CN120123857B 基于tg和ire-2的涂层基料发射率测试方法和系统 （四川星利石大涂装材料有限公司）

(19)国家知识产权局(12)发明专利(10)授权公告号CN120123857B(65)同一申请的已公布的文献号(73)专利权人四川星利石大涂装材料有限公司地址620031四川省眉山市高新技术产业园区金茂路3号杨汉中付能武(74)专利代理机构成都精点专利代理事务所专利代理师卿诚审查员廖尹静(54)发明名称基于TG和IRE-2的涂层基料发射率测试方法和系统本发明属于材料检查技术领域，具体涉及一种基于TG和IRE-2的涂层基料发射率测试方法和系统。先由TG发射率测量仪采集涂层基料目标区域全波段发射率数据并生成曲线，标记敏感波段。判断敏感波段在IRE-2测量仪可测范围内后，获取其采集的双波段发射率数据。对全波段及双波段数据进行线性回归分析得到映射关系模型，以此为核函数建立SVM神经网络模型。最终利用IRE-2实时采集数据输入模型输出涂层基料的全波段发射率。该方法能精准确定敏感波段，通过获取获取TG发射率测量仪采集的涂层基料上的目标区域在实验室条件下的全波段发射率数据。利用全波段发射率数据生成对应的全波段发射率曲线。标记全波段发射率曲线的吸收峰所对应的敏感波段。工否敏感波段位于可测量波段范围内?是获取IRE-2双波段发射率测量仪采集的目标区域在实验室条件下的第一波段发射率数据和第二波段发射率数据。丁对全波段发射率数据、第一波段发射率数据和第二波段发射率数据进行线性回归分析，得到映射关系模型。以映射关系模型为核函数建立SVM神经网络模型。获取IRE-2双波段发射率测量仪实时采集的第一波段发射率现场数据和第二波段发射率现场数据。丁将第一波段发射率现场数据和第二波段发射率现场数据输入训练好的SVM神经网络模型，输出涂层基料的全波段发射率。21.一种基于TG和IRE-2的涂层基料发射率测试方法，其特征在于，包括以下步骤：S1:获取TG发射率测量仪采集的所述涂层基料上的目标区域在实验室条件下的全波段发射率数据；S2:利用所述全波段发射率数据生成对应的全波段发射率曲线；S3:标记所述全波段发射率曲线的吸收峰所对应的敏感波段；S4:判断所述敏感波段是否位于IRE-2双波段发射率测量仪的可测量波段范围内；若S5:获取所述IRE-2双波段发射率测量仪采集的所述目标区域在所述实验室条件下的第一波段发射率数据和第二波段发射率数据；S6:对所述全波段发射率数据、所述第一波段发射率数据和所述第二波段发射率数据进行线性回归分析，得到映射关系模型；S7:以所述映射关系模型为核函数建立SVM神经网络模型；S8:获取所述IRE-2双波段发射率测量仪实时采集的第一波段发射率现场数据和第二波段发射率现场数据；S9:将所述第一波段发射率现场数据和所述第二波段发射率现场数据输入训练好的2.根据权利要求1所述的一种基于TG和IRE-2的涂层基料发射率测试方法，其特征在于，所述敏感波段为所述全波段发射率曲线中发射率下降量>0.1且半高宽<1μm的波段；标记出所述敏感波段之后，还包括以下步骤：基于阈值法对所述吸收峰的边界进行识3.根据权利要求1或2所述的一种基于TG和IRE-2的涂层基料发射率测试方法，其特征在于，所述S6之前还包括以下步骤：对所述全波段发射率数据、所述第一波段发射率数据和所述第二波段发射率数据进行滑动平均滤波。4.根据权利要求1或2所述的一种基于TG和IRE-2的涂层基料发射率测试方法，其特征在于，所述S5之后还包括以下步骤：获取全波段发射率数据与第一波段发射率数据在相同波段范围的第一数据偏差，获取全波段发射率数据与第二波段发射率数据在相同波段范围的第二数据偏差；所述S8之后还包括以下步骤：利用所述第一数据偏差对所述第一波段发射率现场数据进行补偿，利用所述第二数据偏差对所述第二波段发射率现场数据进行补偿。5.根据权利要求4所述的一种基于TG和IRE-2的涂层基料发射率测试方法，其特征在于，所述S5之后还包括以下步骤：当所述第一数据偏差>阈值或所述第二数据偏差>所述6.根据权利要求1或2所述的一种基于TG和IRE-2的涂层基料发射率测试方法，其特征在于，所述映射关系模型的因变量为全波段发射率，所述映射关系模型的自变量为第一波段发射率、第二波段发射率和环境温度；IRE-2双波段发射率测量仪在波段λ₂的实测发射率，T表示环境温度，a为IRE-2双波段发射3率测量仪在波段λ₁的实测发射率的权重系数，b为IRE-2双波段发射率测量仪在波段λ2的实第一数据获取模块，用于获取TG发射率测量仪采集的所述涂层基料上的目标区域在实验室条件下的全波段发射率数据；曲线生成模块，用于利用所述全波段发射率数据生成对应的全波段发射率曲线；波段标记模块，用于标记所述全波段发射率曲线的吸收峰所对应的敏感波段；第一分析控制模块，用于判断所述敏感波段是否位于IRE-2双波段发射率测量仪的可测量波段范围内；若是，则控制第二数据获取模块工作；若否，则重新确定所述涂层基料上的目标区域，控制所述第一数据获取模块工作；第二数据获取模块，用于获取所述IRE-2双波段发射率测量仪采集的所述目标区域在所述实验室条件下的第一波段发射率数据和第二波段发射率数据；线性回归分析模块，用于对所述全波段发射率数据、所述第一波段发射率数据和所述第二波段发射率数据进行线性回归分析，得到映射关系模型；模型建立模块，用于以所述映射关系模型为核函数建立SVM神经网络模型：第三数据获取模块，用于获取所述IRE-2双波段发射率测量仪实时采集的第一波段发射率现场数据和第二波段发射率现场数据；结果获取模块，用于将所述第一波段发射率现场数据和所述第二波段发射率现场数据输入训练好的SVM神经网络模型，输出所述涂层基料的全波段发射率。8.根据权利要求7所述的一种基于TG和IRE-2的涂层基料发射率测试系统，其特征在于，所述敏感波段为所述全波段发射率曲线中发射率下降量>0.1且半高宽<1μm的波段；所述系统还包括：边界识别模块，用于基于阈值法对所述吸收峰的边界进行识别。9.根据权利要求7或8所述的一种基于TG和IRE-2的涂层基料发射率测试系统，其特征在于，还包括：数据清洗模块，用于对所述全波段发射率数据、所述第一波段发射率数据和所述第二波段发射率数据进行滑动平均滤波。10.根据权利要求7或8所述的一种基于TG和IRE-2的涂层基料发射率测试系统，其特征数据偏差获取模块，用于获取全波段发射率数据与第一波段发射率数据在相同波段范围的第一数据偏差，获取全波段发射率数据与第二波段发射率数据在相同波段范围的第二数据偏差；数据补偿模块，用于利用所述第一数据偏差对所述第一波段发射率现场数据进行补偿，利用所述第二数据偏差对所述第二波段发射率现场数据进行补偿；第二分析控制模块，用于当所述第一数据偏差>阈值或所述第二数据偏差>所述阈值时，控制预警模块和第一数据获取模块工作。4基于TG和IRE-2的涂层基料发射率测试方法和系统技术领域[0001]本发明属于材料检查技术领域，具体涉及一种基于TG和IRE-2的涂层基料发射率测试方法和系统。背景技术[0002]涂层基料的发射率是衡量其热辐射性能的重要参数，直接影响其在高温、红外隐身等场景中的应用效果。现有的涂层基料测试方法众多，例如全光谱发射率测量法、双波段发射率测量法、傅里叶变换红外光谱法、变温发射率测试法等，这些方法能够准确地对涂层基料的发射率进行测试。然而，在实际的工业测试环境中，在测试涂层基料发射率时往往需要同时兼顾全光谱精度和实时性，但现有的测试方法仅能够满足某一方面的测试需求，如全光谱发射率测试法虽能获得涂层基料的全光谱发射率，但难以适应现场快速检测需求，双波段发射率测量法适用于现场，但仅能获取特定波段的发射率数据，无法直接反映全波段发射率特性。发明内容[0003]本发明所要解决的技术问题是：现有的发射率测试法不能同时兼顾全光谱精度和实时性。[0004]为解决上述技术问题，本发明通过下述技术方案实现：[0005]第一方面，提出一种基于TG和IRE-2的涂层基料发射率测试方法，包括以下步骤：S1:获取TG发射率测量仪采集的所述涂层基料上的目标区域在实验室条件下的全波段发射率数据；S2:利用所述全波段发射率数据生成对应的全波段发射率曲线；S3:标记所述全波段发射率曲线的吸收峰所对应的敏感波段；S4:判断所述敏感波段是否位于IRE-2双波段发射率测量仪的可测量波段范围内；若是，则执行S5;若否，则重新确定所述涂层基料上的目标区域，返回所述S1;S5:获取所述IRE-2双波段发射率测量仪采集的所述目标区域在所述实验室条件下的第一波段发射率数据和第二波段发射率数据；S6:对所述全波段发射率数据、所述第一波段发射率数据和所述第二波段发射率数据进行线性回归分析，得到映射关系模型；S7:以所述映射关系模型为核函数建立SVM神经网络模型；S8:获取所述IRE-2双波段发射率测量仪实时采集的第一波段发射率现场数据和第二波段发射率现场数据；S9:将所述第一波段发射率现场数据和所述第二波段发射率现场数据输入训练好的SVM神经网络模型，输出所述涂层基料的全波段发射率。[0006]第二方面，提出一种基于TG和IRE-2的涂层基料发射率测试系统，包括：第一数据获取模块，用于获取TG发射率测量仪采集的所述涂层基料上的目标区域在实验室条件下的全波段发射率数据；曲线生成模块，用于利用所述全波段发射率数据生成对应的全波段发射率曲线；波段标记模块，用于标记所述全波段发射率曲线的吸收峰所对应的敏感波段；第一分析控制模块，用于判断所述敏感波段是否位于IRE-2双波段发射率测量仪的可测量波段范围内；若是，则控制第二数据获取模块工作；若否，则重新确定所述涂层基料上的目标5区域，控制所述第一数据获取模块工作；第二数据获取模块，用于获取所述IRE-2双波段发射率测量仪采集的所述目标区域在所述实验室条件下的第一波段发射率数据和第二波段发射率数据；线性回归分析模块，用于对所述全波段发射率数据、所述第一波段发射率数据和所述第二波段发射率数据进行线性回归分析，得到映射关系模型；模型建立模块，用于以所述映射关系模型为核函数建立SVM神经网络模型；第三数据获取模块，用于获取所述IRE-2双波段发射率测量仪实时采集的第一波段发射率现场数据和第二波段发射率现场数据；结果获取模块，用于将所述第一波段发射率现场数据和所述第二波段发射率现场数据输入[0007]第三方面，提出一种计算机设备，包括依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发数据，所述处理器用于读取所述计算机程序，执行如第一方面所述的一种基于TG和IRE-2的涂层基料发射率测试方法。[0008]第四方面，提出一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面任一所述的一种基于TG和IRE-2的涂层基料发射率测试方法。[0009]第五方面，提出一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的一种基于TG和IRE-2的涂层基料发射率测试方法；所[0010]本发明与现有技术相比，具有如下的优点和有益效果：将TG发射率测量仪与IRE-2双波段发射率测量仪相结合，实现关键波段发射率的快速反演与整体精度提升，满足工业现场动态监测对全光谱精度与实时性的要求。具体而言，本发明将TG发射率测量仪提供的高精度全光谱发射率数据作为基准，同时利用IRE-2双波段发射率测量仪对发射率进行实时快速测量，通过敏感波段筛选双波段实现了基准数据与实时数据协同优化；进一步地通过线性回归分析和建立以映射关系模型为核函数的SVM神经网络模型，形成了“数据采集-特征筛选-模型构建-实时预测”的完整测试链，实现了利用发射率现场数据进行快速反演获得涂层基料的全波段发射率，从而兼顾了全光谱精度与实时性。附图说明[0011]此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部[0012]图1为本发明实施例1提供的一种基于TG和IRE-2的涂层基料发射率测试方法流程示意图。具体实施方式[0013]为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定，以下所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他[0014]在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本6领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实施例中，为了避免混淆本发明，未具体描述公知的结构、材料或方法。以下实施例中所使用的材料、仪器和试剂等，如无特殊说明，均可从商业途径得到。实施例中所使用的技术手段，如无特殊说明，均为本领域技术人员所熟知的常规手段。除非另有明确具体的限定。[0016]实施例1:提供一种基于TG和IRE-2的涂层基料发射率测试方法，本方法包括图1所示的以下步骤：[0017]S1:获取TG发射率测量仪采集的涂层基料上的目标区域在实验室条件下的全波段发射率数据。[0018]TG发射率测量仪是一种用于测量涂层基料发射率的仪器，它基于热重原理进行工作，可以采集涂层基料上目标区域在实验室条件下的全波段发射率数据，这些数据能够反映出材料在不同波长下的发射能力。通过对全波段发射率数据进行分析和处理，如生成全波段发射率曲线、标记吸收峰对应的敏感波段等，可以进一步了解涂层基料的发射特性，为后续的研究和应用提供重要的基础数据。[0019]S2:利用全波段发射率数据生成对应的全波段发射率曲线。[0020]首先，对全波段发射率数据进行数据整理与筛选，包括剔除异常值和重复数据处理。其中，剔除异常值是对TG发射率测量仪采集到的全波段发射率数据进行初步检查，通过设置合理的数据范围阈值，识别并剔除明显偏离正常范围的数据点。例如，当已知涂层基料在特定实验条件下发射率理论范围在0.3-0.9之间，那么明显低于0.3或高于0.9的数据点可视为异常值。同时，观察数据的分布情况，将孤立的数据点作为异常数据从数据集中去除。进一步的，重复数据处理是针对重复采集的数据点，需对其进行处理。可以计算重复数据的平均值，用该平均值替代重复的数据点，以确保数据的唯一性和准确性，同时减少数据冗余对后续分析的影响。[0021]然后，确定全波段发射率曲线的横坐标和纵坐标。以横坐标表示波长，根据实验所覆盖的波长范围确定横坐标的取值区间，例如实验测量的波长范围是0.2μm-20μm,则横坐性。以纵坐标表示发射率，其取值范围根据实际测量数据确定，一量纲的物理量，所以纵坐标无需标注单位。等办公软件中的绘图功能。本实施例以Origin软件为例进行说明。将整理筛选后的数据按照波长(横坐标数据)和发射率(纵坐标数据)的顺序导入到Origin软件中。在导入过程中，确保数据的格式正确，每一列数据对应相应的变量。在Origin软件中，选中导入的数据列，点代表了在特定波长下涂层基料的发射率。[0023]最后，曲线拟合。本实施例选择多相似拟合作为曲线拟合方法。在Origin软件中，7根据数据的复杂程度确定多项式的阶数。先选择较低阶数(如二阶或三阶)进行拟合，观察拟合效果。如果拟合曲线与散点图的数据点偏差较大，可增加阶数，但需避免过拟合现象。同时，将拟合的置信区间设置为95%,以保证拟合结果的可靠性。完成参数设置后，点击“确[0024]通过执行本步骤，一方面可直观呈现发射率特征——全波段发射率曲线能够将涂层基料在整个测量波长范围内的发射率变化情况，以直观的图形形式展现出来，通过曲线走势，可看出在不同波长下发射率的高低起伏，比如在某些波长区间发射率维持在较高水平，而在另一些区间则较低，相比单纯的数据罗列，能让人更迅速且全面地把握材料发射率随波长变化的整体特征，为后续分析提供直观依据；另一方面，有助于吸收峰识别——吸收峰在曲线上呈现为明显的波谷形状，通过对曲线的观察以及运用一阶导数法、二阶导数法等数学手段(这些方法均依赖于完整的发射率曲线数据),能够精准定位吸收峰的位置。[0025]S3:标记全波段发射率曲线的吸收峰所对应的敏感波段。[0026]全波段发射率曲线的吸收峰所对应的敏感波段，指的是在全波段发射率曲线中，吸收峰位置附近一段对材料发射特性具有特殊指示意义的波长范围。吸收峰是发射率曲线向下凹陷的波谷处，代表该波长下材料对特定能量的吸收能力较强，进而影响其发射率。敏感波段则是围绕吸收峰确定的一段波长区间，通过半高宽法或基于阈值法来界定其边界。[0027]标记吸收峰所对应的敏感波段的前提是识别吸收峰。识别吸收峰的方法为：[0028]首先，利用数学分析软件(如Origin、Matlab)对全波段发射率曲线进行一阶求导。对于发射率曲线函数求导后得到一阶导数函数。由于吸收峰处的曲线斜率会发生明显变化，在一阶导数曲线上表现为从负值变为正值的过零点。通过查找这些过零点，可以初步确定吸收峰的位置。例如，当一阶导数从-0.03经过零点变为0.05时，对应的横坐标值附近即为吸收峰位置。进一步对一阶导数曲线进行二阶求导，得到二阶导数函数。由于在吸收峰处，二阶导数为负值且其绝对值达到局部最大值。通过搜索二阶导数曲线中的这些局部最大负值点，能更精确地定位吸收峰。相比一阶导数，二阶导数对曲线的曲率变化更为敏感，能更准确地捕捉到吸收峰的特征。例如，在某波长区域内，二阶导数的局部最大负值出现在[0029]需说明的是，本实施例所述的敏感波段为全波段发射率曲线中发射率下降量>0.1且半高宽<1μm的波段。在识别到吸收峰之后，对吸收峰对应的波段进行标记得到敏感[0030]在标记出所述敏感波段之后，还可基于半高宽法或基于阈值法来界定吸收峰的边界。吸收峰边界识别的目的在于：第一，可精准界定敏感范围。吸收峰边界明确了吸收峰在波长轴上的起止位置，基于此确定的敏感波段更具准确性。通过对吸收峰的边界进行识别能将真正对材料发射特性有显著影响的波长区间精准圈定，避免敏感波段范围过大或过小，使后续研究和应用能聚焦关键区域。第二，有利于特性分析。准确的吸收峰边界及敏感波段，能为深入分析材料的光学、热学等特性提供更可靠依据。第三，可提升测试与应用可靠性。本实施例中，通过明确吸收峰边界，有助于判断IRE-2双波段发射率测量仪能否有效覆盖关键测量区域，进而提升发射率测试准确性，确保在实际应用中，基于敏感波段数据做出的决策和设计更具可靠性。[0031]本实施例针对基于阈值法对所述吸收峰的边界进行识别的具体执行方法进行补8充说明：设定一个与发射率变化相关的阈值。例如，以吸收峰两侧发射率变化速率达到某一设定值(如每微米发射率变化大于0.05)作为边界判断条件。从吸收峰位置开始，向两侧扫描曲线数据，当发射率变化速率首次超过设定阈值时，对应的横坐标值即为吸收峰的边界。假设在吸收峰右侧，从5μm开始扫描，当在5.3μm处发射率峰右侧边界为5.3μm,同理确定左侧边界。这种方法适用于对吸收峰边界精度要求不是特别高，但需要快速确定大致范围的情况。[0032]S4:判断敏感波段是否位于IRE-2双波段发射率测量仪的可测量波段范围内；若[0033]由于IRE-2双波段发射率测量仪有其特定的可测量波段范围，只有当敏感波段位于这个范围内，测量仪才能对该敏感波段进行有效测量。通过判断敏感波段是否在可测量范围内，能提前排除因波段不匹配导致无法测量的情况，保证测量工作的顺利进行。相反，如果敏感波段不在测量仪的可测量波段范围内，那么使用该测量仪无法获取到敏感波段的准确发射率数据。而敏感波段对于研究涂层基料的发射率特性至关重要，缺少该波段的数据会使测量结果不完整，无法准确反映材料的真实发射率特性。因此，判断敏感波段是否在可测量范围内，是为了保证获取的数据能够有效反映涂层基料的发射率特性，为后续的分析和研究提供可靠的数据支持。通过本步骤，可以筛选出合适的测量区域，使得测量数据能够满足模型建立的要求，从而提高整个测试方法的准确性和可靠性。[0034]S5:获取IRE-2双波段发射率测量仪采集的目标区域在实验室条件下的第一波段发射率数据和第二波段发射率数据。[0035]IRE-2双波段发射率测量仪采集的第一波段发射率数据和第二波段发射率数据，是后续分析和建立模型的关键数据来源，通过双波段发射率数据来预测全波段发射率，实现涂层基料发射率的快速、准确测量。[0036]此外，本实施例在获取到第一波段发射率数据和第二波段发射率数据之后，还获取了全波段发射率数据与第一波段发射率数据在相同波段范围的第一数据偏差，以及全波段发射率数据与第二波段发射率数据在相同波段范围的第二数据偏差。一方面，通过计算第一数据偏差和第二数据偏差，可以直观地了解IRE-2双波段发射率测量仪采集的第一波段、第二波段发射率数据与全波段发射率数据在相同波段范围内的差异程度。偏差越小，则双波段测量数据与全波段数据的吻合度越高，测量仪的测量准确性越高；反之，偏差较大则提示测量可能存在误差，如测量仪的校准问题、测量环境的影响等，以便采取相应措施来提高测量精度。另一方面，在建立全波段发射率与双波段发射率的映射关系模型或SVM神经网络模型时，数据偏差是一个重要的参考指标。通过分析数据偏差，可以了解不同波段数据对模型的贡献程度以及数据之间的潜在关系，从而合理地选择模型参数、优化模型结构，提高模型的拟合度和预测准确性。[0037]计算数据偏差的方法为：[0038]首先，确定相同波段范围。需要明确全波段发射率数据与第一波段、第二波段发射率数据的相同波段范围。可根据测量仪器的规格、数据采集的设置来确定。例如，如果全波段发射率数据的测量范围是0.1-20μm,而IRE-2双波段发射率测量仪的第一波段为3-5μm,[0039]然后，进行数据匹配与对齐。在确定相同波段范围后，要将全波段发射率数据与第9一波段、第二波段发射率数据在该范围内进行匹配和对齐。例如，如果全波段发射率数据在3-5μm范围内的波长点间隔为0.1μm,而第一波段发射率数据的波长点间隔为0.2μm,则需要对第一波段数据进行插值处理，使其与全波段数据的波长点一致，以便进行后续的计算。[0040]最后，计算数据偏差。本实施例采用的是计算数据的绝对偏差。对于每个相同波长点上的发射率数据，计算全波段发射率值与第一波段或第二波段发射率值的差值的绝对[0041]当第一数据偏差>阈值或第二数据偏差>阈值时，说明测量可能存在误差，此时发出预警并返回S1重新测量。[0042]S6:对全波段发射率数据、第一波段发射率数据和第二波段发射率数据进行线性[0043]本方法的目的在于通过反演得到全波段发射率。因此，通过构建映射关系模型，明确全波段发射率数据与第一波段、第二波段发射率数据之间的定量关系，在已知第一波段和第二波段发射率数据的情况下，能够对全波段发射率进行准确预测。[0044]另外，在实际情况中，涂层基料的发射率在不同波段之间存在一定的线性相关性。从物理角度来看，材料的微观结构和光学性质在一定程度上决定了其发射率特性，而这些特性在不同波段之间可能存在相对稳定的变化关系，这种关系在一定范围内可以用线性函数来近似描述。因此，本实施例采用对全波段发射率数据、第一波段发射率数据和第二波段发射率数据进行线性回归分析，得到映射关系模型。映射关系模型的因变量为全波段发射率，所述映射关系模型的自变量为第一波段发射率、第二波段发射率和环境温度，其表达式IRE-2双波段发射率测量仪在波段λ₁的实测发射率，e(2)为IRE-2双波段发射率测量仪在波段λ₂的实测发射率，T表示环境温度，a为IRE的权重系数，b为IRE-2双波段发射率测量仪在波段λ₂的实测发射率的权重系数，c为温度补[0045]S7:以映射关系模型为核函数建立SVM神经网络模型。[0047]第一，映射关系模型反映了全波段发射率数据与第一、二波段发射率数据之间的内在联系，将其作为核函数引入SVM神经网络模型，能够利用这种先验知识，更好地对数据进行特征提取和非线性映射，从而提高模型对发射率数据的拟合和预测能力，使其能更准确地处理复杂的发射率数据关系，提升模型的精度和泛化能力。[0048]第二，实际中发射率数据之间的关系可能并非简单的线性关系，SVM本身对于非线性问题具有较好的处理能力，通过使用基于映射关系模型的核函数，可以将原始数据映射到更高维的特征空间，在这个空间中更容易找到数据的线性可分边界，从而有效地解决发射率数据中的非线性问题，更精确地描述不同波段发射率之间复杂的非线性关系。[0049]第三，基于映射关系模型建立的核函数可以使SVM神经网络模型更好地适应不同的数据集和噪声干扰。由于映射关系模型是通过对实际发射率数据的分析得到的，它包含了数据的固有特征和规律，能够在一定程度上抑制噪声和异常数据的影响，使模型具有更强的鲁棒性，即模型在面对不同的测量误差、数据缺失或其他干扰因素时，仍能保持较好的性能和稳定性。[0050]第四，利用映射关系模型作为核函数，可以简化SVM神经网络模型的结构。相比于直接使用复杂的神经网络结构来拟合发射率数据，基于特定核函数的SVM模型通常具有更少的参数，从而减少了模型的复杂度和训练时间，避免了过拟合现象的发生，同时也提高了模型的可解释性，便于对模型的理解和应用。[0051]进一步的，以映射关系模型为核函数建立SVM神经网络模型的具体方法：K(xi,x;)=(a·∈(λ1i)+b·e(λ2i)+c·Ti+d)·(a·e(λ1j)+b·∈(λ2ac·T₁e(λ1j)+bc·T;e(22)+c²·[0053]核函数的表达式中，∈(λ1i)表示第i个样本在IRE-2双波段发射实测发射率，∈(21)表示第j个样本在IRE-2双波段发射率测量仪的波段λ₁的实测发射率，∈(2;)表示第i个样本在IRE-2双波段发射率测量仪的波段λ₂的实测发射率，∈(2)表示第j个样本在IRE-2双波段发射率测量仪的波段λ₂的实测发射率，T表示第i个样本对应的环境温度，T,表示第j个样本对应的环境温度。[0054]然后，选择支持向量回归SVR作为支持向量机SVM的类型。[0055]接下来，设置SVM神经网络模型参数。模型参数包括惩罚参数C和核函数系数。其中，惩罚参数C用于控制模型的复杂度和误差容忍度；C越大，模型对训练数据的拟合程度要求越高，但可能会导致过拟合；C越小，模型越简单，但可能会出现欠拟合。具体的，惩罚参数需根据实际的训练样本数量来确定，当训练样本数量较少时，为了防止模型过于复杂而出现过拟合，可选择较小的C值；相反，如果样本数量充足，模型有足够的数据进行学习，可适当增大C值，以更好地拟合数据，提高模型的准确性，例如惩罚参数C可以选择[0.01,10]。核[0056]最后，将训练样本输入到SVM模型中，使用核函数K(x;,x)和设置的惩罚参数和核函数系数进行训练。训练过程的目标是找到一组最优的模型参数，使得模型在训练数据集上的损失函数最小。[0057]S8:获取IRE-2双波段发射率测量仪实时采集的第一波段发射率现场数据和第二波段发射率现场数据。[0058]S9:将第一波段发射率现场数据和第二波段发射率现场数据输入训练好的SVM神经网络模型，输出涂层基料的全波段发射率。[0059]实施例2:与实施例1对应的，本实施例提供一种基于TG和IRE-2的涂层基料发射率测试系统，包括：[0060]第一数据获取模块，用于获取TG发射率测量仪采集的所述涂层基料上的目标区域在实验室条件下的全波段发射率数据。11[0061]曲线生成模块，用于利用所述全波段发射率数据生成对应的全波段发射率曲线。[0062]波段标记模块，用于标记所述全波段发射率曲线的吸收峰所对应的敏感波段。[0063]第一分析控制模块，用于判断所述敏感波段是否位于IRE-2双波段发射率测量仪的可测量波段范围内；若是，则控制第二数据获取模块工作；若否，则重新确定所述涂层基料上的目标区域，控制所述第一数据获取模块工作。[0064]第二数据获取模块，用于获取所述IRE-2双波段发射率测量仪采集的所述目标区域在所述实验室条件下的第一波段发射率数据和第二波段发射率数据。[0065]线性回归分析模块，用于对所述全波段发射率数据、所述第一波段发射率数据和所述第二波段发射率数据进行线性回归分析，得到映射关系模型。[0066]模型建立模块，用于以所述映射关系模型为核函数建立SVM神经网络模型。[0067]第三数据获取模块，用于获取所述IRE-2双波段发射率测量仪实时采集的第一波段发射率现场数据和第二波段发射率现场数据。[0068]结果获取模块，用于将所述第一波段发射率现场数据和所述第二波段发射率现场数据输入训练好的SVM神经网络模型，输出所述涂层基料的全波段发射率。[0069]边界识别模块，用于基于阈值法对所述吸收峰的边界进行识别。[0070]数据清洗模块，用于对所述全波段发射率数据、所述第一波段发射率数据和所述第二波段发射率数据进行滑动平均滤波。[0071]数据偏差获取模块，用于获取全波段发射率数据与第一波段发射率数据在相同波段范围的第一数据偏差，获取全波段发射率数据与第二波段发射率数据在相同波段范围的第二数据偏差。[0072]数据补偿模块，用于利用所述第一数据偏差对所述第一波段发射率现场数据进行补偿，利用所述第二数据偏差对所述第二波段发射率现场数据进行补偿。[0073]第二分析控制模块，用于当所述第一数据偏差>阈值或所述第二数据偏差>所述阈值时，控制预警模块和第一数据获取模块工作。[0074]实施例3:在上述实施例1提供的方法和实施例2提供的系统的基础上，本实施例提供一种执行如实施例1所述方法或任意可能涉及如实施例1所述方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例1所述方法或任意可能涉及如实施例1所述方法。具体举例的，所述存储器可以但不限于包括随机存取存储器先进先出存储器(FirstInputFirst