具有3D图像融合功能的自适应多光谱辐射测温算法

《Optics & Laser Technology》：Adaptive multispectral radiation thermometry algorithm with 3D image fusion

高温防护材料多光谱辐射测温方法研究，提出融合三维图像融合与深度学习的自适应测温算法，通过QR分解、多项式约束和GAF方法实现一维电压数据到三维图像的转换，并构建CBAM-ResNet18神经网络模型进行温度反演。实验表明该算法在1000-1900K范围内相对误差小于0.41%，较传统方法精度提升0.23%。测试材料包括蓝宝石、碳化硅等典型隔热材料，绝对误差控制在3.7K以内。

　　在高超音速飞行器的运行过程中，热防护结构材料的辐射特性会因气动加热而发生显著变化。这些变化直接影响材料的热性能和结构完整性，从而对飞行器的安全性构成潜在威胁。因此，对热绝缘材料表面温度的精确测量对于选择高性能的候选材料至关重要。近年来，随着多光谱辐射测温技术的发展，研究人员致力于开发更加精确和适应性强的测温系统，以应对不同材料在极端温度下的复杂表现。

多光谱辐射测温技术作为非接触式测温方法中的一种，因其无需直接接触目标物体、避免对表面温度场的干扰而受到广泛关注。然而，该技术仍然面临诸多挑战，例如对目标表面光谱发射率的先验知识缺乏，以及数据结构单一导致的识别性能受限。此外，测量精度不足、模型适应性差等问题也限制了该技术在实际应用中的效果。为了克服这些障碍，研究者们提出了多种改进方法，包括引入约束假设、优化算法和深度学习模型，以提高温度测量的准确性和适应性。

在过去的几十年中，许多研究致力于通过不同的数学模型和算法来解决发射率未知导致的测温误差问题。例如，1980年Gardner提出了基于最小二乘法的线性发射率与波长关系模型，并通过钨的实验验证了该方法的有效性。2005年Sun则提出了连续波长测温方法，以克服传统假设模型的局限性，并在金属样品上取得了良好效果。2014年Hagqvist通过将电磁光谱辐射数据转化为温度值，解决了热氧化和温度依赖性带来的发射率变化问题。2016年Xing研究了发射率偏差与真实温度之间的关系，并提出了一种带发射率约束的优化算法，提升了计算效率。2017年Xing进一步将多光谱辐射测温方程转化为约束优化问题，引入梯度投影和内点算法，实现了无需先验发射率知识的温度获取。2020年Sun又提出了一种双测量协议，用于评估六种发射率模型，并验证了发射率与波长的固有依赖关系，同时保持了测温精度。2021年Yu引入了Broyden-Fletcher-Goldfarb-Shanno算法，实现了真实温度与发射率的同时反演，提高了算法的自主性和适应性。2023年Zhao则基于普朗克辐射定律，提出了一个结合差分进化和多群体遗传算法的混合元启发式优化方法，解决了维恩位移定律的适用性问题。2024年Liang将多光谱测温问题转化为多目标最小化问题，并提出了两种增强型分数阶粒子群优化算法，通过引入时间变化速度系数和线性惯性权重，提高了计算精度。这些研究在不同程度上推动了多光谱测温技术的发展，使其在航空航天、材料科学等领域得到了广泛应用。

随着人工智能技术的迅速发展，深度学习算法在多光谱测温中的应用也取得了显著进展。2001年Sun首次尝试在多光谱测温中引入神经网络算法，无需假设发射率模型，通过五种基准发射率材料的实验验证了该方法的有效性。随后的研究则引入遗传算法，以防止神经网络过早收敛并避免陷入局部最优解。2017年Chen提出了一种结合二阶导数信息函数的优化方法，通过反向传播神经网络实现了对具有线性和非线性发射率变化目标的温度测量。2022年Xing利用航天火箭发动机尾焰的时序特性，开发了一种广义逆矩阵方法，将获取的光谱数据转化为特征图像，并结合循环神经网络进行训练，实现了1%的测温精度。2023年Xing进一步提出了GIM-长短期记忆网络（LSTM）架构，以解决传统循环网络中梯度消失和梯度爆炸的问题，相比GIM-RNN方法，该方法在测温精度上表现更优。2024年Zhang提出了一种将一维光谱辐射数据转化为二维图像表示的新型多光谱测温方法，并引入了改进的ResNet50神经网络进行训练和测量，取得了更高的测温精度。2025年Yang提出了一种基于矩阵QR分解的算法，将原始测量数据转化为特征发射率，并结合混合CNN-LSTM-注意力网络进行处理，有效解决了广义逆方法中的数值不稳定性问题，实现了在近红外和可见光谱范围内的高精度测温。2025年Xing又提出了一种增强型图形反演算法，将获取的光谱数据转化为光谱特征图像，并结合新型Squeeze-and-Excitation-CoAtNet混合架构进行处理，实现了更高的空间和热分辨率。2025年Cui则提出了一种结合Transformer-LSTM-SVM混合神经架构的多光谱测温算法，用于GH3044高温合金的温度测量。

综上所述，尽管深度学习方法在提高多光谱测温精度方面取得了显著进展，但仍然存在数据结构单一、特征提取不足和测量精度不够等问题。为了进一步提升测温性能，研究者们不断探索新的算法和模型，以实现更高效、更精确的温度反演。其中，基于三维矩阵融合图像的多光谱辐射测温方法成为近年来研究的热点。该方法首先测量目标的光谱电压数据，然后通过矩阵QR分解获取特征发射率，利用多项式拟合约束对特征发射率进行限制，生成约束向量。接着，通过Gramian Angular Field（GAF）方法将电压比、特征发射率和约束向量转化为两个维度的矩阵图像，最后将这些矩阵图像融合为一个三维复合矩阵图像，其中包含了目标温度信息和光谱特征发射率。通过引入先进的CBAM-ResNet18神经网络进行训练，该方法实现了高精度的温度反演。

在实验验证方面，该方法通过六波长测温仪进行了测试，其有效波长包括1.7微米、1.8微米、1.9微米、2.0微米、2.1微米和2.2微米。训练数据覆盖了从1000K到1900K的温度范围，每100K为一个步长。参考温度设定为900K。总共使用了22种发射率模型，每种模型有60个样本，共计13,200个样本。数据集按照8:2的比例划分为训练集和测试集，分别包含10,560个训练样本和2,640个测试样本。实验结果显示，该方法在目标材料温度测量中的绝对误差分别为3.67K、3.46K和3.70K，分别对应AIN、SIC和YG15样品。这些实验数据验证了该方法在多种材料上的适用性，并表明其具有较高的测量精度和适应性。

此外，该方法仅需测量不同波长下的电压数据，通过对数据进行多维特征提取和融合，提升了神经网络的识别能力，从而提高了真实温度的估计精度。同时，该方法通过引入三维图像融合技术，将一维电压数据转化为具有空间和光谱特征的三维图像，为深度学习模型提供了更丰富的输入信息，提高了模型的泛化能力和适应性。通过这种改进，研究者们不仅能够更准确地测量目标温度，还能更全面地分析材料在不同条件下的热行为，为高超音速飞行器的热防护系统设计和材料选择提供了科学依据。

多光谱辐射测温技术的持续发展不仅依赖于算法的优化，还与硬件设备的升级密切相关。随着传感器技术的进步，测量设备能够提供更高精度的光谱数据，从而为算法的改进提供了更好的基础。此外，实验平台的建设也在推动该技术的发展，使得研究者能够在更接近实际应用场景的条件下进行测试和验证。例如，多光谱真实温度测量平台的建立，使得研究人员能够对不同材料进行温度测量，并通过实验数据验证算法的有效性。这些实验平台不仅能够模拟极端温度条件，还能提供真实环境下的数据，从而提高算法的鲁棒性和适应性。

综上所述，多光谱辐射测温技术的发展是一个多学科交叉的过程，涉及光学、材料科学、数学和人工智能等多个领域。通过对不同波长下的光谱数据进行分析和处理，研究人员能够更准确地测量目标温度，并为材料选择和热防护系统设计提供科学支持。未来，随着技术的不断进步，该方法有望在更多领域得到应用，如航空航天、能源、环境监测等。同时，该方法也为相关领域的研究提供了新的思路，推动了多光谱测温技术向更高精度、更高适应性的方向发展。