本发明涉及红外图像传感预处理，具体指一种基于transformer的红外焦平面阵列漂移率计算参数估计方法。
背景技术：
1、红外焦平面阵列探测器(infrared focal plane array,irfpa)在成像过程中存在的非均匀性显著影响了系统的成像质量。针对irfpa的非均匀性问题，现有定标法、场景法两种校正方法。定标法受限于irfpa响应发生漂移带来的校正误差，且漂移率只能局限于经验公式而无法在实际工作中计算。故实际校正时需要参考源进行标定，使得设备装置相对复杂；同时在实际应用中需要进行周期性的定标，使探测器不易实现快速反应。另一种场景法能够在一定程度上克服irfpa响应漂移带来的校正误差，但实施需要的计算资源庞大，算法实现困难，收敛时间较长，且对初始参数的设定敏感，并会出现“鬼影”现象。针对现有技术的不足，提出一种基于transformer的红外焦平面阵列漂移率公式的参数估计方法，通过训练transformer模型，并使用训练后的模型生成的数据对作为符号回归算法的数据基数，估计irfpa漂移率的公式参数，从而建立irfpa漂移率的理论公式。
技术实现思路
1、本发明针对现有技术的不足，提出一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，估计irfpa漂移率的公式参数，建立irfpa漂移率的理论公式。
2、为了解决上述技术问题，本发明的技术方案为：
3、一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，包括如下步骤：
4、步骤1、使用传感器收集焦平面阵列使用过程中与fpa漂移率相关的数据；
5、步骤2、对收集到的数据进行预处理；
6、步骤3、根据transformer架构，构建irfpa漂移率预测模型，所述irfpa漂移率预测模型包括参数嵌入模块、编码器模块和解码模块，所述参数嵌入模块通过参数编码以及位置编码的方法构建，所述编码器模块通过多头注意力以及前馈神经网络和残差的方法构建，所述解码器模块通过多头注意力、前馈神经网络、残差以及全连接的方法构建；
7、步骤4、构建损失函数优化irfpa漂移率预测模型，所述损失函数采用均绝对误差函数；
8、步骤5、随机输入预处理后的数据训练irfpa漂移率预测模型，并使用优化后的irfpa漂移率预测模型进行预测得到输出y；
9、步骤6、基于遗传编程算法生成漂移率的数学表达式。
10、作为优选，所述收集的数据包括环境温度a、光强度b、湿度c、器件老化d、工作时间e、以及前三次历史漂移率f1，f2，f3和本次漂移率的数据h。
11、作为优选，所述数据预处理的方法为：首先清洗数据，处理数据中的缺失值和异常值，使用缺失以及异常数据的前后4次对应的数据的平均值作为补充，再将收集到的数据分为训练集和测试集，其中本次的漂移率和本次漂移率以外的数据形成一对数据对。
12、作为优选，所述参数嵌入模块设定输入序列的特征数为8，并选取特征维度为256用于表示特征的向量，并且使用参数的大小作为维度的而输入数据。
13、作为优选，所述参数嵌入模块的编码方法为：
14、将完成预处理的数据作为输入，特征维度的前8为采用独热编码的方式将不同的数据类别进行区分，后248位用输入数据的参数大小进行编码，以此完成参数的编码得到参数编码矩阵；
15、位置编码结合正弦和余弦函数，得到参数的位置编码得到位置编码矩阵；
16、将位置编码矩阵与参数编码矩阵相加得到最后的输入序列矩阵x。
17、作为优选，所述编码器模块的编码方法为：
18、第一部分采用多头注意力的方法，输入序列的矩阵x大小为8*256，使用8个头数进行自注意力操作得到查询矩阵为q，键矩阵为k，值矩阵为v，之后计算注意力分数，通过计算查询矩阵和键矩阵的点积获得的，并除以缩放因子16来稳定梯度，最后通过relu函数来得到注意力分数，将注意力分数与值矩阵相乘得到最后的输出结果；
19、第二部分采用前馈神经网络以及残差的方法，前馈神经网络使用一层全连接层将多头注意力模块输出的特征维度升高，加入激活函数relu引入非线性后，再使用全连接层将升高的维度将为初始的维度，残差则是将特征的细节进一步提供给后续网络，将输入序列矩阵x与生成的值矩阵直接相加得到最后编码器模块的输出矩阵x1。
20、作为优选，所述编码器模块的第一部分编码过程中，通过全连接层将所有查询的值合并为一个值矩阵进行输出。
21、作为优选，所述解码器模块的解码方法为：
22、第一部分采用多头注意力的方法，输入为<start>，直接使用<start>的查询矩阵对来自编码器模块的输出矩阵x1进行查询操作得到注意力得分，将注意力得分与值矩阵相乘后，得到输出矩阵x2；
23、第二部分将得到的输出矩阵x2输入到与编码器模块相同的前馈神经网络以及残差部分中，得到输出矩阵x3；
24、第三部分将输出矩阵x3输入到卷积核与输出矩阵x3大小相同的全连接层中得到最后漂移率的输出。
25、作为优选，所述irfpa漂移率预测模型的优化方法为：
26、损失函数采用均绝对误差函数，其公式如下：
27、
28、其中n是样本数量，yi是第i个样本的实际值，是第i个样本的预测值，当mae<0.1时认为得到可用的irfpa漂移率预测模型。
29、作为优选，所述步骤5中，随机输入的数据在数据集的数据范围内取值。
30、作为优选，所述步骤6的具体方法为：
31、首先定义搜索空间，对操作符的选取优先采用transformer模型公式使用的操作符；
32、将transformer模型的输入以及生成的输出合并作为遗传编程算法中评估个体性能的训练数据和测试数据，设定算法的迭代次数和适度函数；
33、当适度函数值mse满足mse<0.05时则得到的焦平面阵列的漂移率公式f(a,b,c,d,e,f1,f2,f3)。
34、作为优选，所述适度函数采用均方误差函数。
35、本发明具有以下的特点和有益效果：
36、采用上述技术方案，本发明基于transformer的红外焦平面阵列漂移率计算参数估计方法，将复杂的模型转换为固定的理论计算公式，减少了实现的资源以及输入到输出的时间，满足图像处理的实时性要求。且直接得到准确的焦平面阵列漂移率，解决‘鬼影’现象。
1.一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述收集的数据包括环境温度a、光强度b、湿度c、器件老化d、工作时间e、以及前三次历史漂移率f1，f2，f3和本次漂移率的数据h。
3.根据权利要求1所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述数据预处理的方法为：首先清洗数据，处理数据中的缺失值和异常值，使用缺失以及异常数据的前后4次对应的数据的平均值作为补充，再将收集到的数据分为训练集和测试集，其中本次的漂移率和本次漂移率以外的数据形成一对数据对。
4.根据权利要求1所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述参数嵌入模块设定输入序列的特征数为8，并选取特征维度为256用于表示特征的向量，并且使用参数的大小作为维度的而输入数据。
5.根据权利要求1所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述参数嵌入模块的编码方法为：
6.根据权利要求5所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述编码器模块的编码方法为：
7.根据权利要求6所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述编码器模块的第一部分编码过程中，通过全连接层将所有查询的值合并为一个值矩阵进行输出。
8.根据权利要求6所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述解码器模块的解码方法为：
9.根据权利要求1所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述irfpa漂移率预测模型的优化方法为：
10.根据权利要求1所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述步骤5中，随机输入的数据在数据集的数据范围内取值。
11.根据权利要求1所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述步骤6的具体方法为：
12.根据权利要求11所述的一种基于transformer的红外焦平面阵列漂移率计算参数估计方法，其特征在于，所述适度函数采用均方误差函数。
