-100. ZHOU Liwei, LIU Yuyan. Object Detection and Origin[M]. Beijing: Beijing Institute of Technology Press, 2002: 79-100.
[3] 程宏昌, 石峰, 李周奎, 等. 微光夜视器件划代方法初探[J]. 应用光学, 2021, 42(6): 1092-1101. https://www.cnki.com.cn/Article/CJFDTOTAL-YYGX202106023.htm CHENG Hongchang, SHI Feng, LI Zhoukui, et al. Preliminary study on distinguishment method of low-level-light night vision devices[J]. Journal of Applied Optics, 2021, 42(6): 1092-1101. https://www.cnki.com.cn/Article/CJFDTOTAL-YYGX202106023.htm
[4] 郭晖, 向世明, 田民强. 微光夜视技术发展动态评述[J]. 红外技术, 2013, 35(2): 63-68. http://hwjs.nvir.cn/article/id/hwjs201302003 GUO Hui, XIANG Shiming, TIAN Minqiang. A review of development of low light level night vision technology[J]. Infrared Technology, 2013, 35(2): 63-68. http://hwjs.nvir.cn/article/id/hwjs201302003
[5] 田金生. 低照度微光传感器的最新进展[J]. 红外技术, 2013, 35(9): 527-534. http://hwjs.nvir.cn/article/id/hwjs201309001 TIAN Jinsheng. New development of low level imaging sensor technology[J]. Infrared Technology, 2013, 35(9): 527-534. http://hwjs.nvir.cn/article/id/hwjs201309001
[6] Laprade B N, Reinhart S T, Wheeler M, et al. Low-noise-figure microchannel plate optimized for Gen III image intensification systems[C/OL]//SPIE of Electron Image Tubes and Image Intensifiers, 1990, 1243: https://doi.org/10.1117/12.19476.
[7] Feller W B. Low noise and conductively cooled microchannel plates[C]//Proc. of SPIE Electron Image Tubes and Image Intensifiers, 1990, 1243:doi: 10.1117/12.19475.
[8] Conti L, Barnstedt J, Hanke L, et al. MCP Detector Development for UV Space Missions[J]. Astrophysics and Space Science, 2018, 363(4): 63-71. DOI: 10.1007/s10509-018-3283-4
[9] 周异松. 电真空成像器件及理论分析[M]. 北京: 国防工业出版社, 1989. ZHOU Yisong. Electric Vacuum Imaging Device and Its Theoretical Analysis[M]. Beijing: National Defense Industry Press, 1989.
[10] 向世明, 倪国强. 光电子成像器件原理[M]. 北京: 国防工业出版社, 2006. XIANG Shiming, NI Guoqiang. The Principle of Photoelectronic Imaging Device[M]. Beijing: National Defense Industry Press, 2006.
[11] 常本康. 多碱光电阴极[M]. 北京: 兵器工业出版社, 2001. CHANG Benkang. Multi-Alkali Photocathode[M]. Beijing: Ordnance Industry Press, 2001.
[12] 李晓峰, 刘如彪, 赵学峰. 多碱阴极光电发射机理研究[J]. 光子学报, 2011, 40(9): 1438-1441. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201212008.htm LI Xiaofeng, LIU Rubiao, ZHAO Xuefeng. Photoemission mechanism of multi-alkali cathode[J]. Acta Photonica Sinica, 2011, 40(9): 1438-1441. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201212008.htm
[13] 李晓峰, 陆强, 李莉, 等. 超二代像增强器多碱阴极膜厚测量研究[J]. 光子学报, 2012, 41(11): 1377-1381. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201211023.htm LI Xiaofeng, LU Qiang, LI Li. Thickness measurement of multi-alkali photocathode[J]. Acta Photonica Sinica, 2012, 41(11): 1377-1381. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201211023.htm
[14] 李晓峰. 超二代像增强器多碱阴极光电发射特性研究[J]. 光子学报, 2013, 42(1): 1435-1440. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201301001.htm LI Xiaofeng. Photoemission process study of multi-alkali photocathode in the super second generation image intensifier[J]. Acta Photonica Sinica, 2013, 42(1): 1435-1440. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201301001.htm
[15] 李晓峰, 杨文波, 王俊. 用光致荧光研究多碱阴极光电发射机理[J]. 光子学报, 2012, 41(12): 1435-1440. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201212008.htm LI Xiaofeng, YANG Wenbo, WANG Jun. Photoemission mechanism of multi-alkali photocathode by photoluminescence[J]. Acta Photonica Sinica, 2012, 41(12): 1435-1440. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201212008.htm
[16] 常本康. GaAs光电阴极[M]. 北京: 科学出版社, 2001. CHANG Benkang. GaAs Photocathode[M]. Beijing: Science Press, 2001.
[17] 常本康. GaAs基光电阴极[M]. 北京: 科学出版社, 2017. CHANG Benkang. Photocathode Base on GaAs[M]. Beijing: Science Press, 2017.
[18] ZHANG Yijun, CHANG Benkang, YANG Zhi, et al. Distributuion of carriers in gradient-doping transmission-mode GaAs photocathodes grown by molecular beam epitaxy[J]. Chinese Physics B, 2009, 18(10): 4541-4546. DOI: 10.1088/1674-1056/18/10/074
[19] ZHAO Jing, CHANG Benkang, XIONG Yajuan, et al. Influence of the antireflection, window and active layers on optical properties of exponential-doping transmission-mode GaAs photocade modules[J]. Optics Communications, 2012, 285(5): 589-593.
[20] 李晓峰, 张景文, 高宏凯, 等. 三代管MCP离子阻挡膜研究[J]. 光子学报, 2001, 30(12): 1496-1499. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB200112014.htm LI Xiaofeng, ZHANG Jingwen, GAO Hongkai, et al. Ion barrier of MCP in the third generation image intensifier[J]. Acta Photonica Sinica, 2001, 30(12): 1496-1499. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB200112014.htm
[21] 杨晓军, 李丹, 乔凯, 等. 防离子反馈微通道板表面碳污染去除的试验研究[J]. 红外技术, 2020, 42(8): 747-751. http://hwjs.nvir.cn/article/id/hwjs202008007 YANG Xiaojun, LI Dan, QIAO Kai, et al. Experimental study of C pollution removal from microchannel plate with ion barrier film[J]. Infrared Technology, 2020, 42(8): 509-518. http://hwjs.nvir.cn/article/id/hwjs202008007
[22] Jan Van Spijker. Ion barrier membrane for use in a vacuum tube using electron multiplying, an electron multiplying structure for use in a vacuum tube using electron multiplying as well as a vacuum tube using electron multiplying provided with such an electron multiplying structure[P]. U. S. : 8, 471, 444B2[P]. [2013-01-25].
[23] Roaux E, Richard J C, Piaget C. Third-Generation Image Intensifier[J]. Advances in Electronics and Electron Physics, 1985, 64A: 71-75.
[24] Pollehn H K. Performance and reliability of third-generation image intensifier[J]. Advances in Electronics and Electron Physics, 1985, 64A: 61-69.
[25] Jacques Dupuy, Joost Schrijvers, Gerard Wolzak. The super second generation image intensifier[C/OL]//SPIE, 1989, 1072: 0014.
[26] Bosch L A, Boskma L. The Performance of DEP Super Generation Image Intensifier[C]//Proc. of SPIE, 1994, 2272: 110212.
[27] YAN Baojin, LIU Shulin, HENG Yuekun. Nano-oxide thin films deposited via atomic layer deposition on microchannel[J]. Nanoscale Research Letters, 2015, 10(1): 1-10.
[28] 丛晓庆, 邱祥彪, 孙建宁, 等. 原子层沉积法制备微通道板发射层的特性[J]. 红外与激光工程, 2016, 45(9): 0916002. CONG Xiaoqing, QIU Xiangbiao, SUN Jianning, et al. Properties of microchannel plate emission layer deposited by atomic layer deposition[J]. Infrared and Laser Engineering, 2016, 45(9): 1-10.
[29] Nutzel G. Image intensifier for night vision device[P]. U. S. : Patent 0, 886, 095B2, [2021-01-05].
[30] 山东鑫茂奥耐特复合固体润滑工程技术有限公司. 一种金属表面超声波镶嵌纳米金刚石的方法[P]. 中国: CN201510283605, [2015-08-20]. Shandong Xingmao aonaite compound lubricating oil technology company. A method of ultrasonic embedding nano diamond on metal surface[P]. China: CN201510283605, [2015-08-20].
[31] 李晓峰, 李廷涛, 曾进能, 等. 微通道板输入信号利用率提高研究[J]. 光子学报, 2020, 49(3): 0325002. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202003022.htm LI Xiaofeng, LI Tingtao, ZENG Jinneng, et al. Study on the improvement of input signal utilization of MCP[J]. Acta Photonica Sinica, 2020, 49(3): 0325002. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202003022.htm
[32] 李丹, 朱宇峰, 赵慧民, 等. MCP噪声因子特性研究[J]. 红外技术, 2017, 39(11): 1066-1070. http://hwjs.nvir.cn/article/id/hwjs201711016 LI Dan, ZHU Yufeng, ZHAO Huimin, et al. Research on noise factor characteristic of micro-channel plate[J]. Infrared Technology, 2017, 39(11): 1066-1070. http://hwjs.nvir.cn/article/id/hwjs201711016
[33] 李晓峰, 常乐, 李金沙, 等. 微通道板噪声因子与工作电压关系研究[J]. 光子学报, 2020, 49(7): 0725002. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202007003.htm LI Xiaofeng, CHANG Le, LI Jinsha, et al. Study on the relationship between noise factor and working voltage of microchannel plate[J]. Acta Photonica Sinica, 2020, 49(7): 0725002. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202007003.htm
[34] 李晓峰, 张正君, 丛晓庆, 等. 微通道板结构参数对噪声因子的影响研究[J]. 光子学报, 2021, 50(5): 0225001. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202104016.htm LI Xiaofeng, ZHANG Zhenjun, CONG Xiaoqing, et al. Influence of microchannel plate structure parameters on noise factor[J]. Acta Photonica Sinica, 2021, 50(5): 0225001. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202104016.htm
[35] 刘元震, 王仲春, 董亚强. 电子发射与光电阴极[M]. 北京: 北京理工大学出版社, 1995. LIU Yuanzheng, WANG Zhongchun, DONG Yaqiang. Electron Emission and Photocathode[M]. Beijing: Beijing Science and Technology University Press, 1995.
[36] 法国甫托尼公司. 具有改善的吸收率的半透明的光电阴极[P]. 中国: CN104781903A. [2015-07-15]. Photonis France. Sem-transparent photocathode with improved absorption rate[P]. China: CN104781903A [2015-07-15].
[37] 李晓峰, 常乐, 曾进能, 等. 微通道板分辨力提高研究[J]. 光子学报, 2019, 48(12): 1223002. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201912016.htm LI Xiaofeng, CHANG Le, ZENG Jinneng, et al. Study on resolution improvement of microchannel plate[J]. Acta Photonica Sinica, 2019, 48(12): 1223002. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB201912016.htm
[38] 邱亚峰, 严武凌, 华桑暾. 基于电子追迹算法的微光像增强器分辨力研究[J]. 光子学报, 2020, 49(12): 1223003. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202012003.htm QIU Yafeng, YAN Wuling, HUA Sangtun. Resolution research of low-light-level image intensifier based on electronic trajectory tracking[J]. Acta Photonica Sinica, 2020, 49(12): 1223003. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202012003.htm
[39] 李晓峰, 常乐, 赵恒, 等. 超二代与三代像增强器低照度分辨力比较研究[J]. 光子学报, 2021, 50(9): 0904003-1. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202109030.htm LI Xiaofeng, CHANG Le, ZHAO Heng, et al. Comparison of resolution between Super Gen. Ⅱ and Gen. Ⅲ image intensifier[J]. Acta Photonica Sinica, 2021, 50(9): 0904003-1. https://www.cnki.com.cn/Article/CJFDTOTAL-GZXB202109030.htm
[40] Hoenderken T H, Hagen C W, Nutzel G O, et al. Influence of the microchannel plate and anode gap parameters on the spatial resolution of an image intensifier[J]. Journal of Vaccum, Science and Technology, 2001, 19(30): 843-850.
[41] Nutzel G. Fiber optic phosphor screen comprising angular filter[P]. U. S. : 8, 933, 419B2 [2015-01-13].
[42] 潘京生. 像增强器的迭代性能及其评价标准[J]. 红外技术, 2020, 42(6): 509-518. http://hwjs.nvir.cn/article/id/hwjs202006001 PAN Jingsheng. Image intensifier upgraded performance and evaluation standard[J]. Infrared Technology, 2020, 42(6): 509-518. http://hwjs.nvir.cn/article/id/hwjs202006001
[43] 董煜辉, 黄丽书, 王俊, 等. 微光像增强器试验方法: WJ 2091-1992[S]. 北京: 中国标准出版社, 1992. DONG Yuhui, HUANG Lishu, WANG Jun, et al. Test method of image intensifier: WJ 2091-1992[S]. Beijing: Standards Press of China, 1992.
[44] 董煜辉, 黄丽书, 王俊, 等. 像增强器通用规范: GJB 2000A-2020 [S]. 北京: 中国标准出版社, 2020. DONG Yuhui, HUANG Lishu, WANG Jun, et al. General specification of image intensifier: GJB 2000A-2020[S]. Beijing: Standards Press of China, 2020.
[45] 李晓峰, 何雁彬, 常乐, 等. 超二代与三代像增强器性能的比较研究[J]. 红外技术, 2022, 44(8): 764-777. http://hwjs.nvir.cn/article/id/f450e48d-1281-422f-8ab5-d725f5a0ce3d LI Xiaofeng, HE Yanbin, CHANG Le, et al. Performance comparison between super second generation and third generation image intensifiers[J]. Infrared Technology, 2022, 44(8): 764-777. http://hwjs.nvir.cn/article/id/f450e48d-1281-422f-8ab5-d725f5a0ce3d
[46] 周立伟. 关于微光像增强器的品质因数[J]. 红外与激光工程, 2004, 33(4): 331-337. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ200404001.htm ZHOU Liwei. On quality factor of low light level image intensifier[J]. Infrared and Laser Engineering, 2004, 33(4): 331-337. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ200404001.htm
计量
- 文章访问数: 396
- HTML全文浏览量: 47
- PDF下载量: 154
