La IA en los visores t\u00e9rmicos puede mejorar la forma en que se procesan y muestran los datos t\u00e9rmicos, pero no puede reemplazar el detector, la \u00f3ptica o la informaci\u00f3n f\u00edsica capturada por el sistema. La resoluci\u00f3n del detector, la sensibilidad t\u00e9rmica, el tama\u00f1o de los p\u00edxeles, el dise\u00f1o de la lente y el campo de visi\u00f3n a\u00fan definen el sistema de im\u00e1genes f\u00edsicas, pero los dispositivos modernos tambi\u00e9n pueden aplicar un procesamiento cada vez m\u00e1s sofisticado antes de que la imagen llegue a la pantalla.<\/p>\n\n\n\n
La inteligencia artificial se est\u00e1 convirtiendo en parte de ese proceso de procesamiento. En algunos sistemas, las cargas de trabajo de las redes neuronales pueden acelerarse mediante una Unidad de Procesamiento Neural (NPU) dedicada. La distinci\u00f3n importante es que una NPU no reemplaza el detector t\u00e9rmico ni crea informaci\u00f3n f\u00edsica adicional. Proporciona recursos inform\u00e1ticos que pueden hacer que ciertos modelos de procesamiento de im\u00e1genes sean pr\u00e1cticos en un dispositivo integrado.<\/p>\n\n\n\n
Comprender esa distinci\u00f3n es esencial al comparar la \u00f3ptica t\u00e9rmica habilitada para IA. La mejora de la imagen puede mejorar lo que ve el usuario, pero debe evaluarse junto con el hardware subyacente en lugar de tratarse como un sustituto del mismo. Para obtener una introducci\u00f3n m\u00e1s amplia a los factores que definen la calidad de la imagen t\u00e9rmica, consulte nuestra gu\u00eda de imagen t\u00e9rmica para principiantes<\/a><\/strong> gu\u00eda.<\/p>\n\n\n\n Una unidad de procesamiento neuronal es hardware especializado dise\u00f1ado para acelerar la inferencia de redes neuronales y las operaciones matriciales o tensoriales relacionadas. En comparaci\u00f3n con asignar cada tarea a una CPU de uso general, la aceleraci\u00f3n de IA dedicada puede hacer que las cargas de trabajo de aprendizaje autom\u00e1tico adecuadas sean m\u00e1s eficientes y pr\u00e1cticas en el borde.<\/p>\n\n\n\n En un dispositivo de im\u00e1genes t\u00e9rmicas, ese procesamiento se puede aplicar potencialmente despu\u00e9s de que el detector haya recopilado la se\u00f1al infrarroja y antes de que se presente la imagen final al usuario.<\/p>\n\n\n\n Eso no significa que todas las funciones descritas como \"IA\" requieran una NPU. Los algoritmos de procesamiento de im\u00e1genes pueden ejecutarse en una CPU, GPU, DSP, procesador de im\u00e1genes dedicado u otro acelerador, seg\u00fan la arquitectura del hardware. La presencia de una funci\u00f3n de IA y la presencia de una NPU dedicada son, por tanto, dos cuestiones t\u00e9cnicas diferentes.<\/p>\n\n\n\n Una forma \u00fatil de comprender la cadena de im\u00e1genes es separar la adquisici\u00f3n f\u00edsica del procesamiento digital.<\/p>\n\n\n\n Esta distinci\u00f3n evita un error de especificaci\u00f3n com\u00fan: la resoluci\u00f3n de la pantalla o la salida mejorada por IA no deben confundirse con la resoluci\u00f3n nativa del detector t\u00e9rmico.<\/p>\n\n\n\n El caso de uso m\u00e1s importante de la IA en im\u00e1genes t\u00e9rmicas es no crear informaci\u00f3n a partir de la nada. Es extraer, organizar y presentar la informaci\u00f3n de imagen disponible de manera m\u00e1s efectiva.<\/p>\n\n\n\n Las im\u00e1genes t\u00e9rmicas pueden contener ruido y regiones de bajo contraste que dificultan la interpretaci\u00f3n de los l\u00edmites. Los procesos de procesamiento de im\u00e1genes convencionales ya utilizan t\u00e9cnicas como control de ganancia, filtrado, nitidez y mejora del contraste.<\/p>\n\n\n\n Los modelos de aprendizaje autom\u00e1tico pueden ampliar ese enfoque al aprender relaciones m\u00e1s complejas entre estructuras locales, bordes y patrones de ruido. Cuando se implementa bien, el resultado puede parecer m\u00e1s limpio o m\u00e1s estable, preservando al mismo tiempo l\u00edmites \u00fatiles.<\/p>\n\n\n\n La palabra importante es mayo<\/strong>. El rendimiento depende del modelo, sus datos de entrenamiento, la se\u00f1al de entrada y la forma en que se ajustan los par\u00e1metros de procesamiento. La \u201cIA\u201d por s\u00ed sola no es una especificaci\u00f3n mensurable de calidad de imagen.<\/p>\n\n\n\n La superresoluci\u00f3n intenta reconstruir una salida de mayor resoluci\u00f3n a partir de datos de entrada de menor resoluci\u00f3n. La investigaci\u00f3n en im\u00e1genes t\u00e9rmicas muestra que los enfoques de redes neuronales pueden mejorar los bordes reconstruidos y los detalles estructurales en comparaci\u00f3n con la simple interpolaci\u00f3n, que es una de las razones por las que la t\u00e9cnica est\u00e1 recibiendo una atenci\u00f3n significativa en las im\u00e1genes infrarrojas.<\/p>\n\n\n\n Esto puede resultar especialmente \u00fatil cuando se aplica una ampliaci\u00f3n digital. El zoom digital est\u00e1ndar ampl\u00eda la imagen del detector existente; no aumenta el n\u00famero de p\u00edxeles del detector f\u00edsico. Por lo tanto, a medida que aumenta la ampliaci\u00f3n, la pixelaci\u00f3n y la p\u00e9rdida de detalles visibles se vuelven m\u00e1s notorias.<\/p>\n\n\n\n Un canal de superresoluci\u00f3n bien dise\u00f1ado puede hacer que la imagen ampliada sea m\u00e1s f\u00e1cil de interpretar que la interpolaci\u00f3n b\u00e1sica por s\u00ed sola. Sin embargo, la imagen mejorada sigue siendo una reconstrucci\u00f3n basada en la entrada original. No debe describirse como equivalente a aumentar la resoluci\u00f3n nativa del detector.<\/p>\n\n\n\n Para obtener m\u00e1s detalles sobre la relaci\u00f3n entre el aumento base, el zoom digital, la resoluci\u00f3n del detector y el campo de visi\u00f3n, consulte nuestra gu\u00eda para aumento de visores t\u00e9rmicos<\/a><\/strong>.<\/p>\n\n\n\n Un dispositivo t\u00e9rmico no tiene por qu\u00e9 procesar cada cuadro de forma completamente aislada. Algunos sistemas de procesamiento de im\u00e1genes pueden utilizar informaci\u00f3n de fotogramas sucesivos para mejorar la estabilidad, reducir el ruido o preservar la estructura a lo largo del tiempo.<\/p>\n\n\n\n Esto introduce otra compensaci\u00f3n de ingenier\u00eda. Un procesamiento temporal m\u00e1s potente puede mejorar la estabilidad aparente de la imagen, pero una mala sintonizaci\u00f3n tambi\u00e9n puede introducir retrasos, im\u00e1genes fantasma o manchas cuando la escena o el dispositivo se mueve.<\/p>\n\n\n\n Por ese motivo, evaluar el procesamiento de la IA requiere m\u00e1s que mirar una \u00fanica imagen fija.<\/p>\n\n\n\n Las mejoras de software son importantes, pero la cadena de im\u00e1genes f\u00edsicas sigue siendo fundamental.<\/p>\n\n\n\n La resoluci\u00f3n del detector determina cu\u00e1ntos elementos de muestreo nativos capturan la escena infrarroja. El tama\u00f1o de los p\u00edxeles, la sensibilidad t\u00e9rmica, las caracter\u00edsticas de la lente, la distancia focal, el enfoque y el campo de visi\u00f3n afectan la informaci\u00f3n disponible antes de que el modelo de IA comience a procesarla.<\/p>\n\n\n\n Un algoritmo puede reconstruir, filtrar o enfatizar patrones en esa informaci\u00f3n. No puede convertir retroactivamente un detector de menor resoluci\u00f3n en un detector f\u00edsicamente de mayor resoluci\u00f3n.<\/p>\n\n\n\n El mismo principio se aplica a las condiciones ambientales. Las im\u00e1genes t\u00e9rmicas pueden funcionar sin iluminaci\u00f3n visible, pero la transmisi\u00f3n atmosf\u00e9rica, el contraste t\u00e9rmico, la distancia, el tama\u00f1o del objetivo y la obstrucci\u00f3n f\u00edsica a\u00fan afectan la se\u00f1al que llega al detector.<\/p>\n\n\n\n El procesamiento de IA puede hacer que una imagen dif\u00edcil sea m\u00e1s f\u00e1cil de interpretar. No puede garantizar la recuperaci\u00f3n de informaci\u00f3n que nunca lleg\u00f3 al sensor.<\/p>\n\n\n\n\u00bfQu\u00e9 es una NPU en un dispositivo de im\u00e1genes t\u00e9rmicas?<\/strong><\/h2>\n\n\n\n
NPU, detector y pantalla son partes diferentes del sistema<\/strong><\/h3>\n\n\n\n
capa del sistema<\/th> Funci\u00f3n principal<\/th> \u00bfPuede el procesamiento de IA reemplazarlo?<\/th><\/tr><\/thead> detector termico<\/td> Captura informaci\u00f3n infrarroja y determina la resoluci\u00f3n nativa del detector.<\/td> No<\/td><\/tr> Sistema de lentes<\/td> Enfoca la energ\u00eda infrarroja en el detector.<\/td> No<\/td><\/tr> Caracter\u00edsticas de los sensores<\/td> Influir en la sensibilidad, el muestreo espacial y la informaci\u00f3n de la imagen sin procesar.<\/td> No<\/td><\/tr> Tuber\u00eda de procesamiento de im\u00e1genes<\/td> Eliminaci\u00f3n de ruido, ajuste de contraste, nitidez, reconstrucci\u00f3n y otros procesamientos<\/td> La IA puede contribuir aqu\u00ed<\/td><\/tr> Pantalla<\/td> Presenta la imagen procesada al usuario.<\/td> El procesamiento puede cambiar la presentaci\u00f3n, no los datos nativos del detector<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Donde el procesamiento de IA puede mejorar las im\u00e1genes t\u00e9rmicas<\/strong><\/h2>\n\n\n\n
Reducci\u00f3n de ruido y detalle local<\/strong><\/h3>\n\n\n\n
Superresoluci\u00f3n y zoom digital<\/strong><\/h3>\n\n\n\n
Procesamiento temporal en m\u00faltiples fotogramas<\/strong><\/h3>\n\n\n\n
Lo que la IA no puede cambiar sobre el sistema de im\u00e1genes t\u00e9rmicas<\/strong><\/h2>\n\n\n\n