CN113267258A - 红外测温方法、装置、设备、智能巡检机器人及存储介质 - Google Patents
红外测温方法、装置、设备、智能巡检机器人及存储介质 Download PDFInfo
- Publication number
- CN113267258A CN113267258A CN202110541334.XA CN202110541334A CN113267258A CN 113267258 A CN113267258 A CN 113267258A CN 202110541334 A CN202110541334 A CN 202110541334A CN 113267258 A CN113267258 A CN 113267258A
- Authority
- CN
- China
- Prior art keywords
- temperature
- detection
- distance
- infrared
- thermal imaging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 46
- 238000007689 inspection Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 180
- 238000001931 thermography Methods 0.000 claims abstract description 84
- 238000012937 correction Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims description 34
- 239000000523 sample Substances 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000004861 thermometry Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 230000005457 Black-body radiation Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/52—Radiation pyrometry, e.g. infrared or optical thermometry using comparison with reference sources, e.g. disappearing-filament pyrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/52—Radiation pyrometry, e.g. infrared or optical thermometry using comparison with reference sources, e.g. disappearing-filament pyrometer
- G01J5/53—Reference sources, e.g. standard lamps; Black bodies
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种红外测温方法,该方法将环境温度的影响视为探测设备输出的固有特性,根据探测设备以及环境温度对输出温度进行修正,消除环境温度对于不同红外热成像探测设备的输出温度的影响;同时将目标设备与探测设备之间的探测距离、发射率以及大气湿度视为外部影响因数,根据建立的通用的距离湿度修正模型根据所述大气湿度以及所述探测距离对所述第一修正温度进行探测距离以及大气湿度影响修正,消除探测距离以及大气湿度对于第一修正温度的影响,在根据消除各方面影响后的物体探测数据进行温度值的测算,可以显著提升测温精准度。本发明还公开了一种红外测温装置、红外热成像探测设备、智能巡检机器人和可读存储介质,具有相应的技术效果。
Description
技术领域
本发明涉及智能测温技术领域,特别是涉及一种红外测温方法、装置、红外热成像探测设备、智能巡检机器人及可读存储介质。
背景技术
随着无人值守智能化变电站的快速发展,变电站智能巡检机器人得到了广泛的应用。变电站中电力设备由于工作或故障产生能量损耗从而导致自身温度上升,当温度高于正常值时,电力设备不但会寿命大大降低存在安全隐患,严重的会直接导致事故的发生,影响电网稳定。因此,红外测温是无人值守智能化变电站中最基本、最重要的步骤。
然而在现有的变电站智能巡检机器人红外测温中智能化程度低,被测物体发射率e和被测物体与红外相机之间的距离d等参数需要手动输入;而且测温精度低,难以满足物体的温度采集精准度需求,进而极大地限制了机器人的智能化程度,阻碍了机器人在变电站智能巡检中的应用。
综上所述,如何提升测温精准度,同时提升智能化水平,优化用户体验,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种红外测温方法、装置、设备及可读存储介质,可以提升测温精准度。
为解决上述技术问题,本发明提供如下技术方案:
一种红外测温方法,包括:
获取红外热成像探测设备对目标设备进行温度探测时的环境温度、大气湿度、探测距离、所述目标设备的发射率以及输出温度;
调用环境温度修正模型根据所述环境温度对所述输出温度进行探测设备影响修正,得到第一修正温度;
调用距离湿度修正模型根据所述大气湿度以及所述探测距离对所述第一修正温度进行探测距离以及大气湿度影响修正,得到第二修正温度;
调用物体温度识别模型根据所述发射率、所述环境温度以及所述第二修正温度计算所述目标设备的温度。
可选地,所述发射率的获取方法包括:
检测目标设备,确定所述目标设备的种类和位置;
根据各类对象发射率匹配信息确定所述种类对应的发射率,作为所述目标设备的发射率。
可选地,所述探测距离的获取方法包括:
调用测距网络确定所述红外热成像探测设备与所述目标设备间的距离,作为所述探测距离。
可选地,所述调用测距网络确定所述红外热成像探测设备与所述目标设备间的距离,包括:
调用轻量级增强边缘损失和多尺度特征融合的红外单目测距网络计算所述红外热成像探测设备与所述目标设备间的距离。
可选地,所述环境温度修正模型的训练方法包括:
确定待标定的红外热成像探测设备,作为待标定设备;
将所述待标定设备与具有不同设定温度的黑体放置于步入式高低温箱内;其中,各所述待标定设备分别与各所述黑体的距离差不大于阈值;
将所述步入式高低温箱的温度依次调整至各预设温度值,并分别获取各所述待标定设备采集得到的各黑体的温度值,作为探测温度;
将各所述待标定设备对应的探测数据作为训练样本,根据所述训练样本对预搭建的环境温度修正模型进行训练;所述探测数据包括:所述探测温度、所述步入式高低温箱的温度与所述黑体的温度。
可选地,所述距离湿度修正模型的训练方法包括:
确定红外热成像探测设备;
将具有不同设定温度的黑体固定于预设位置;
将红外热成像探测设备分别移动至距离所述黑体预设间距处,并分别获取所述红外热成像探测设备生成的第一修正温度,作为探测温度;
将所述红外热成像探测设备对应的探测数据作为训练样本,根据所述训练样本对预搭建的距离湿度修正模型进行训练;所述探测数据包括:大气湿度、所述探测温度、所述预设间距与所述黑体的温度。
一种红外测温装置,包括:
数据获取单元,用于获取红外热成像探测设备对目标设备进行温度探测时的环境温度、大气湿度、探测距离、所述目标设备的发射率以及输出温度;
第一修正单元,用于调用环境温度修正模型根据所述环境温度对所述输出温度进行探测设备影响修正,得到第一修正温度;
第二修正单元,用于调用距离湿度修正模型根据所述大气湿度以及所述探测距离对所述第一修正温度进行探测距离以及大气湿度影响修正,得到第二修正温度;
温度计算单元,用于调用物体温度识别模型根据所述发射率、所述环境温度以及所述第二修正温度计算所述目标设备的温度。
一种红外热成像探测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述红外测温方法的步骤。
一种智能巡检机器人,包括:如上所述红外热成像探测设备。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述红外测温方法的步骤。
本发明实施例所提供的方法,在传统的机器学习模型的基础上,将环境温度的影响视为探测设备输出的固有特性,根据不同的探测设备以及环境温度对输出温度进行修正,消除环境温度对于不同红外热成像探测设备的输出温度的影响;同时将目标设备与探测设备之间的探测距离、发射率以及大气湿度视为外部影响因数,根据建立的通用模型建模——距离湿度修正模型根据大气湿度以及探测距离对第一修正温度进行探测距离以及大气湿度影响修正,消除探测距离以及大气湿度对于第一修正温度的影响,再根据消除各方面影响后的物体探测数据进行温度值的测算,可以显著提升测温精准度。
相应地,本发明实施例还提供了与上述红外测温方法相对应的红外测温装置、红外热成像探测设备、智能巡检机器人和可读存储介质,具有上述技术效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种红外测温方法的实施流程图;
图2为本发明实施例中一种待标定设备和黑体在步入式高低温箱内布置示意图;
图3为本发明实施例中一种距离、大气湿度修正中黑体和红外热成像探测设备位置示意图;
图4为本发明实施例中一种红外测温装置的结构示意图;
图5为本发明实施例中一种红外热成像探测设备的结构示意图。
具体实施方式
本发明的核心是提供一种红外测温方法,可以提升测温精准度。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例中一种红外测温方法的流程图,该方法包括以下步骤:
S101、获取红外热成像探测设备对目标设备进行温度探测时的环境温度、大气湿度、探测距离、目标设备的发射率以及输出温度;
红外热成像探测设备用于对目标设备进行温度探测,输出探测得到的温度值(即输出温度),需要获取温度探测中的环境温度t、大气湿度h、探测距离d(即红外热成像探测设备与目标设备间的距离)、目标设备的发射率e以及温度探测后的输出温度v,以便于根据上述数据进行目标设备温度的识别。
其中,本实施例中对于环境温度t、大气湿度h、探测距离d、目标设备的发射率e以及输出温度v的获取方式均不作限定。输出温度可以直接获取红外热成像探测设备探测后输出的温度值;环境温度、大气湿度可以按照传统方法,获取红外热成像探测设备(大部分红外热成像探测设备中均设置有温湿度传感器)中的温湿度传感器获取的温湿度值,也可以另外通过其它设备对环境温度、大气湿度进行数据采集,在此不再赘述。
而目前,目标设备的发射率需要用户手动输入,当然,本方法中也可以采用用户手动输入发射率的方式来获取目标设备的发射率,为了提升红外测温过程的智能化程度,减少用户侧操作,本实施例中提出一种自动获取目标设备发射率的方法,具体如下:
(1)检测目标设备,确定目标设备的种类和位置;
通过通用的目标检测算法检测目标设备,识别目标设备的种类和位置。本实施例中对于选用的目标检测算法不做限定,可以参照相关技术的介绍。
(2)根据各类对象发射率匹配信息确定种类对应的发射率,作为目标设备的发射率。
预先建立应用场景中各类的被检测物体(即目标设备)与发射率间的映射匹配信息,匹配信息中包含的种类不做限定,可以根据实际应用场景进行配置,以应用于变电站为例,匹配信息中可以包括变压器、电压电流互感器等电力设备的发射率。
则在确定了被检测的目标设备后,根据预先建立的各类对象发射率匹配信息即可确定目标设备对应的发射率,实现了发射率的自动获取。
本实施例中仅以上述发射率获取方式为例进行介绍,当然也可以采用其它获取方式,均可参照本实施例的介绍,在此不再赘述。
目前,目标设备与红外热成像探测设备之间的探测距离也需要用户手动输入,当然,本方法中也可以采用用户手动输入探测距离的方式来获取目标设备的探测距离,为了提升红外测温过程的智能化程度,减少用户侧操作,本实施例中提出一种自动获取探测距离的方法,具体为:调用测距网络确定红外热成像探测设备与目标设备间的距离,作为探测距离。
为了提升距离测算的精准度,调用测距网络确定红外热成像探测设备与目标设备间的距离的过程具体可以为:调用轻量级增强边缘损失和多尺度特征融合的红外单目测距网络计算红外热成像探测设备与目标设备间的距离。
测距在自动驾驶及红外热成像精确测温等领域是必不可少的关键技术,与常用的激光雷达和双目测距相比,无监督单目视觉测距由于其低成本、便于部署、工艺要求低等特点,吸引了众多研究者的注意。虽然基于可见光单目视觉测距取得了重大发展,然而在夜间、雾天等场景,可见光并不适用,而红外热成像是有益的补充。但由于与可见光图像相比,红外热成像图像具有对比度低、动态范围宽、图像不连续、信噪比低、低纹理等缺点,简单地将可见光的单目视觉测距算法应用于红外热成像的单目视觉测距,会导致训练崩溃、精度低、深度图像边缘模糊等问题。
为了解决这些问题,本实施例针对红外图像比度低、动态范围宽、图像不连续、信噪比低、低纹理的特性设计了一项新的损失函数:边缘损失函数,旨在降低图像重投影时的像素误匹配。另外,由于以往的无监督单目测距单纯的将四个尺度的深度图统一上采样到原图像分辨率计算投影误差,忽略了尺度之间的关联性以及不同尺度之间的贡献差异,因此本实施例将双向特征金字塔网络(BiFPN)应用于多尺度深度图的特征融合,通过多尺度特征融合解决了深度图边缘模糊问题。另外,在红外单目测距网络中可以将CSPNet替换Resnet,以降低网络复杂度提高运算速度,便于将算法移植到低端的AI处理芯片。
本实施例中仅以上述测距网络结构为例进行距离探测的介绍,其它距离探测手段均可参照本实施例的介绍,在此不再赘述。
在获取得到环境温度、大气湿度、探测距离、目标设备的发射率以及输出温度后,目前传统的测温过程会直接基于T=f(v,e,d,t,h)进行建模计算,该种计算方式不仅会导致工艺流程过于复杂,生产效率低下,而且实际计算得到的温度值精准度较低,难以满足高精准测温的使用需求。
针对于此,本申请中提出了一种精确红外测温模型,以实现精准的目标温度测算。
首先经过众多实验申请人发现,不同的红外热成像探测设备的输出温度v会随环境温度t的变化而变化,红外热成像探测设备的固有属性是影响测温精度的一个主要因数。为避免由于使用不同的红外热成像探测设备对测量精准度带来的影响,本方法在精准红外测温中首先调用环境温度修正模型消除探测设备的影响,执行步骤S102。
S102、调用环境温度修正模型根据环境温度对输出温度进行探测设备影响修正,得到第一修正温度;
环境温度修正模型为本方法中预训练的一种用于计算黑体辐射温度Tf与红外热成像探测设备的输出v和环境温度t之间相关关系的数学模型(Tf=f(v,t),其中Tf为消除环境温度t影响后的黑体辐射温度),将环境温度t以及输出温度v输入至模型后,就可以得到消除环境温度对于不同红外热成像探测设备的输出温度的影响后的温度,作为第一修正温度。
本实施例中对于环境温度修正模型的具体网络结构以及训练方法不做限定,可以根据实际使用需要进行相应设定。
为保证影响消除的精准度,本实施例中提供一种环境温度修正模型的训练方法,具体如下:
(1)确定待标定的红外热成像探测设备,作为待标定设备;
由于红外热成像探测设备不同,其输出温度随环境温度的变化差异较大,因此每台红外热成像探测设备整机出厂时都需进行标定修正。本实施例中待标定的红外热成像探测设备指待进行环境温度修正的红外热成像探测设备,为简化描述,称为待标定设备。本实施例中对于待标定设备的数量不做限定,可以为一台,也可以为多台,可以根据实际使用需要进行待标定设备的确定。
(2)将待标定设备与具有不同设定温度的黑体放置于步入式高低温箱内;
黑体是一个理想化的物体,指能够吸收外来的全部电磁辐射,并且不会有任何的反射与透射,本实施例中以此作为红外温度探测研究的对象,以排除温度外其它因素的影响(比如外形、材质等)。当然,也可以选用其它的检测对象,本实施例中不做限定。黑体应设置多个,具有不同的温度,本实施例中对于黑体的数量以及温度的设置不做限定,比如可以设置6个黑体,6个黑体的温度分别设置为-20℃、0℃、30℃、70℃、110℃、150℃。
其中,各待标定设备分别与各黑体的距离差不大于阈值,尽量保持待标定设备与各黑体间距相同,以避免设备与黑体间距对于温度测量带来的影响,黑体和待标定设备相距的距离不做限定,可以根据经验值进行设定,比如可以设置黑体与待标定设备间距均在3米左右。一种待标定设备和黑体在步入式高低温箱内布置示意图如图2所示,本实施例中仅以各待标定设备等间隔排列,具有不同温度的黑体按照温度大小值的顺序在标定设备对面呈弧形排列为例进行介绍,其它布置方式均可参照本实施例的介绍,在此不再赘述。
(3)将步入式高低温箱的温度依次调整至各预设温度值,并分别采集各待标定设备采集得到的各黑体的温度值,作为探测温度;
启动待标定设备、黑体以及步入式高低温箱,将步入式高低温箱温度依次调整至各预设温度值,比如先设置为-20℃,再设置为0℃、20℃、50℃。以单次采集为例,待***(由待标定设备、黑体以及步入式高低温箱组成的***)达到热平衡状态后,记录下待标定设备的输出温度v、待标定设备自身的温度t(待标定设备温度可以代表环境温度)以及对应的各黑体温度T。注意,采集各黑体数据时,应尽量使待标定设备的光学镜头中心与的成像光斑中心对准。
(4)将各待标定设备对应的探测数据作为训练样本,根据训练样本对预搭建的环境温度修正模型进行训练;探测数据包括:探测温度、步入式高低温箱的温度与黑体的温度。
根据各探测数据依据Tf=f(v,t)即可建立并训练黑体辐射温度Tf与红外热成像探测设备的输出v和环境温度t的数学模型,作为环境温度修正模型。
需要说明的是,本实施例中仅以上述环境温度修正模型训练过程(测温范围为-20℃到150℃、环境温度范围为-20℃到50℃)为例进行介绍,其它训练方式均可参照本实施例的介绍,在此不再赘述。
S103、调用距离湿度修正模型根据大气湿度以及探测距离对第一修正温度进行探测距离以及大气湿度影响修正,得到第二修正温度;
距离湿度修正模型为本方法中预训练的一种计算黑体辐射温度Td与距离v和大气湿度h之间相关关系的数学模型Td=f(Tf,d,h),其中Td为消除环境温度t影响后的黑体辐射温度,f可用传统的机器学习算法如SVR、ANN等建模,将第一修正温度Tf、探测距离d以及大气湿度h输入至模型后,就可以得到消除探测距离d以及大气湿度h对于第一修正温度的影响,将模型输出的数据,作为第二修正温度。
需要说明的是,申请人研究发现,各待检测的目标设备与热成像探测设备之间的探测距离d、被测物体发射率e、大气湿度h等属于外部影响因数,不随红外热成像探测设备的变化而变化,本方法中将探测距离d、被测物体发射率e对于探测温度的影响建立一个通用模型建模Td=f(Tf,d,h),其中Td为消除探测距离d、大气湿度h影响后的修正黑体辐射温度,以在第一修正温度的基础上,简化工艺流程,提高生产效率,实现探测距离以及湿度的补偿。
本实施例中对于距离湿度修正模型的具体网络结构以及训练方法不做限定,可以根据实际使用需要进行相应设定。
为保证影响消除的精准度,本实施例中提供一种距离湿度修正模型的训练方法,具体如下:
(1)确定红外热成像探测设备;
(2)将具有不同设定温度的黑体固定于预设位置;
在室外环境(可以根据实际应用场景选择应用环境,本实施例中仅以室外环境为例)中固定黑***置,以6个黑体(温度分别设置为-20℃、0℃、30℃、70℃、110℃、150℃)按照图3所示以弧形排列为例,黑体之间的间距本实施例中不做限定,可以根据实际测试需要进行黑***置的设定。
(3)将红外热成像探测设备分别移动至距离黑体预设间距处,并分别获取红外热成像探测设备生成的第一修正温度,作为探测温度;
待黑体和红外热成像探测设备处于热平衡后开始数据采集,移动红外热成像探测设备,使红外热成像探测设备与黑体具有不同的间距,预设间距本实施例中不做限定,比如可以分别将红外热成像探测设备移动至距离黑体为3米、9米、18米、30米处进行重复探测,如图3所示。
(4)将红外热成像探测设备对应的探测数据作为训练样本,根据训练样本对预搭建的距离湿度修正模型进行训练;探测数据包括:大气湿度、探测温度、预设间距与黑体的温度。
采集在各个间距下由Tf=f(v,t)计算出的黑体辐射温度Tf(第一修正温度)、距离d、大气湿度h以及对应的第一修正温度T,得到训练样本(Tf,d,h,T)。
根据训练样本基于距离与大气湿度对温度采集的影响公式Td=f(Tf,d,h)即可建立以及训练生成黑体辐射温度Td与距离v和大气湿度h的数学模型,距离湿度修正模型。
需要说明的是,本实施例中仅以测量最大距离为30米,测温范围为-20℃到150℃为例进行模型训练过程的介绍,其它训练方式均可参照本实施例的介绍,在此不再赘述。
S104、调用物体温度识别模型根据发射率、环境温度以及第二修正温度计算目标设备的温度。
其中,物体温度识别模型指目前常见的依据被探测的目标设备的参数(发射率e以及环境温度t进行温度计算的模型,该模型考虑到环境温度对目标设备本身温度的影响,以Tr=f1(Td,e,t)为基础建立的模型(其中Tr为消除发射率影响后的真实物体温度,f1可采用业界通用的发射率、环境温度修正模型),具体的模型搭建以及训练方式可以参照相关技术的介绍,在此不再赘述。
将第二修正温度、发射率以及环境温度输入至物体温度识别模型后,该模型会自动输出一个温度值,将该温度值为目标设备真实的温度值。
需要说明的是,本申请对于上述方法的执行主体不做限定,可以为红外热成像探测设备,即探测后立即对自身探测得到的输出温度进行实际温度计算;也可以为其它设备,即获取红外热成像探测设备探测中的相关数据进行实际温度的计算,在此不做限定,可以根据实际使用需要以及计算能力的限制进行执行主体的设定,在此不再赘述。
基于上述介绍,本发明实施例所提供的技术方案,考虑到影响红外测温精度的几个主要因素如探测距离、目标设备发射率、环境温度、大气湿度、输出温度间相互影响、相互作用的情况,在传统的机器学习模型的基础上,将环境温度的影响视为探测设备输出的固有特性,根据不同的探测设备以及环境温度对输出温度进行修正,消除环境温度对于不同红外热成像探测设备的输出温度的影响;同时将目标设备与探测设备之间的探测距离、发射率以及大气湿度视为外部影响因数,根据建立的通用模型建模——距离湿度修正模型根据大气湿度以及探测距离对第一修正温度进行探测距离以及大气湿度影响修正,消除探测距离以及大气湿度对于第一修正温度的影响,再根据消除各方面影响后的物体探测数据进行温度值的测算,可以显著提升测温精准度。
相应于上面的方法实施例,本发明实施例还提供了一种红外测温装置,下文描述的红外测温装置与上文描述的红外测温方法可相互对应参照。
参见图4所示,该装置包括以下模块:
数据获取单元110主要用于获取红外热成像探测设备对目标设备进行温度探测时的环境温度、大气湿度、探测距离、目标设备的发射率以及输出温度;
第一修正单元120主要用于调用环境温度修正模型根据环境温度对输出温度进行探测设备影响修正,得到第一修正温度;
第二修正单元130主要用于调用距离湿度修正模型根据大气湿度以及探测距离对第一修正温度进行探测距离以及大气湿度影响修正,得到第二修正温度;
温度计算单元140主要用于调用物体温度识别模型根据发射率、环境温度以及第二修正温度计算目标设备的温度。
相应于上面的方法实施例,本发明实施例还提供了一种红外热成像探测设备,下文描述的一种红外热成像探测设备与上文描述的一种红外测温方法可相互对应参照。
该红外热成像探测设备包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现上述方法实施例的红外测温方法的步骤。
具体的,请参考图5,为本实施例提供的一种红外热成像探测设备的具体结构示意图,该红外热成像探测设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)322(例如,一个或一个以上处理器)和存储器332,存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中,存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储器332通信,在红外热成像探测设备301上执行存储器332中的一系列指令操作。
红外热成像探测设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作***341。
上文所描述的红外测温方法中的步骤可以由红外热成像探测设备的结构实现。
相应于上面的设备实施例,本发明实施例还提供了一种智能巡检机器人,该智能巡检机器人中设置有如上述实施例中介绍的红外热成像探测设备,红外热成像探测设备与上文描述的一种红外热成像探测设备以及红外测温方法可相互对应参照。
本实施例中对于红外热成像探测设备在智能巡检机器人中的安装位置不做限定,为避免其他遮挡以及高度等因素对于温度测量过程带来的不稳定因素,红外热成像探测设备可以设置于智能巡检机器人的外侧,且红外热成像探测设备在智能巡检机器人的位置可移动,以保证对于不同高度的目标设备与红外热成像探测设备保持水平。
相应于上面的方法实施例,本发明实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种红外测温方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的红外测温方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
本领域技术人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种红外测温方法,其特征在于,包括:
获取红外热成像探测设备对目标设备进行温度探测时的环境温度、大气湿度、探测距离、所述目标设备的发射率以及输出温度;
调用环境温度修正模型根据所述环境温度对所述输出温度进行探测设备影响修正,得到第一修正温度;
调用距离湿度修正模型根据所述大气湿度以及所述探测距离对所述第一修正温度进行探测距离以及大气湿度影响修正,得到第二修正温度;
调用物体温度识别模型根据所述发射率、所述环境温度以及所述第二修正温度计算所述目标设备的温度。
2.根据权利要求1所述的红外测温方法,其特征在于,所述发射率的获取方法包括:
检测目标设备,确定所述目标设备的种类和位置;
根据各类对象发射率匹配信息确定所述种类对应的发射率,作为所述目标设备的发射率。
3.根据权利要求1所述的红外测温方法,其特征在于,所述探测距离的获取方法包括:
调用测距网络确定所述红外热成像探测设备与所述目标设备间的距离,作为所述探测距离。
4.根据权利要求3所述的红外测温方法,其特征在于,所述调用测距网络确定所述红外热成像探测设备与所述目标设备间的距离,包括:
调用轻量级增强边缘损失和多尺度特征融合的红外单目测距网络计算所述红外热成像探测设备与所述目标设备间的距离。
5.根据权利要求1所述的红外测温方法,其特征在于,所述环境温度修正模型的训练方法包括:
确定待标定的红外热成像探测设备,作为待标定设备;
将所述待标定设备与具有不同设定温度的黑体放置于步入式高低温箱内;其中,各所述待标定设备分别与各所述黑体的距离差不大于阈值;
将所述步入式高低温箱的温度依次调整至各预设温度值,并分别获取各所述待标定设备采集得到的各黑体的温度值,作为探测温度;
将各所述待标定设备对应的探测数据作为训练样本,根据所述训练样本对预搭建的环境温度修正模型进行训练;所述探测数据包括:所述探测温度、所述步入式高低温箱的温度与所述黑体的温度。
6.根据权利要求1所述的红外测温方法,其特征在于,所述距离湿度修正模型的训练方法包括:
确定红外热成像探测设备;
将具有不同设定温度的黑体固定于预设位置;
将红外热成像探测设备分别移动至距离所述黑体预设间距处,并分别获取所述红外热成像探测设备生成的第一修正温度,作为探测温度;
将所述红外热成像探测设备对应的探测数据作为训练样本,根据所述训练样本对预搭建的距离湿度修正模型进行训练;所述探测数据包括:大气湿度、所述探测温度、所述预设间距与所述黑体的温度。
7.一种红外测温装置,其特征在于,包括:
数据获取单元,用于获取红外热成像探测设备对目标设备进行温度探测时的环境温度、大气湿度、探测距离、所述目标设备的发射率以及输出温度;
第一修正单元,用于调用环境温度修正模型根据所述环境温度对所述输出温度进行探测设备影响修正,得到第一修正温度;
第二修正单元,用于调用距离湿度修正模型根据所述大气湿度以及所述探测距离对所述第一修正温度进行探测距离以及大气湿度影响修正,得到第二修正温度;
温度计算单元,用于调用物体温度识别模型根据所述发射率、所述环境温度以及所述第二修正温度计算所述目标设备的温度。
8.一种红外热成像探测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述红外测温方法的步骤。
9.一种智能巡检机器人,其特征在于,包括:如权利要求8所述红外热成像探测设备。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述红外测温方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541334.XA CN113267258B (zh) | 2021-05-18 | 2021-05-18 | 红外测温方法、装置、设备、智能巡检机器人及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541334.XA CN113267258B (zh) | 2021-05-18 | 2021-05-18 | 红外测温方法、装置、设备、智能巡检机器人及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113267258A true CN113267258A (zh) | 2021-08-17 |
CN113267258B CN113267258B (zh) | 2023-02-17 |
Family
ID=77231489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110541334.XA Active CN113267258B (zh) | 2021-05-18 | 2021-05-18 | 红外测温方法、装置、设备、智能巡检机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113267258B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113916384A (zh) * | 2021-09-30 | 2022-01-11 | 云南电网有限责任公司电力科学研究院 | 一种基于多元统计分析建模对黑体辐射源控温的方法 |
CN114199384A (zh) * | 2021-11-02 | 2022-03-18 | 武汉钢铁有限公司 | 一种红外测温方法及*** |
CN114264373A (zh) * | 2021-12-27 | 2022-04-01 | 淮阴工学院 | 一种红外测温仪温度补偿和测量距离增强方法及*** |
CN115736844A (zh) * | 2022-11-16 | 2023-03-07 | 吉林省科英医疗激光有限责任公司 | 一种体表温度实时检测***和检测方法 |
CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、***和计算机可读存储介质 |
CN116448250A (zh) * | 2023-06-14 | 2023-07-18 | 国网山西省电力公司超高压变电分公司 | 一种电力设备红外热成像辅助定位装置及辅助定位方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809434A (zh) * | 2011-05-30 | 2012-12-05 | 安讯士有限公司 | 温度记录法测量的方法和装置 |
CN107941348A (zh) * | 2017-11-24 | 2018-04-20 | 广东电网有限责任公司电力科学研究院 | 一种红外测温标校方法 |
CN108991905A (zh) * | 2017-06-06 | 2018-12-14 | 佛山市顺德区美的电热电器制造有限公司 | 用于烹饪器具的红外测温方法、***及烹饪器具 |
CN109357766A (zh) * | 2018-09-26 | 2019-02-19 | 国网福建省电力有限公司 | 基于红外测温的变电设备缺陷检测方法与缺陷检测*** |
CN109655162A (zh) * | 2018-11-30 | 2019-04-19 | 诺仪器(中国)有限公司 | 红外热像仪测温校正***及方法 |
CN110530432A (zh) * | 2019-09-30 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种电网设备带电检测***、红外热像仪及方法 |
CN110910383A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于红外图像识别的调相机故障监测方法和*** |
CN111412992A (zh) * | 2020-04-03 | 2020-07-14 | 华为技术有限公司 | 一种测量温度的方法及电子设备 |
CN111751003A (zh) * | 2020-06-10 | 2020-10-09 | 四川省东宇信息技术有限责任公司 | 一种热像仪温度修正***、方法及热像仪 |
CN112050948A (zh) * | 2020-08-05 | 2020-12-08 | 沈阳上博智像科技有限公司 | 基于探测器温度漂移模型的无挡片红外测温方法 |
CN112393808A (zh) * | 2020-11-23 | 2021-02-23 | 江苏镭博智能科技有限公司 | 一种热敏相机温度补偿方法和*** |
-
2021
- 2021-05-18 CN CN202110541334.XA patent/CN113267258B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809434A (zh) * | 2011-05-30 | 2012-12-05 | 安讯士有限公司 | 温度记录法测量的方法和装置 |
CN108991905A (zh) * | 2017-06-06 | 2018-12-14 | 佛山市顺德区美的电热电器制造有限公司 | 用于烹饪器具的红外测温方法、***及烹饪器具 |
CN107941348A (zh) * | 2017-11-24 | 2018-04-20 | 广东电网有限责任公司电力科学研究院 | 一种红外测温标校方法 |
CN109357766A (zh) * | 2018-09-26 | 2019-02-19 | 国网福建省电力有限公司 | 基于红外测温的变电设备缺陷检测方法与缺陷检测*** |
CN109655162A (zh) * | 2018-11-30 | 2019-04-19 | 诺仪器(中国)有限公司 | 红外热像仪测温校正***及方法 |
CN110530432A (zh) * | 2019-09-30 | 2019-12-03 | 国网山东省电力公司电力科学研究院 | 一种电网设备带电检测***、红外热像仪及方法 |
CN110910383A (zh) * | 2019-12-04 | 2020-03-24 | 江苏方天电力技术有限公司 | 基于红外图像识别的调相机故障监测方法和*** |
CN111412992A (zh) * | 2020-04-03 | 2020-07-14 | 华为技术有限公司 | 一种测量温度的方法及电子设备 |
CN111751003A (zh) * | 2020-06-10 | 2020-10-09 | 四川省东宇信息技术有限责任公司 | 一种热像仪温度修正***、方法及热像仪 |
CN112050948A (zh) * | 2020-08-05 | 2020-12-08 | 沈阳上博智像科技有限公司 | 基于探测器温度漂移模型的无挡片红外测温方法 |
CN112393808A (zh) * | 2020-11-23 | 2021-02-23 | 江苏镭博智能科技有限公司 | 一种热敏相机温度补偿方法和*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113916384A (zh) * | 2021-09-30 | 2022-01-11 | 云南电网有限责任公司电力科学研究院 | 一种基于多元统计分析建模对黑体辐射源控温的方法 |
CN113916384B (zh) * | 2021-09-30 | 2024-03-19 | 云南电网有限责任公司电力科学研究院 | 一种基于多元统计分析建模对黑体辐射源控温的方法 |
CN114199384A (zh) * | 2021-11-02 | 2022-03-18 | 武汉钢铁有限公司 | 一种红外测温方法及*** |
CN114264373A (zh) * | 2021-12-27 | 2022-04-01 | 淮阴工学院 | 一种红外测温仪温度补偿和测量距离增强方法及*** |
CN115736844A (zh) * | 2022-11-16 | 2023-03-07 | 吉林省科英医疗激光有限责任公司 | 一种体表温度实时检测***和检测方法 |
CN115736844B (zh) * | 2022-11-16 | 2023-10-24 | 吉林省科英医疗激光有限责任公司 | 一种体表温度实时检测***和检测方法 |
CN115876334A (zh) * | 2023-02-22 | 2023-03-31 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、***和计算机可读存储介质 |
CN116448250A (zh) * | 2023-06-14 | 2023-07-18 | 国网山西省电力公司超高压变电分公司 | 一种电力设备红外热成像辅助定位装置及辅助定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113267258B (zh) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113267258B (zh) | 红外测温方法、装置、设备、智能巡检机器人及存储介质 | |
CN109977813B (zh) | 一种基于深度学习框架的巡检机器人目标定位方法 | |
CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
JP2022514974A (ja) | 物体検出方法、装置、電子機器、及びコンピュータプログラム | |
CN110826549A (zh) | 基于计算机视觉的巡检机器人仪表图像识别方法及*** | |
CN110599541A (zh) | 一种对多传感器进行标定的方法、装置和存储介质 | |
CN102183214B (zh) | 一种大口径非球面镜结构光检测方法 | |
CN114266836B (zh) | 基于振镜相机的主动视觉三维标定方法、***和设备 | |
CN102800096B (zh) | 一种摄像机参数的鲁棒性估计算法 | |
CN108871373B (zh) | 一种基于俯仰滚转台和非线性优化的星敏感器标定方法 | |
CN109493389B (zh) | 一种基于深度学习的相机标定方法及*** | |
CN109711400A (zh) | 一种识别模拟指针式仪表读数的电力巡检方法和装置 | |
CN111473755B (zh) | 一种远程测距方法及装置 | |
CN110191335A (zh) | 遥感相机成像质量评价与仿真*** | |
CN110263790A (zh) | 一种基于卷积神经网络的电厂电表字符定位和识别方法 | |
CN113658147B (zh) | 一种基于深度学习的工件尺寸测量装置及方法 | |
CN113237633B (zh) | 一种基于图像处理的光电平台稳定精度检测的方法 | |
CN103176349B (zh) | 镜头检测装置及方法 | |
CN112419402B (zh) | 一种基于多光谱影像和激光点云的定位方法及*** | |
CN116912319A (zh) | 一种手眼标定的方法 | |
CN112504156A (zh) | 一种基于前景网格的结构表面应变测量***及测量方法 | |
CN113077518B (zh) | 一种相机参数标定方法、装置及存储介质 | |
CN116381726A (zh) | 基于数据自身的无人机激光点云精度自评估方法 | |
CN115861407A (zh) | 基于深度学习的安全距离检测方法及*** | |
CN112649116B (zh) | 一种温度测量方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210817 Assignee: INFIRAY TECHNOLOGIES CO.,LTD. Assignor: Yantai Airui Photo-Electric Technology Co.,Ltd. Contract record no.: X2024980006380 Denomination of invention: Infrared temperature measurement method, device, equipment, intelligent inspection robot and storage medium Granted publication date: 20230217 License type: Common License Record date: 20240530 |
|
EE01 | Entry into force of recordation of patent licensing contract |