一种基于热图像的新型冷物体检测与分类方法，该方法采用机器学习算法

《Scientific Reports》：A novel thermal image based cold object detection and classification using machine learning algorithms

　　

摘要

冷物体检测与分类技术通过非接触式热分析方法，能够可靠地识别和分类低温物体，从而补充了传统的以热量为中心的检测方法。该技术有助于准确监测物体的冷却过程、提高故障检测能力、加强质量控制，并且在光照条件较差或视觉识别困难的情况下依然能够保持高效。然而，由于缺乏具有区分性的温度信息，使用常规可见光图像进行冷物体分类仍然具有挑战性。目前，针对热图像进行冷物体检测与分类的专门研究还非常有限，这凸显出了一个明显的研究空白。为了解决这一问题，本研究提出了一种基于热图像的冷物体检测与分类框架，该框架采用机器学习算法，旨在实现高效性、降低成本并缩短处理时间。此外，通过捕捉多种冷物体类别随时间变化的温度数据，构建了一个专门的数据集，从而能够基于这些物体的热行为进行有序的分析与分类。研究开发并评估了多种机器学习模型，包括决策树（Decision Tree）、随机森林（Random Forest）、XGBoost等分类算法。其中，随机森林分类器的分类准确率达到了99.35%，证明了其在捕捉时间变化的热信号方面具有显著优势，能够实现精确的冷物体检测与识别。这项工作为热图像分析领域开辟了新的研究方向，将研究重点从热异常分类转向了可靠的冷物体分类。