L\u2019IA nei cannocchiali termici pu\u00f2 migliorare il modo in cui i dati termici vengono elaborati e visualizzati, ma non pu\u00f2 sostituire il rilevatore, l\u2019ottica o le informazioni fisiche acquisite dal sistema. La risoluzione del rilevatore, la sensibilit\u00e0 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 pi\u00f9 sofisticate prima che l\u2019immagine raggiunga il display.<\/p>\n\n\n\n
L\u2019intelligenza artificiale sta diventando parte di questa pipeline di elaborazione. In alcuni sistemi, i carichi di lavoro della rete neurale possono essere accelerati da un'unit\u00e0 di elaborazione neurale dedicata, o NPU. La distinzione importante \u00e8 che una NPU non sostituisce il rilevatore termico n\u00e9 crea informazioni fisiche aggiuntive. Fornisce risorse informatiche che possono rendere pratici determinati modelli di elaborazione delle immagini su un dispositivo incorporato.<\/p>\n\n\n\n
Comprendere questa distinzione \u00e8 essenziale quando si confrontano le ottiche termiche abilitate all\u2019intelligenza artificiale. Il miglioramento dell'immagine pu\u00f2 migliorare ci\u00f2 che vede l'utente, ma dovrebbe essere valutato insieme all'hardware sottostante anzich\u00e9 trattato come un suo sostituto. Per un'introduzione pi\u00f9 ampia ai fattori che definiscono la qualit\u00e0 dell'immagine termica, consultare la nostra guida introduttiva all\u2019imaging termico<\/a><\/strong> guida.<\/p>\n\n\n\n Un'unit\u00e0 di elaborazione neurale \u00e8 un hardware specializzato progettato per accelerare l'inferenza della rete neurale e le relative operazioni di matrice o tensore. Rispetto all\u2019assegnazione di ogni attivit\u00e0 a una CPU generica, l\u2019accelerazione dell\u2019intelligenza artificiale dedicata pu\u00f2 rendere i carichi di lavoro di machine learning pi\u00f9 efficienti e pratici all\u2019edge.<\/p>\n\n\n\n In un dispositivo di imaging termico, tale elaborazione pu\u00f2 essere potenzialmente applicata dopo che il rilevatore ha raccolto il segnale infrarosso e prima che l'immagine finale venga presentata all'utente.<\/p>\n\n\n\n Ci\u00f2 non significa che ogni funzionalit\u00e0 descritta come \u201cAI\u201d 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 funzionalit\u00e0 AI e la presenza di una NPU dedicata sono quindi due questioni tecniche diverse.<\/p>\n\n\n\n Un modo utile per comprendere la catena dell'imaging \u00e8 separare l'acquisizione fisica dall'elaborazione digitale.<\/p>\n\n\n\n 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.<\/p>\n\n\n\n Il caso d\u2019uso pi\u00f9 forte dell\u2019intelligenza artificiale nella termografia non \u00e8 creare informazioni dal nulla. Estrae, organizza e presenta le informazioni sull'immagine disponibili in modo pi\u00f9 efficace.<\/p>\n\n\n\n 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 gi\u00e0 tecniche come il controllo del guadagno, il filtraggio, la nitidezza e il miglioramento del contrasto.<\/p>\n\n\n\n I modelli di apprendimento automatico possono estendere tale approccio apprendendo relazioni pi\u00f9 complesse tra strutture locali, bordi e modelli di rumore. Se implementato correttamente, il risultato pu\u00f2 apparire pi\u00f9 pulito o pi\u00f9 stabile preservando i confini utili.<\/p>\n\n\n\n La parola importante \u00e8 maggio<\/strong>. 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\u2019\u201cAI\u201d di per s\u00e9 non \u00e8 una specifica misurabile della qualit\u00e0 dell\u2019immagine.<\/p>\n\n\n\n La super risoluzione tenta di ricostruire un output a risoluzione pi\u00f9 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.<\/p>\n\n\n\n Ci\u00f2 pu\u00f2 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 pi\u00f9 evidenti.<\/p>\n\n\n\n Una pipeline ad alta risoluzione ben progettata pu\u00f2 rendere l'immagine ingrandita pi\u00f9 facile da interpretare rispetto alla sola interpolazione di base. Tuttavia, l'immagine migliorata \u00e8 ancora una ricostruzione basata sull'input originale. Non dovrebbe essere descritto come equivalente all\u2019aumento della risoluzione nativa del rivelatore.<\/p>\n\n\n\n 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<\/a><\/strong>.<\/p>\n\n\n\n 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 stabilit\u00e0, ridurre il rumore o preservare la struttura nel tempo.<\/p>\n\n\n\n Ci\u00f2 introduce un altro compromesso ingegneristico. Un'elaborazione temporale pi\u00f9 forte pu\u00f2 migliorare la stabilit\u00e0 apparente dell'immagine, ma una regolazione inadeguata pu\u00f2 anche introdurre ritardi, immagini fantasma o sbavature quando la scena o il dispositivo si muovono.<\/p>\n\n\n\n Per questo motivo, valutare l\u2019elaborazione dell\u2019intelligenza artificiale richiede molto pi\u00f9 che guardare una singola immagine fissa.<\/p>\n\n\n\n I miglioramenti del software contano, ma la catena dell\u2019imaging fisico rimane fondamentale.<\/p>\n\n\n\n La risoluzione del rilevatore determina quanti elementi di campionamento nativi catturano la scena a infrarossi. Passo dei pixel, sensibilit\u00e0 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.<\/p>\n\n\n\n Un algoritmo pu\u00f2 ricostruire, filtrare o enfatizzare i modelli presenti in tali informazioni. Non pu\u00f2 trasformare retroattivamente un rilevatore a risoluzione inferiore in un rilevatore fisicamente a risoluzione pi\u00f9 elevata.<\/p>\n\n\n\n Lo stesso principio si applica alle condizioni ambientali. La termografia pu\u00f2 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.<\/p>\n\n\n\n L'elaborazione dell'intelligenza artificiale pu\u00f2 rendere pi\u00f9 semplice l'interpretazione di un'immagine difficile. Non pu\u00f2 garantire il recupero delle informazioni che non hanno mai raggiunto il sensore.<\/p>\n\n\n\nCos'\u00e8 una NPU in un dispositivo di imaging termico?<\/strong><\/h2>\n\n\n\n
NPU, rilevatore e display sono parti diverse del sistema<\/strong><\/h3>\n\n\n\n
Strato di sistema<\/th> Funzione principale<\/th> L\u2019elaborazione dell\u2019intelligenza artificiale pu\u00f2 sostituirlo?<\/th><\/tr><\/thead> Rilevatore termico<\/td> Cattura le informazioni a infrarossi e determina la risoluzione nativa del rilevatore<\/td> No<\/td><\/tr> Sistema di lenti<\/td> Concentra l'energia infrarossa sul rilevatore<\/td> No<\/td><\/tr> Caratteristiche del sensore<\/td> Influenza la sensibilit\u00e0, il campionamento spaziale e le informazioni grezze dell'immagine<\/td> No<\/td><\/tr> Pipeline di elaborazione delle immagini<\/td> Denoising, regolazione del contrasto, nitidezza, ricostruzione e altre elaborazioni<\/td> L\u2019intelligenza artificiale pu\u00f2 contribuire qui<\/td><\/tr> Display<\/td> Presenta l'immagine elaborata all'utente<\/td> L'elaborazione pu\u00f2 modificare la presentazione, non i dati nativi del rilevatore<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Dove l'elaborazione AI pu\u00f2 migliorare le immagini termiche<\/strong><\/h2>\n\n\n\n
Riduzione del rumore e dettaglio locale<\/strong><\/h3>\n\n\n\n
Super risoluzione e zoom digitale<\/strong><\/h3>\n\n\n\n
Elaborazione temporale su pi\u00f9 fotogrammi<\/strong><\/h3>\n\n\n\n
Ci\u00f2 che l'intelligenza artificiale non pu\u00f2 cambiare nel sistema di imaging termico<\/strong><\/h2>\n\n\n\n