基于时间序列分析的红外探测器响应特性漂移评价方法技术

本发明专利技术公开一种基于时间序列分析的红外探测器响应特性漂移评价方法，其包括以下步骤：

【技术实现步骤摘要】
基于时间序列分析的红外探测器响应特性漂移评价方法


[0001]本专利技术属于红外探测器响应特性漂移评价
，尤其是涉及一种基于时间序列分析的红外探测器响应特性漂移评价方法
。

技术介绍

[0002]红外探测器具有全天候探测能力，是红外成像探测系统不可或缺的重要部分，广泛应用于军事
、
科学
、
工农业生产和医疗卫生等各个领域，尤其在军事领域，红外探测器在精确制导
、
瞄准系统
、
侦察夜视
、
目标侦察监视
、
目标搜索跟踪
、
远程监控等方面具有不可替代的作用
。
随着红外探测技术的飞速发展，红外探测器在军事
、
民用等诸多领域都有着日益广泛的应用
。
作为高新技术的红外探测技术在未来的应用将更加广泛，地位更加重要
。
在实际应用过程中，红外探测器受到复杂工作环境的影响，其响应特性发生漂移，导致红外探测器的成像质量下降，进而严重影响红外成像探测系统的性能
。
对红外探测器响应特性漂移进行定量评价，是衡量红外探测器和红外成像探测系统是否适用于特定应用场景和任务的关键
。
[0003]目前，仅有少量研究工作涉及红外探测器响应特性漂移的评价，包括以下几种：
1、
可校正性
、
稳定时间和卡方分布理想度等评价指标通过分析非均匀性校正后序列图像的空域噪声
、
时域噪声以及卡方分布来度量响应特性漂移；
2、
均方根误差
、
通用图像质量指数
、
粗糙度
、
峰值信噪比等图像质量评价指标也被用于评价非均匀性校正算法及其长期稳定性
。
上述这些评价方法基于非均匀性校正后的图像分析，通过评价非均匀性校正算法的性能实现对红外探测器响应特性漂移的间接评价，其评价结果依赖于非均匀性校正算法，无法有效反映探测器响应特性漂移情况
。
[0004]实际红外探测器响应特性漂移可能是一个缓慢的过程，利用采集的有限序列图像数据难以得到正确的评价结果
。
红外探测器响应特性漂移是受多种因素影响的结果，难以建立精确的响应特性漂移模型
。
序列分析方法通过分析历史数据，挖掘时间序列的内部规律，对序列数据进行未来预测估计，已被广泛应用于金融
、
医疗
、
气象等方面，用于帮助决策者做出有数据支持的重要决策
。
随着深度学习方法的兴起，深度学习方法也被应用于时间序列分析中
。
典型的时间序列分析网络模型如
RNN、LSTM、GRU、TFT
等在语音识别
、
金融数据分析等方面的得到了广泛的应用
。
如何建立红外探测器响应特性漂移模型，实现红外探测器响应特性漂移的有效评价，仍然是亟待解决的问题
。

技术实现思路

[0005]为解决现有技术中的评价方法无法有效反映探测器响应特性漂移情况的问题，本专利技术的目的是提供一种基于时间序列分析的红外探测器响应特性漂移评价方法
。
[0006]为实现上述专利技术目的，本专利技术采用如下技术方案：
[0007]一种基于时间序列分析的红外探测器响应特性漂移评价方法，其包括以下步骤：
[0008]S1、
将红外探测器响应输出的序列图像视为时间序列数据，构建序列图像预测网
络模型，序列图像预测网络模型包括时间序列分析网络模块和全连接网络模块；
[0009]S2、
获取红外探测器响应输出的序列图像作为历史序列图像，构建训练和验证数据集，利用数据集训练并验证步骤
S1
中的序列图像预测网络模型；
[0010]S3、
利用步骤
S2
中的训练好的序列图像预测网络模型，采用迭代预测方法生成预测序列图像；
[0011]S4、
基于时差图像计算步骤
S2
中的历史序列图像和步骤
S3
中的预测序列图像的漂移度
Dr
和漂移熵
En
，并分别统计漂移度
Dr
和漂移熵
En
的均值，根据设定的判定规则得到红外探测器响应特性漂移等级评价结果
。
[0012]进一步地，上述的步骤
S1
，包括以下子步骤：
[0013]S1.1、
所述序列图像预测网络模型的输入数据是连续
n
帧图像数据，输出数据是第
n+1
帧预测图像数据；
[0014]S1.2、
所述序列图像预测网络模型的损失函数为输出数据与标签之间的均方误差，计算公式为
[0015][0016]式中，为输出数据，
Y
为标签，
m
为数据维数，
i
为分量序号
。
[0017]进一步地，上述的步骤
S2
，包括以下子步骤：
[0018]S2.1、
所述获取红外探测器响应输出的序列图像的方法为：在实验室环境下，设定黑体温度为
T
，根据设定的采样间隔时间
Δ
t
和采样次数
k
，采集待测红外探测器在黑体均匀辐射下的响应输出，得到历史序列图像
[0019]S2.2、
所述构建训练和验证数据集的过程为：首先，对步骤
S2.1
中获取的红外序列图像数据进行灰度归一化处理，计算公式为
[0020][0021]式中，
I
i
为原始灰度值，
I
iN
为归一化后灰度值，
Norm
为归一化系数；
[0022]然后，以设定的时间步长
n
对归一化后的序列图像数据进行分组，每组数据包含连续
n
帧图像数据和第
n+1
帧图像数据，其中，第
n+1
帧图像数据作为标签；最后，按时间顺序以设定比例
r
将分组数据划分为训练集和验证集；
[0023]S2.3、
所述数据集训练和验证方法为：将步骤
S2.2
中的训练集数据依次输入序列图像预测网络模型中进行训练，再输入步骤
S2.2
中的验证集数据进行验证，直至所述损失函数的训练误差和验证误差都达到设定精度
loss
min
，并且迭代次数达到最大迭代次数
l
max
。
[0024]更进一步地，上述的步骤
S2.2
中，公式
(2)
中的归一化系数
Norm
的取值为：
50本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于时间序列分析的红外探测器响应特性漂移评价方法，其特征是：其包括以下步骤：
S1、
将红外探测器响应输出的序列图像视为时间序列数据，构建序列图像预测网络模型，序列图像预测网络模型包括时间序列分析网络模块和全连接网络模块；
S2、
获取红外探测器响应输出的序列图像作为历史序列图像，构建训练和验证数据集，利用数据集训练并验证步骤
S1
中的序列图像预测网络模型；
S3、
利用步骤
S2
中的训练好的序列图像预测网络模型，采用迭代预测方法生成预测序列图像；
S4、
基于时差图像计算步骤
S2
中的历史序列图像和步骤
S3
中的预测序列图像的漂移度
Dr
和漂移熵
En
，并分别统计漂移度
Dr
和漂移熵
En
的均值，根据设定的判定规则得到红外探测器响应特性漂移等级评价结果
。2.
根据权利要求1所述的基于时间序列分析的红外探测器响应特性漂移评价方法，其特征是：步骤
S1
包括以下子步骤：
S1.1、
所述序列图像预测网络模型的输入数据是连续
n
帧图像数据，输出数据是第
n+1
帧预测图像数据；
S1.2、
所述序列图像预测网络模型的损失函数为输出数据与标签之间的均方误差，计算公式为式中，为输出数据，
Y
为标签，
m
为数据维数，
i
为分量序号
。3.
根据权利要求1所述的基于时间序列分析的红外探测器响应特性漂移评价方法，其特征是：步骤
S2
包括以下子步骤：
S2.1、
所述获取红外探测器响应输出的序列图像的方法为：在实验室环境下，设定黑体温度为
T
，根据设定的采样间隔时间
Δ
t
和采样次数
k
，采集待测红外探测器在黑体均匀辐射下的响应输出，得到历史序列图像
S2.2、
所述构建训练和验证数据集的过程为：首先，对步骤
S2.1
中获取的红外序列图像数据进行灰度归一化处理，计算公式为式中，
I
i
为原始灰度值，
I
iN
为归一化后灰度值，
Norm
为归一化系数；然后，以设定的时间步长
n
对归一化后的序列图像数据进行分组，每组数据包含连续
n
帧图像数据和第
n+1
帧图像数据，其中，第
n+1
帧图像数据作为标签；最后，按时间顺序以设定比例
r
将分组数据划分为训练集和验证集；
S2.3、
所述数据集训练和验证方法为：将步骤
S2.2
中的训练集数据依次输入序列图像预测网络模型中进行训练，再输入步骤
S2.2
中的验证集数据进行验证，直至所述损失函数的训练误差和验证误差都达到设定精度
loss
min
，并且迭代次数达到最大迭代次数
l
max
。4.
根据权利要求3所述的基于时间序列分析的红外探测器响应特性漂移评价方法，其特征是：步骤
S2.2
中，公式
(2)
中的归一化系数
Norm
的取值为：
500≤Norm≤5000
；时间步长
n
的取值为：
n∈N,n>1
，
N
为整数集；设定比例
r
的取值为：
0<r<1。5.
根据权利要求1所述的基于时间序列分析的红外探测器响应特性漂移评价方法，其特征是：步骤
S3
中，所述迭代预测方法处理步骤为：首先，利用历史序列图像中的经过归一化处理后输入序列图像预测网络模型，生成预...

【专利技术属性】
技术研发人员：尚超，吕衍秋，李墨，彭晶，乔淑畅，王娜，刘淏宇，
申请(专利权)人：中航凯迈上海红外科技有限公司，
类型：发明
国别省市：