低温目标光谱发射率建模及弱信号检测技术的研究

引言

在低温目标发射率及真温测量系统中,由于目标辐射能量绝对值小、信号弱,所以噪声对测量精度的影响较大;此外,材料光谱发射率不确定仍然是影响辐射法测量真温及发射率的一个难题.因此,本设计从解决低温目标弱辐射信号检测、目标光谱发射率和温度分离算法这两个问题角度出发,设计了一种新的低温目标信号处理系统.

低辐射信号噪声去除比较常用的方法有:窄带滤波法、双路消噪法、同步累计法、锁定接收法、相关检测法、取样积分法(时域分析法)[1,2].本设计考虑利用小波变换这种新的多分辨分析方法,设计小波滤波器提取弱辐射信号,并采用积分法进一步去除噪声信号,实现辐射测温信号预处理.多光谱辐射测温法是近年来发展起来的测量辐射温度和发射率的方法,这种测量方法是利用目标多个光谱的辐射信息来分离出辐射温度和发射率的方法.目前,多光谱辐射测温的数据处理主要有2种方法,一种是假设模型法[3~7];另一种为神经网络法[8,9].假设模型法是假设波长和发射率之间的一个固定的数学模型,如lnε=a+bλ,ε=a+bλ等,再依据亮温求得目标真温及发射率.神经网络法提出了取消发射率和波长假设模型的新方法.但由于无法得到被测目标的真温与输出量对应关系的样本数据,仍需要假设若干发射率的样本数据,所以这种方法是假定了一些发射率模型,由于假设的模型多,所以样本点的数量大,导致网络的训练速度较慢.上述假设模型一般是从处理问题方便或针对某一个或某些特定对象的角度出发设计出来的,由于材料性质、表面形状及状态不同,目标发射率各不相同,迄今为止还无法找到一种适合所有材料的发射率与波长或各通道发射率间关系的假设模型.如lnε(λ,T)=a+bλ,只适用于多氧化和未氧化的金属表面,而对其它材料的测量精度较低.因而假设模型法会由于目标的光谱发射率模型与假设模型不符而造成误差.因而必须建立一种通用的发射率与温度分离算法,完全取消假设模型.

本设计建立一种新的模型.任何表面状态和温度下,只要采集到该状态下目标各个光谱的辐射量,就可以训练出该目标的连续光谱发射率.首先,这个模型需根据神经网络结构建立波长和发射率间的映射关系,由于无法得到样本数据,再将这个映射关系依据红外技术理论进行组合,因而称为多光谱神经网络发射率模型.这个模型不需对发射率模型进行任何形式的假设,以此解决假设模型法存在的问题.

1　基于小波变换及多光谱神经网络的辐射测温系统

在中红外辐射测温系统中,为了消除目标背景及杂散光辐射等附加信号的影响,在光路系统汇聚焦点处安装一个与光轴成45°角的调制盘,调制盘将目标信号调制成交流信号.另外测量系统应具有足够多的波长数,以满足多光谱神经网数据处理的需要.本设计调制频率选择为934Hz.图1为红外多光谱辐射温度计的前置级与数据采集系统.用小波变换去除噪声信号主要有3种方法,我们对3种方法进行了比较研究[10],针对辐射测温信号的特点,选取在934Hz附近采用小波变换滤波器进行滤波的去噪方式,这种方法可以有效地提取某一小频带内的信号,去除干扰信号.