一种红外测温仪温度补偿和测量距离增强方法及系统与流程

1.本发明涉及一种温度测量方法和系统，尤其涉及一种红外测温仪温度补偿和测量距离增强方法及系统。


背景技术：

2.mlx90614红外测温传感器具有非接触、体积小、测量精度高等优点，但是其测量距离短。由于人体辐射的红外能量随着距离的增大而迅速衰减，因此常用的红外测温仪有效测量距离仅为5-15cm。
3.专利cn111123406a公开了手持气象仪温度数据拟合方法，该方法通过采集在不同的定外下传感器测量的温度与环境实际温度之间的误差，构建温度拟合曲线，并利用温度拟合曲线修正传感器测量的温度，从而增大测量的准确性。
4.专利cn111780879a公开了一种红外测温系统及测温方法，该方法利用红外测温设备对不同环境温度下的黑体温度进行标定时，一方面在预设的每项黑体温度下，进行目标输出值的记录；另一方面，用于根据记录数据建立测温模型，进行目标温度的计算和输出。
5.专利cn111707374a公开了一种人体红外测温仪的距离估算方法，该方法利用红外测温仪检测人体的额头部分的矩形区域，根据矩形区域中心的水平坐标从预先构建的夹角—水平坐标的表格中查找相应的角度，计算出人体与摄像头的距离。
6.专利cn111693154a公开了一种红外测温传感器温度补偿方法及其装置，该方法通过某一个环境温度下对多个物体温度进行标定，拟合出温度与电压的多项式系数，从而计算出对应的实际被测物体的温度，该方法测量距离短。
7.中国专利cn108955901b公开了一种红外测温方法、系统及终端设备，该方法通过识别待测设备的图像的设备轮廓确定设备的检测参考线，通过参考线获取待测设备的最高温度及最高温度对应的位置信息。
8.目前的几种方法在距离较长的情况下温度的测量误差均较大。


技术实现要素：

9.发明目的：本发明旨在提供一种红外测温仪温度补偿和测量距离增强方法及系统，解决测温仪测在测量距离较长的情况下测温精度低的问题。
10.技术方案：本发明所述的红外测温仪温度补偿和测量距离增强方法，包括以下步骤：
11.(1)由传感器获得采集数据；
12.(2)设计并训练生成对抗网络；
13.(3)将采集数据通过生成对抗网络获得被测物体温度补偿值。
14.采集数据包括被测物体温度t、环境温度t’、环境湿度hs、测温设备与被测物体的距离l。
15.通过红外传感器获取被测物体温度t，所述红外传感器前端设置光学透镜。
16.步骤(2)中包括以下步骤：
17.(21)将采集数据窗口划分，并归一化，然后拆分为测量数据和被测物体温度真实值；
18.(22)测量数据输入生成器中的gru，所述生成器中的gru包括一个重置门和一个更新门，重置门的计算表达式为
19.h
t
'＝tanh(wx
t
r
t
⊙
uh
t-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
20.其中，x
t
为第t个时间步的输入向量，即输入序列x的第t个分量，w、u表示权重矩阵，h
t-1
表示上一时间步信息
⊙
表示计算重置门r
t
与uh
t-1
的hadamard乘积；
21.(23)将生成器的输出数据、被测物体温度真实数据分别输入判别器中cnn，判别器中cnn的卷积层数学表达式为：
[0022][0023]
其中，σ为激活函数，c为偏置参数，l表示局部感受野的长，m表示局部感受野的宽，ω
l,m
是权重参数，α
j l,k m
表示卷积层的输入数据；
[0024]
(24)生成器和判别器按照目标函数相互对抗，调整参数，使得生成器的输出数据接近于真实数据。
[0025]
步骤(24)中的目标函数
[0026]
min
g max
d v(d,g)＝e[log(d(x))] e[log(1-d(g(z)))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0027]
式中，maxd为最大化判别器，ming为最小化生成器；x表示实际温度t0，z表示测量数据；g(z)表示生成器的输出t0’
，d(x)表示判别器对t0的输出概率，d(g(z))表示判别器对t0’
的输出概率；
[0028]
将式(5)分解为判别器的目标函数式(6)和生成器的目标函数式(7)：
[0029]
max
d v(d,g)＝e[log(d(x))] e[log(1-d(g(z)))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0030]
min
g v(d,g)＝e[log(1-d(g(z)))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)。
[0031]
本发明的红外测温仪温度补偿和测量距离增强系统，包括红外传感器模块、环境参数测量模块、激光测距模块和控制模块；所述红外传感模块、环境参数测量模块和激光测距模块均与控制模块连接；红外传感器模块测量被测物体温度t并传输给控制模块；环境参数测量模块测量环境温度为t’和环境湿度hs并传输给控制模块；激光测距模块测量测温设备与被测物体的距离l并传输给控制模块；控制模块根据被测物体温度t、环境温度为t’、环境湿度hs、测温设备与被测物体的距离l，获得被测物体温度补偿值。
[0032]
红外传感器模块包括光学透镜、红外测温传感器、放大电路、a/d转换电路，四者依次连接。
[0033]
环境参数测量模块包括温湿度传感器。
[0034]
进一步，还包括显示被测物体温度补偿后的值的显示模块。
[0035]
控制模块根据采集的被测物体温度t、环境温度t’、环境湿度hs、测温设备与被测物体的距离l和生成对抗网络获得被测物体温度补偿值，对抗网络的生成器为gru网络，对抗网络的判别器为cnn网络。
[0036]
有益效果：与现有技术相比，本发明具有如下显著优点：
[0037]
(1)采用生成对抗网络计算测量误差，测试误差为2％左右。
[0038]
(2)在保证测量准确度前提下，适当增加红外测温仪的测量距离，由原来的有效测量距离为5-15cm增加到0.8-1m。
附图说明
[0039]
图1为本发明的结构示意图；
[0040]
图2为本发明的流程图；
[0041]
图3为本发明基于生成对抗网络的温度补偿算法流程图。
具体实施方式
[0042]
下面结合附图对本发明的技术方案作进一步说明。
[0043]
由图1可知，本发明所述的红外测温仪温度补偿和测量距离增强系统包括红外传感器模块、环境参数测量模块、激光测距模块和控制模块；红外传感模块、环境参数测量模块和激光测距模块均与控制模块连接。
[0044]
红外测温模块包括mlx90614红外传感器、放大电路、a/d转换电路，三者依次连接。本实施例中，电路前端加入光学透镜汇聚人体辐射的红外能量到光学传感器，增大光学传感器的接收能量。环境参数测量模块包括温湿度传感器dht11。测量设备附带温湿度传感器dht11，能够实时监测设备周边的环境温度和湿度，作为算法设计参数。控制模块为树莓派。
[0045]
本实施例中，激光测距模块为gp2ap02vt00f传感器。
[0046]
当人体经过时，通过mlx90614传感器获取人体温度，同时激光测距仪测量人体与测温仪的距离，温湿度传感器dht11获得环境温度和湿度，再由树莓派读取数据并进行处理整合，最后在显示屏上显示。
[0047]
激光测距是通过激光光源向测量目标射出一束激光信号，激光信号经过距离a后在目标表面发生漫反射，反射回来的光信号被光电探测器接收，此时计时器测量出光信号从发射到接收所用的时间t，光速为c，从而计算出到目标的距离d。
[0048]
d=(c
×
t)/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0049]
系统接收到的物体辐射红外线的能量与环境温度、湿度、距离、大气透射率等因素紧密相关。考虑到工程实际应用，本实施例仅考虑温度真值(校准后)与红外传感器读取的温度(校准前)、环境温度、环境湿度、传感器与被测物体之间的距离之间的关系。设校准后的温度读数为to(真值)，大气的环境温度为t’、环境湿度为hs、测温设备与被测物体的距离为l、以及红外传感器测得的读数为t(校准前)。则测得的温度读数可表示为下式：
[0050]
to＝f(t
′
,hs,l,t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0051]
本发明所述的红外测温仪温度补偿和测量距离增强方法，包括以下步骤：
[0052]
(1)由传感器获得采集数据；
[0053]
(2)设计并训练生成对抗网络；
[0054]
(3)将采集数据通过生成对抗网络获得被测物体温度补偿值。
[0055]
步骤(1)中采集数据的具体过程为：
[0056]
1被测目标温度设置
[0057]
使用精度为1
‰
加热源将水温保持在36℃、37℃、38℃、39℃、40℃、41℃、42℃、43℃、44℃和45℃。
[0058]
2环境温度和湿度的设置
[0059]
采用带加温的加湿器给测量环境加温加湿，使环境温度保持在28℃—30℃之间随机取值；环境相对湿度为40％—50％之间随机取值。
[0060]
3测量距离设定
[0061]
把温度源固定位置，使用精度1％的测温仪在l(200mm、215mm、230mm
……
500mm)的距离处测量，每个距离连续测量3个数据，将这3个数据取平均值为该点的测量温度t
′0。
[0062]
本实施例中共测量2000次，表1为部分测量数据。
[0063]
表1部分测量数据
[0064][0065]
步骤(2)中设计并训练生成对抗网络。
[0066]
生成对抗网络算法中的生成器内部是卷积神经网络，根据采样数据产生一个逼近真值的近似值，把这个近似值与真值送入判别器进行比对，根据他们之间的误差产生一个损失函数，然后进行回馈相继调整生成器和判决器内部网络参数，经过多次反馈调整，最终生成一个与真值误差最小的近似值，当该误差近似趋近于0时，网络训练完毕，之后即可以用训练好的网络进行预测。
[0067]
生成对抗网络包括生成器和判别器，传统的生成对抗网络的生成器和判别器中网络均为全连接网络，具有参数冗余等局限性，本专利使用的生成对抗网络中的生成器网络为gru，gru能够捕获数据中的序列信息，且由较少的参数组成，所以训练时间较短且效果优于全连接网络。判别器网络为cnn，cnn使用参数共享的方式，较于全连接网络不仅减少了参数量，而且可以提升准确率。
[0068]
生成对抗网络的训练过程如下：
[0069]
(21)将采集数据窗口划分，并归一化，然后拆分为测量数据和被测物体温度真实值；
[0070]
(22)将测量数据输入生成器中的gru；
[0071]
gru有两个门，一个重置门和一个更新门，这两个门控向量决定了哪些信息最终能作为门控循环单元的输出。这两个门控机制的特殊之处在于，它们能够保存长期序列中的信息，且不会随时间而清除或因为与预测不相关而移除，在重置门的使用中，新的记忆内容将使用重置门储存过去相关的信息，它的计算表达式为：
[0072]ht
'＝tanh(wx
t
r
t
⊙
uh
t-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0073]
其中，x
t
为第t个时间步的输入向量，即输入序列x的第t个分量，w、u表示
[0074]
权重矩阵，h
t-1
表示上一时间步信息。输入x
t
与上一时间步信息h
t-1
先经过一个线性变换，即分别右乘矩阵w和u，
⊙
表示计算重置门r
t
与uh
t-1
的hadamard乘积，即r
t
与uh
t-1
的对应元素乘积，将这两部分的计算结果相加再投入tanh激活函数中。
[0075]
(23)生成器的输出数据、真实数据分别输入判别器；
[0076]
判别器的工作原理如下：cnn借鉴于生物的神经系统，各个神经元之间局部连接，实现对输入特征的提取。cnn是由卷积层、池化层和全连接层构成。其中卷积层主要是通过共享权值来实现对特征的提取，其数学表达式为：
[0077][0078]
式中σ，为激活函数，c为偏置参数，l表示局部感受野的长，m表示局部感受野的宽，ω
l,m
是权重参数，α
j l,k m
表示卷积层的输入数据；
[0079]
(24)生成器和判别器按照目标函数相互对抗，调整参数，使得生成器的输出数据等于真实数据。
[0080]
目标函数为:
[0081]
min
g max
d v(d,g)＝e[log(d(x))] e[log(1-d(g(z)))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0082]
其中，maxd为最大化判别器，ming为最小化生成器；x表示实际温度t0，z表示测量数据；g(z)表示生成器的输出t0’
，d(x)表示判别器对t0的输出概率，d(g(z))表示判别器对t0’
的输出概率。
[0083]
式(5)可以分解为式(6)和式(7)：
[0084]
max
d v(d,g)＝e[log(d(x))] e[log(1-d(g(z)))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0085]
式(6)是判别器的目标函数，真实数据标签为1，生成数据标签为0，期望d(x)越来越接近于1，而d(g(z)越来越接近于0，让判别器有“明辨是非”的能力。
[0086]
min
g v(d,g)＝e[log(1-d(g(z)))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0087]
式(7)是生成器的目标函数，期望d(g(z))趋向于1，即生成数据越接近真实数据越好。
[0088]
生成对抗网络属于非监督式学习，由两个神经网络构成，通过相互博弈的方式进行学习。生成器从测量数据中取样作为输入，输出结果为t0′
。判别器的输入是真实样本和生成器的输出，其目的是将生成器的输出尽可能地逼近真实样本t0，整体结构如图3所示。
[0089]
本实施例中，将采集数据分为两份，一份作为训练数据，另一份作为测试数据，一般按9:1或8:2的比例划分。其次，由于各个特征之间的单位或标准不同，有可能对模型有影响，所以需要对数据进行归一化。最后，采取利用n次采样数据(t
′
,hs,l,t)来补偿这n次采样数据的实际温度t0。本专利中选择n＝3为窗口滚动划分数据集m，将m划分为两个数据源：a包含t
′
,hs,l,t四个特征的数据源。b仅包含t0的数据源。
[0090]
生成器由gru构成，用于生成补偿的温度数据；判别器由cnn构成，用于判断数据的真假。
[0091]
首先将数据源
①
以3次为窗口划分，得到数据集
②
，把
②
进行归一化之后再拆分为
④
和
⑤
，其中，
④
作为生成器
⑥
的输入，包含t
′
,hs,l,t共计4个特征，输入生成器
⑥
之后输
出矩阵
⑦
，作为“假”数据；矩阵
⑤
包含的是实际温度t0，作为“真”数据。最后将矩阵
⑤
和矩阵
⑦
输入判别器
⑧
，输出真假的判断。两个网络在训练过程中，按照式(3)的目标函数来相互对抗、不断调整参数，最终目的是使矩阵
⑦
中的数据越来越接近矩阵
⑤
中的数据，以达到温度补偿的目的。
[0092]
生成器在训练时，判别器是需要固定的，反之亦然，交替进行。此时出现博弈，因为判别器希望能够判别出生成数据，而生成器又在不断地优化网络，使矩阵
⑦
中的数据越来越接近矩阵
⑤
中的数据，以达到温度补偿的目的。
[0093]
上述模型训练完毕，用测试集数据进行测试，测试误差为2％左右。
[0094]
由图2可知，本发明的工作过程如下：系统上电后初始化，当扫描按键按下时，传感器采集各种数据，控制器对数据进行预处理，并通过生成对抗网络补偿温度值，补偿后的温度值大于37.5摄氏度时，便报警，如果没有大于37.5摄氏度则在显示屏显示补偿后的温度值，并继续判断是否有案件按下，重复上述操作。