-
根据傅里叶光谱辐射计测量光谱辐射的原理可知,傅里叶变换获得的亮度曲线本身就具有明显的震荡噪声,加之测试时的复杂外界因素,由辐射计直接生成的辐射亮度序列需要尽可能消除外界因素造成的干扰才能进行发射率的准确求解。
影响测量壁面发射率的因素有很多,比如:壁面本身的材料性质(粗糙程度、表面温度、几何形状等)、观测方向、测量波长、大气透过率、背景辐射等,并且在对红外辐射特性建模过程中各种变量之间的关系难以确定。采用人工神经网络模型可以有效降低其他因素对目标红外辐射亮度测量的影响,提高光谱发射率的估算精度[12-14]。因此,文中采用了人工神经网络模型对壁面红外辐射亮度进行回归预测建模。
-
双向长短期记忆(Bidirectional Long Short Term Memory, Bi-LSTM)网络由长短期记忆(LSTM)网络改进而来,LSTM使循环神经网络(RNN)在捕获长期依赖性方面获得了改进,克服了梯度消失和梯度爆炸的问题。RNN结构如图7所示。在LSTM中,每个传统RNN隐含层节点都被存储器单元替换,这个重要结构使网络成功避免了梯度消失和爆炸。LSTM存储器单元节点由其包含的四个门单元组成,如图8所示。
图8中,
${{\boldsymbol{C}}_t}$ 表示当前细胞的状态,${{\boldsymbol{C}}_{t - 1}}$ 表示前一时刻细胞的状态,${{\boldsymbol{H}}_t}$ 表示当前细胞的输出,${{\boldsymbol{H}}_{t - 1}}$ 表示前一时刻细胞的输出,${{\boldsymbol{X}}_t}$ 为当前新输入的信息,${{\boldsymbol{X}}_{t - 1}}$ 为前一时刻输入的信息。记忆细胞首先判断上一时刻的细胞状态所包含的信息有多少需要被遗忘,这一过程通过遗忘门来完成,遗忘门激活函数fgt为:式中:
${\text{Sig}}$ 为逻辑S(Sigmoid)形函数;${\boldsymbol{W}}$ 为每个输入的单独权重向量;${\boldsymbol{b}}$ 为偏置矢量。下一步是输入门决定有多少新信息可以加入到当前的细胞状态中,完成这一过程需要首先通过输入门激活函数
${{\boldsymbol{i}}_t}$ 判断哪些信息需要更新,然后再经过tanh层生成备选更新的信息,两者相乘得到新进入的信息${\hat {\boldsymbol{C}}_t}$ 。更新门将从上一时刻进入的旧细胞状态和当前时刻输入的新信息进行线性求和,获取当前的细胞状态
${{\boldsymbol{C}}_t}$ :最后,输出门将
${{\boldsymbol{C}}_t}$ 处理之后结合上一时刻的旧输出与当前时刻的新输入,形成新的输出${{\boldsymbol{H}}_t}$ 。在解决连续序列回归预测的问题上,RNN和LSTM都只能依靠以前时刻的信息对当前进行预测,但是有时候未来的信息对于当前的预测也可作为重要参考。将单向网络扩展为双向结构可以不受使用输入信息的限制,只在预设的未来框架内进行训练[15]。如图9所示的Bi-LSTM网络由两个LSTM网络叠加,一个沿着时间正向传播,一个沿时间反向传播,输出的结果由两个LSTM网络共同决定。不管是正向传播还是反向传播,图中各神经元细胞之间的连接权重在每一个时间步都是相同的,也就是说在Bi-LSTM网络模型当中这些权重是共享的,这一点和RNN以及LSTM是相同的。
在正向传播层,当前记忆细胞的输出由当前的输入
${{\boldsymbol{X}}_t}$ 和$t - 1$ 时间步的输出${\boldsymbol{H}}_{t - 1}{{'}}$ 决定,经过计算之后输出被储存下来,既用于下一时间步的计算,也用于输出层的计算。在反向传播层,当前记忆细胞的输出由当前的输入
${{\boldsymbol{X}}_t}$ 和$t + 1$ 时间步的输出${\boldsymbol{H}}_{t + 1}{{'}}$ 决定。最终模型的输出由正向传播层和反向传播层的输出结果共同决定,即:
双向LSTM不仅具有LSTM的长记忆、抗梯度消失或梯度爆炸的优点,而且其双向结构对数据的利用度更高,预测能力更强。因此,选择双向LSTM网络模型构建壁面红外辐射亮度回归预测模型,模型以FTIR测量的光谱辐射亮度数据作为输入,从正反两个方向对数据序列进行回归去噪,然后经过全连接层的非线性映射,最后输出光谱辐射亮度结果。
-
为使用傅里叶光谱辐射计测量所得的光谱辐亮度求解壁面的发射率数值,基于双向LSTM网络模型,建立一个能够实现光谱辐射亮度序列回归的深度网络,以消除各种复杂因素对壁面发射率求解的影响。
-
使用傅里叶光谱辐射计黑体标定实验所得光谱红外辐射亮度序列做为数据集,包含碲镉汞(MCT)和锑化铟(InSb)两种材质探测器在2~15 μm波段内的测量数据。为获得两个大气窗口(3~5 μm、8~14 μm)波段内的最佳回归效果,采取两个波段分别训练、分别测试的计划确定网络模型的训练集和测试集。
(1) 原始数据集选择
首先,分别截取一定温度T状态下黑体的标定实验中辐射计MCT通道采集到的7.5~14.5 μm波段光谱辐射亮度和InSb通道采集到的2.5~5.5 μm波段光谱辐射亮度及其对应波长,构成两组具有二维特征的序列,作为各自窗口波段回归网络的原始输入集,如图10所示。其次,已知标定实验所用黑体光源发射率为
${\mathcal{E}_{bb}}$ ,则根据黑体温度T和普朗克公式可以求得回归波段内黑体辐射亮度的理论数值。建立亮度回归网络的目的是让辐射计测得的亮度曲线回归到一定发射率系数的黑体理论亮度曲线上,故原始输入集中波长对应的黑体辐射亮度理论数值就是回归网络的原始输出集。(2) 训练集预处理
为了使亮度回归网络在一定目标温度状态下能够实现对不同发射率目标光谱辐射亮度序列的回归拟合,需对原始数据集进行扩充,使训练集包含更多发射率状态的输入输出数据。因此,基于原始数据集,将输入集和输出集中的光谱辐射亮度分别乘以不同的发射率系数,以获取更丰富的亮度序列。
在2.5~5.5 μm波段,一组原始训练集序列中包含3749个二维向量,而在7.5~14.5 μm波段则含有8746个二维向量,经过扩充后序列中的向量数量更是成倍增加。原封不动地使用全部原始数据集会导致网络训练时间大大增长,并且过长的序列输入依然存在梯度消失的风险,降低回归模型的准确率。因此,在进行序列扩充前就应当对原始数据集进行精简:每间隔四个测量数据取一个测量数据加入原始训练集,使得两个回归波段序列的二维向量长度分别降至750个和1750个。原始训练集数据如表1所示。
最后,对扩充后的训练集使用原始训练输入集的均值和标准差进行标准化,形成最终训练集。
Data set Dimension Feature Sequence length/μm 2.5-5.5 7.5-14.5 Training input set Two ${{\lambda } }$ 750 1750 ${L_m}$ Training output set One ${L_{bb}}$ 注:$\lambda $为波长,${L_m}$为测量亮度,${L_{bb}}$为理论亮度。 Table 1. Raw training set data
-
该亮度回归网络基于双向LSTM网络模型构建,输入数据为辐射波长和测试所得辐射亮度构成的标准化二维向量,输出则是计算所得辐射亮度数值。因此,网络的序列输入层单元数量为2,输出层单元数量为1。构建的亮度回归网络结构如图11所示。
在序列输入层后的第二层,是一个包含200个LSTM单元的双向LSTM网络,其中正向传播单元100个,反向传播单元100个,从而实现单元状态的双向传播。
而后第三层是包含50个单元的全连接层,其优异的非线性映射能力会将双向LSTM的非线性状态输出进行加权运算。
第四层则是仅包含一个正线性单元的全连接层,用以产生最终的辐射亮度输出。
其中,在第二、三层中间和第三、四层中间各添加了一个丢弃概率为0.2的Dropout层,用以防止过拟合。
第五层为回归输出层,用以计算输出训练的均方根误差(RMSE)损失。
-
在网络模型训练时,设置最大迭代次数为200次;每次训练迭代的最小批次大小设置为原始训练集的序列长度(750或1750),其中迭代训练集和验证集比例设置为9∶1;训练方法为动量随机梯度下降法(SDGM);学习率初始值为0.01,采用分段下降计划,每间隔50次迭代,学习率乘以下降因子0.2。
原始输入集选择光谱辐射计InSb探测器采集到的,100 ℃下发射率
${\mathcal{E}_{bb}}$ 为0.98的黑体标定辐射源的测量数据。由原始输入集计算所得的黑体理论辐射亮度作为原始输出集。经过数据等间隔精简后,以标准发射率分别为0.8、0.5、0.2、0构造最终训练集。训练过程中的RMSE损失如图12所示。自第150次迭代改变学习率后,损失函数值再无明显变化,稳定于0.0296上下。认为经过200次迭代之后,在当前训练集之下,亮度回归网络参数已收敛,训练完成。
训练结束后,3~5 μm波段内亮度回归网络对原始训练集的测试效果如图13所示,回归亮度曲线对理论亮度曲线具有较好的拟合效果,且在4.1~4.4 μm波段内也可以实现对离群输入值的平滑输出。
根据回归亮度数值与理论亮度数值所求得的标定黑体的光谱发射率平均值分别为0.9817 (3~5 μm)和0.9794 (8~14 μm),与标定黑体的实际发射率相吻合;对其他由标准发射率构造的训练输入集的发射率求解结果如表2所示。故该次训练的网络模型具有对100 ℃目标红外光谱辐射亮度序列回归处理的准确性。
Standard emissivity Results of missivity
solution/μmEmissivity solution
error/μm3-5 8-14 3-5 8-14 0.8 0.8015 0.8035 0.187% 0.437% 0.5 0.4996 0.5009 0.080% 0.180% 0.2 0.2002 0.2007 0.100% 0.350% Table 2. Results of standard emissivity training input set
-
依据前文设计的壁面反射亮度实验系统及基于双向LSTM网络的亮度回归模型,以基于双向反射分布函数的发射率求解模型为理论指导,进行壁面样品反射辐射测量实验并计算其发射率。
实验使用ABB公司生产的MR170型傅里叶光谱辐射计进行BRDF测量实验。MR系列光谱辐射仪常用于军事目标识别、气象探测、物质成分分析等光学精密测量场景,其视场中心和边缘具有极高的均匀性,这也保证了目标在视场内的测量精度和数据的可靠程度。
实验中,在室温22 ℃条件下,测试了涂层理论发射率为0.48的壁面样品,其尺寸为300 mm×500 mm×5 mm。测量系统如图14所示。反射亮度数据采集过程中,入射角
${\theta _i}$ 保持0°不变,黑体光束垂直入射壁面,观测角${\theta _r}$ 从15°开始以10°为间隔递增至75°,已知黑体光束形成的光斑面积为0.0127 m2,在各观测角方向上的投影面积如表3所示。辐射计镜头视野范围为75 mrad,为使壁面完全处于镜头视野当中,壁面摆放位置到镜头的距离应不小于7.78 m,实验中选定为8 m。Figure 14. Wall reflection radiance measurement experimental system. (a) Reflected radiation source; (b) MR170 radiometer
${\theta _r}$ 15° 25° 35° 45° 55° 65° 75° $ {A_r} $
/cm2123 116 105 90 73 54 33 Table 3. Projection area of reflection area
-
辐射计测量所得的壁面反射辐射亮度经过亮度回归网络处理,得到各观测角度的反射亮度回归曲线。例如,黑体80 ℃垂直入射壁面样品,在观测角
${\theta _r}$ =35°方向测量所得亮度曲线如图15所示。Figure 15. Brightness curve measured in the direction of observation angle
${\theta _r}$ =35°. (a) 3-5 μm; (b) 8-14 μm对所有入射角测量所得光谱亮度做相同操作,得到各观测角测量所得亮度回归曲线如图16(a)所示。随着观测角度的增大,观测到的壁面反射辐射亮度逐步减小,并最终趋于22 ℃纯黑背景辐射亮度。将回归亮度曲线减去纯黑背景辐射亮度后,与除去纯黑背景辐射后的黑体理论辐射出射度作比值,计算获得3~5 μm波段内壁面样品的BRDF曲线如图16(b)所示。类似地,8~14 μm 波段亮度回归曲线如图17所示。
结合公式(11)和公式(12)即可计算出壁面样品垂直方向在两个大气窗口内的平均发射率为0.4214,与壁面样品理论发射率之间的相对误差为12.21%。
Wall emissivity solved by bidirectional reflection distribution function combined with Bi-LSTM network
doi: 10.3788/IRLA20220355
- Received Date: 2022-05-25
- Rev Recd Date: 2022-08-01
- Publish Date: 2023-02-25
-
Key words:
- spectral emissivity /
- radiance /
- LSTM network /
- BRDF
Abstract: Wall spectral emissivity solution is one of the key techniques for infrared stealth of aircraft. Firstly, the wall reflected light path and light source were designed, and the brightness sequence of wall reflected radiation was obtained by spectral radiometer. In order to eliminate the influence of external interference on the solving accuracy of spectral emissivity as much as possible, Bi-LSTM brightness regression network model was designed based on bidirectional LSTM network, and the test samples were trained and learned. The wall emissivity solution model based on BRDF and the luminance regression model based on Bi-LSTM network were used to solve the wall emissivity. The calculation results show that the relative error of the proposed wall emissivity solution method based on BRDF is 12.21%, which meets the requirements of engineering test.