一种基于近红外钙钛矿探测器的非重构测量域目标识别方法、系统及设备

本技术涉及钙钛矿光学成像，具体涉及一种基于近红外钙钛矿探测器的非重构测量域目标识别方法、系统及设备。

背景技术：

1、由于光电探测技术的快速发展及其在稳定性和噪声控制方面取得的阶段性突破，使得单像素探测器的性能得以持续提升。目前主流近红外探测器主要基于硅、锗、铟镓砷等半导体材料，其中硅基探测器在近红外波段响应能力有限，而锗和铟镓砷等探测器虽然具有较好的近红外响应性能，但由于制备工艺复杂、成本较高等问题，使得高性能近红外探测器长期局限于部分领域。

2、而钙钛矿材料因其带隙在一定范围内连续可调、吸收系数高、载流子迁移率高等优异性能，已成为制备高性能光电探测器的理想选择。特别是在近红外波段，钙钛矿单晶薄膜因其低缺陷密度和优异的光电特性，显著提升了探测器的灵敏度和响应速度，而且钙钛矿材料还可使用溶液法在低温条件下制备，工艺简单、成本低廉，并可与柔性衬底兼容，为制备高性能、低成本的近红外单像素探测器提供了理想的材料选择。

3、然而，现有的探测器技术在实现近红外目标识别时仍面临系统性难题，传统目标识别方法通常依赖于复杂的信号重构过程，需要先重构图像再进行识别，且单点器件仅输出一维总光强值，不具备面阵成像所需的并行读出能力。若强行进行图像重构，需依赖复杂的迭代优化算法，这不仅会放大钙钛矿探测器在弱光条件下的低频漂移噪声，还会因迭代过程中的误差累积削弱钙钛矿高信噪比带来的优势，这样的重构过程不仅增加计算复杂度，且重构图像质量影响较大，在低采样率和弱光条件下容易造成目标特征丢失，进而影响后续识别准确率，致使钙钛矿探测器固有的高灵敏度、低噪声等优势无法在最终识别结果中得到充分体现。

4、因此，现有技术尚缺乏一种将近红外钙钛矿探测器、单像素测量系统以及非重构测量域目标识别策略有机结合成一体的目标识别方法，否则难以充分发挥钙钛矿探测器在近红外目标识别场景中的应用优势。

技术实现思路

1、为了解决上述技术缺陷，本技术提供了一种基于近红外钙钛矿探测器的非重构测量域目标识别方法、系统及设备。

2、根据本技术的第一个方面，提供了一种基于近红外钙钛矿探测器的非重构测量域目标识别方法，包括：

3、搭建基于近红外钙钛矿探测器且具有光学端网络和电学端网络的单像素光电混合神经网络；

4、构建目标识别样本集，所述样本集数据包括同类样本对与异类样本对；

5、利用目标识别样本集对单像素光电混合神经网络进行预训练，训练完成后固定网络参数并生成目标参考特征库；

6、通过对待识别目标进行光学照射与光路调制，形成光谱-空间混合编码和原始测量值序列；

7、基于探测器响应模型对原始测量值序列进行预处理，得到标准测量值序列；

8、将得到的标准测量值序列输入到预训练完成的单像素光电混合神经网络中进行特征提取与目标匹配识别，输出目标识别结果；

9、其中，所述光学端网络为编码层，用于实现光谱-空间混合编码；所述电学端网络为解码层，包括预处理层、特征提取层和匹配识别层，用于从单像素探测信号中识别目标；

10、所述光学照射光源为近红外宽带光源；

11、所述目标识别过程全程无需生成目标重构图像。

12、优选地，所述通过对待识别目标进行光学照射与光路调制形成光谱-空间混合编码和原始测量值序列，具体包括：

13、利用近红外宽带光源发射宽谱光束，通过透镜组，使光束透射过待识别目标后会聚成像；

14、将携带目标空间信息的透射光束经色散元件，在空间上按波长展开形成一维波长分布；

15、通过聚焦透镜，将色散后的全部波长分量会聚至数字微镜器件表面，形成光谱-空间混合编码图案；

16、利用数字微镜器件加载数字编码孔径对混合编码图案进行空间光强调制，并反射至钙钛矿单点探测器；

17、通过钙钛矿单点探测器将接收到的光信号转换为电信号，获取与编码图案相对应的原始测量值序列。

18、优选地，所述利用数字微镜器件加载数字编码孔径对混合编码图案进行空间光强调制，并反射至钙钛矿单点探测器，具体包括：

19、所述数字微镜器件加载的数字编码孔径采用切蛋糕哈达玛矩阵生成的互补编码模式，分为正负两组，两组矩阵值相反且互补；

20、数字微镜器件按照预定顺序依次加载正负互补编码孔径，所述近红外钙钛矿单点探测器依次采集对应的正测量值和负测量值；

21、其中，数字微镜器件表面承载的每一行和每一列像素都分别对应特定的波长区间和空间位置，加载编码孔径的同时，各微镜单元同步对所对应空间位置的光谱分量进行独立调制，将空间位置与波长信息耦合为一维光信号。

22、优选地，所述基于探测器响应模型对原始测量值序列进行预处理，得到标准测量值序列，具体包括：

23、数据采集器接收钙钛矿单点探测器输出的模拟电信号，并将其转换为数字信号；

24、基于数据处理算法根据钙钛矿探测器的物理响应参数对采集的测量值序列进行校正处理，包括暗电流补偿、响应度补偿以及归一化处理，其中，所述钙钛矿探测器的物理响应参数包括暗电流、噪声水平、量子效率、响应度及近红外波段响应特性；

25、根据探测器的暗电流参数对原始测量信号进行背景扣除，得到消除本底噪声后的测量值序列：m1= mraw- idark，其中mraw为原始测量值序列，idark为探测器暗电流信号；

26、根据探测器实测响应特性构建校正系数k，对测量值进行补偿，得到补偿后的测量值序列：m2=m1k；

27、根据探测器噪声特性进行归一化处理，得到标准测量值序列： m3=（m2-μ）/σ，其中μ为测量信号均值，σ为测量信号标准差。

28、优选地，所述将得到的标准测量值序列输入到预训练完成的单像素光电混合神经网络中进行特征提取与目标匹配识别，输出目标识别结果，具体包括：

29、将得到的标准测量值序列输入预训练完成的单像素光电混合神经网络中进行特征提取，使高维度测量值序列映射为低维度特征向量；

30、将低维度特征向量与目标参考特征库中的参考特征向量进行匹配，计算欧氏距离，将距离最小的类别作为目标识别结果输出；

31、其中，欧氏距离d的计算采用欧式距离算法：

32、；

33、其中，代表输入的两个样本经过神经网络映射后的距离的平方，h代表神经网络隐藏层的输出向量，代表通过同一个网络输出两次，求得的二范数的平方。

34、优选地，所述计算欧氏距离，将距离最小的类别作为目标识别结果输出，具体包括：

35、当所计算的最小欧氏距离小于预设阈值时，输出与该最小欧氏距离对应的目标识别结果；当所计算的最小欧氏距离大于或者等于预设阈值时，判定该待识别目标为未知目标，向系统发送未知目标信号并触发免重训拓展；

36、系统接收到未知目标信号后，为所述未知目标分配新的类别标识，将所述未知目标的低维特征向量与所述类别标识绑定，并作为新的参考特征向量存入目标参考特征库中，完成所触发的免重训拓展；

37、其中，所述免重训拓展过程中网络参数保持冻结状态。

38、优选地，所述构建目标识别样本集，所述样本集数据包括同类样本对与异类样本对；利用目标识别样本集对单像素光电混合神经网络进行预训练，训练完成后固定网络参数并生成目标参考特征库；具体包括：

39、所述单像素光电混合神经网络采用孪生网络进行特征提取，所述孪生网络由两个结构相同且共享权重参数的编码器组成，两个编码器分别接收两组测量值序列作为输入，并输出对应特征向量；

40、其中预训练过程，包括：

41、所述构建的目标识别样本集，包括训练集和验证集，将训练集中的同类样本对与异类样本对作为训练数据，输入到单像素光电混合神经网络中作为待识别目标；

42、经过光学照射与光路调制，形成光谱-空间混合编码，通过计算差分测量值和探测器响应模型预处理，得到标准测量值序列并将其输入至孪生网络中；

43、孪生网络中的两个编码器通过多层非线性映射结构分别对输入的两组序列进行前向传播，将原始高维测量值降维映射为低维特征向量；

44、通过计算对比损失函数不断优化网络参数，直至损失函数收敛或达到预设的最大迭代次数，固定网络参数，并利用该网络提取样本的低维特征向量构建目标参考特征库，预训练完成。

45、优选地，所述对比损失函数为：

46、l = y·d² + (1-y)·max(margin - d, 0)²；

47、其中，y为样本对标签，同类样本对取值为1，异类样本对取值为0；d为特征向量间的欧氏距离；margin为预设的阈值参数，用于控制异类样本对的最小间隔，其取值为0.8。

48、根据本技术的第二个方面，提供了一种基于近红外钙钛矿探测器的非重构测量域目标识别系统，包括：

49、光学照明与调制模块，包括近红外宽带光源、扩束/准直透镜组、成像透镜、色散元件、聚焦透镜以及数字微镜器件，用于生成光谱-空间混合编码图案并进行空间光强调制；

50、光电探测模块，包括近红外钙钛矿单点探测器和数据采集器，用于采集调制后的光信号并生成原始测量值序列；

51、数据处理与识别模块，包括数据处理单元，用于预处理原始测量值序列并将其降维映射为低维特征向量，计算最小匹配距离，发送未知目标信号，以及输出目标识别结果；

52、拒识与扩展模块，用于接收并响应未知目标信号，为未知目标分配新类别标识，以及将未知目标的低维特征向量存入目标参考特征库。

53、根据本技术的第三个方面，提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序是用于实现所述基于近红外钙钛矿探测器的非重构测量域目标识别方法。

54、本技术中提供的目标识别方法，通过近红外钙钛矿探测器与非重构测量域识别任务的协同设计，实现了从测量值序列到目标类别的直接映射，使得全程无需执行图像重构过程即可完成目标的识别任务。利用近红外宽带光源配合色散元件，在光学前端实现了空间信息与光谱信息的联合编码及预处理，使数字微镜器件调制的光信号携带更为丰富的目标类别特征，同时利用钙钛矿探测器的暗电流、响应度、量子效率及近红外响应特性建立探测器响应模型，对测量值序列进行物理校正和特征增强；然后基于校正后的测量值序列进行测量域特征提取与目标识别，实现探测器物理特性与识别算法的协同优化。

55、本技术为了解决现有的探测器技术在实现近红外目标识别时，过度依赖图像重构、计算复杂度高以及近红外弱光条件下识别效率受限的问题，提出了一种基于近红外钙钛矿探测器的非重构测量域目标识别方法，与现有方法相比，本技术中的方法并非简单替换探测器，而是从光学编码端到信号探测端再到识别决策端进行了一体化设计，通过光谱-空间混合编码机制使得测量值序列与神经网络识别任务完美适配，使近红外钙钛矿单点探测器性能优势能够直接转化为目标识别性能的优势，在保证识别精度的同时避免了图像重构过程，为近红外目标识别提供了一种高效、低复杂度且具有良好扩展性的技术方案。

56、本技术的其它特征和优点将在随后的说明书中进行阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书以及附图中所指出的内容来实现和获得。