系统工程与电子技术

作者：季然, 肖茂森, 李硕, 刘宇, 罗湛仪, 程嘉维

单位：1. 中国科学院西安光学精密机械研究所, 陕西 西安 710119；2. 中国科学院大学光电学院, 北京 100049；3. 陕西师范大学物理学与信息技术学院, 陕西 西安 710119

关键词：最小可辨温差,机器学习,深度学习,支持向量机,卷积神经网络

红外成像技术的加速发展对红外成像系统测试和评估的客观性和准确性提出了更加严格的要求。针对当前红外成像系统最小可辨温差(minimum resolvable temperature difference, MRTD)存在的测试主观性、操作复杂性等问题, 提出基于支持向量机(support vector machine, SVM)和卷积神经网络(convolutional neural network, CNN)的两种MRTD客观测试方法。通过引入数据增强技术, 避免由训练样本少及网络层次复杂导致的过拟合。实验结果表明, 与实际人员对数据的判断相比较, MRTD测试使用SVM方法的识别准确率为94.50%, 训练时间为8.22 s; CNN方法3次训练平均准确率为99.07%, 迭代100次训练时间为487.48 s。SVM方法的实时性更好，CNN方法具有准确率高的特点，实验结果验证了这两种MRTD的客观测试方法为红外热成像系统性能指标研究提供了一种可靠的量化和评估工具。

来源：2024年第10期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2024年第10期