Il machine learning porta nitidezza e colore alle immagini termiche – Physics World

Un sistema di imaging termico che utilizza l'apprendimento automatico per districare le informazioni contenute nelle immagini a infrarossi è stato svelato dai ricercatori della Purdue University negli Stati Uniti. Soprannominato HADAR, il sistema potrebbe consentire alle termocamere passive di creare immagini che appaiono come se fossero state scattate in pieno giorno - secondo Zubin Giacobbe e colleghi.

La nostra capacità di rilevare e classificare le immagini in condizioni di scarsa visibilità e notturne è stata trasformata da tecnologie come sonar, radar e LiDAR. Questi sistemi comportano l'invio di un segnale (suono, radio, luce ecc.) e il rilevamento dei riflessi. Tuttavia, ciò rende difficile l'utilizzo in prossimità di più versioni dello stesso sistema senza che si verifichino interferenze. Ciò rende queste tecnologie inadatte ad alcune tecnologie emergenti come i veicoli a guida autonoma.

La termografia offre una possibile soluzione a questo problema, poiché può osservare passivamente scene notturne utilizzando la radiazione infrarossa emessa dagli oggetti. Tuttavia, le immagini scattate dalle termocamere a infrarossi convenzionali tendono a non avere caratteristiche fini e appaiono invece sfocate. Ciò rende tali fotocamere inadatte come sostituti di tecnologie come LiDAR.

Radiazione diffusa

"Il motivo principale per le immagini termiche 'sfocate' è che le immagini termiche raccolgono sia l'emissione diretta dei bersagli sia la radiazione termica diffusa di altri oggetti ambientali", spiega Jacob. "L'emissione diretta è solitamente dieci volte più forte del segnale diffuso, ma il primo è privo di texture mentre il secondo trasporta le trame".

Come esempio di questo effetto nella gamma visibile, immagina una lampadina. Sebbene la luce intensa che emette quando è accesa non contenga dettagli riconoscibili di texture sulla superficie della lampadina, questi dettagli appariranno quando la lampadina è illuminata da un'altra fonte di luce.

Nel loro studio, il team di Jacob ha sviluppato un approccio molto più avanzato alla termografia. Chiamato rilevamento e distanza assistita dal calore o HADAR, è abbastanza preciso da rilevare trame geometriche in segnali infrarossi deboli e diffusi.

Imaging iperspettrale

«Raggiungiamo questo obiettivo utilizzando la fisica termica e l'apprendimento automatico, combinati con la risoluzione spettrale nelle immagini termiche», spiega Jacob. "HADAR utilizza la termografia iperspettrale che acquisisce immagini termiche della scena per centinaia di colori diversi nell'infrarosso termico".

Ai nostri occhi, i colori nello spettro visibile vengono elaborati da una combinazione di fotorecettori rossi, verdi e blu. In confronto, HADAR costruisce immagini a infrarossi basate su tre attributi chiave degli oggetti che osserva. Queste sono la temperatura di un oggetto (T); emissività (e) – che varia con la composizione del materiale; e texture (X), che genera modelli unici di radiazione termica.

Tutti questi valori possono essere ricavati dalla luce infrarossa emessa da una scena, ma sono inizialmente mescolati insieme nei dati grezzi disordinati. Ma utilizzando l'apprendimento automatico, l'approccio "TeX vision" del team può districare i tre attributi chiave per recuperare le caratteristiche geometriche deboli nei segnali a infrarossi che sono tipicamente offuscate.

Colori TeX

Questo viene fatto utilizzando un algoritmo che assegna diversi "colori" a diverse parti della scena. Poiché diversi materiali possono essere identificati da una combinazione dei loro valori T, e e X, il team di Jacob ha potuto costruire una libreria semantica di colori adatti.

"La libreria semantica viene fornita con un colore per ogni etichetta semantica, ad esempio blu per l'acqua, verde per l'albero e giallo per la sabbia", spiega Jacob. "I colori dei materiali sono determinati esclusivamente in base al loro aspetto visivo quotidiano, per imitare l'imaging ottico diurno". Con questo approccio, HADAR potrebbe riprendere scene notturne ea bassa visibilità così come appaiono in pieno giorno.

Immagini del sistema LIDAR a singolo fotone oggetti 3D sott'acqua

I ricercatori riconoscono che c'è ancora molta strada da fare prima che HADAR diventi ampiamente disponibile, soprattutto perché le termocamere iperspettrali attualmente disponibili sono ingombranti, lente e costose. Tuttavia, attraverso ulteriori ricerche, sperano che queste sfide possano essere affrontate nei prossimi anni, portando a termocamere ad alta velocità, compatte e leggere per HADAR.

Se raggiunta, la tecnologia potrebbe aprire nuove opportunità in una vasta gamma di applicazioni utili. "Pensiamo che HADAR possa essere utile per la navigazione autonoma, la robotica, il monitoraggio sanitario intelligente, soprattutto di notte", afferma Jacob. "Molti animali selvatici sono attivi solo di notte, dove le normali telecamere non funzionano, pensiamo che HADAR possa essere utile anche per il monitoraggio della fauna selvatica".

Il sistema HADAR è descritto in Natura.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Automobilistico/VE, Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Grafico Prime. Migliora il tuo gioco di trading con ChartPrime. Accedi qui.
• BlockOffset. Modernizzare la proprietà della compensazione ambientale. Accedi qui.
• Fonte: https://physicsworld.com/a/machine-learning-brings-sharpness-and-colour-to-thermal-images/