基于时间序列的红外探测器响应特性漂移评价

胡若澜 尚超 王锦春 彭晶

摘要：       红外探测器响应特性漂移严重影响成像质量和系统性能。 针对红外探测器响应特性漂移缺乏有效评价指标、 难以建模和评价的问题， 本文将红外探测器输出的序列图像看作时间序列数据， 基于时差图像定义漂移度和漂移熵评价指标， 用于评价红外探测器响应特性漂移程度， 并提出了一种基于时间序列预测的红外探测器响应特性漂移评价方法。 采用仿真数据和真实数据进行实验， 结果表明， 本文提出的漂移度和漂移熵评价指标可以有效度量响应特性漂移程度， 所提出的评价方法可以实现对红外探测器响应特性漂移的建模和有效预测评价， 研究工作可用于辅助选择合适的红外探测器及其非均匀性校正算法以提高红外成像系统性能。

关键词：      红外探测器； 响应特性漂移； 评价指标； 时间序列分析； LSTM

中图分类号：       TJ760； TN215    文章编号：      1673-5048（2023）04-0123-08

文献标识码：     A    DOI：  10.12132/ISSN.1673-5048.2022.0265

0引言

红外探测器具有全天候探测能力， 被广泛应用于目标侦察監视、 目标搜索跟踪、 远程监控等系统中［1］。 受制造工艺影响， 红外探测器焦平面阵列具有响应特性非均匀性， 在使用过程中需要进行非均匀性校正［2］。 在实际应用过程中， 红外探测器受到复杂工作环境的影响， 其响应特性发生漂移， 使得初始标定的校正参数不再适用， 导致红外探测器的成像质量下降， 进而严重影响红外成像探测系统的性能［3-5］。 有效抑制响应特性漂移的影响成为红外探测器应用中需要解决的重要问题［2，6-8］。 同时， 对红外探测器响应特性漂移进行定量评价， 是衡量红外探测器或红外成像系统是否适用于特定应用场景和任务的关键。

目前仅有少量研究工作涉及红外探测器响应特性漂移的评价。 文献［9］通过分析非均匀性校正后序列图像的空域噪声、 时域噪声以及卡方分布来度量响应特性漂移， 定义了可校正性、 稳定时间和卡方分布理想度等评价指标。 文献［10］设计采用可校正性、 均方根误差、 通用图像质量指数、 粗糙度、 峰值信噪比以及无参考红外质量指数等指标评价非均匀性校正算法及其长期稳定性。 这些评价方法基于非均匀性校正后的图像分析， 通过评价非均匀性校正算法的性能实现对红外探测器响应特性漂移的间接评价， 其评价结果依赖于非均匀性校正算法， 无法有效反映探测器响应特性漂移情况。

实际红外探测器响应特性漂移可能是一个缓慢的过程， 利用采集的有限序列图像数据难以得到正确的评价结果。 而红外探测器响应特性漂移是受多种因素影响的结果， 难以建立精确的响应特性漂移模型。 序列分析方法通过分析历史数据， 挖掘时间序列的内部规律， 对序列数据进行未来预测估计， 已被广泛应用于金融、 医疗、 气象等方面， 用于帮助决策者做出有数据支持的重要决策［11］。 传统的时间序列分析方法， 如移动平均法、 指数平均法、 自回归模型、 滑动平均模型、 自回归滑动平均模型等， 对复杂数据的拟合能力较差。 随着深度学习方法的兴起， 深度学习方法也被应用于时间序列分析中［12］。 典型的时间序列分析网络模型包括RNN［13］、 LSTM［14］、 GRU［15］、 以及增加注意力机制的TFT模型［16］等。 这些网络模型在语音识别、 金融数据分析等方面的得到了广泛的应用。

针对红外探测器响应特性漂移缺乏有效评价指标、 难以建模和评价的问题， 本文将红外探测器输出的序列图像看作时间序列数据， 根据红外探测器输出图像的时域变化特征， 设计了基于时差图像的漂移度和漂移熵评价指标， 同时利用时间序列分析网络模型对历史序列数据训练建立红外探测器响应特性漂移模型， 利用所建立的模型评价其响应特性漂移情况， 采用仿真数据和真实数据进行了实验。 实验结果表明， 相比文献［9-10］基于非均匀性校正算法的间接评价方法， 本文提出的方法直接利用红外探测器输出的图像数据进行响应特性漂移的评价， 评价结果不依赖于非均匀性校正算法， 可以在实验室环境下实现对红外探测器的响应特性漂移的有效预测评价， 可以辅助决策挑选合适的红外探测器及其非均匀性校正算法， 提高红外成像系统性能。

1红外探测器响应特性漂移问题

1.1红外探测器响应特性漂移

红外探测器对目标在红外波段的辐射能量进行光电转换后输出， 其响应特性与入射的辐射能量相关， 而辐射能量与探测目标温度相关［17］， 即探测单元的响应输出Odet与入射目标温度Tobj之间存在一种映射关系f（·）：

Odet=f（Tobj）（1）

红外探测器响应特性漂移是探测单元的响应输出Odet与入射目标温度Tobj之间的映射关系发生了变化， 即f（·）变为f ′（·）：

Odet=f ′（Tobj） （2）

1.2红外探测器响应特性漂移与时间序列

随着开机时间的延长， 红外探测器响应特性发生漂移， 即有f（·）随开机时间t变化， 记为ft（·）：

Odet=ft（Tobj）=g（t）（3）

对红外探测器的响应输出Odet进行放大量化处理后输出红外图像I。 在开机时间上进行采样， 得到红外探测器响应输出的序列图像It0，It1，…，Itk， 由此可以建立红外探测器响应漂移曲线［3］。 在实验室内采集的-10  ℃黑体探测单元（24， 116）在一段时间内响应输出的漂移曲线如图1所示。 从图中可以看到， 随着开机时间的延长， 探测单元的响应输出值缓慢升高。

在时间上， 等间隔Δt时间采样得到的红外序列图像It0，It0+Δt，…，It0+k·Δt就是时间序列数据， 其中包含了红外探测器响应特性漂移的特征。

2基于时差图像的响应特性漂移评价指标

2.1时差图像

当红外探测器响应特性发生漂移时， 对于相同温度辐射的场景， 红外探测器输出的序列图像中， 当前时刻的图像与开始时刻的图像之间存在差异。

定义时差图像为红外探测器在两个时刻对相同温度辐射场景的响应输出图像的差。 时差图像中就包含了红外探测器响应特性漂移相关的信息。

实际红外探测器的响应输出受各种噪声的影响， 在分析两个时刻的响应输出图像之间的差异时需要排除噪声的干扰。 一种简单的方法是取某一时刻附近一段时间内序列图像的均值图像作为该时刻响应输出图像的估计， 计算公式如下：

因此， 在计算时差图像时， 首先计算两个时刻响应输出的估计图像， 然后计算估计图像对应像素的差， 计算公式如下：

图2给出在实验室内采集的-10 ℃黑体序列图像中初始时刻与第100帧时刻的时差图像， 以及该时差图像中不为零像素的灰度直方图， 其中时差图像经过显示变换为8位无符号数值进行显示。

2.2漂移度

时差图像Deft2，t1中不为零的像素个数越多， 像素值越大， 说明两个时刻探测器响应输出的差异越大， 意味着探测器响应特性漂移越严重。 对时差图像中像素值不为零的像素进行统计分析， 得到时差图像中包含的差异信息的统计特征， 可以用来度量探测器响应特性的漂移情况。

定义漂移度Dr为时差图像Deft2，t1中所有非零像素的密度函数， 计算公式如下：

式中： |p|为时差图像Deft2，t1像素值p的绝对值； |p|max为时差图像像素绝对值的最大值； HDef（|p|）为时差图像像素绝对值为|p|的像素个数； N为像素总个数。

漂移度的计算中仅统计时差图像中的非零值像素， 时差图像中的时差值取绝对值， 只统计差异特征。 漂移度Dr值越大， 说明探测器中探测单元响应特性漂移的平均程度越高， 探测器响应特性漂移越严重。

2.3漂移熵

图像信息熵是衡量图像中所包含信息丰富程度的一个重要指标。 时差图像中包含的信息越丰富， 说明两个时刻探测器响应输出的差异越大， 探测器响应特性漂移越严重。 因此， 可以利用时差图像的信息熵来度量探测器响应特性的漂移情況。

定义En为时差图像中所有非零像素的信息熵：

式中： p为时差图像Deft2，t1像素值； HDef（p）为时差图像像素值为p的像素个数， HDef（p）≠0； N为像素总个数； pmax和pmin分别为时差图像像素值的最大和最小值。

漂移熵En的计算中仅涉及时差图像中的非零值像素， 反映了时差图像中包含的差异信息的丰富程度。 En值越大， 说明探测器中响应特性漂移的探测单元个数越多且漂移程度越丰富， 探测器响应特性漂移越严重。

3基于时间序列的响应特性漂移评价方法

利用漂移度和漂移熵评价指标对采集的一段时间内的红外序列图像进行分析， 可以得到响应特性漂移的评价结果。 然而， 实际红外探测器响应特性漂移可能是一个缓慢的过程， 此时采集的序列图像数据不能充分反映红外探测器的响应特性漂移， 无法得到正确的评价。 此外， 红外探测器响应特性漂移是受物理材料、 制作工艺、 工作环境等多种因素影响产生的， 难以建立精确的数学模型。 根据前面的分析， 红外序列图像数据是时间序列数据， 可以利用时间序列分析方法， 通过分析历史数据， 建立红外探测器响应特性漂移模型， 进而实现预测和响应特性漂移评价。

选择常用的LSTM网络模型［14］进行时间序列分析和预测， 设计基于时间序列预测的评价方法包括训练、 预测和评价3个处理模块， 如图3所示。 首先， 将红外序列图像作为时间序列特征， 将序列中的多步特征作为输入， 将其后一步特征作为标签， 训练LSTM网络模型建立探测器响应特性漂移模型。 接着， 利用训练好的LSTM网络模型， 采用多次迭代预测方法预测所采集序列图像之后的序列图像。 最后， 对预测得到的序列图像计算漂移度和漂移熵指标， 统计分析并给出评价结果。

具体处理步骤如下：

（1） 构建LSTM网络模型。 由1层LSTM和1层全连接层组成， 输入和输出特征维数为图像分辨率大小， 隐含层大小为输入特征维数的2倍， 时间步长为2， 损失函数为均方误差。

（2） 设置LSTM网络模型训练相关参数， 如学习率、 迭代次数等。

（3） 数据采集。 在实验室环境下， 设置采样间隔时间、 采样时间长度以及黑体温度， 采集待测红外探测器输出的均匀辐射的序列图像。

（4） 数据集准备。 将采集的红外序列图像数据进行归一化处理， 以时间步长进行重组， 得到包含特征和标签的数据集， 以设定的比例将序列数据分组为训练集和验证集。

（5） 训练LSTM网络模型。 将训练集数据输入LSTM网络模型中进行训练， 并输入验证集数据进行验证， 直到达到设定的迭代次数， 保存训练好的LSTM网络模型参数。

（6） 迭代预测。 采用迭代预测方法。 利用训练好的LSTM网络模型依次迭代预测得到采集序列之后的250步响应输出序列图像。

（7） 评价指标计算。 以采集图像序列初始时刻为t1时刻， 依次计算预测序列图像的时差图像漂移度和漂移熵。

（8） 输出评价结果。 绘制预测序列图像的漂移度和漂移熵曲线并统计平均值， 根据设定的规则给出该红外探测器对给定黑体温度的响应特性漂移程度等级的评价结果。

考虑到每个探测器的物理材料、 制作工艺和工作环境都不同， 该方法对每个待评价探测器的一次数据采集训练一个响应特性漂移模型， 并根据待评价探测器类型选择合适的采样时间间隔和采样时间长度， 根据其目标任务确定评价规则。

4实验及结果分析

4.1实验数据准备

实验数据包括真实数据和仿真数据。

真实数据在室内采集得到。 实驗用的红外探测器分辨率为320×240， 每像素14位， 帧频为50 Hz， 该探测器存在一定的响应特性漂移。 采集数据的过程中， 设置黑体温度从-10 ℃到55 ℃每间隔5 ℃采集一段时间长度的数据， 获得14组每组500帧序列图像数据。 图4给出了该探测器采集的-10 ℃、 0 ℃和55 ℃温度黑体图像数据变换为8位后的图像。 真实数据用于对实际红外探测器进行响应特性漂移的评价实验。

仿真数据参考文献［18］的非均匀性模型， 并假设内部组件温度随开机时间的延长线性升高， 同时采用高斯随机数模拟红外探测器响应非均匀性进行仿真得到。 仿真中， 假设红外探测器为N-on-P型HgCdTe探测器， 探测器单元的组分均值为0.22、 标准偏差为0.001， 探测单元的n区厚度均值为4、 标准偏差为0.10， 读出电路的放大系数均值为1 000、 标准偏差为1.0， 偏置均值为10， 标准偏差为1.0。 考虑内部组件温度对响应特性非均匀性的影响［18］， 冷屏系数取值范围设置为［0.7， 0.9］， 内部组件温度随开机时间线性升高的系数为0.1。 仿真得到500帧32×32每像素14位的序列图像。 仿真序列图像数据变换为8位图像数据后显示， 如图5所示。

图5中从左至右依次给出了仿真的序列图像中的第0帧、 第100帧、 第200帧、 第300帧、 第400帧和第499帧。 该仿真序列图像模拟了红外探测器开机工作后随着内部组件温度升高的响应特性漂移， 可以看到图像中间的亮斑越来越显著， 响应特性漂移越来越严重。 仿真数据用于验证本文提出的漂移度和漂移熵评价指标以及基于时间序列的响应特性漂移评价方法的可行性。

4.2实验及结果分析

4.2.1基于时差图像的响应特性漂移评价验证

仿真序列图像仿真了探测器响应特性随着开机时间的延长而不断漂移严重的过程。 图6给出了仿真序列图像在进行一点非均匀性校正后图像的非均匀性的变化。

从图6中可以看到， 仿真序列图像一点校正后的非均匀性值随着开机时间的延长而增加， 说明仿真序列图像中存在严重的响应特性漂移。

根据式（6）～（7）计算仿真序列图像的漂移度和漂移熵， 绘制曲线如图7所示

从图7中可以看到， 随着开机时间的延长， 仿真序列图像的漂移度值呈指数增加， 漂移熵值呈现上升趋势。 说明漂移度与响应特性漂移正相关， 漂移熵可以反映响应特性漂移的趋势， 即响应特性漂移的探测单元个数增多漂移程度更丰富。 漂移度和漂移熵这两个评价指标可以用来度量红外探测器响应特性漂移的程度。

4.2.2基于时差图像的响应特性漂移评价实验

利用采集的真实数据进行响应特性漂移的评价。 选取真实数据中黑体温度分别为-10 ℃、 0 ℃、 55 ℃的序列图像， 分别计算经过一点校正后的非均匀性， 得到结果如图8所示。

从图8中可以看到， 黑体温度为-10 ℃时一点校正后的非均匀性大于0.000 6并呈现上升趋势; 黑体温度为0 ℃时一点校正后的非均匀性稳定在0.000 5附近； 黑体温度为55 ℃时一点校正后的非均匀性大于0.000 3并呈现上升趋势。 说明当黑体温度为0 ℃时该探测器响应相对稳定， 当黑体温度为-10 ℃和55 ℃时该探测器响应特性存在一定的漂移。

选取连续10帧图像计算得到估计图像。 以第0帧开始连续10帧图像计算得到的估计图像作为第0时刻的估计图像， 从第1帧开始依次计算连续10帧图像的估计图像作为当前时刻图像， 在此基础上计算时差图像的漂移度和漂移熵， 得到序列结果曲线如图9所示。

从图9中可以看到， -10 ℃和55 ℃黑体序列图像的漂移度随着开机时间的延长呈上升趋势； 0 ℃黑体序列图像的漂移度在0.4附近上下波动。 -10 ℃黑体序列图像的漂移熵随着开机时间的延长由0.69上升到1.0； 0 ℃黑体序列图像的漂移熵在0.68附近上下波动； 55 ℃黑体序列图像的漂移熵在0.91附近上下波动。 说明该红外探测器对-10 ℃和55 ℃黑体温度的响应特性漂移较大， 在0 ℃黑体温度的响应特性漂移较小， 这与一点校正后的非均匀性的实验结论是一致的。

统计不同黑体温度序列图像漂移度和漂移熵的平均值， 根据统计得到的漂移度设定漂移等级， Dr≥1.0为严重等级， 1.0>Dr≥0.5为一般等级、 Dr<0.5为可接受等级， 对该探测器的评价结果如表1所示。

对比表1中不同黑体温度序列图像的漂移度和漂移熵的平均值， 分别有：

Dr（－10 ℃）>Dr（55 ℃）>Dr（0 ℃）

En（－10 ℃）≈En（55 ℃）>En（0 ℃）

说明该探测器在黑体温度为-10 ℃时响应特性漂移较大， 在0 ℃时响应特性漂移较小， 在55 ℃时响应特性漂移在两者之间。

根据漂移等级评价结果， 该探测器适合用于目标温度在0 ℃附近且对探测精度要求不高的场景任务中， 如要提高探测精度需选择具有一定抑制响应特性漂移能力的非均匀性校正算法。

4.2.3时间序列训练和预测验证实验

考虑到红外探测器响应特性漂移不具备周期性规律， 设计LSTM网络模型由1层LSTM和1层全连接层组成。 以一帧图像像素值作为输入特征， 图像的分辨率为32×32， 输入特征维数为1 024， 时间步长为2， 隐含层大小为2 048， 输出特征维数为1 024。 输入图像经过归一化处理， 考虑到预测值范围可能超出训练数据最大值， 归一化系数根据图像数值范围设置。

序列图像长度为500帧， 训练中取前90%长度序列作为训练数据集， 后10%长度序列作为验证数据集， 标签为序列图像中2步后的图像数据。 学习率为1×10-6， 迭代次数为2 000次。

对仿真序列图像进行训练并用验证集进行验证， 训练集和验证集的均方误差均在10-5量级。 探测单元（9， 16）的漂移曲线与训练模型预测的漂移曲线的对比如图10所示。 可以看到， 訓练模型基本学习到了该探测器单元的响应特性变化趋势。

利用训练好的模型预测得到训练集数据之后的250帧序列图像。 预测图像像素为14位， 经过显示变换为8位后显示， 如图11所示， 图中从左至右分别为预测的第1帧、 第50帧、 第100帧、 第150帧、 第200帧和第250帧图像。

计算预测序列图像与仿真序列中第一帧图像的漂移度和漂移熵， 得到曲线如图12所示。

从图12中可以看到， 随着预测时间的增加， 预测序列图像的漂移度和漂移熵均呈现上升趋势， 说明LSTM网络模型可以较好的预测探测器响应特性漂移的变化趋势。

4.2.4基于时间序列的响应特性漂移评价实验

对采集的-10 ℃、 0 ℃、 55 ℃温度黑体序列图像分别进行训练和预测。 计算原始序列图像开始的前10帧图像的估计图像作为初始时刻图像， 对训练模型预测得到的250帧序列图像， 依次取连续10帧图像计算得到当前估计图像， 计算时差图像的漂移度和漂移熵， 得到的结果如图13所示。

对比图9和图13， 可以看到， 预测序列的漂移度和漂移熵曲线反映了训练模型学习到的规律。 如图13（a）中，  -10 ℃黑体温度预测序列图像的漂移度和漂移熵具有显著上升趋势； 图13（b）中， 0 ℃黑体温度序列图像预测漂移度和漂移熵很快趋于稳定； 图13（c）中， 55 ℃黑体温度序列图像的预测漂移度和漂移熵在振荡后逐渐收敛。

统计预测序列的漂移度和漂移熵的平均值， 列入表2中。 从表2中可以看到：

Dr（－10 ℃）>Dr（55 ℃）>Dr（0 ℃）

En（－10 ℃）>En（55 ℃）>En（0 ℃）

说明该探测器对-10 ℃黑体的响应特性漂移最严重， 对55 ℃黑体的响应特性漂移次之， 对0 ℃黑体的响应特性漂移最小。 根据前面设定的漂移等级， 得到的评价结果与采集序列的评价结果相同。

对比表1和表2可以看到，  -10 ℃黑体预测序列的平均漂移度和平均漂移熵均大于原始序列的平均漂移度和平均漂移熵， 而55 ℃黑体预测序列的平均漂移度和平均漂移熵小于原始序列的平均漂移度和漂移熵， 0 ℃黑体预测序列的平均漂移度和平均漂移熵的变化较小， 这也与图13中曲线的变化趋势相同。

4.2.5对比实验及分析

采用文献［9］中提出的可校正性方法对采集数据进行评价， 分别选择一点校正算法和两点校正算法进行非均匀性校正， 其中一点校正算法参数由0 ℃黑体序列图像的前10帧计算得到， 两点校正算法参数由0 ℃和50 ℃均匀黑体序列图像计算得到。 采用两种校正算法对0 ℃黑体序列图像进行非均匀性校正， 计算校正后序列图像的可校正性， 得到可校正性曲线如图14所示。

对比图14（a）和图14（b）可以看到， 不同校正算法得到的可校正性结果不同， 说明可校正性评价指标依赖于校正算法， 不能有效反映响应特性漂移情况。

采用两点校正算法对采集数据中-10 ℃和55 ℃黑体序列图像校正后得到可校正性曲线如图15所示。

从图15中可以看到， 黑体温度为-10 ℃时可校正性大于3， 黑体温度为55 ℃时可校正性大于4。 根据可校正性值排序， 采用两点校正时， 该探测器对55 ℃黑体辐射的响应特性漂移最大， -10 ℃时次之， 0 ℃时最小。 对比本文提出方法的实验结果， 可校正性评价指标无法反映实际该探测器对-10 ℃和55 ℃黑体辐射的响应特性漂移情况。

5结论

本文针对红外探测器响应特性漂移的评价问题进行研究， 提出了基于时差图像的漂移度和漂移熵两个响应特性漂移评价指标， 并提出了一种基于时间序列预测的响应特性漂移评价方法。 对仿真数据和真实数据进行了的实验。 结论如下：

（1） 基于时差图像的漂移度评价指标与红外探测器响应特性漂移程度正相关， 可以有效反映红外探测器响应特性漂移程度;

（2） 基于时差图像的漂移熵评价指标可以有效反映探测器响应特性漂移的趋势；

（3） 基于LSTM网络模型的时间序列预测算法可以建模红外探测器响应特性漂移特性， 并预测红外探测器的响应输出；

（4） 基于时间序列预测的响应特性漂移评价方法可以有效预测和评价红外探测器响应特性漂移程度。

本文提出的漂移度和漂移熵两个评价指标， 以及基于时间序列预测的评价方法， 直接利用红外探测器响应输出的序列数据， 对红外探测器响应特性漂移进行评价。 相比文献［9-10］， 不依赖于非均匀性校正算法， 减少了时域噪声的影响， 并且利用LSTM网络模型建立探测器响应特性漂移模型， 可用于实验室环境下对红外探测器响应特性漂移的预测评估。 针对特定的应用任务和使用环境要求， 采集备选探测器的原始序列数据及其非均匀性校正处理后的序列数据， 运用本文方法进行预测评估， 根据漂移等级选择合适的红外探测器及其非均匀性校正算法， 可以辅助提高红外成像系统性能。

本文在训练LSTM模型时仅考虑了红外探测器输出的序列图像作为特征输入， 还可以增加目标辐射温度、 环境温度、 探测器温度、 读出电路温度等工作环境特征作为多特征输入， 建立多因素影响下的红外探测器响应特性漂移模型。 此外， 实现的预测评价方法没有考虑计算量和实时性问题， 实际应用中还有待进一步研究。

參考文献：

［1］ 吕衍秋， 鲁星， 鲁正雄， 等. 锑化物红外探测器国内外发展综述［J］. 航空兵器， 2020， 27（5）： 1-12.

Lü Yanqiu， Lu Xing， Lu Zhengxiong， et al. Review of Antimonide Infrared Detector Development at Home and Abroad［J］. Aero Weaponry， 2020， 27（5）： 1-12.（in Chinese）

［2］ 关同辉， 张同贺. 一种新型实时两点非均匀性校正方法［J］. 航空兵器， 2021， 28（4）： 112-117.

Guan Tonghui， Zhang Tonghe. A New RealTime TwoPoint NonUniformity Correction Method［J］. Aero Weaponry， 2021， 28（4）： 112-117.（in Chinese）

［3］ 朱玮， 张卫国， 孙志远. 大面阵红外焦平面探测器的漂移特性研究［J］. 微计算机信息， 2008， 24（31）： 125-127.

Zhu Wei， Zhang Weiguo， Sun Zhiyuan. The Drifting Characteristic Research on Large Format Infrared FPA Detector［J］. Microcomputer Information， 2008， 24（31）： 125-127.（in Chinese）

［4］ Theocharous E. Stability of the Spectral Responsivity of Cryogenically Cooled InSb Infrared Detectors［J］. Applied Optics， 2005， 44（29）： 6087-6091.

［5］ Kumar B P，Akram M W，Ghosh B，et al. Drift Effects in HgCdTe Detectors［J］. Journal of Engineering Science and Technology，2013，8（4）：472-481.

［6］ 粟宇路， 苏俊波， 刘传明， 等. 基于场景的国产红外探测器非均匀性校正方法［J］. 红外技术， 2014， 36（8）： 624-627.

Su Yulu， Su Junbo， Liu Chuanming， et al. SceneBased NUC Algorithms for DomesticMade IR Detector［J］. Infrared Technology， 2014， 36（8）： 624-627.（in Chinese）

［7］ 汪大宝， 王中果， 吴明轩， 等. 基于改进伽马曲线的星载长波红外焦平面非均匀性校正算法［J］. 红外与激光工程， 2022， 51（5）： 146-154.

Wang Dabao， Wang Zhongguo， Wu Mingxuan， et al. NonUniformity Correction Algorithm of SpaceBorne LongWave Infrared Focal Plane Arrays Based on Improved Gamma Curve［J］. Infrared and Laser Engineering， 2022， 51（5）： 146-154.（in Chinese）

［8］ Cao X H， Zhu B， Wang S Z， et al. Nonuniformity Correction Algorithm for TECless Uncooled Infrared Imaging System［C］∥5th International Conference on Computer and Communications （ICCC）， 2020： 214-219.

［9］ Gross W， Hierl T， Schulz M J. Correctability and LongTerm Stability of Infrared Focal Plane Arrays［J］. Optical Engineering， 1999， 38（5）： 862-869.

［10］ Svensson T. An Evaluation of Image Quality Metrics Aiming to Validate Long Term Stability and the Performance of NUC Methods［C］∥SPIE Defense， Security， and Sensing. Proc SPIE 8706， Infrared Imaging Systems： Design， Analysis， Modeling， and Testing XXIV， 2013， 8706： 27-40.

［11］ Sezer O B， Gudelek M U， Ozbayoglu A M. Financial Time Series Forecasting with Deep Learning： A Systematic Literature Review： 2005-2019［J］. Applied Soft Computing， 2020， 90： 106181.

［12］ Barra S， Carta S M， Corriga A， et al. Deep Learning and Time SeriestoImage Encoding for Financial Forecasting［J］. IEEE/CAA Journal of Automatica Sinica， 2020， 7（3）： 683-692.

［13］ LeCun Y， Bengio Y， Hinton G. Deep Learning［J］. Nature， 2015， 521（7553）： 436-444.

［14］ Hochreiter S， Schmidhuber J. Long ShortTerm Memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.

［15］ Buczkowski P. Predicting Stock Trends Based on Expert Recommendations Using GRU/LSTM Neural Networks［C］∥ International Symposium on Methodologies for Intelligent Systems， 2017.

［16］ Lim B， Arlk S ， Loeff N， et al. Temporal Fusion Transformers for Interpretable MultiHorizon Time Series Forecasting［J］. International Journal of Forecasting， 2021， 37（4）： 1748-1764.

［17］ Kinch M A. StateoftheArt Infrared Detector Technology［M］.SPIE， 2014.

［18］ 李召龍， 史浩然， 娄树理. 红外成像传感器系统非均匀性成因研究［J］. 红外， 2016， 37（7）： 29-32.

Li Zhaolong， Shi Haoran， Lou Shuli. Research on Causes for Nonuniformity of IR Imaging Sensor［J］. Infrared， 2016， 37（7）： 29-32.（in Chinese）

Evaluation of Infrared Detector Response Characteristics Drift Based on Time Sequence

Hu Ruolan1，2， Shang Chao3，4*， Wang Jinchun3，4， Peng Jing3，4

（1. School of Artificial Intelligence and Automation， Huazhong University of Science and Technology， Wuhan 430074， China；

2. National Key Laboratory of Science and Technology on Multispectral Information Processing， Huazhong University of

Science and Technology， Wuhan 430074， China； 3. China Airborne Missile Academy， Luoyang 471009， China；

4. Aviation Key Laboratory of Science and Technology on Infrared Detector， Luoyang 471009， China）

[HT]Abstract： The response characteristic drift of infrared detector seriously degrades the imaging quality and system performance. Aiming at the lack of effective evaluation index and difficulty in modeling and evaluating the response characteristic drift of infrared detectors， the sequence image output by infrared detector is regarded as time sequence data， drift degree and drift entropy are defined based on time difference image to evaluate the drift degree of infrared detector response characteristics， and a method for evaluating the drift of infrared detector response characteristics based on time sequence prediction is proposed. Simulation data and real data are used for experiments. The results show that drift degree and drift entropy can effectively measure the drift degree of infrared detector response characteristics， and the evaluation method can establish the response characteristic drift model of infrared detector and realize prediction and evaluation. The research work can be used to help select appropriate infrared detectors and its nonuniformity correction algorithm to improve the combat performance of infrared imaging systems.

Key words：  infrared detector； response characteristic drift； evaluating index； time sequence analysis； LSTM