Învățarea automată aduce claritate și culoare imaginilor termice – Physics World

Un sistem de imagini termice care folosește învățarea automată pentru a dezlega informațiile conținute în imaginile în infraroșu a fost dezvăluit de cercetătorii de la Universitatea Purdue din SUA. Numit HADAR, sistemul le-ar putea permite camerelor termice pasive să creeze imagini care par ca și cum ar fi fost luate în plină zi – conform Zubin Jacob și colegii.

Capacitatea noastră de a detecta și clasifica imagini în condiții de vizibilitate scăzută și pe timp de noapte a fost transformată de tehnologii precum sonarul, radarul și LiDAR. Aceste sisteme implică trimiterea unui semnal (sunet, radio, lumină etc.) și detectarea reflexiilor. Cu toate acestea, acest lucru face dificilă utilizarea mai multor versiuni ale aceluiași sistem în imediata apropiere, fără interferențe. Acest lucru face ca aceste tehnologii să nu fie adecvate pentru unele tehnologii emergente, cum ar fi vehiculele cu conducere autonomă.

Imaginile termice oferă o posibilă soluție la această problemă, deoarece poate observa pasiv scene de noapte folosind radiația infraroșie emisă de obiecte. Cu toate acestea, imaginile realizate de camerele cu infraroșu convenționale tind să nu aibă caracteristici fine și, în schimb, apar neclare. Acest lucru face ca astfel de camere să nu fie adecvate ca înlocuitori pentru tehnologii precum LiDAR.

Radiații împrăștiate

„Motivul cheie pentru imaginile termice „neclare” este că imaginile termice colectează atât emisia directă a țintelor, cât și radiația termică împrăștiată a altor obiecte din mediu”, explică Jacob. „Emisia directă este de obicei de zece ori mai puternică decât semnalul împrăștiat, dar primul este lipsit de textură, în timp ce cel de-al doilea poartă texturile.”

Ca exemplu al acestui efect în domeniul vizibil, imaginează-ți un bec. În timp ce lumina strălucitoare pe care o emite atunci când este pornită nu conține detalii perceptibile de texturi de pe suprafața becului, aceste detalii vor apărea atunci când becul este iluminat de o altă sursă de lumină.

În studiul lor, echipa lui Jacob a dezvoltat o abordare mult mai avansată a imaginilor termice. Denumită detecție și distanță asistată de căldură sau HADAR, este suficient de precis pentru a capta texturi geometrice în semnale infraroșu slabe, împrăștiate.

Imagistica hiperspectrală

„Atingem acest obiectiv folosind fizica termică și învățarea automată, combinate cu rezoluția spectrală a imaginilor termice”, explică Jacob. „HADAR folosește imagini termice hiperspectrale care realizează imagini termice ale scenei pentru sute de culori diferite în infraroșu termic.”

În propriii noștri ochi, culorile din spectrul vizibil sunt procesate de o combinație de fotoreceptori roșu, verde și albastru. În comparație, HADAR creează imagini în infraroșu pe baza a trei atribute cheie ale obiectelor pe care le observă. Acestea sunt temperatura unui obiect (T); emisivitate (e) – care variază în funcție de compoziția materialului; și textura (X), care generează modele unice de radiație termică.

Toate aceste valori pot fi culese din lumina infraroșie emisă de o scenă, dar sunt inițial amestecate împreună în datele brute aglomerate. Dar, folosind învățarea automată, abordarea „TeX Vision” a echipei poate dezlega cele trei atribute cheie pentru a recupera caracteristicile geometrice slabe din semnalele infraroșu care sunt de obicei neclare.

culori TeX

Acest lucru se face folosind un algoritm care atribuie diferite „culori” diferitelor părți ale scenei. Deoarece diferite materiale pot fi identificate printr-o combinație a valorilor lor T, e și X, echipa lui Jacob ar putea construi o bibliotecă semantică de culori adecvate.

„Biblioteca semantică vine cu o culoare pentru fiecare etichetă semantică, de exemplu, albastru pentru apă, verde pentru copac și galben pentru nisip”, explică Jacob. „Culorile materialelor sunt determinate pur în funcție de aspectul lor vizual zilnic, pentru a imita imaginile optice la lumina zilei.” Cu această abordare, HADAR ar putea imaginea scene cu vizibilitate scăzută și pe timp de noapte, așa cum apar în plină zi.

Sistemul LIDAR cu un singur foton imaginează obiecte 3D sub apă

Cercetătorii recunosc că mai este un drum de parcurs înainte ca HADAR să devină disponibil pe scară largă, mai ales că camerele de termoviziune hiperspectrale disponibile în prezent sunt voluminoase, lente și costisitoare. Cu toate acestea, prin cercetări ulterioare, ei speră că aceste provocări vor putea fi abordate în următorii câțiva ani, ceea ce va duce la camere termice de mare viteză, compacte și ușoare pentru HADAR.

Dacă va fi realizată, tehnologia ar putea deschide noi oportunități într-o gamă largă de aplicații utile. „Credem că HADAR poate fi util pentru navigație autonomă, robotică, monitorizare inteligentă a asistenței medicale, în special pe timp de noapte”, spune Jacob. „Multe animale sălbatice sunt active doar noaptea, acolo unde camerele obișnuite nu funcționează, credem că HADAR poate fi util și pentru monitorizarea faunei sălbatice.”

Sistemul HADAR este descris în Natură.

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. Automobile/VE-uri, carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• ChartPrime. Crește-ți jocul de tranzacționare cu ChartPrime. Accesați Aici.
• BlockOffsets. Modernizarea proprietății de compensare a mediului. Accesați Aici.
• Sursa: https://physicsworld.com/a/machine-learning-brings-sharpness-and-colour-to-thermal-images/