Des caméras thermiques à bas prix gagnent en précision grâce à une nouvelle méthode

Les caméras thermiques sont souvent utilisées dans des domaines comme l'agriculture, la médecine et la sécurité pour mesurer la température. Même si des caméras de haute qualité existent, elles peuvent coûter cher. Les caméras à bas prix sont une alternative, mais elles galèrent souvent avec la précision à cause du dérive de température et des lectures inconsistantes de différentes parties de l'image.

Pour résoudre ces problèmes, une nouvelle méthode a été développée pour estimer la température et corriger les irrégularités dans les images capturées par des caméras thermiques moins chères. Cette méthode utilise plusieurs images prises en même temps, permettant d'obtenir des lectures plus précises en compensant les défauts de chaque image individuelle.

Les caméras thermiques à bas prix, qui reposent souvent sur la technologie microbolomètre, peuvent être avantageuses à cause de leur coût abordable et de leur faible consommation d'énergie. Cependant, elles rencontrent souvent des problèmes, comme la non-uniformité dans la détection de la température et le bruit, ce qui peut mener à des Lectures de température incorrectes. Ces problèmes surviennent parce que la conception de la caméra permet à la chaleur de ses propres composants d'affecter les lectures, et la sensibilité des capteurs peut varier.

Pour créer des cartes de température précises à partir de caméras peu coûteuses, cette méthode s'appuie sur les caractéristiques physiques de la caméra et sur une approche d'apprentissage profond appelée "kernel prediction network" (KPN). Ce réseau traite les images et permet de combiner plusieurs images, même si elles ne sont pas parfaitement alignées. En plus, il inclut un bloc d'offset qui prend en compte la température ambiante, ce qui aide à améliorer la précision.

Des tests ont montré que l'utilisation de plusieurs images améliore la précision tant de l'estimation de température que de la correction de la non-uniformité. La méthode a été évaluée en utilisant des données collectées d'une caméra à bas prix montée sur un drone. L'erreur moyenne était minime par rapport aux lectures de caméras de meilleure qualité, indiquant que la nouvelle approche est efficace.

En estimation de température, connaître la température des plantes peut aider à évaluer leur santé. Les caméras thermiques mesurent le rayonnement thermique des objets, éclairant leur température. Les caméras thermiques traditionnelles peuvent être chères à cause de leurs systèmes de refroidissement et de leurs caractéristiques complexes. Une option viable est d'utiliser des caméras microbolomètre à bas prix, qui consomment moins d'énergie mais font des compromis sur la précision.

Les caméras Microbolomètres mesurent la température à travers des changements de résistance électrique influencés par le rayonnement thermique. Cependant, la conception variable et les conditions ambiantes provoquent souvent des erreurs substantielles dans les lectures. Ces caméras luttent contre le bruit, ce qui augmente les changements de température minimaux qu'elles peuvent détecter, limitant leur efficacité.

De nombreuses applications bénéficient de l'imagerie thermique, y compris la télédétection, où des informations sont collectées à distance. Les drones équipés de caméras thermiques peuvent collecter de vastes quantités de données à des fins de recherche et de surveillance. Le chevauchement entre les images prises à différents moments peut améliorer considérablement la précision des estimations de température et la qualité des images.

L'objectif de la recherche est d'utiliser les informations redondantes provenant de cadres superposés pour améliorer la précision de la température et corriger les lectures inégales. Deux tâches principales en estimation de température incluent la conversion des sorties de la caméra en lectures de température et la correction des incohérences dans les résultats des capteurs.

La calibration thermique transforme les données brutes de la caméra en données de température, ce qui implique généralement de compiler un large ensemble de données de lectures de température. La correction de non-uniformité (NUC) s'attaque aux variations qui affectent la précision des lectures. Les méthodes traditionnelles nécessitent souvent une calibration extensive et peuvent être impraticables à cause des coûts d'équipement.

Des avancées récentes ont été faites dans ces deux domaines. Certaines techniques exploitent l'apprentissage automatique pour apprendre des données et réduire les erreurs sans nécessiter de calibration extensive. La méthode proposée n'exige aucune calibration ou référence supplémentaire, permettant une mise en œuvre pratique dans diverses applications.

La nouvelle approche utilise une combinaison de plusieurs images pour compenser les erreurs résultant de la non-uniformité. Cela se fait en alignant les images et en tirant parti de leurs zones de chevauchement. Ce faisant, la méthode synthétise les meilleures informations provenant de plusieurs images, conduisant à une estimation de température plus fiable.

Le processus commence avec la caméra capturant plusieurs cadres superposés rapidement. Ces cadres sont ensuite alignés, s'assurant que le même objet est représenté dans le même espace à travers toutes les images. Après enregistrement, l'algorithme traite les images pour identifier les lectures de température.

Chaque cadre contribue à créer une carte de température plus précise. Le modèle KPN traite les images à travers des couches qui lui permettent de prédire la température plus efficacement. Le bloc d'offset, qui ajoute des données de température ambiante, améliore encore la précision de la méthode.

Des tests approfondis ont montré le potentiel de la nouvelle technique. En utilisant plusieurs images, les chercheurs ont démontré des améliorations significatives de la précision de la température et de la correction de la non-uniformité. Les résultats de la méthode sont prometteurs, montrant qu'elle peut rivaliser avec les solutions d'imagerie thermique conventionnelles.

De plus, il a été démontré que la technique peut bien se généraliser à différents types et conditions de caméra. Cette flexibilité suggère qu'elle pourrait être utilisée dans divers contextes, comme l'agriculture, le suivi environnemental ou l'inspection des bâtiments.

En résumé, la nouvelle méthode offre une solution prometteuse pour améliorer la précision et la fiabilité de l'imagerie thermique à bas prix. En tirant parti de plusieurs images et en incorporant des données de température ambiante, elle montre un potentiel d'élargir les applications des caméras thermiques, rendant les mesures de température précises plus accessibles dans divers domaines.

Globalement, cette avancée ouvre la voie à une utilisation accrue des caméras thermiques dans les applications quotidiennes, promettant d'améliorer la qualité des mesures et des données collectées dans divers secteurs. Cela peut mener à une meilleure surveillance de la santé des plantes en agriculture, à une sécurité accrue dans les inspections de bâtiments, et à une surveillance plus efficace dans les opérations de sécurité.

En utilisant du matériel à bas prix sans sacrifier la précision, cette approche encourage une adoption plus large de la technologie d'imagerie thermique, ce qui pourrait se traduire par des avantages significatifs tant dans la recherche que dans les applications pratiques.