红外测温这些事(热成像科普系列第三篇)

上一篇讲到了影响测温准确性的3个因素。感兴趣的朋友可以点击《红外测温这些事(热成像科普系列第二篇)》阅读。

如果从热成像探测器得到的信号和物体温度成线性关系,那我们这篇文章就可以很简单了,市面上的产品测温也都会非常精准了,但现实往往要复杂得多。

定标

从探测器上读取的原始数据,只能定性的描述场景中的热辐射分布,但要转换为温度,则需要一个定量的过程。

定标(也可以叫标定,或者直接叫Calibration会更精确)可以理解为一个逆向工程,在实验室环境中,利用黑体辐射理论,以黑体作为基准源,用热成像系统采集在不同温度下的辐射数据,然后根据辐射数据和黑体真实温度值拟合出辐射数据与温度的关系曲线。

实际测温应用时,可以根据定标的关系曲线和采集到的目标的灰度值计算出目标的绝对温度,实现测温。

图:定标(也叫作“标定”)

定标生产过程中,钱多的公司可以多配点黑体,一来可以减少黑体的误差,得到的定标数据会更精确些,二来生产速度会更快些(焦急的等待黑体升温并稳定也是一种煎熬)。拟合曲线的过程也不用太复杂,温度采样取密些,每一小段都可以逼近线性。

非均匀性校准

上文的定标过程我们可以理解为确立探测器一个点的响应和温度的关系。受工艺影响,面阵探测器上每个点的响应特性并不一致,我们如何确定每个点的映射关系?显然,对每个点都做一次标定是不合适的。同时对于不同的镜头,中心区域和边缘区域的透过率也不一样(中心区域的透过率会远远高于边缘)。

这个时候,工程师又开始发力了。大家可以看到在热成像的设备上一般都会配一个挡片,这个挡片的作用,俗话叫“校平”。

挡片采用高发射率、导热均匀的材料做成。挡片遮挡探测器时,探测器接收挡片的热辐射,在每个点上输出的应该是同样的温度。通过挡片,我们就能建立起一个面阵的映射关系。这种映射关系会受探测器表面温度的影响,所以一般探测器刚开机的时候,温度变化较大,校平的过程会频繁一些,稳定工作后,校平会少些。

通过上述两步,我们基本可以确立探测器上每个点的响应和温度之间的关系。

温度补偿

是不是做完上面两步,我们就可以开始测温了呢?上面描述的过程,只是最理想的情况。

制冷设备的本体温度基本恒定,可以忽略外部影响,但出于成本工艺等考量,当前民用的大多数探测器基本上都为非制冷探测器。非制冷探测器本身的温度会受环境影响,而温度又影响着探测器的响应特性。

图:镜筒辐射

探测器感应的辐射,除了目标辐射,还有一部分镜筒辐射,也会影响探测器的响应。

上述两个因素受环境温度影响较大。实际应用中,一般还会根据环境温度进行一定的温度补偿,来修正测量值。补偿并不容易做,要保证较好的使用效果,最简单的建议热成像设备还是在室内环境使用会更好。

除开这些因素,结合我们上一篇文章提到过的大气传输问题,物体的距离的远近也会影响测温的精度,实际应用中可以考虑距离的补偿。

 

整个过程每一个环节都存在着误差,误差的积累就造成了测温的困难,所以一般人体测温行业里标称的误差范围都在±0.5℃(这里有多少水分,不得而知,实际想想还是挺难的)。理想情况下,如果使用环境和定标的环境完全一致,温度测量还是能做的很准的。

能不能把实际使用环境也变成定标环境?有些厂商走了比较极端的道路,把黑体直接放到了应用场景来做定标。

简单点说,传统的测温可以叫做“离线定标”,场景中加入了黑体的测温就叫“在线定标”

图:加入黑体的测温

探测器的定性是比较容易的,比如探测器响应和温度的映射曲线,难的是定量。场景中的黑体直接解决了定量的问题,这种情况下误差一般能做到±0.3℃。但这种方式带来的问题也比较多,比如安装不方便、成本陡增、应用环境有限等。

如果说测温是一道难题,加入黑体是一种解题方法,不过并不太喜欢这种解题的方法,过于简单粗暴,缺了几分优雅。

除了上述两种传统的方式,最近所谓的“AI测温”也在市场上冒出了头。由于大众对于AI的认知还存在偏差,似乎带上AI的东西,就深不可测。但我们认为大众对于AI的认知越清晰,越有利于行业生态健康的发展,所以今天也给大家讲讲AI测温。

简单点,用一句话讲清楚AI测温:把人作为黑体。

人体皮肤的发射率确定,人群的平均温度也趋于稳定,太适合做黑体了!!!算法上做好温度区域的选定,确定好在线标定的策略,实际的效果不会太差。

AI测温就讲这么多吧,是不是很简单?

 

精准的测温是很难的,发烧的标准一般设定为37.3摄氏度,就算环境中加入黑体,在误差水平内也会存在大量的误报、漏报。

热成像用来做测温,精确定量(±0.1℃的精度)困难,但定性容易(判断人群中谁的温度最高)

亲爱的客户朋友们,额温本身也会受多种因素影响,红外测温用来做温度初筛就好,切不可完全依赖。

 

 

—  Making Intelligent Everywhere  —