A IA em miras t\u00e9rmicas pode melhorar a forma como os dados t\u00e9rmicos s\u00e3o processados e apresentados, mas n\u00e3o pode substituir o detector, a \u00f3ptica nem a informa\u00e7\u00e3o f\u00edsica captada pelo sistema. A resolu\u00e7\u00e3o do detector, a sensibilidade t\u00e9rmica, o passo de p\u00edxel, o desenho da lente e o campo de vis\u00e3o continuam a definir o sistema f\u00edsico de imagem, embora os dispositivos modernos possam aplicar processamento cada vez mais sofisticado antes de a imagem chegar ao ecr\u00e3.<\/p>\n\n\n\n
A intelig\u00eancia artificial est\u00e1 a tornar-se parte dessa cadeia de processamento. Em alguns sistemas, as cargas de trabalho de redes neuronais podem ser aceleradas por uma unidade de processamento neuronal dedicada, ou NPU. A distin\u00e7\u00e3o importante \u00e9 que uma NPU n\u00e3o substitui o detetor t\u00e9rmico nem cria informa\u00e7\u00e3o f\u00edsica adicional. Fornece capacidade de computa\u00e7\u00e3o que pode tornar determinados modelos de processamento de imagem vi\u00e1veis num dispositivo integrado.<\/p>\n\n\n\n
Compreender essa distin\u00e7\u00e3o \u00e9 essencial ao comparar \u00f3ptica t\u00e9rmica com IA. A melhoria da imagem pode melhorar o que o utilizador v\u00ea, mas deve ser avaliada em conjunto com o hardware subjacente, em vez de ser tratada como um substituto. Para uma introdu\u00e7\u00e3o mais ampla aos fatores que definem a qualidade da imagem t\u00e9rmica, consulte o nosso guia de imagem t\u00e9rmica para principiantes<\/a><\/strong> guia.<\/p>\n\n\n\n Uma Unidade de Processamento Neural \u00e9 um hardware especializado projetado para acelerar a infer\u00eancia de redes neurais e opera\u00e7\u00f5es relacionadas de matrizes ou tensores. Em compara\u00e7\u00e3o com a atribui\u00e7\u00e3o de cada tarefa a uma CPU de uso geral, a acelera\u00e7\u00e3o de IA dedicada pode tornar as cargas de trabalho de aprendizado de m\u00e1quina adequadas mais eficientes e pr\u00e1ticas no limite.<\/p>\n\n\n\n Em um dispositivo de imagem t\u00e9rmica, esse processamento pode ser potencialmente aplicado depois que o detector tiver coletado o sinal infravermelho e antes que a imagem final seja apresentada ao utilizador.<\/p>\n\n\n\n Isto n\u00e3o significa que todas as funcionalidades descritas como \u00abIA\u00bb exijam uma NPU. Os algoritmos de processamento de imagem podem ser executados numa CPU, GPU, DSP, processador de imagem dedicado ou noutro acelerador, consoante a arquitetura de hardware. A presen\u00e7a de uma funcionalidade de IA e a presen\u00e7a de uma NPU dedicada s\u00e3o, portanto, duas quest\u00f5es t\u00e9cnicas diferentes.<\/p>\n\n\n\n Uma maneira \u00fatil de compreender a cadeia de imagens \u00e9 separar a aquisi\u00e7\u00e3o f\u00edsica do processamento digital.<\/p>\n\n\n\n Essa distin\u00e7\u00e3o evita um erro comum de especifica\u00e7\u00e3o: a resolu\u00e7\u00e3o da ecr\u00e3 ou a sa\u00edda aprimorada por IA n\u00e3o devem ser confundidas com a resolu\u00e7\u00e3o nativa do detector t\u00e9rmico.<\/p>\n\n\n\n O caso de uso mais forte para IA em imagens t\u00e9rmicas n\u00e3o \u00e9 criar informa\u00e7\u00f5es do nada. \u00c9 extrair, organizar e apresentar as informa\u00e7\u00f5es de imagem dispon\u00edveis de forma mais eficaz.<\/p>\n\n\n\n As imagens t\u00e9rmicas podem conter ru\u00eddo e regi\u00f5es de baixo contraste que dificultam a interpreta\u00e7\u00e3o dos limites. Os pipelines convencionais de processamento de imagens j\u00e1 utilizam t\u00e9cnicas como controlo de ganho, filtragem, nitidez e melhoria de contraste.<\/p>\n\n\n\n Os modelos de aprendizagem autom\u00e1tica podem ampliar essa abordagem, aprendendo rela\u00e7\u00f5es mais complexas entre estruturas locais, arestas e padr\u00f5es de ru\u00eddo. Quando bem implementado, o resultado pode parecer mais limpo ou mais est\u00e1vel, preservando limites \u00fateis.<\/p>\n\n\n\n A palavra importante \u00e9 pode<\/strong>. O desempenho depende do modelo, dos seus dados de treino, do sinal de entrada e da forma como os par\u00e2metros de processamento s\u00e3o ajustados. A \u00abIA\u00bb, por si s\u00f3, n\u00e3o \u00e9 uma especifica\u00e7\u00e3o mensur\u00e1vel da qualidade da imagem.<\/p>\n\n\n\n A super-resolu\u00e7\u00e3o tenta reconstruir uma sa\u00edda de resolu\u00e7\u00e3o mais alta a partir de dados de entrada de resolu\u00e7\u00e3o mais baixa. Pesquisas em imagens t\u00e9rmicas mostram que as abordagens de redes neurais podem melhorar as bordas reconstru\u00eddas e os detalhes estruturais em compara\u00e7\u00e3o com a simples interpola\u00e7\u00e3o, que \u00e9 uma das raz\u00f5es pelas quais a t\u00e9cnica est\u00e1 recebendo aten\u00e7\u00e3o significativa em imagens infravermelhas.<\/p>\n\n\n\n Isto pode ser particularmente \u00fatil quando a amplia\u00e7\u00e3o digital \u00e9 aplicada. O zoom digital padr\u00e3o amplia a imagem existente do detector; n\u00e3o aumenta o n\u00famero de pixels do detector f\u00edsico. \u00c0 medida que a amplia\u00e7\u00e3o aumenta, a pixeliza\u00e7\u00e3o e a perda de detalhes vis\u00edveis tornam-se mais percept\u00edveis.<\/p>\n\n\n\n Um pipeline de super-resolu\u00e7\u00e3o bem projetado pode tornar a imagem ampliada mais f\u00e1cil de interpretar do que apenas a interpola\u00e7\u00e3o b\u00e1sica. No entanto, a imagem melhorada ainda \u00e9 uma reconstru\u00e7\u00e3o baseada na entrada original. N\u00e3o deve ser descrito como equivalente ao aumento da resolu\u00e7\u00e3o nativa do detector.<\/p>\n\n\n\n Para mais detalhes sobre a rela\u00e7\u00e3o entre amplia\u00e7\u00e3o base, zoom digital, resolu\u00e7\u00e3o do detetor e campo de vis\u00e3o, consulte o nosso guia sobre amplia\u00e7\u00e3o de miras t\u00e9rmicas<\/a><\/strong>.<\/p>\n\n\n\n Um dispositivo t\u00e9rmico n\u00e3o precisa processar cada fotograma em isolamento completo. Alguns sistemas de processamento de imagem podem utilizar informa\u00e7\u00f5es de fotogramas sucessivos para melhorar a estabilidade, reduzir o ru\u00eddo ou preservar a estrutura ao longo do tempo.<\/p>\n\n\n\n Isso introduz outra compensa\u00e7\u00e3o de engenharia. Um processamento temporal mais forte pode melhorar a estabilidade aparente da imagem, mas um ajuste deficiente tamb\u00e9m pode introduzir atraso, fantasmas ou manchas quando a cena ou o dispositivo se move.<\/p>\n\n\n\n Por esse motivo, avaliar o processamento de IA exige mais do que olhar para uma \u00fanica imagem est\u00e1tica.<\/p>\n\n\n\n As melhorias de software s\u00e3o importantes, mas a cadeia de imagens f\u00edsicas continua fundamental.<\/p>\n\n\n\n A resolu\u00e7\u00e3o do detector determina quantos elementos de amostragem nativos capturam a cena infravermelha. o passo de p\u00edxel, a sensibilidade t\u00e9rmica, as caracter\u00edsticas da lente, a dist\u00e2ncia focal, o foco e o campo de vis\u00e3o afetam as informa\u00e7\u00f5es dispon\u00edveis antes que o modelo de IA comece a process\u00e1-las.<\/p>\n\n\n\n Um algoritmo pode reconstruir, filtrar ou enfatizar padr\u00f5es nessas informa\u00e7\u00f5es. Ele n\u00e3o pode transformar retroativamente um detector de resolu\u00e7\u00e3o mais baixa em um detector de resolu\u00e7\u00e3o fisicamente mais alta.<\/p>\n\n\n\n O mesmo princ\u00edpio se aplica \u00e0s condi\u00e7\u00f5es ambientais. A imagem t\u00e9rmica pode operar sem ilumina\u00e7\u00e3o vis\u00edvel, mas a transmiss\u00e3o atmosf\u00e9rica, o contraste t\u00e9rmico, a dist\u00e2ncia, o tamanho do alvo e a obstru\u00e7\u00e3o f\u00edsica ainda afetam o sinal que chega ao detector.<\/p>\n\n\n\n O processamento de IA pode tornar uma imagem dif\u00edcil mais f\u00e1cil de interpretar. N\u00e3o pode garantir a recupera\u00e7\u00e3o de informa\u00e7\u00f5es que nunca chegaram ao sensor.<\/p>\n\n\n\nO que \u00e9 uma NPU em um dispositivo de imagem t\u00e9rmica?<\/strong><\/h2>\n\n\n\n
NPU, detector e display s\u00e3o partes diferentes do sistema<\/strong><\/h3>\n\n\n\n
Camada do sistema<\/th> Fun\u00e7\u00e3o principal<\/th> O processamento de IA pode substitu\u00ed-lo?<\/th><\/tr><\/thead> Detector t\u00e9rmico<\/td> Captura informa\u00e7\u00f5es infravermelhas e determina a resolu\u00e7\u00e3o nativa do detector<\/td> N\u00e3o<\/td><\/tr> Sistema de lentes<\/td> Concentra a energia infravermelha no detector<\/td> N\u00e3o<\/td><\/tr> Caracter\u00edsticas do sensor<\/td> Sensibilidade de influ\u00eancia, amostragem espacial e informa\u00e7\u00f5es brutas de imagem<\/td> N\u00e3o<\/td><\/tr> Pipeline de processamento de imagem<\/td> Denoising, ajuste de contraste, nitidez, reconstru\u00e7\u00e3o e outros processamentos<\/td> A IA pode contribuir aqui<\/td><\/tr> Ecr\u00e3<\/td> Apresenta a imagem processada ao utilizador<\/td> O processamento pode alterar a apresenta\u00e7\u00e3o, n\u00e3o os dados nativos do detector<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n Onde o processamento de IA pode melhorar as imagens t\u00e9rmicas<\/strong><\/h2>\n\n\n\n
Redu\u00e7\u00e3o de ru\u00eddo e detalhes locais<\/strong><\/h3>\n\n\n\n
Super-resolu\u00e7\u00e3o e zoom digital<\/strong><\/h3>\n\n\n\n
Processamento temporal em v\u00e1rios fotogramas<\/strong><\/h3>\n\n\n\n
O que a IA n\u00e3o pode mudar no sistema de imagem t\u00e9rmica<\/strong><\/h2>\n\n\n\n