GST  >> Vol. 7 No. 4 (October 2019)

    基于XGBoost的无人机测温误差分析
    Analysis of Temperature Measurement Error of Unmanned Aerial Vehicle Based on XGBoost

  • 全文下载: PDF(1951KB)    PP.160-170   DOI: 10.12677/GST.2019.74022  
  • 下载量: 41  浏览量: 80   国度天然迷信基金支撑

作者:  

伊晓东,何亚洲,霍林生:大年夜连理工大年夜学扶植工程学部,辽宁 大年夜连

关键词:
航拍温度XGBoost温度校订误差分析Aerial Temperature XGBoost Temperature Correction Error Analysis

摘要:

采取无人机监测海温时,由于无人机的飞翔高度、横滚角、俯仰角、航向角、航速等姿势和所处情况,收集的温度值与实际值存在必定的误差,将上述影响红外测温精度的身分推敲在内,采取机械进修中的XGBoost停止温度猜想与测温误差分析,猜想出较为幻想的温度值,并得出了影响测温误差的关键身分。

Under the influence of the flying height of the UAV, the roll angle, the pitch angle, the direction an-gle, the speed and so on, the temperature values of the UAV have some error. The factors affecting the infrared temperature measurement accuracy are taken into consideration, and the XGBoost into the machine learning is adopted. The temperature prediction and the error analysis of tem-perature measurement are used to predict the ideal temperature value, and the key factors af-fecting the error of temperature measurement are obtained. 

1. 引言

今朝,基于航空红外监测核电站温排水的办法正逐步取得应用。2010年,江苏省辐射情况监测管理站对田湾核电站温排水停止监测,该实验在广泛调研的基本上,以航天遥感监测为主,航空监测为辅,船测、浮标监测为弥补的方法,监测取得核电站温排水的影响状况,且空间分辨率达到了5 m~7.5 m,测温精度0.3℃,达到了情况监测的请求 [1] 。2016年中核集团三门核电无限公司根据实验验证载人飞机遥感监测的海温精度,在空间上分辨率精度达3 m~7.5 m、相对温度精度为0.3℃、温升精度为0.1℃,可以在核电站邻远洋域停止海温监测 [2] 。2017年7月大年夜连航天北斗科技无限公司停止了我国首例基于无人机航空遥感监测海水温度实验,该实验对辽宁红沿河核电站停止了温排水监测,分别监测了大年夜潮高平、大年夜潮低平、小潮高平、小潮低平四种状况下的海水温度,并制造了温升专题图,测温精度达到了0.3℃,实验证明,无人机红外遥感可和时监测核电站温排水影响状况 [3] 。

无人机红外遥感监测核电站温排水具有远间隔、速度快、非接触、灵敏度高、测温范围广等特点 [4] ,比传统的测温技巧具有更大年夜的优势,但也有诸多身分影响测温精度,如被测物体的辐射率、目标所处情况的辐射情况、目标所处情况温度、湿度、风速、光照强度等。另外,无人机红外成像仪在获得某些目标温度时,由于受无人机的飞翔高度、横滚角、俯仰角、航向角、航速等姿势成绩的影响,红外测温的精度也会遭到影响。若何进步红外测温的精度是国表里学者重点存眷的成绩,例如张健等人研究了目标所处的情况温度对红外成像仪测温精度的影响 [5] ;官上洪等人重要研究了发射率、情况等效辐射、大年夜气透过率、大年夜气温度等身分对测温误差的影响,并推导出了测温精度的数学表达式 [6] 。上述红外成像仪测温误差校订与分析根本上是从道理着手,关于无人机搭载红外设备测温还没有停止过量的研究,从无人机飞翔姿势及所处的情况条件等方面分析测温误差仅处于起步阶段,今朝陈超帅等人经过过程无人机对目标温度停止监测,结合实测数据对丈量成果停止了精度分析并给出误差源 [7] 。文献 [8] 将无人机获得的温度值采取小波神经搜集停止拟合猜想,拟合出的温度值精度在0.3℃以内。

本文在先人研究的基本上,从无人机飞翔时的姿势角变更、各类气候参数比如情况气温、风速、空气湿度等对测温误差停止分析,采取机械进修的XGBoost停止仿真实验,猜想得出的航拍温度值和实际温度值很接近,精度比采取BP神经搜集与小波神经搜集猜想的温度值高,证明采取机械进修的XGBoost可以更精确的猜想航拍温度;别的重点分析对测温误差影响较大年夜的影响身分,如姿势角、风速、气温及湿度等,采取XGBoost实际对温度值停止猜想,分析得出各个影响身分对航拍温度精度具有较大年夜的影响,为后续实验时对测温精度的进步供给技巧支撑。

2. XGBoost道理

2.1. XGBoost道理

近年来,陈天奇博士 [9] 对GBDT和AdaBoost算法停止了改进,提出一种高效、精确、灵活并且可移植性强的最优分布式决定计划梯度晋升库(Extreme Gradient Boosting, XGBoost),它可以较为幻想的处理猜想成绩,下面扼要简介XGBoost的根本实际。

在今朝的实验和应用傍边,为了对某些数值猜想,我们平日采取XGBoost有监督进修。有监督进修中,平日构造一个目标函数和一个猜想函数,应用练习样本对目标函数最小化进修取得相干参数,然后用猜想函数和练习样本取得的参数对未知的样本停止数值猜想。目标函数Obj(θ)有两部分构成:误差函数L(θ)和复杂度函数Ω(θ)。进修的目标是尽可能使损掉误差尽可能小,函数尽可能不复杂。

O b j ( θ ) = L ( θ ) + Ω ( θ ) (1)

而XGBoost算轨则用泰勒展开完成了更具有普通性的近似算法,且可以用代码完成,其目标函数:

O b j m = i = 1 n l ( ( y i , y ^ i m 1 ) + f m ( x i ) ) + Ω ( f m ) (2)

个中,n表示样本含量,m表示第几次迭代,fm表示第m次迭代的误差,用泰勒公式展开:

(3)

此时我们定义:

g i = y ^ m 1 l ( y i , y ^ m 1 ) (4)

h i = y ^ m 1 2 l ( y i , y ^ m 1 ) (5)

根据公式(5)可以看出XGBoost的目标函数只依附于每个样本点在误差函数上的一阶导数和二阶导数。

2.2. XGBoost优势

无人机航拍数据具有变量多、数据量大年夜等特点,XGBoost 算法是高效并行机械进修算法,适应多半据类型和多变量的情况,它自创了随机丛林的算法,对样本、特点停止抽样,在降低过拟合的同时,增添计算量;与传统猜想温度的办法比拟,其能克服传统办法在数据范围较大年夜情况下效力不敷高的成绩;同时,可以自定义损掉函数,有标准化的正则项,使练习出的模型不容易过拟合,有效应用无人机航拍的大年夜范围数据晋升温度猜想精度。

3. 航拍实验

3.1. 测温实验

本次测温实验重要依托大年夜连航天北斗科技无限公司,应用X80无人机对辽宁红沿河核电站温排水停止监测,获得夏季大年夜、小潮4个潮态(涨急、涨末、落急、落末)各一次航空遥感丈量海面温度场数据,同时结合海面温度监测,根据查询拜访数据停止温度猜想及测温误差分析。

3.2. 数据预处理

1) 数据挑选

无人机在飞翔过程当中,拐弯的处一切较大年夜的闲逛,将此部分数据剔除掉落,根据堆叠率请求选出可用POS点。POS数据含有时间信息,精确到秒;红外视频也含有时间信息,也精确到秒,按照已选POS数据的时间到红外视频文件中停止截帧,取得同时辰POS数据和带有温度信息的红外数据。

2) 肯定空间分辨率

红外数据的分辨率为640 × 480,在镜头的视场范围内含有640 × 480个像元的温度值,像元投影到海面的真实大年夜小与飞翔高度成正比,1200 m高度飞机的视场角范围是1384.8 m × 988.8 m,空间分辨率即每个像元的大年夜小2.2 m × 2.0 m。

3) 图象定位

将红外拍摄图象定位到精确的实际地位上须要的参数有:图象中间点坐标、拍摄高度、图象实际大年夜小、航向角。图象的准肯定位是测温精确性的条件。

4) 畸变校订

起首根据俯仰角、横滚角和航高计算出图象中间点坐标投影到海面上的实际地理坐标,并停止几何畸变校订与桶形畸变校订;然后根据俯仰角度、横滚角度计算出图象投影到海面的实际长、宽;最后根据中间点坐标、边长、航向角度将图象对应的地理范围定位到精确的地位上。

5) 船测温度与航空温度比较提取

根据船测航路与无人机航路筹划的堆叠部分,提取船测温度与航拍温度在同一地点同一时间内的温度作为比较值。同步点的数量及精确率决定了本次验证温度的成功与否,故而,提取温度数量越多越好。

6) 气候参数的提取

结合辽宁省气候不雅测站,收集现场的温度、湿度、风速、风向、光照强度等。个中温度、湿度根据距海面的高度分为多个数值,如分为间隔海面10米处的温度、湿度,20米处的温度、湿度等;风速异样按照高度停止收集,然则需将风速分为瞬时风速与均匀风速,其他的气候参数均需详细收集。

3.3. 测温误差分析

根据提取的同步点温度值,对船测温度值和航拍红外温度值分析可知,二者存在某种对应的关系,个别数据由于定位误差和影象几何畸变未能完全校订而产生较大年夜的误差,须要停止误差剔除,以确保温度校订的精确率。本文温度校订选择大年夜潮高平常平凡的同步点640个数数据,个中温差小于0.3℃的有554组,占比为86.56%。

4. XGBoost进步测温精度

4.1. XGBoost拟合温度实验

1) 特点选择

航拍温度与幻想值之间存在误差,采取XGBoost对航拍温度停止拟合以期达到较为精准的成果。然则XGBoost拟合航拍温度须要推敲各类影响身分,重要包含无人机的航高、姿势角(航向角、横滚角、俯仰角)、情况温度、风速、湿度等,这些影响身分在XGBoost建模的过程当中称之为特点,如表1所示。

Table 1. The main features of modeling

表1. 建模的重要特点

2) 温度猜想流程

建模特点拔取后,本文采取Python2.7长停止仿真实验,拔取640组数据中的608组数据停止练习,32组数据作为测试集,采取XGBoost猜想温度的过程如图1所示。

Figure 1. Flow chart of temperature prediction

图1. 温度猜想流程图

3) 参数的优化

XGBoost模型存在大年夜量可以调理的参数,例如eta、max_depth、nround、subsample、alpha、lambda、min_child_weight等;根据屡次实验发明,XGBoost精确率固然较高,但依然有较高的晋升空间,故而可以将参数逐一停止优化,每优化一个参数便可以晋升必定的猜想精度。

例如:gamma在树的叶子节点出息一步划分所需的最小损掉增添,数值越大年夜,算法越守旧,默许0最为靠得住。min_child_weight [default = 1]为叶子节点中最小的样本权重和,假设一个叶子节点的样本权重和小于min_child_weight则拆分过程停止,在现行回归模型中,这个参数是指建立每个模型所须要的最小样本数,典范值取1。max_delta_step这参数限制每棵树权重改变的最大年夜步长,假设这个参数的值为0,那就意味着没有束缚,假设它被付与了某个正值,那么它会让这个算法加倍守旧,平日,这个参数不须要设置,然则本文航拍温度值的样本非常不均衡,为了取得更加接近逻辑回归,故而选择参数值0;subsample决定随机采样比例,减小这个参数的值,算法会加倍守旧,防止出现过拟合,然则,假设这个值设置得太小,它能够会招致欠拟合,本文经过屡次实验得出参数值0.85最为符合幻想请求。seed为随机数种子,用来生成可复制性的成果,本文数据选择1440组。scale_pos_weight在种别高度不均衡的情况下,将参数设置大年夜于0,可以加快收敛。

根据屡次实验,本次模型选择的重要参数以下:

max_depth = 5

learning_rate = 0.1

n_estimators = 75

silent = True

objective = 'reg:linear'

nthread = −1

gamma = 0

min_child_weight = 1

max_delta_step = 0

subsample = 0.85

colsample_bytree = 0.72

colsample_bylevel = 1

reg_alpha = 0

reg_lambda = 1

scale_pos_weight = 1

seed = 1440

4) 实验成果

按上述办法停止练习实验后,所测试的32组数据取得了较好的猜想值,32组猜想值中误差最大年夜值为0.085℃,均方根误差为0.046,可知猜想值精度根本满足请求,猜想值、航拍值及原始值对比如图2所示。

Figure 2. Temperature fitting comparison chart

图2. 温度拟合比较图

神经搜集异样可以很好的猜想温度值,如文献 [8] 采取小波神经搜集对航拍温度数据停止拟合,异样的采取BP神经搜集对航拍温度停止猜想,猜想的32组温度值误差比较图如图3所示。

Figure 3. Temperature fitting comparison chart

图3. 猜想温度误差值比较图

根据三者的猜想成果停止精度评价,如表2所示:XGBoost猜想的温度精度值最高,其次是小波神经搜集拟合的温度值,均方根误差约为0.1阁下,猜想温度误差最大年夜值为0.177℃;而BP神经搜集猜想的温度值比拟较别的两种办法猜想的温度精度最低,形成小波神经搜集与BP神经搜集拟合精度低于XGBoost拟合精度的重要缘由是二者均未推敲诸项内在的影响身分对测温误差的影响,所以各类影响身分是弗成忽视的。

Table 2. Comparison and analysis table of prediction temperature accuracy

表2. 猜想温度精度比较分析表

4.2. 测温误差分析

推敲上述影响航拍温度的身分后,采取XGBoost猜想出的温度值较为幻想,根本肯定上述各类影响身分对航拍温度实在其实形成了弗成忽视的影响,然则其实不克不及肯定每种影响身分对航拍温度精度的影响程度,为此,采取4.1节的办法,在Python2.7停止仿真实验,分析重要的影响身分对航拍温度形成的误差,为后续的相干实验停止误差清除。

4.2.1. 影响身分重要度分析

航拍温度影响身分较多,为了分析每种影响身分对温度误差的影响程度,本文在4.1节猜想值的基本上分析每种身分的重要性,采取Python停止仿真实验,关键法式榜样以下:

plot_importance(xgb_boost, importance_type = 'weight')

pyplot.show()

print(xgb_boost.feature_importances_)

实验分析成果如图4所示。实验注解,航拍温度影响度最大年夜,由于航拍温度本身就是误差修改的重要特点;其次影响度为0.0517的10米高度处的瞬时风速值;然后是POS数据的影响,如横滚角、俯仰角、航高等,个中航高在姿势角中对温度的影响最大年夜,达到了0.0463;影响度较小的为30米高度处的最大年夜风速、10米高度处的空气湿度、GPS、80米和100米高度处2分钟内的风速、和10米高度处的空气温度等。从大年夜类影响身分来讲,当时情况的风速、温度、湿度依然影响最大年夜,这些影响身分在反演温度时固然曾经被国表里的学者停止了充分的研究,然则从XGBoost下去说还未停止过研究,所以重点存眷对航拍温度影响度较大年夜的身分,如各类姿势角、航高、风速、温度、湿度等,将这些影响身分逐一停止推敲分析,验证误差能否随着影响身分的增多而逐步减小。

Figure 4. Importance of influencing factors

图4. 影响身分重要度

4.2.2. 姿势角的影响

无人机在飞翔的过程当中由于飞控体系的误差和气流的影响,无人机的姿势时辰处于变更状况,内业处理时虽已对影片停止了几何校订,然则其实不克不及完全校订姿势角形成的实际成像误差,导致所测目标值与实际值不符合;别的姿势角是一组弗成瓜分的数据组,弗成伶仃的分析对测温误差影响的程度,须要综合性的推敲。本文为了验证姿势角对测温精度的影响值,在无人机的航向角、横滚角、俯仰角、航高、航速等身分感化下经过过程XGBoost停止温度猜想,并将猜想值与船测值停止比较分析。采取上述640数据停止实验,猜想出的32对温度的误差如图5所示。

Figure 5. Temperature prediction error graph

图5. 猜想温度误差图

本次实验猜想温度误差最大年夜值为0.387℃,均方根误差为0.180,未停止温度校订前的船测温度与航拍温度最大年夜误差为0.5℃,均方根误差为0.231,从以上成果比较可知,无人机的姿势角是影响航拍温度值弗成或缺的重要身分。故而为了取得更高精度的航拍温度值,必须将无人机的姿势角身分推敲在内。

4.2.3. 风速的影响

由于被测物体在室外,情况温度和目标温度会受风速的影响。当风速很大年夜时,会形成向外散热,目标的热量被风力加快吹散,则相对应的目标景物降低,导致所测温度比实际温度低。比如风速为1 m/s,某电线设备接头的温度是60℃,根据经历公式换算,在风速为4 m/s时,该设备接头的温度仅为30℃,所以风速对误差影响弗成忽视。

本次航测实验采取红沿河核电站气候不雅测站不雅测的数据材料,与航拍同步不雅测,如许增添了时间上不合步形成的误差成绩。本次的风速因子包含有10米高度处的均匀风速与瞬时风速、30米高度处的均匀风速与瞬时风速、80米高度处的均匀风速与瞬时风速、100米高度处均匀风速与瞬时风速,为了分析风速对航拍值的影响,将各类风速身分均推敲在内,温度猜想成果误差如图6所示:

Figure 6. Temperature prediction error graph

图6. 猜想温度误差图

猜想的成果显示,本次猜想温度的最大年夜误差为0.351℃,均方根误差为0.144,与4.2.2节推敲姿势角对航拍温度值的影响比拟,最大年夜误差值曾经减小,均方根误差也有所减小。

4.2.4. 湿度、气温的影响

1) 气温与湿度合营影响

根据大年夜量的实验注解,当背景温度介于(T − 10)~(T + 25)之间时,红外丈量的精度较高。在停止红外测温实验之前曾经对红外成像仪影响停止了标定实验,对室外温度的影响曾经停止了温度补偿。然则情况中的气温时辰在变更,比如本次丈量过程当中不合高度处的气温值不合,且随时间也在产生变更,这对监测温度产生了必定的影响。别的,昔时夜气湿度大年夜于85%的情况时,由于水蒸汽密度增长,增大年夜了对红外辐射接收,大年夜气对目标物体辐射的衰减急剧加大年夜,是以,在雨雾气象下不合适停止红外监测;然则大年夜气的湿度低于85%时,红外测温依然会受影响,所以综合气平和湿度这两个影响身分,商量二者对红外测温的精度影响的程度,并分析二者对温度影响的占比情况。

实验时将不合高处的气温与大年夜气湿度推敲进影响测温的行列,实验成果如图7所示。

Figure 7. Temperature prediction error graph

图7. 猜想温度误差图

实验成果显示,当推敲气温与湿度的合营影响后,猜想温度最大年夜误差为0.262℃,均方根误差为0.134,误差值再次减小。

1) 气温、湿度伶仃感化下的影响

在气温与湿度的合营感化下,猜想的温度值精度比未停止校订前的温度值有了较大年夜的晋升,可见气温与湿度是影响测温误差的重要身分。为了商量二者对气温的影响大年夜小,将两个身分分别停止验证其对猜想温度值的影响,起首停止在唯一气温身分感化下对航拍值停止猜想值,其次停止唯一湿度感化下航拍值的猜想。

实验的成果显示,当唯一气温参与温度猜想时,猜想温度误差的最大年夜值为0.315℃,均方根误差为0.179;当唯一湿度参与温度猜想时,猜想温度误差最大年夜值为0.316℃,均方根误差为0.144。经过过程比较分析,湿度对红外测温精度的影响比气温的影响大年夜,这也比较符合道理上的解释,湿度较大年夜时,空气中悬浮过量的水滴,将影响海面的辐射波,形成必定的折射或许漫反射,故而对测温影响较为明显。图8为气温、湿度、气温与湿度的测温误差比较曲线图。

Figure 8. Temperature and humidity temperature error comparison chart

图8. 气温、湿度测温误差比较图

2) 气温、湿度影响误差分析

根据仿真实验成果可知,将气温与湿度影响身分伶仃停止温度猜想,其精度均低于将气温与湿度合营感化下猜想温度的精度值,可以得出气平和湿度是影响测温误差身分的重要组合部分。

5. 停止语

采取机械进修中的XGBoost停止温度的拟合,并将各类影响航拍温度的身分推敲在内,猜想出的温度值很符合幻想值(船测值),证明本办法在航拍温度的校订中可以很好的应用。

分析影响航拍温度精度的影响身分,并对各个影响身分停止重要度考验,考验成果很好地展示出各个影响身分的重要程度。结合本次航拍实验出现的航高、姿势角、风速、气温、湿度等影响误差的身分,应用XGBoost的道理停止温度值猜想,重点分析重要度较大年夜的影响身分对测温精度的影响,断定得出姿势角、风速、气温及湿度对航拍温度形成的误差较大年夜,在停止航拍测温实验时须要重点将这些身分推敲在内,以便于猜想取得更高精度的温度值。

基金项目

国度天然迷信基金项目赞助(赞成号:51778111)。

NOTES

*通信作者。

文章援用:
伊晓东, 何亚洲, 霍林生. 基于XGBoost的无人机测温误差分析[J]. 测绘迷信技巧, 2019, 7(4): 160-170. https://doi.org/10.12677/GST.2019.74022

参考文献

[1] 贺佳惠, 梁春利, 李名松. 核电站近岸温度场航空热红外遥感丈量数据处理研究[J]. 国土资本遥感, 2010(3): 51-53.
[2] 何园. 遥感技巧在核电站温排水影响范围监测中的应用[J]. 科技创新与应用, 2016(18): 71.
[3] 大年夜连航天北斗科技无限公司. 辽宁红沿河核电站无人机航空遥感海水测温技巧筹划[R]. 2016: 7.
[4] 苏佳伟, 石俊生, 汪炜穑. 间隔对红外成像仪测温精度影响及进步精度的实验研究[J]. 红外技巧, 2013, 35(9): 587-590.
[5] 张健, 杨立, 刘慧开. 情况高温物体对红外热像仪测温误差的影响[J]. 红外技巧, 2005(5): 419-422.
[6] 官上洪, 王毕艺, 赵万利, 闫秀生. 红外热像仪测温精度分析[J]. 光电技巧应用, 2012, 27(3): 85-88.
[7] 陈超帅, 王世勇. 大年夜疆无人机目标红外辐射特点丈量及温度反演[J]. 光电工程, 2017, 44(4): 427-434+464.
[8] 伊晓东, 孙鹏. 基于小波分析的神经搜集在遥感测温数据拟合中的应用[J]. 测绘与空间地理信息, 2017, 40(5): 8-10+13+16.
[9] Chen, T. and Guestrin, C. (2016) XGBoost: A Scalable Tree Boosting System. 22nd ACM SIGKDD In-ternational Conference on Knowledge Discovery and Data Mining, San Francisco, 13-17 August 2016, 785-794.
https://doi.org/10.1145/2939672.2939785