L’IA nei cannocchiali termici può migliorare il modo in cui i dati termici vengono elaborati e visualizzati, ma non può sostituire il rilevatore, l’ottica o le informazioni fisiche acquisite dal sistema. La risoluzione del rilevatore, la sensibilità termica, il passo dei pixel, il design della lente e il campo visivo definiscono ancora il sistema fisico di imaging, mentre i dispositivi moderni possono applicare elaborazioni sempre più sofisticate prima che l’immagine raggiunga il display.
L’intelligenza artificiale sta diventando parte di questa pipeline di elaborazione. In alcuni sistemi, i carichi di lavoro della rete neurale possono essere accelerati da un'unità di elaborazione neurale dedicata, o NPU. La distinzione importante è che una NPU non sostituisce il rilevatore termico né crea informazioni fisiche aggiuntive. Fornisce risorse informatiche che possono rendere pratici determinati modelli di elaborazione delle immagini su un dispositivo incorporato.
Comprendere questa distinzione è essenziale quando si confrontano le ottiche termiche abilitate all’intelligenza artificiale. Il miglioramento dell'immagine può migliorare ciò che vede l'utente, ma dovrebbe essere valutato insieme all'hardware sottostante anziché trattato come un suo sostituto. Per un'introduzione più ampia ai fattori che definiscono la qualità dell'immagine termica, consultare la nostra guida introduttiva all’imaging termico guida.
Cos'è una NPU in un dispositivo di imaging termico?
Un'unità di elaborazione neurale è un hardware specializzato progettato per accelerare l'inferenza della rete neurale e le relative operazioni di matrice o tensore. Rispetto all’assegnazione di ogni attività a una CPU generica, l’accelerazione dell’intelligenza artificiale dedicata può rendere i carichi di lavoro di machine learning più efficienti e pratici all’edge.
In un dispositivo di imaging termico, tale elaborazione può essere potenzialmente applicata dopo che il rilevatore ha raccolto il segnale infrarosso e prima che l'immagine finale venga presentata all'utente.
Ciò non significa che ogni funzionalità descritta come “AI” richieda una NPU. Gli algoritmi di elaborazione delle immagini possono essere eseguiti su CPU, GPU, DSP, processore di immagini dedicato o un altro acceleratore a seconda dell'architettura hardware. La presenza di una funzionalità AI e la presenza di una NPU dedicata sono quindi due questioni tecniche diverse.
NPU, rilevatore e display sono parti diverse del sistema
Un modo utile per comprendere la catena dell'imaging è separare l'acquisizione fisica dall'elaborazione digitale.
| Strato di sistema | Funzione principale | L’elaborazione dell’intelligenza artificiale può sostituirlo? |
|---|---|---|
| Rilevatore termico | Cattura le informazioni a infrarossi e determina la risoluzione nativa del rilevatore | No |
| Sistema di lenti | Concentra l'energia infrarossa sul rilevatore | No |
| Caratteristiche del sensore | Influenza la sensibilità, il campionamento spaziale e le informazioni grezze dell'immagine | No |
| Pipeline di elaborazione delle immagini | Denoising, regolazione del contrasto, nitidezza, ricostruzione e altre elaborazioni | L’intelligenza artificiale può contribuire qui |
| Display | Presenta l'immagine elaborata all'utente | L'elaborazione può modificare la presentazione, non i dati nativi del rilevatore |
Questa distinzione previene un errore comune nelle specifiche: la risoluzione del display o l'output potenziato dall'intelligenza artificiale non devono essere confusi con la risoluzione nativa del rilevatore termico.
Dove l'elaborazione AI può migliorare le immagini termiche
Il caso d’uso più forte dell’intelligenza artificiale nella termografia non è creare informazioni dal nulla. Estrae, organizza e presenta le informazioni sull'immagine disponibili in modo più efficace.
Riduzione del rumore e dettaglio locale
Le immagini termiche possono contenere rumore e regioni a basso contrasto che rendono difficile l'interpretazione dei confini. I processi convenzionali di elaborazione delle immagini utilizzano già tecniche come il controllo del guadagno, il filtraggio, la nitidezza e il miglioramento del contrasto.
I modelli di apprendimento automatico possono estendere tale approccio apprendendo relazioni più complesse tra strutture locali, bordi e modelli di rumore. Se implementato correttamente, il risultato può apparire più pulito o più stabile preservando i confini utili.
La parola importante è maggio. Le prestazioni dipendono dal modello, dai dati di addestramento, dal segnale di ingresso e dal modo in cui vengono regolati i parametri di elaborazione. L’“AI” di per sé non è una specifica misurabile della qualità dell’immagine.
Super risoluzione e zoom digitale
La super risoluzione tenta di ricostruire un output a risoluzione più elevata da dati di input a risoluzione inferiore. La ricerca nel campo dell'imaging termico mostra che gli approcci basati sulla rete neurale possono migliorare i bordi ricostruiti e i dettagli strutturali rispetto alla semplice interpolazione, motivo per cui la tecnica sta ricevendo un'attenzione significativa nell'imaging a infrarossi.
Ciò può essere particolarmente utile quando viene applicato l'ingrandimento digitale. Lo zoom digitale standard ingrandisce l'immagine del rilevatore esistente; non aumenta il numero di pixel del rilevatore fisico. All'aumentare dell'ingrandimento, la pixelizzazione e la perdita di dettagli visibili diventano quindi più evidenti.
Una pipeline ad alta risoluzione ben progettata può rendere l'immagine ingrandita più facile da interpretare rispetto alla sola interpolazione di base. Tuttavia, l'immagine migliorata è ancora una ricostruzione basata sull'input originale. Non dovrebbe essere descritto come equivalente all’aumento della risoluzione nativa del rivelatore.
Per maggiori dettagli sulla relazione tra ingrandimento di base, zoom digitale, risoluzione del rilevatore e campo visivo, consultare la nostra guida a ingrandimento dei cannocchiali termici.
Elaborazione temporale su più fotogrammi
Un dispositivo termico non deve elaborare ogni frame in completo isolamento. Alcuni sistemi di elaborazione delle immagini possono utilizzare le informazioni di fotogrammi successivi per migliorare la stabilità, ridurre il rumore o preservare la struttura nel tempo.
Ciò introduce un altro compromesso ingegneristico. Un'elaborazione temporale più forte può migliorare la stabilità apparente dell'immagine, ma una regolazione inadeguata può anche introdurre ritardi, immagini fantasma o sbavature quando la scena o il dispositivo si muovono.
Per questo motivo, valutare l’elaborazione dell’intelligenza artificiale richiede molto più che guardare una singola immagine fissa.
Ciò che l'intelligenza artificiale non può cambiare nel sistema di imaging termico
I miglioramenti del software contano, ma la catena dell’imaging fisico rimane fondamentale.
La risoluzione del rilevatore determina quanti elementi di campionamento nativi catturano la scena a infrarossi. Passo dei pixel, sensibilità termica, caratteristiche dell'obiettivo, lunghezza focale, messa a fuoco e campo visivo influiscono tutti sulle informazioni disponibili prima che il modello AI inizi a elaborarle.
Un algoritmo può ricostruire, filtrare o enfatizzare i modelli presenti in tali informazioni. Non può trasformare retroattivamente un rilevatore a risoluzione inferiore in un rilevatore fisicamente a risoluzione più elevata.
Lo stesso principio si applica alle condizioni ambientali. La termografia può funzionare senza illuminazione visibile, ma la trasmissione atmosferica, il contrasto termico, la distanza, le dimensioni del target e l'ostruzione fisica influenzano comunque il segnale che raggiunge il rilevatore.
L'elaborazione dell'intelligenza artificiale può rendere più semplice l'interpretazione di un'immagine difficile. Non può garantire il recupero delle informazioni che non hanno mai raggiunto il sensore.
Questo è il motivo per cui specifiche come la risoluzione del rilevatore, il NETD, il design dell'obiettivo e il campo visivo dovrebbero comunque essere valutate in modo indipendente quando vengono prese in considerazione ciò che definisce un cannocchiale termico di fascia alta.
La super risoluzione è un miglioramento, non una nuova misurazione del sensore
Una delle distinzioni più importanti nell'imaging AI è la differenza tra misurazione nativa e output ricostruito.
Un rilevatore registra la scena termica alla sua risoluzione spaziale nativa. Un modello a super risoluzione stima quindi una rappresentazione a risoluzione più elevata da quell'input utilizzando modelli appresi durante lo sviluppo del modello.
Tale ricostruzione può produrre un'immagine visivamente più utile, ma può anche introdurre artefatti o enfatizzare eccessivamente le strutture quando i dati di input sono deboli o ambigui. La ricerca sulla superrisoluzione degli infrarossi continua in parte perché preservare le strutture reali evitando i dettagli ricostruiti innaturali rimane una sfida tecnica.
Per gli utenti pratici, la regola è semplice: le immagini migliorate dovrebbero essere giudicate in base a ciò che aiutano a interpretare in modo coerente, non dando per scontato che ogni bordo più nitido rappresenti ulteriori informazioni a livello di rilevatore.
Perché l'accelerazione IA dedicata può essere importante
L'esecuzione continua dell'inferenza della rete neurale su un dispositivo incorporato crea vincoli in termini di potenza di calcolo, latenza, larghezza di banda della memoria e consumo energetico.
Gli acceleratori dedicati come le NPU sono progettati specificamente per questo tipo di carico di lavoro. Il loro vantaggio è quindi principalmente architettonico: possono eseguire operazioni di intelligenza artificiale adeguate in modo più efficiente rispetto a fare affidamento interamente su un processore generico.
Per un dispositivo di imaging termico, ciò può rendere più pratica l'elaborazione in tempo reale, lasciando altri processori disponibili per il controllo del sistema, le funzioni di interfaccia, la registrazione e altre attività.
Lo fa non significa che l'aggiunta di una NPU aumenta automaticamente la durata della batteria. L'autonomia totale dipende ancora dal dispositivo completo, compreso il rilevatore, il display, il carico del processore, la registrazione, le funzioni wireless, l'hardware di telemetria e la capacità della batteria.
L'efficienza della NPU e l'autonomia della batteria del prodotto devono pertanto essere trattate come specifiche separate.
Come valutare le affermazioni sull'intelligenza artificiale in un cannocchiale termico
Invece di chiedere solo se un dispositivo “ha AI”, confronta ciò che fa effettivamente l’elaborazione.
- Controlla prima il rilevatore nativo.
Registra la risoluzione del rilevatore, il passo dei pixel, il NETD, la frequenza dei fotogrammi e le specifiche dell'obiettivo pertinenti prima di esaminare le dichiarazioni sull'output migliorato. - Separa la risoluzione nativa da quella avanzata.
Se una specifica fa riferimento alla super-risoluzione, all’interpolazione o a una modalità di uscita avanzata, non deve essere presentata come la risoluzione nativa del rilevatore. - Confronta la stessa scena con l'elaborazione attivata e disattivata.
Il confronto più utile mantiene la distanza, il bersaglio, il tempo, la messa a fuoco, la tavolozza e l'ingrandimento il più coerenti possibile. - Guarda il movimento così come i fotogrammi fissi.
Controlla se il miglioramento preserva i bordi durante la panoramica e il movimento del bersaglio senza ritardi eccessivi, sbavature o immagini fantasma. - Ispezionare i livelli di zoom digitale più elevati.
Questo è spesso il punto in cui le differenze tra l'interpolazione di base e la ricostruzione più avanzata diventano più facili da vedere. - Valutare il runtime separatamente.
Non dare per scontato che un algoritmo NPU o AI migliori o riduca automaticamente la durata della batteria. Utilizza il tempo di esecuzione del prodotto misurato per l'intero dispositivo.
L’obiettivo non è rifiutare l’elaborazione dell’IA. È misurarlo come parte del sistema di imaging completo.
L'elaborazione dell'intelligenza artificiale dovrebbe integrare un buon hardware termico
La direzione più utile per l’intelligenza artificiale nell’ottica termica non è quella di sostituire le specifiche del rilevatore, dell’obiettivo o della sensibilità termica. Sta migliorando l'efficacia con cui le informazioni termiche disponibili vengono elaborate e presentate.
Una potente piattaforma di imaging termico combina quindi diversi livelli: hardware del rilevatore appropriato, ottica adeguata, elettronica stabile, un’efficace pipeline di elaborazione delle immagini e un display in grado di presentare chiaramente l’output.
L’accelerazione dell’intelligenza artificiale può diventare una parte importante di tale pipeline, in particolare per tecniche computazionalmente impegnative come il denoising appreso o la super-risoluzione. Ma il termine “AI” non dovrebbe mai far scomparire dal confronto le specifiche hardware sottostanti.
Durante la revisione del attuale gamma di prodotti Yubeen, confrontare le funzioni relative all'intelligenza artificiale insieme al rilevatore, all'ottica, al campo visivo, alla sensibilità termica, al sistema di alimentazione e ai requisiti dell'applicazione prevista.
FAQ
La Super Risoluzione AI aumenta la risoluzione nativa di un rilevatore termico?
No. Il rilevatore mantiene la sua risoluzione fisica originale. La super-risoluzione produce un output migliorato o ricostruito dai dati del rilevatore. Può migliorare i dettagli percepiti, la definizione dei bordi o l'aspetto delle immagini ingrandite digitalmente, ma non aggiunge pixel del rilevatore fisico.
La super risoluzione AI può introdurre dettagli errati?
Sì, in alcune condizioni può introdurre artefatti di ricostruzione. L'elaborazione neurale stima una rappresentazione ad alta risoluzione da informazioni di input limitate, quindi l'output potenziato non dovrebbe essere trattato automaticamente come misurazione aggiuntiva del sensore.
Ogni cannocchiale termico AI utilizza una NPU?
No. L'intelligenza artificiale o le funzioni avanzate di elaborazione delle immagini possono essere eseguite su diversi tipi di processori. Una NPU dedicata è una possibile implementazione progettata specificamente per i carichi di lavoro della rete neurale, ma il solo nome della funzionalità non dimostra che sia presente una NPU.
Una NPU migliora automaticamente la durata della batteria?
No. L'hardware AI dedicato può eseguire carichi di lavoro adeguati in modo efficiente, ma il tempo di esecuzione completo del dispositivo dipende dall'intero sistema elettrico e dal modo in cui viene utilizzato il prodotto. L'autonomia della batteria dovrebbe quindi essere valutata dai dati di test specifici del prodotto piuttosto che dedotta dalla presenza di una NPU.
