Kızılötesi görüntülerde yer alan bilgileri çözmek için makine öğrenimini kullanan bir termal görüntüleme sistemi, ABD'deki Purdue Üniversitesi'ndeki araştırmacılar tarafından tanıtıldı. HADAR olarak adlandırılan sistem, pasif termal görüntüleme cihazlarının güpegündüz çekilmiş gibi görünen görüntüler oluşturmasına olanak tanıyabilecek. Zubin Yakup ve meslektaşları.

Görüş mesafesinin düşük olduğu ve gece koşullarında görüntüleri tespit etme ve sınıflandırma yeteneğimiz sonar, radar ve LiDAR gibi teknolojilerle dönüşüme uğradı. Bu sistemler bir sinyal (ses, radyo, ışık vb.) sinyalinin gönderilmesini ve yansımaların tespit edilmesini içerir. Ancak bu, aynı sistemin birden fazla versiyonunun, parazit meydana gelmeden yakın mesafede kullanılmasını zorlaştırır. Bu durum, bu teknolojileri sürücüsüz araçlar gibi yeni ortaya çıkan bazı teknolojiler için uygunsuz hale getiriyor.

Termal görüntüleme, nesnelerin yaydığı kızılötesi radyasyonu kullanarak gece manzaralarını pasif olarak gözlemleyebildiği için bu soruna olası bir çözüm sunmaktadır. Bununla birlikte, geleneksel kızılötesi kameralarla çekilen görüntüler genellikle iyi özelliklere sahip değildir ve bunun yerine bulanık görünür. Bu, bu tür kameraların LiDAR gibi teknolojilerin yerine geçmesini uygunsuz hale getiriyor.

Dağınık radyasyon

Jacob, "'Bulanık' termal görüntülerin temel nedeni, termal görüntülemenin hem hedeflerin doğrudan emisyonunu hem de diğer çevresel nesnelerin dağınık termal radyasyonunu toplamasıdır" diye açıklıyor. "Doğrudan emisyon genellikle dağınık sinyalden on kat daha güçlüdür, ancak ilki dokusuzdur, ikincisi ise dokuları taşır."

Görünür aralıktaki bu etkinin bir örneği olarak bir ampul düşünün. Açıldığında yaydığı parlak ışık, ampulün yüzeyinde dokulara dair fark edilebilecek hiçbir ayrıntı içermese de, ampul başka bir ışık kaynağıyla aydınlatıldığında bu ayrıntılar ortaya çıkacaktır.

Jacob'ın ekibi, çalışmalarında termal görüntülemeye çok daha gelişmiş bir yaklaşım geliştirdi. Isı destekli algılama ve menzil belirleme veya HADAR olarak adlandırılan bu sistem, zayıf, dağınık kızılötesi sinyallerdeki geometrik dokuları tespit edecek kadar hassastır.

hiperspektral görüntüleme

Jacob, "Bu hedefe termal fizik ve makine öğrenimini termal görüntülerdeki spektral çözünürlükle birleştirerek ulaşıyoruz" diye açıklıyor. "HADAR, termal kızılötesinde yüzlerce farklı renk için sahnenin termal görüntülerini alan hiperspektral termal görüntülemeyi kullanıyor."

Gözümüzde görünür spektrumdaki renkler kırmızı, yeşil ve mavi fotoreseptörlerin birleşimi tarafından işlenir. Buna karşılık HADAR, gözlemlediği nesnelerin üç temel özelliğine dayanarak kızılötesi görüntüler oluşturuyor. Bunlar bir nesnenin sıcaklığıdır (T); emisyon derecesi (e) – malzeme bileşimine göre değişir; ve benzersiz termal radyasyon modelleri üreten doku (X).

Bu değerlerin tümü, bir sahnenin yaydığı kızılötesi ışıktan toplanabilir, ancak başlangıçta karmaşık ham verilerde birbirine karışır. Ancak ekibin "TeX vizyonu" yaklaşımı, makine öğrenimini kullanarak, kızılötesi sinyallerdeki genellikle bulanık olan zayıf geometrik özellikleri kurtarmak için üç temel özelliği çözebilir.

TeX renkleri

Bu, sahnenin farklı bölümlerine farklı “renkler” atayan bir algoritma kullanılarak yapılır. Farklı malzemeler T, e ve X değerlerinin birleşimiyle tanımlanabildiğinden, Jacob'ın ekibi uygun renklerden oluşan bir anlamsal kütüphane oluşturabildi.

Jacob, "Anlamsal kitaplık her anlamsal etiket için bir renkle birlikte gelir; örneğin su için mavi, ağaç için yeşil ve kum için sarı" diye açıklıyor. "Malzemelerin renkleri, gün ışığı optik görüntülemesini taklit etmek için tamamen günlük görsel görünümlerine göre belirleniyor." Bu yaklaşımla HADAR, görünürlüğü düşük ve gece sahnelerini güpegündüz göründükleri gibi görüntüleyebiliyor.

Tek fotonlu LIDAR sistemi su altındaki 3 boyutlu nesneleri görüntüler

Araştırmacılar, özellikle şu anda mevcut olan hiperspektral termal görüntüleme cihazlarının hantal, yavaş ve pahalı olması nedeniyle, HADAR'ın yaygın olarak kullanılabilir hale gelmesinden önce hala kat edilmesi gereken bir yol olduğunu kabul ediyor. Ancak daha fazla araştırmayla bu zorlukların önümüzdeki birkaç yıl içinde çözülebileceğinden ve HADAR için yüksek hızlı, kompakt ve hafif termal görüntüleme cihazlarının üretilebileceğinden umutlular.

Başarılması durumunda teknoloji, çok çeşitli faydalı uygulamalarda yeni fırsatlar yaratabilir. Jacob, "HADAR'ın özellikle geceleri otonom navigasyon, robot teknolojisi ve akıllı sağlık bakımı izlemesi için yararlı olabileceğini düşünüyoruz" diyor. "Birçok vahşi hayvan, normal kameraların çalışmadığı durumlarda yalnızca geceleri aktiftir; HADAR'ın yaban hayatı izleme için de yararlı olabileceğini düşünüyoruz."

HADAR sistemi şu şekilde açıklanmaktadır: Tabiat.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• ChartPrime. Ticaret Oyununuzu ChartPrime ile yükseltin. Buradan Erişin.
• Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
• Kaynak: https://physicsworld.com/a/machine-learning-brings-sharpness-and-colour-to-thermal-images/