0 引言

    随着道路交通的发展和车辆的激增，道面气象状态对交通运输的影响越来越显著，恶劣的道面气象状态易造成交通事故，威胁人们的生命财产安全。

    冬季道路表面低温结冰，摩擦系数显著降低，制动距离变大，危险系数增高。夏季道面温度会达到50℃以上，汽车长时间在高温路面行驶会使胎压增加，极易引发爆胎，进而发生交通事故^[1]。

    目前国内外对道面温度的测量有接触式和非接触式两种方法。前者，采用热电偶热电阻等埋入路面测量，通过感知物理特性的某些变化来判断路面温度，如Lufft WST1/2、Vaisala FP2000、Vaisala DRP110等，需埋入路面使用，对路面造成破坏，安装维护也不方便，而且接触式测温需要与被测物体进行充分的热交换，经过一定时间后才能达到热平衡，存在延迟现象。非接触式测温大多是通过红外辐射来反演温度，在潮湿积水、下雪结冰时，非接触式测量更为准确^[2-3]。它直接安装在道路、桥梁、高架两侧，安装维护使用方便。我国高速公路运输量大，路面破损较快，需经常性翻新或维修，接触式更易损坏，增加了维护成本，非接触式更有优势。此外，非接触式还具有响应速度快、测温范围宽、无需接触被测物体、不干扰被测温场的优点。

1 系统总体设计

    道面温度测量系统安装在道路两旁，在道路上方对路面进行2～15 m远距离测量，同时，要避免车辆在道路上往来的遮挡，需选择较小的测量范围，要求系统距离系数较大。

    道面温度为中低温，在波长很短的范围内，其辐射很微弱，给探测器检测和信号处理带来困难。全辐射测温法通过测量波长从零到无穷大的整个光谱范围内的辐射功率来确定物体的辐射温度，实现方便、精度较高、造价便宜。因此选用全辐射法进行测量^[4]。

    道面温度测量系统如图1所示。系统由光学系统、斩波器、红外探测器、信号放大及处理部分和显示输出部分组成。光学系统接收汇聚测温视场内待测目标的红外辐射，通过斩波器的辐射调制，由红外探测器接收，并转换为相应电信号，信号处理电路对来自探测器的信号进行放大、滤波等处理后，经过温度补偿，再做进一步标定和校准，从而获得被测目标的温度值^[5]。

1.1 红外探测器

    系统采用Excelitas公司LHI878红外热释电探测器，该探测器探测率高、响应快，双探测元的互补作用可减小温度变化的干扰，提高测量的精准度和系统的稳定性。

    热释电探测器基于热释电效应，当热释电元件接收的辐射发生变化时，两个电极上会产生电子形成电流，电流经场效应管后放大输出电压信号^[5]。它只能响应交变的辐射，其输出的信号电压为交流。因此需要在探测器前增加斩波器，将目标辐射调制为交流。

1.2 光学系统

    光学系统收集目标的红外辐射，并将其聚焦于探测器上。采用透视式光学系统，用透红外的菲涅尔透镜简化物镜结构，减小探测器发散角，确定探测视场大小，增加可探测距离。图2中L为菲涅尔透镜，其边框为孔径光阑，S1、S2为消杂光光阑，S3为视场光阑，可有效地消除杂散辐射。

    探测器前用斩波器进行辐射调制，将连续的辐射信号变为交替变化的辐射信号，经探测器产生交流电压信号，探测器输出信号电压正比于目标辐射与斩波器辐射之差^[6]。

    热释电探测器的响应式为：

其中，S为与热释电响应特性以及物体表面发射率有关的常数，T₀为物体表面温度，T_a为环境温度。

1.3 信号处理电路

    信号处理电路包括前置放大器、带通滤波器、主放大器、相敏检波器、低通滤波器等，以及环境温度补偿电路。

    由于目标辐射强度非常微弱，大多掩埋在强噪声中^[7]，为了获得高信噪比、高精度的测量值，采用常规小信号检测方法较难实现。本文采用了电子开关型相敏检波器来实现微弱光信号检测，它相当于参考信号为方波情况下的模拟乘法器^[8]。

    由于目标红外辐射信号为微弱慢变化信号，为得到很好的功率放大倍数，采用了探测器多极放大的连接电路。如图3所示，前置放大器选用BB公司高速高精度电介隔离型场效应管OPA602，低偏置电压最大为±250 μV，低偏置电流最大为±1 pA，具有快速的还原时间1 μs→0.01%、高转换速率35 V/μs，以及较宽的带宽6.5 MHz。

    本系统前置放大器转折频率下限f_L=1/(2πC₆·R₆)，上限f_H=1/(2πC₇·R₇)；放大器增益由R₇和R₆的比值决定，带通频率的选择取决于探测器的频率响应和斩波器的调制频率。前置电路放大后的电压信号强度约为毫伏量级，再经过一定倍数的二级放大得到一个后续的信号为转换电路提供适合的电压量级。

    信号放大后，经过带通滤波器抑制噪声，提高信噪比。再经过集成运算放大器OP07构成的主放大器进一步放大，通过相敏检波器后再送入低通滤波器，滤去高于待测信号的噪声和干扰^[9]。系统中控制产生相敏检波器参考方波信号频率与目标信号频率相同。低通滤波器输出电压正比于目标辐射和斩波器辐射之差。用热敏电阻来测量斩波器调制盘的温度，其产生电压经放大后作为环境温度补偿电压输入加法器，与低通滤波器输出电压相加，此时加法器输出的电压正比于目标电压。目标电压经A/D转换输入微处理器进行处理，通过标定计算得到相应的温度。图4为系统检波原理图。

2 系统标定

    测温系统需要通过正确标定来显示被测物体温度。利用高精度面源黑体作为标准辐射源，用测温系统对黑体温度进行测量，并对每一个温度点进行多次测量，经过多组数据处理后计算其均值，然后用黑体温度与系统输出信号的关系曲线进行标定。

    标定的一般方法有查表法和曲线拟合法。查表法工作量大但精度不高。曲线拟合一般根据最小二乘法，用测得数据得到一条最佳近似曲线，简单易行，但测量精度较低。实际应用中，利用神经网络自学习自适应的特性，能更加准确地进行拟合计算^[10]。

    BP神经网络是按误差逆传播算法训练的多层前馈网络，包括输入层、隐含层和输出层。根据实际问题，选择合适的网络结构和相应算法可提高运算精度和效率。通过学习实现从输入到输出的映射，在反向传播中不断调整权值和阈值，使误差平方和最小^[11]。

3 实验结果及分析

    通过最小二乘法和BP神经网络两种方法进行曲线拟合并比较其拟合效果。为了方便，将测量值作为自变量、温度作为因变量得到其变化曲线，计算不同信号值时对应的温度值，并对其准确度进行分析。采用最小二乘法进行二次拟合，由图5可以看出其在25 ℃～40 ℃偏差较明显，拟合度较差。

    理论已证明，具有非线性sigmoid型激活函数的三层神经网络可以任意精度逼近非线性连续函数。本系统采用三层BP神经网络结构，其结构为1-5-1，第一层采用正切S型神经元，第二层采用线型神经元，训练次数为500^[12]。通过多次重复计算，可以不断减小偏差，提高拟合精度。对比图5、图6可以看出，BP神经网络拟合度优于最小二乘法。

    通过绝对误差、相对误差、误差平方和及误差标准差来比较两种方法拟合结果的优劣。表1列出部分计算结果，图7为两种方法对比图。

    最小二乘法的误差平方和及误差标准差分别为8.69和0.84，绝对误差在1以内，相对误差在3.0%以内。BP神经网络的误差平方和及误差标准差分别为0.54和0.17，绝对误差在0.2左右，相对误差在1.0%以下、0.5%左右。BP神经网络的拟合效果更佳、测量精度更高。

4 外场实验

    用标定后的系统进行实验，并与表面温度传感器PT100进行对比。

    将系统安装至安光所综合楼楼顶天台，对地面进行测量，测量距离8.85 m，测量角度38.7°。图8为2016年3月31日24小时测量结果，每分钟测量一组数据。图9为系统所测数据与PT100数据对比，数据基本一致，相关系数达0.999。测温系统所测温度与PT100的所得的参考温度在0～24时的变化趋势大体一致，0～10时及16～24时的测量误差较小，不超过1 ℃；10～16时测量误差最大，达3 ℃。这是由于中午时日照较强，道面升温明显，而PT100有部分暴露在空气中，因此测温系统实测温度比PT100参考温度较高。

5 结论

    本文提出了一种用于道面温度测量的非接触式热释电红外测温系统，其优点是响应度高、安装简单、维护方便。通过实验进行标定，采用最小二乘法和三层BP神经网络进行拟合。可以看出，BP神经网络拟合效果更好，能够实现系统测量误差在1%以内。最后，将系统测量结果与PT100进行对比，验证了系统的可行性和数据的准确性。

参考文献

[1] BOGREN J，GUSTAVSSON T，POSTG R D U.Local temperature differences in relation to weather parameters[J].International Journal of Climatology，2000，20(2)：151-170.

[2] JONSSON P，RIEHM M.Infrared thermometry in winter road maintenance[J].Journal of Atmospheric & Oceanic Technology，2012，29(6)：846-856.

[3] TODESCHINI I，NAPOLI C D，PRETTO I，et al.Thermal mapping as a valuable tool for road weather forecast and winter road maintenance: an example from the Italian Alps[C].Proceedings of the International Conference on Remote Sensing and Geoinformation of the Environment，F，2016.

[4] 杨宜汞.红外系统[M].北京：国防工业大学出版社，1995.

[5] 杨波，陈忧先.热释电红外传感器的原理和应用[J].仪表技术，2008(6)：66-68.

[6] DERENIAK E L，BOREMAN G D.Infrared detectors and systems[M].Wiley Interscience，1996：382-383.

[7] 刘建科，张海宁，马毅.红外测温中检测强噪声下微弱信号的新途径[J].物理学报，2000，49(1)：106-109.

[8] 高普占.微弱信号检测[M].北京：清华大学出版社，2004.

[9] 唐慧强，王友鹏.基于LPC2132的红外测温仪的研究[J].压电与声光，2008，30(2)：161-163.

[10] 王建军，黄晨，高昕，等.红外辐射测量系统内外标定技术[J].红外与激光工程，2014，43(6)：1767-1771.

[11] 包健，赵建勇，周华英.基于BP网络曲线拟合方法的研究[J].计算机工程与设计，2005，26(7)：1840-1841.

[12] 闻新.MATLAB神经网络应用设计[M].北京：科学出版社，2000.

作者信息：

解  乐1，2，3，刘建国1，2，3，程  寅1，3，桂华侨1，3，陆亦怀1，3

（1.中国科学院安徽光学精密机械研究所 环境光学与技术重点实验室，安徽 合肥230031；

2.中国科学技术大学，安徽 合肥230026；3.安徽省环境光学监测技术重点实验室，安徽 合肥230031）