حاليًا، تعمل تكنولوجيا الذكاء الاصطناعي على تسريع تكامل وتطبيق تكنولوجيا التصوير الحراري بالأشعة تحت الحمراء، ويتم الترويج لتطبيقها في مجال التصوير الحراري بالأشعة تحت الحمراء بسرعة، ويمكن لتقنية الذكاء الاصطناعي تمكين تكنولوجيا التصوير الحراري بالأشعة تحت الحمراء على مستويات متعددة مثل خوارزميات معالجة الصور واكتشاف الأهداف والاعتراف.
فيما يتعلق بخوارزميات معالجة الصور، يمكن استخدام تقنية الذكاء الاصطناعي لتحسين صورة الأشعة تحت الحمراء، وتحسين رسم خرائط نغمة الأشعة تحت الحمراء، وإعادة بناء صورة الأشعة تحت الحمراء بدقة فائقة، وما إلى ذلك. فيما يتعلق بتحسين صورة الأشعة تحت الحمراء، تُستخدم نماذج التعلم العميق للتعرف على الميزات الرئيسية في الصور ويتم تحسينها بناءً على هذه الميزات لتحسين تباين الصورة وتفاصيلها ووضوحها، مما يجعل صور الأشعة تحت الحمراء أسهل في التحليل والفهم. استنادًا إلى شبكات تقليل الضوضاء العميقة الكلاسيكية التي تعمل بالذكاء الاصطناعي مثل DnCnn وREDNet، فإن تأثير تقليل الضوضاء في صورة الأشعة تحت الحمراء يتفوق على خوارزميات تقليل الضوضاء التقليدية. يقوم تعيين النغمة بتعيين قيم سطوع صور الأشعة تحت الحمراء إلى نطاق مناسب لمراقبة العين البشرية، وفي الوقت الحاضر، تم استخدام نماذج الذكاء الاصطناعي العميق مثل DeepTone وHDRNet وRetinexNet لتعزيز تعيين النغمات لصور الأشعة تحت الحمراء، ويكون التأثير أفضل. من خوارزميات رسم الخرائط التقليدية ويمكنها تحسين تباين الصور وتصورها بشكل كبير لتسليط الضوء على المعلومات والتفاصيل الرئيسية. يمكن للنموذج العميق القائم على التعلم العميق بالذكاء الاصطناعي إجراء إعادة بناء فائقة الدقة لصور الأشعة تحت الحمراء بشكل جيد للغاية، واستنتاج صور عالية الدقة من صور منخفضة الدقة، وتعزيز وضوح الصورة ودقتها. SRGAN (شبكة الخصومة التوليدية فائقة الدقة) هو نموذج إعادة بناء فائق الدقة يعتمد على شبكة الخصومة التوليدية. وهو يحقق رسم الخرائط من الصور منخفضة الدقة إلى الصور عالية الدقة من خلال عملية المنافسة بين مولدي التدريب والمميزين. تعد ESRGAN (شبكة الخصومة التوليدية المحسنة فائقة الدقة) نموذجًا محسنًا لـ SRGAN، والذي يقدم فقدان الإدراك الحسي وبنية الكتلة المتبقية لتوفير تأثير إعادة بناء أفضل بدقة فائقة. RCAN (شبكات انتباه القنوات المتبقية) هي نموذج خفيف الوزن فائق الدقة يستخدم آلية انتباه القناة لاستخراج ميزات الصورة ونقل المعلومات من خلال الاتصالات المتبقية لتحقيق إعادة بناء عالية الدقة وعالية الدقة.فيما يتعلق بخوارزميات معالجة الصور، يمكن استخدام تقنية الذكاء الاصطناعي لتحسين صورة الأشعة تحت الحمراء، وتحسين رسم خرائط نغمة الأشعة تحت الحمراء، وإعادة بناء صورة الأشعة تحت الحمراء بدقة فائقة، وما إلى ذلك. فيما يتعلق بتحسين صورة الأشعة تحت الحمراء، تُستخدم نماذج التعلم العميق للتعرف على الميزات الرئيسية في الصور ويتم تحسينها بناءً على هذه الميزات لتحسين تباين الصورة وتفاصيلها ووضوحها، مما يجعل صور الأشعة تحت الحمراء أسهل في التحليل والفهم. استنادًا إلى شبكات تقليل الضوضاء العميقة الكلاسيكية التي تعمل بالذكاء الاصطناعي مثل DnCnn وREDNet، فإن تأثير تقليل الضوضاء في صورة الأشعة تحت الحمراء يتفوق على خوارزميات تقليل الضوضاء التقليدية. يقوم تعيين النغمة بتعيين قيم سطوع صور الأشعة تحت الحمراء إلى نطاق مناسب لمراقبة العين البشرية، وفي الوقت الحاضر، تم استخدام نماذج الذكاء الاصطناعي العميق مثل DeepTone وHDRNet وRetinexNet لتعزيز تعيين النغمات لصور الأشعة تحت الحمراء، ويكون التأثير أفضل. من خوارزميات رسم الخرائط التقليدية ويمكنها تحسين تباين الصور وتصورها بشكل كبير لتسليط الضوء على المعلومات والتفاصيل الرئيسية. يمكن للنموذج العميق القائم على التعلم العميق بالذكاء الاصطناعي إجراء إعادة بناء فائقة الدقة لصور الأشعة تحت الحمراء بشكل جيد للغاية، واستنتاج صور عالية الدقة من صور منخفضة الدقة، وتعزيز وضوح الصورة ودقتها. SRGAN (شبكة الخصومة التوليدية فائقة الدقة) هو نموذج إعادة بناء فائق الدقة يعتمد على شبكة الخصومة التوليدية. وهو يحقق رسم الخرائط من الصور منخفضة الدقة إلى الصور عالية الدقة من خلال عملية المنافسة بين مولدي التدريب والمميزين. تعد ESRGAN (شبكة الخصومة التوليدية المحسنة فائقة الدقة) نموذجًا محسنًا لـ SRGAN، والذي يقدم فقدان الإدراك الحسي وبنية الكتلة المتبقية لتوفير تأثير إعادة بناء أفضل بدقة فائقة. RCAN (شبكات انتباه القنوات المتبقية) هي نموذج خفيف الوزن فائق الدقة يستخدم آلية انتباه القناة لاستخراج ميزات الصورة ونقل المعلومات من خلال الاتصالات المتبقية لتحقيق إعادة بناء عالية الدقة وعالية الدقة.
إن اكتشاف الأهداف والتعرف عليها له احتياجات واسعة النطاق في المجالات العسكرية والأمنية والقيادة بدون طيار. إن جوهر التعرف على الهدف في فيديو الأشعة تحت الحمراء هو اكتشاف أهداف محددة أولاً من الصور، مثل المشاة، ثم تصنيف وتحديد تصرفات الهدف. من خلال تدريب بعض النماذج الكلاسيكية للكشف عن الأهداف العميقة، مثل نماذج Faster R-CNN وYOLO وSSD، يمكن لتمكين الذكاء الاصطناعي تحقيق تحديد المواقع وتحديد الأهداف المختلفة بدقة (مثل الأجسام البشرية والمركبات وما إلى ذلك) في صور الأشعة تحت الحمراء، مما يوفر المزيد يمكن استخدام قدرات مراقبة الهدف الموثوقة، والتحديد الدقيق للأهداف البشرية وتتبعها في صور الأشعة تحت الحمراء، في المراقبة بالفيديو وأمن الحدود وغيرها من المجالات. في التطبيقات ذاتية القيادة، يتم استخدام تقنية الرؤية المدعومة بالذكاء الاصطناعي لاكتشاف مركبات الطريق الأخرى والتعرف عليها من خلال صور الأشعة تحت الحمراء، وبالتالي توفير ظروف الحكم والمواقف المحتملة لقرارات القيادة. يعد دمج الصور بالضوء المرئي والأشعة تحت الحمراء فرعًا مهمًا في مجال دمج الصور، واستنادًا إلى طرق توسيع التحويل متعددة النطاق، والأساليب القائمة على الشبكات الخصومة التوليدية وخوارزميات دمج التعلم العميق القائمة على التشفير التلقائي، تتمتع الصورة المندمجة بميزات غنية صور الضوء المرئي، وهي تحتوي على معلومات أساسية وتفصيلية، ومعلومات جيدة عن الأهداف من صور الأشعة تحت الحمراء، كما أن صورة الاندماج تتمتع بمتانة جيدة.
مع التنمية المستدامة طويلة المدى لاقتصاد بلدنا وتقنيته، حققت تكنولوجيا التصوير الحراري بالأشعة تحت الحمراء في بلدنا تقدمًا كبيرًا واستمرت في تحسين مستواها المهني والتقني، خاصة مع جذب ودعم المشاريع الوطنية الكبرى، وتعزيز المستوى البؤري للأشعة تحت الحمراء غير المبردة والمعالجة الذكية أصبح توطين المستويات "الأساسية" مثل الرقائق هو اتجاه تطوير تكنولوجيا التصوير الحراري. حاليًا، يواصل كاشف المستوى البؤري بالأشعة تحت الحمراء غير المبردة (VA-6100)، المدعوم بتقنية الذكاء الاصطناعي، تحسين الأداء ومستوى الذكاء لأنظمة التصوير الحراري بالأشعة تحت الحمراء، وخفض التكاليف من خلال الإنتاج الضخم والتطبيق، وإفساح المجال كاملاً لمراقبته وتحليله. وتسريع توسعها وتطبيقها المتعمق في الاقتصاد الرقمي والقيادة الذاتية والروبوتات وغيرها من المجالات.
اذهب إلى الأعلى
Gen 2+/3 الرؤية الليلية
التصوير الحراري غير المبرد
التصوير الحراري المبرد
جهاز تحديد المدى بالليزر