Forscher der Purdue University in den USA haben ein Wärmebildsystem vorgestellt, das maschinelles Lernen nutzt, um die in Infrarotbildern enthaltenen Informationen zu entschlüsseln. Das als HADAR bezeichnete System könnte es passiven Wärmebildkameras ermöglichen, Bilder zu erstellen, die aussehen, als wären sie am helllichten Tag aufgenommen worden – so die Forscher Zubin Jacob und Kollegen.
Unsere Fähigkeit, Bilder bei schlechten Sichtverhältnissen und in der Nacht zu erkennen und zu klassifizieren, wurde durch Technologien wie Sonar, Radar und LiDAR verändert. Bei diesen Systemen wird ein Signal (Ton, Funk, Licht usw.) ausgesendet und Reflexionen erkannt. Dies macht es jedoch schwierig, mehrere Versionen desselben Systems in unmittelbarer Nähe zu verwenden, ohne dass es zu Interferenzen kommt. Dies macht diese Technologien für einige neue Technologien wie selbstfahrende Fahrzeuge ungeeignet.
Eine mögliche Lösung für dieses Problem bietet die Wärmebildtechnik, die mithilfe der Infrarotstrahlung von Objekten nächtliche Szenen passiv beobachten kann. Allerdings weisen Bilder, die mit herkömmlichen Infrarotkameras aufgenommen werden, tendenziell keine feinen Merkmale auf und wirken stattdessen unscharf. Daher eignen sich solche Kameras nicht als Ersatz für Technologien wie LiDAR.
Streustrahlung
„Der Hauptgrund für ‚verschwommene‘ Wärmebilder liegt darin, dass die Wärmebildtechnik sowohl die direkte Emission der Ziele als auch die gestreute Wärmestrahlung anderer Umgebungsobjekte erfasst“, erklärt Jacob. „Direkte Emission ist normalerweise zehnmal stärker als das gestreute Signal, aber ersteres ist texturlos, während letzteres die Texturen trägt.“
Stellen Sie sich als Beispiel für diesen Effekt im sichtbaren Bereich eine Glühbirne vor. Während das helle Licht, das sie beim Einschalten aussendet, keine erkennbaren Details der Texturen auf der Oberfläche der Glühbirne enthält, werden diese Details sichtbar, wenn die Glühbirne von einer anderen Lichtquelle beleuchtet wird.
In ihrer Studie entwickelte Jacobs Team einen weitaus fortschrittlicheren Ansatz für die Wärmebildgebung. Es wird als wärmeunterstützte Erkennung und Entfernungsmessung oder HADAR bezeichnet und ist präzise genug, um geometrische Texturen in schwachen, gestreuten Infrarotsignalen zu erfassen.
Hyperspektrale Bildgebung
„Dieses Ziel erreichen wir durch thermische Physik und maschinelles Lernen, kombiniert mit spektraler Auflösung in Wärmebildern“, erklärt Jacob. „HADAR nutzt hyperspektrale Wärmebildtechnik, die Wärmebilder der Szene für Hunderte verschiedener Farben im thermischen Infrarot aufnimmt.“
In unseren eigenen Augen werden Farben im sichtbaren Spektrum durch eine Kombination aus roten, grünen und blauen Photorezeptoren verarbeitet. Im Vergleich dazu erstellt HADAR Infrarotbilder basierend auf drei Schlüsselattributen der beobachteten Objekte. Dies ist die Temperatur (T) eines Objekts; Emissionsgrad (e) – variiert je nach Materialzusammensetzung; und Textur (X), die einzigartige Muster der Wärmestrahlung erzeugt.
Alle diese Werte können aus dem von einer Szene emittierten Infrarotlicht gewonnen werden, sind jedoch zunächst in den unübersichtlichen Rohdaten vermischt. Mithilfe von maschinellem Lernen kann der „TeX Vision“-Ansatz des Teams jedoch die drei Schlüsselattribute entwirren, um die schwachen geometrischen Merkmale in Infrarotsignalen wiederherzustellen, die normalerweise unscharf sind.
TeX-Farben
Dies geschieht mithilfe eines Algorithmus, der verschiedenen Teilen der Szene unterschiedliche „Farben“ zuweist. Da verschiedene Materialien durch eine Kombination ihrer T-, e- und X-Werte identifiziert werden können, konnte Jacobs Team eine semantische Bibliothek geeigneter Farben aufbauen.
„Die semantische Bibliothek enthält für jedes semantische Etikett eine Farbe, zum Beispiel Blau für Wasser, Grün für Baum und Gelb für Sand“, erklärt Jacob. „Farben für Materialien werden ausschließlich anhand ihres täglichen visuellen Erscheinungsbilds bestimmt, um die optische Abbildung bei Tageslicht nachzuahmen.“ Mit diesem Ansatz könnte HADAR Szenen bei schlechten Sichtverhältnissen und bei Nacht so abbilden, wie sie am helllichten Tag erscheinen.
Ein-Photonen-LIDAR-System bildet 3D-Objekte unter Wasser ab
Die Forscher räumen ein, dass es noch ein weiter Weg ist, bis HADAR allgemein verfügbar wird, insbesondere da die derzeit verfügbaren hyperspektralen Wärmebildgeräte sperrig, langsam und teuer sind. Sie hoffen jedoch, dass diese Herausforderungen durch weitere Forschung in den nächsten Jahren bewältigt werden können – was zu schnellen, kompakten und leichten Wärmebildkameras für HADAR führt.
Wenn die Technologie umgesetzt wird, könnte sie neue Möglichkeiten für eine Vielzahl nützlicher Anwendungen eröffnen. „Wir glauben, dass HADAR für autonome Navigation, Robotik und intelligente Gesundheitsüberwachung nützlich sein kann, insbesondere nachts“, sagt Jacob. „Viele Wildtiere sind nur nachts aktiv, wenn normale Kameras nicht funktionieren. Wir glauben, dass HADAR auch für die Wildtierüberwachung nützlich sein könnte.“
Das HADAR-System ist in beschrieben Natur.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Automobil / Elektrofahrzeuge, Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- ChartPrime. Verbessern Sie Ihr Handelsspiel mit ChartPrime. Hier zugreifen.
- BlockOffsets. Modernisierung des Eigentums an Umweltkompensationen. Hier zugreifen.
- Quelle: https://physicsworld.com/a/machine-learning-brings-sharpness-and-colour-to-thermal-images/
