Usuwanie szumów z obrazów termowizyjnych
W ramach projektu kluczowym aspektem jest implementacja zaawansowanego systemu do odszumiania danych. W kontekście analizy obrazów termowizyjnych, obecność szumów może znacząco wpływać na dokładność i wiarygodność wyników pomiarów temperatury, co ma bezpośrednie konsekwencje dla celów diagnostycznych i monitorowania stanu zdrowia zwierząt.
Przegląd dostępnych rozwiąząń
Jednym z podejść do odszumiania obrazów jest wykorzystanie filtrów opartych na algorytmach przetwarzania obrazów. W szczególności, zastosowanie zostało znalezione dla trzech typów filtrów: filtru Gaussa, medianowego oraz dwumianowego (bilateralnego), które są implementowane z wykorzystaniem biblioteki OpenCV w języku Python. Filtr Gaussa, charakteryzujący się wykorzystaniem rozkładu normalnego do wygładzania obrazów, jest szczególnie efektywny w redukcji szumów gaussowskich.
Zastosowanie tego filtru pozwala na osiągnięcie rozmycia obrazu przy
jednoczesnym zachowaniu kluczowych struktur i krawędzi. Przykładowe parametry, takie jak rozmiar jądra (ksize) na poziomie 5×5 pikseli oraz odchylenie standardowe (sigmaX) ustalone na wartość 1.5, pozwalają na skuteczną filtrację szumów przy minimalnej utracie detali obrazu.
Filtr medianowy, używany głównie do redukcji szumów typu „sól i pieprz”, bazuje na zasadzie zastępowania wartości piksela medianą z jego sąsiedztwa. Przyjęcie rozmiaru jądra (ksize) równego 3 pozwala na efektywne usuwanie anomalii pikselowych bez znaczącego wpływu na ogólną strukturę obrazu.
Filtr dwumianowy (bilateralny), łączący redukcję szumów z zachowaniem krawędzi, stosowany jest w celu uzyskania obrazów o wysokiej jakości, gdzie ważne jest utrzymanie wyraźności krawędzi. Parametry takie jak średnica każdego piksela (d) na poziomie 9, sigmaColor równa 75 i sigmaSpace równa 75, pozwalają na zachowanie istotnych cech obrazu przy jednoczesnym efektywnym usuwaniu szumów
Wybór rozwiązania
Decyzja o zastosowaniu filtru dwumianowego (bilateralnego) jako głównego
narzędzia do usuwania szumów z obrazów termowizyjnych krów w naszym projekcie została podjęta na podstawie jego zdolności do efektywnej redukcji szumów przy jednoczesnym zachowaniu krawędzi i detali strukturalnych obrazu. Znaczenie tej cechy jest szczególnie krytyczne w analizie termowizyjnej, gdzie dokładne oddzielenie różnych elementów obrazu, takich jak wymiona krów od tła, jest niezbędne dla precyzyjnej interpretacji danych termicznych. Filtr dwumianowy wyróżnia się spośród innych metod odszumiania, takich jak filtr Gaussa czy medianowy, poprzez uwzględnienie różnic w intensywności pikseli, co pozwala na skuteczną ochronę krawędzi obiektów przed zatraceniem podczas redukcji szumów.
Dzięki temu, nawet delikatne różnice temperaturowe, mające istotne znaczenie dla oceny stanu zdrowia zwierząt, są zachowane i wyraźnie widoczne na obrazie. Filtr bilateralny umożliwia także precyzyjną parametryzację, w tym dostosowanie średnicy piksela (d), sigmaColor i sigmaSpace, co pozwala na dogłębne zbalansowanie między stopniem odszumiania a zachowaniem szczegółów obrazu.
W projekcie parametry te zostały dostosowane do poziomów zapewniających
optymalną eliminację szumów przy maksymalnym zachowaniu wartościowych
informacji termicznych, co było możliwe dzięki przeprowadzeniu dogłębnych
eksperymentów i analiz mających na celu identyfikację najlepszej konfiguracji dla charakterystyk obrazów termowizyjnych krów.
Ponadto, zdolność filtru bilateralnego do adaptacji sprawdziła się wyjątkowo dobrze w warunkach różnorodności występujących w analizie obrazów termowizyjnych, obejmujących zmienne poziomy szumów oraz tło. Ta elastyczność pozwoliła na osiągnięcie wysokiej jakości obrazów odszumionych niezależnie od warunków początkowych.
Wybór tradycyjnych filtrów, takich jak filtr dwumianowy, zamiast Denoising
Convolutional Neural Networks (DnCNN) do usuwania szumów z obrazów
termowizyjnych, został podyktowany ich prostotą implementacji, szybkością
działania i mniejszymi wymaganiami sprzętowymi. Chociaż DnCNN mogą oferować zaawansowane możliwości odszumiania poprzez naukę z danych, wymagają one znacznych zasobów obliczeniowych i czasu na trening, co w kontekście naszego projektu mogłoby ograniczyć szybkość i elastyczność w działaniu. Filtry takie jak dwumianowy pozwalają na efektywną redukcję szumów przy zachowaniu ważnych dla analizy termicznej detali obrazu, co jest kluczowe dla celów diagnostycznych i monitorowania stanu zdrowia zwierząt, zapewniając szybką i skuteczną metodę poprawy jakości danych bez konieczności intensywnego procesu trenowania
System autokalibracji
W ramach projektu, kluczowym elementem systemu do autokalibracji jest
wykorzystanie obrazów termowizyjnych, na których segment ciała doskonale
czarnego jest precyzyjnie oznaczony przy użyciu narzędzia Computer Vision
Annotation Tool (CVAT). Ta metoda anotacji pozwala na dokładne zidentyfikowanie obszaru ciała doskonale czarnego, co jest niezbędne dla procesu segmentacji realizowanego przez model YOLOv8.
W ramach procesu autokalibracji systemu pomiaru temperatury wykorzystującego obrazy termowizyjne, kluczowym aspektem jest obecność ciała doskonale czarnego (blackbody) na zdjęciach termowizyjnych razem z obszarem wymienia krów. Ciało doskonale czarne służy jako punkt odniesienia dzięki swojej znanej właściwości absorpcyjnej, pozwalając na kalibrację i korektę pomiarów temperatury uzyskanych z obrazów termowizyjnych. Podczas pomiaru, temperatura ciała doskonale czarnego
jest równocześnie rejestrowana za pomocą pirometru i zapisywana w bazie danych, co umożliwia dokładne zestawienie danych referencyjnych z obserwacjami termowizyjnymi. Celem procesu autokalibracji jest osiągnięcie jak najwyższej zgodności odczytów temperatury wymienia, uzyskanych z obrazów termowizyjnych, z faktyczną temperaturą ciała doskonale czarnego zmierzoną pirometrem, a także z temperaturą tego ciała widoczną na zdjęciu termowizyjnym. Realizacja tego celu wymaga precyzyjnej segmentacji obrazu termowizyjnego w celu wyizolowania obszarów odpowiadających ciału doskonale czarnemu oraz wymieniu, co jest możliwe dzięki
wykorzystaniu zaawansowanych technik przetwarzania obrazów i uczenia
maszynowego, takich jak model YOLOv8. Dalsza analiza zakłada porównanie temperatury ciała doskonale czarnego odczytanej pirometrem z jej temperaturą uzyskaną z analizy obrazu termowizyjnego.
Na podstawie tej analizy, dokonywana jest korekta parametrów kamery
termowizyjnej, tak aby pomiar temperatury wymienia na obrazie termowizyjnym był jak najbardziej zbliżony do rzeczywistej wartości temperaturowej. Proces ten nie tylko pozwala na dokładniejsze pomiary temperatury ciała zwierząt, ale również zwiększa wiarygodność monitorowania stanu zdrowia zwierząt, umożliwiając szybką identyfikację potencjalnych problemów zdrowotnych
