L'IA dans les lunettes de vis\u00e9e thermiques peut am\u00e9liorer la fa\u00e7on dont les donn\u00e9es thermiques sont trait\u00e9es et affich\u00e9es, mais elle ne peut pas remplacer le d\u00e9tecteur, l'optique ou les informations physiques captur\u00e9es par le syst\u00e8me. La r\u00e9solution du d\u00e9tecteur, la sensibilit\u00e9 thermique, le pas des pixels, la conception de l'objectif et le champ de vision d\u00e9finissent toujours le syst\u00e8me d'imagerie physique, mais les appareils modernes peuvent \u00e9galement appliquer un traitement de plus en plus sophistiqu\u00e9 avant que l'image n'atteigne l'\u00e9cran.<\/p>\n\n\n\n
L\u2019intelligence artificielle fait d\u00e9sormais partie de ce pipeline de traitement. Dans certains syst\u00e8mes, les charges de travail du r\u00e9seau neuronal peuvent \u00eatre acc\u00e9l\u00e9r\u00e9es par une unit\u00e9 de traitement neuronal d\u00e9di\u00e9e, ou NPU. La distinction importante est qu'un NPU ne remplace pas le d\u00e9tecteur thermique et ne cr\u00e9e pas d'informations physiques suppl\u00e9mentaires. Il fournit des ressources informatiques qui peuvent rendre certains mod\u00e8les de traitement d'image pratiques sur un appareil embarqu\u00e9.<\/p>\n\n\n\n
Comprendre cette distinction est essentiel lors de la comparaison de l\u2019optique thermique compatible avec l\u2019IA. L'am\u00e9lioration de l'image peut am\u00e9liorer ce que voit l'utilisateur, mais elle doit \u00eatre \u00e9valu\u00e9e en parall\u00e8le du mat\u00e9riel sous-jacent plut\u00f4t que trait\u00e9e comme un substitut \u00e0 celui-ci. Pour une introduction plus large aux facteurs qui d\u00e9finissent la qualit\u00e9 de l'image thermique, consultez notre guide de l\u2019imagerie thermique pour d\u00e9butants<\/a><\/strong> guide.<\/p>\n\n\n\n Une unit\u00e9 de traitement neuronal est un mat\u00e9riel sp\u00e9cialis\u00e9 con\u00e7u pour acc\u00e9l\u00e9rer l'inf\u00e9rence de r\u00e9seau neuronal et les op\u00e9rations matricielles ou tensorielles associ\u00e9es. Par rapport \u00e0 l\u2019attribution de chaque t\u00e2che \u00e0 un processeur \u00e0 usage g\u00e9n\u00e9ral, l\u2019acc\u00e9l\u00e9ration d\u00e9di\u00e9e de l\u2019IA peut rendre les charges de travail d\u2019apprentissage automatique adapt\u00e9es plus efficaces et plus pratiques \u00e0 la p\u00e9riph\u00e9rie.<\/p>\n\n\n\n Dans un dispositif d'imagerie thermique, ce traitement peut potentiellement \u00eatre appliqu\u00e9 apr\u00e8s que le d\u00e9tecteur a collect\u00e9 le signal infrarouge et avant que l'image finale ne soit pr\u00e9sent\u00e9e \u00e0 l'utilisateur.<\/p>\n\n\n\n Cela ne signifie pas que chaque fonctionnalit\u00e9 d\u00e9crite comme \u00ab\u00a0IA\u00a0\u00bb n\u00e9cessite un NPU. Les algorithmes de traitement d'image peuvent fonctionner sur un CPU, un GPU, un DSP, un processeur d'imagerie d\u00e9di\u00e9 ou un autre acc\u00e9l\u00e9rateur en fonction de l'architecture mat\u00e9rielle. La pr\u00e9sence d\u2019une fonctionnalit\u00e9 IA et la pr\u00e9sence d\u2019un NPU d\u00e9di\u00e9 sont donc deux questions techniques diff\u00e9rentes.<\/p>\n\n\n\n Un moyen utile de comprendre la cha\u00eene d\u2019imagerie consiste \u00e0 s\u00e9parer l\u2019acquisition physique du traitement num\u00e9rique.<\/p>\n\n\n\n Cette distinction \u00e9vite une erreur de sp\u00e9cification courante\u00a0: la r\u00e9solution d'affichage ou la sortie am\u00e9lior\u00e9e par l'IA ne doit pas \u00eatre confondue avec la r\u00e9solution native du d\u00e9tecteur thermique.<\/p>\n\n\n\n Le cas d\u2019utilisation le plus important de l\u2019IA en imagerie thermique est de ne pas cr\u00e9er d\u2019informations \u00e0 partir de rien. Il extrait, organise et pr\u00e9sente les informations d\u2019image disponibles plus efficacement.<\/p>\n\n\n\n Les images thermiques peuvent contenir du bruit et des zones \u00e0 faible contraste qui rendent les limites difficiles \u00e0 interpr\u00e9ter. Les pipelines de traitement d'image conventionnels utilisent d\u00e9j\u00e0 des techniques telles que le contr\u00f4le du gain, le filtrage, la nettet\u00e9 et l'am\u00e9lioration du contraste.<\/p>\n\n\n\n Les mod\u00e8les d\u2019apprentissage automatique peuvent \u00e9tendre cette approche en apprenant des relations plus complexes entre les structures locales, les contours et les mod\u00e8les de bruit. Lorsqu\u2019il est bien mis en \u0153uvre, le r\u00e9sultat peut para\u00eetre plus propre ou plus stable tout en pr\u00e9servant les limites utiles.<\/p>\n\n\n\n Le mot important est peut<\/strong>. Les performances d\u00e9pendent du mod\u00e8le, de ses donn\u00e9es d'entra\u00eenement, du signal d'entr\u00e9e et de la mani\u00e8re dont les param\u00e8tres de traitement sont r\u00e9gl\u00e9s. L\u2019\u00ab IA \u00bb en elle-m\u00eame ne constitue pas une sp\u00e9cification mesurable de qualit\u00e9 d\u2019image.<\/p>\n\n\n\n La super-r\u00e9solution tente de reconstruire une sortie \u00e0 plus haute r\u00e9solution \u00e0 partir de donn\u00e9es d'entr\u00e9e \u00e0 plus faible r\u00e9solution. La recherche en imagerie thermique montre que les approches de r\u00e9seaux neuronaux peuvent am\u00e9liorer les bords reconstruits et les d\u00e9tails structurels par rapport \u00e0 une simple interpolation, ce qui est l'une des raisons pour lesquelles cette technique fait l'objet d'une attention particuli\u00e8re dans l'imagerie infrarouge.<\/p>\n\n\n\n Cela peut \u00eatre particuli\u00e8rement utile lorsqu\u2019un grossissement num\u00e9rique est appliqu\u00e9. Le zoom num\u00e9rique standard agrandit l'image du d\u00e9tecteur existant\u00a0; cela n'augmente pas le nombre de pixels du d\u00e9tecteur physique. \u00c0 mesure que le grossissement augmente, la pixellisation et la perte des d\u00e9tails visibles deviennent donc plus perceptibles.<\/p>\n\n\n\n Un pipeline de super-r\u00e9solution bien con\u00e7u peut rendre l\u2019image agrandie plus facile \u00e0 interpr\u00e9ter qu\u2019une simple interpolation de base. Cependant, l\u2019image am\u00e9lior\u00e9e reste une reconstruction bas\u00e9e sur l\u2019entr\u00e9e originale. Cela ne doit pas \u00eatre d\u00e9crit comme \u00e9quivalent \u00e0 une augmentation de la r\u00e9solution native du d\u00e9tecteur.<\/p>\n\n\n\n Pour plus de d\u00e9tails sur la relation entre le grossissement de base, le zoom num\u00e9rique, la r\u00e9solution du d\u00e9tecteur et le champ de vision, consultez notre guide pour le grossissement des lunettes thermiques<\/a><\/strong>.<\/p>\n\n\n\n Un appareil thermique ne doit pas n\u00e9cessairement traiter chaque image de mani\u00e8re compl\u00e8tement isol\u00e9e. Certains syst\u00e8mes de traitement d'images peuvent utiliser les informations des images successives pour am\u00e9liorer la stabilit\u00e9, r\u00e9duire le bruit ou pr\u00e9server la structure dans le temps.<\/p>\n\n\n\n Cela introduit un autre compromis technique. Un traitement temporel plus fort peut am\u00e9liorer la stabilit\u00e9 apparente de l'image, mais un mauvais r\u00e9glage peut \u00e9galement introduire un d\u00e9calage, des images fant\u00f4mes ou des tra\u00een\u00e9es lorsque la sc\u00e8ne ou l'appareil bouge.<\/p>\n\n\n\n Pour cette raison, l\u2019\u00e9valuation du traitement de l\u2019IA n\u00e9cessite plus que l\u2019examen d\u2019une seule image fixe.<\/p>\n\n\n\n Les am\u00e9liorations logicielles sont importantes, mais la cha\u00eene d\u2019imagerie physique reste fondamentale.<\/p>\n\n\n\n La r\u00e9solution du d\u00e9tecteur d\u00e9termine le nombre d\u2019\u00e9l\u00e9ments d\u2019\u00e9chantillonnage natifs qui capturent la sc\u00e8ne infrarouge. Le pas des pixels, la sensibilit\u00e9 thermique, les caract\u00e9ristiques de l'objectif, la distance focale, la mise au point et le champ de vision affectent tous les informations disponibles avant que le mod\u00e8le d'IA ne commence \u00e0 les traiter.<\/p>\n\n\n\n Un algorithme peut reconstruire, filtrer ou souligner les mod\u00e8les de ces informations. Il ne peut pas transformer r\u00e9troactivement un d\u00e9tecteur \u00e0 faible r\u00e9solution en un d\u00e9tecteur physiquement \u00e0 plus haute r\u00e9solution.<\/p>\n\n\n\n Le m\u00eame principe s'applique aux conditions environnementales. L'imagerie thermique peut fonctionner sans \u00e9clairage visible, mais la transmission atmosph\u00e9rique, le contraste thermique, la distance, la taille de la cible et l'obstruction physique affectent toujours le signal atteignant le d\u00e9tecteur.<\/p>\n\n\n\n Le traitement de l\u2019IA peut faciliter l\u2019interpr\u00e9tation d\u2019une image difficile. Il ne peut garantir la r\u00e9cup\u00e9ration des informations qui n'ont jamais atteint le capteur.<\/p>\n\n\n\nQu'est-ce qu'une NPU dans un appareil d'imagerie thermique ?<\/strong><\/h2>\n\n\n\n
NPU, d\u00e9tecteur et affichage sont des parties diff\u00e9rentes du syst\u00e8me<\/strong><\/h3>\n\n\n\n
Couche syst\u00e8me<\/th> Fonction principale<\/th> Le traitement de l\u2019IA peut-il le remplacer ?<\/th><\/tr><\/thead> D\u00e9tecteur thermique<\/td> Capture les informations infrarouges et d\u00e9termine la r\u00e9solution native du d\u00e9tecteur<\/td> Non<\/td><\/tr> Syst\u00e8me de lentilles<\/td> Focalise l'\u00e9nergie infrarouge sur le d\u00e9tecteur<\/td> Non<\/td><\/tr> Caract\u00e9ristiques du capteur<\/td> Influencer la sensibilit\u00e9, l'\u00e9chantillonnage spatial et les informations brutes de l'image<\/td> Non<\/td><\/tr> Pipeline de traitement d'images<\/td> D\u00e9bruitage, r\u00e9glage du contraste, nettet\u00e9, reconstruction et autres traitements<\/td> L'IA peut contribuer ici<\/td><\/tr> \u00c9cran<\/td> Pr\u00e9sente l'image trait\u00e9e \u00e0 l'utilisateur<\/td> Le traitement peut changer la pr\u00e9sentation, pas les donn\u00e9es natives du d\u00e9tecteur<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n O\u00f9 le traitement de l'IA peut am\u00e9liorer les images thermiques<\/strong><\/h2>\n\n\n\n
R\u00e9duction du bruit et d\u00e9tails locaux<\/strong><\/h3>\n\n\n\n
Super-r\u00e9solution et zoom num\u00e9rique<\/strong><\/h3>\n\n\n\n
Traitement temporel sur plusieurs images<\/strong><\/h3>\n\n\n\n
Ce que l'IA ne peut pas changer dans le syst\u00e8me d'imagerie thermique<\/strong><\/h2>\n\n\n\n