基于BP神经网络的红外测温补偿算法研究_李贞.pdf

信息技术李贞，等基于 BP 神经网络的红外测温补偿算法研究第一作者简介:李贞(1985)，女，青海西宁人，讲师，硕士，研究方向为机电一体化。DOI:1019344/j cnki issn16715276202301042基于 BP 神经网络的红外测温补偿算法研究李贞，魏勇(平顶山工业职业技术学院 机电工程学院，河南 平顶山 467001)摘要:基于 BP 神经网络学习算法构建了新型红外测温仪的技术框架;利用目标物体温度与环境温度实验数据，拟合了环境温度 2 阶多项式回归方程;利用体表温度与腋窝温度实验数据，拟合了体表温度 2 阶多项式回归方程。通过单片机内建的 BP 神经网络学习算法，可进一步利用检测数据优化温度补偿算法中的某些参数，能更有效地提高红外测温仪体温检测数据的精度。关键词:红外测温;温度补偿;BP 神经网络中图分类号:TP273;TH77文献标志码:B文章编号:1671-5276(2023)01-0170-03esearch on Infrared Temperature Measurement Compensation Algorithm Based onBP Neural NetworkLI Zhen，WEI Yong(Department of Mechanical and Electrical Engineering，Pingdingshan Polytechnic College，Pingdingshan 467001，China)Abstract:Based on the BP neural network learning algorithm，the technical framework of the new infrared thermometer isconstructed The experimental data of object temperature and ambient temperatur is applied to fit the 2nd order polynomial regressionequation of ambient temperature，and experimental data of body surface temperature and armpit temperature is used to fit the 2ndorder polynomial regression equation of surface temperature With the built in BP neural network learning algorithm of themicrocontroller，the detection data can be further used to optimize some parameters in the temperature compensation algorithm formore effective improvement of the temperature detection data accuracy with infrared thermometerKeywords:infrared temperature measurement;temperature compensation;BP neural network0引言非接触测温最常见的就是采用红外辐射原理测温1。红外测温无需与被测物体接触，具有检测过程干净卫生、响应速度快、可靠性高等优点。目前市场上在售的红外测温仪包含的温度补偿算法过于简单，检测体表温度数据与实际体温数据对比误差较大，尤其在冬季室外温度与体温相差大时尤其突出2。由于温度补偿算法需要大量数据修正，很多红外测温仪出厂时的各种计算参数已经固化在程序中，用户无法进一步修正数据以提高精度。如果能让用户使用时可根据采集的数据，进一步优化温度补偿算法以提高测温精度，这种红外测温仪无疑具有一定技术意义。BP(back propagation)神经网络可以追踪变化的数据，实现磁轴承 PID 控制3 和热处理工艺参数优化4。因此，考虑应用 BP 神经网络来优化修正测温仪中的温度补偿算法数学模型参数，使得用户可以随着测量数据的积累进一步优化提高测温仪精度。1系统总体方案设计基于 BP 神经网络学习算法，优化温度补偿算法参数的新型红外测温仪，包含硬件和软件两部分组成，技术框架如图 1 所示。初始的温度补偿算法数学模型参数存储在单片机的 EEPOM 中，用户拿到红外测温仪后，可以在使用过程中根据大量的测试数据，利用内含的 BP 神经网络优化学习算法进一步训练修正温度补偿算法中的一些参数变量并存储在 EEPOM 中，以进一步提高红外测温仪的检测精度。图1基于 BP 神经网络优化学习算法的测温仪技术框架2红外测温仪硬件测温仪硬件主要由 MLX90614 红外测温传感器、AV单片机等组成。MLX90614 红外测温传感器如图 2 所示。Atmega328 单片机核心板如图 3 所示。071信息技术李贞，等基于 BP 神经网络的红外测温补偿算法研究图 2MLX90614 红外测温传感器图 3Atmega328 单片机核心板MLX90614 系列测温传感模块由比利时某公司生产5，MLX90614 系列测温传感模块集成了红外感应热电堆探测器芯片和信号处理专用集成芯片。由于集成了低噪声放大器、17 位模数转换器和强大的数字信号处理单元，使得高精度和高分辨度的温度计得以实现。该传感器环境温度范围为40 +125，物体温度范围为70 +380，标准精确度05。出厂前进行校验，保证检测数据的可靠性。该模块能输出目标物体温度和环境温度 2 个数据。Atmega328 是 AV 系列单片机中性能较高的微控制器型号，主频 16MHz，闪存容量 32kB，满足 C 语言嵌入式开发较大程序运算和内存需求。3温度补偿算法首先，基于红外测温原理，红外测温传感器对周围环境温度的变化特别敏感，尤其在冬季室外使用时，较大的环境温度与目标物体温度的差值可能导致较大的测量误差2。其次，红外测温仪一般检测的是额头、手腕内关等方便测量部位的体表温度，这些部位的体表温度与平时水银体温计检测的腋窝部位温度比较，仍然有一定的数据差异6。因此，设计开发优良的温度补偿算法对提高测温系统的精度和适应性具有重要意义。为评估环境温度对本系统的 MLX90614 红外测温模块检测数据的影响，利用步入式温湿度实验箱 LTH24PC进行实验。通过改变环境温度，以 10为间隔，从 10增加至 40，对目标物体温度进行测量得到实验数据。目标物体为 ISOTECH982 黑体，黑体目标温度设定为 25。测量时将传感器对准黑体腔体的中心，使黑体腔体完全覆盖传感器的视场，读取 8 次读数，记录数据如表 1 所示。表 1环境温度对目标温度的影响单位:环境温度10203040目标温度测量值24872506250725142489251025122509249825112517252125022498249625172482249625022503248324912510249825082487248925112478250424982493以表 1 中实验数据为基础构建从环境温度到目标温度的数学模型，通过计算目标温度测量值的 2 阶均差，利用 2 阶多项式来光滑化数据曲线工作量较小，且满足拟合精度的需要78。设目标温度 TO和环境温度 TA之间的函数关系式为TO=a1+b1TA+c1T2A(1)式中:TO表示目标温度;TA表示环境温度。利用最小二乘法准则确定 a1、b1、c1，产生最佳拟合数据的 2 阶多项式数学模型。依照最小二乘准则有Min(S)=mi=1 TOi(a+bTAi+cT2Ai)2(2)曲线拟合结果为 a1=24808，b1=0011 8，c1=0000 1。环境温度 TA与目标温度 TO数据拟合的 2 阶多项式回归如图 4 所示。图 4环境温度 2 阶多项式回归则环境温度补偿后修正测量体表温度值为TB=TOBJ+TO25(3)式中:TOBJ表示红外传感器采集的额头、手腕内关等处目标温度;TB表示体表温度。上述得到的是额头、手腕内关等处体表温度补偿修正值，并不代表日常体温检测时腋窝温度，因此还需要进一步修正。利用红外测温仪检测额头体表温度，同时用水银温度计检测对应腋窝温度，多次记录数据，实验测试得到的体表温度与人体腋窝温度值对照表如表 2 所示。表 2体表温度与对应腋窝温度值 单位:体表温321323326328331334腋温351352354355356357体表温337339342345348351腋温358361362365367369在上述实验数据基础上拟合体表温度的 2 阶多项式回归方程。设体表温度 TB与腋窝温度 TY之间的函数关系式为TY=a2+b2TB+c2T2B(4)式中:TB表示体表温度;TY表示腋窝温度。利用最小二乘法准则确定 a2、b2、c2，产生最佳拟合数据的 2 阶多项式数学模型。曲线拟合结果为 a2=233922，b2=12744，c2=0204。不同体表温度 TB与腋窝温度 TY数据拟合的 2 阶多171信息技术李贞，等基于 BP 神经网络的红外测温补偿算法研究项式回归如图 5 所示。图 5体表温度 2 阶多项式回归总的温度补偿算法回归方程为TY=a2+b2 TOBJ+(a1+b1+c1T2A)25+c2 TOBJ+(a1+b1+c1T2A)252(5)4BP 神经网络优化学习算法41计算步骤利用 BP 神经网络的误差反向传播学习算法9，优化参数 a1、b1、c1、a2、b2、c2的步骤如下。1)存储采集数据值。红外检测仪在使用过程中，采集环境温度 TA、额头等处目标温度 TOBJ、实际腋窝检测温度 TY3 个数据存储在单片机的 EEPOM 中，构成输入输出数据对数据库(TqA，TqOBJ，TqY)，q=1，2，3，。2)在学习的第 h(h=0，1，2，)阶段，把数据对(TA，TOBJ，TY)作为输入层，然后计算 z、b、a 和 f:z=TOBJ(h)+a1(h)+b1(h)TA+c1(h)T2A1(6)b=TOBJ(h)+a1(h)+b1(h)TA+c1(h)T2A2(7)a=a2(h)b(h)+b2(h)z+c2(h)(8)f=a/b(9)3)采用学习算法，调整参数 a1(h+1)、b1(h+1)、c1(h+1)、a2(h+1)、b2(h+1)、c2(h+1)。a1的学习算法为a1(h+1)=a1(h)1z(h)TOBJ+25()(10)b1的学习算法为b1(h+1)=a1(h)1z(h)TOBJ+25()b(h)a(h)(11)c1的学习算法为c1(h+1)=a1(h)1z(h)TOBJ+25()b(h)2a(h)2(12)a2的学习算法为a2(h+1)=a2(h)(fTY)(13)b2的学习算法为a2(h+1)=a2(h)(fTY)b(h)a(h)(14)c2的学习算法为c2(h+1)=c2(h)(fTY)b(h)2a(h)2(15)式中:z 为神经网络输入层的输出参数值;b 与 a 为神经网络中间层的输出参数值;f 为神经网络输出层的输出参数值;为学习步长，取值 01 之间的小数;h=0，1，2，为循环学习次数;a1、b1、c1、a2、b2、c2为温度补偿算法中的参数变量。4)令 h=h+1，返回步骤 2)重新计算，直至误差fTy小于一个很小的数，则参数调整到位。42应用简析实践应用表明，上述优化参数的算法收敛速度很快。例如，用户给定 2 组红外测温实际应用中得到的输入输出数据对 33，347，369，28，346，368 ，以此来通过上述学习算法训练 a1、b1、c1、a2、b2、c2参数值，设定学习步长=001、=005，红外测温仪单片机温度补偿算法初始参数 a1=24808、b1=0011 8、c1=0000 1、a2=233922、b2=12744、c2=0204。仅经过 2 次迭代就收敛到=0045，对应的优化参数值为:a1=24076、b1=0008 36、c1=0000 66、a2=23392、b2=12744、c2=0204。将新的优化参数存储在单片机 EEPOM 中，即可替代旧参数完成温度补偿算法优化。2 次迭代的较小计算量，也适合单片机来进行优化参数运算。开发完成的新型红外测温仪样机，如图 6 所示。图 6红外测温仪样机5结语基于 AV 单片机和 MLX90614 系列测温传感模块，开发完成了新型红外测温仪，利用实验数据拟合了环境温度、体表温度的 2 阶多项式回归补偿算法，同时用户通过单片机内置的 BP 神经网络优化学习算法可以优化温度补偿算法的某些参数，以进一步提高测温精度。参考文献:1张立东，苗长云，厉振宇，等 带式输送机本质安全型红外测温仪 J 红外技术，2021，43(1):89-95 2魏坦勋，果连成，张珣 基于距离补偿的非接触红外测温系统的原理与设计 J 工业控制计算机，2012，25(11):106-107 3郝建胜，谢振宇，陈李成，等 基于 BP 神经网络的磁轴承 PID控制算法研究 J 机械制造与自动化，2021，50(2):127-130 4姚振鑫，宋新萍，苏宁 GFE 变速器输入轴热处理的工艺参数优化 J 农业装备与车辆工程，2021，59(8):81-86(下转第 176 页)271电气与自动化赵毅，等基于高斯投影的惯导/GPS 机器人组合定位研究图 6实验场景将移动机器人接上 PC 端进行定位数据采集，先让机器人从 1 处出发按逆时针方向沿着环境边缘运动一圈获取环境信息进行地图建模，然后再将机器人从 1 处逆时针运动一圈，并分别对地图上的 1、2、3、4、5、6、7、8、9 标记处进行航位推算定位以及扩展卡尔曼滤波定位，再分别将定位数据输出，与实际的位置信息相比较，可得到具体数据如表 1 所示。从表 1 中可知，使用航位推算进行定位时，其位置误差比较大，并且是随着距离的增大而增大，最大可达到39195 cm。相比之下，使用 EKF 滤波算法进行定位后，其位置误差较小，最大位置误差只有 4828cm。因此，结合前面的 EKF 滤波仿真结果以及本实验可以得到结论:使用 EKF 滤波对传感器信息进行融合能够有效地提高移动机器人的定位精度。表 1定位实验数据比较单位:cm标记处实际位置航位推算位置及误差EKF 滤波位置及误差xyxyLxyL10025612204337931563441466921000105221425967381032633559482832000208732734311409203288331746704200100211691110104154521970111031984377520020021426421497620682197109197216401461002001179982175532514010322120300644067020020198219634281683258197636402580100230041232093267833559716543929100100127504127925391959711110342344794结语本文提出的惯导/GPS 组合定位方法具有较高的定位精度，很好地解决了移动机器人在室外环境下的定位问题。通过高斯克吕格投影将机器人地理位置坐标转换成平面直角坐标，并将惯性导航系统和 GPS 模块进行融合，通过 EKF 滤波算法得到精确的定位参数，随后通过MATLAB 进行了 EKF 滤波定位仿真，并搭建了机器人实验平台进行组合定位实验，验证了本文组合定位算法的精确性，显著提高定位的精度和稳定性，便于进行机器人后续的路径规划。参考文献:1钱晓明，张浩，王晓勇，等 基于激光扫描匹配的移动机器人相对定位技术研究J 农业机械学报，2016，47(3):14-21 2东辉，陈刚，林蔚韡，等 移动机器人航位误差推算算法研究 J 机械制造与自动化，2019，48(6):142-144 3侯加林，蒲文洋，李天华，等 双激光雷达温室运输机器人导航系统研制J 农业工程学报，2020，36(14):80-88 4储星，文桂林，卢远志 一种移动机器人自主避障与导航方法 J 机械科学与技术，2016，35(6):939-945 5王宁，王坚，李丽华 一种改进的 AMCL 机器人定位方法J导航定位学报，2019，7(3):31-37 6刘光伟，王巍，祁贤雨，等 室内移动机器人主动 SLAM 技术研究 J 机械设计与制造，2020(3):246-249 7 TANG K H，LUO B，HE X F Simplified ultratightly coupledBDS/INS integrated navigationsystem JScience ChinaInformation Sciences，2016，59(11):1-16 8胡伟凡，杨恢先，于洪，等 基于高斯投影的经纬度距离参数修正方法 J 计算机工程，2010，36(2):244-246，251收稿日期:20210908(上接第 172 页)5MELEXIS COPOATION MLX90614 DataSheet Z S I:Melexis Corporation，2007 6夏候凯顺，曾宪金，胡立坤，等 基于 MLX90614 和 ZigBee 技术的体温实时监控系统的设计J 自动化与仪表，2011，26(11):23-26 7 FANK GIODANO，WILLIAM P FOX，STEVEN BHOTON，et al 数学建模 M 4 版 北京:机械工业出版社，2014 8魏勇 煤矿采掘装备喷雾降尘效率曲线拟合J 矿山机械，2015，43(11):130-133 9魏勇 煤场喷雾降尘自适应模糊控制J 煤矿安全，2018，49(2):166-169收稿日期:20210914671