Termografía en IA

La Inteligencia Artificial (IA) es uno de los temas de mayor actualidad, presente en múltiples campos de interés. Con la divulgación de este concepto, las expectativas sobre su potencial han crecido considerablemente en la sociedad. Algunos ven la IA como un conjunto de mecanismos capaces de mejorar la inteligencia humana, aumentando el rendimiento de las actividades cotidianas. Otros la consideran máquinas inteligentes capaces de aprender nuevos conceptos por sí solas. Las mayores expectativas sobre la IA se centran en la creación de humanoides que repliquen las reacciones humanas.

Con esta perspectiva, idealizamos máquinas inteligentes que puedan recibir las mismas señales que recibe el cuerpo humano, procesar esa información y reaccionar en consecuencia. Sin embargo, aquí encontramos una de las propiedades más interesantes de la IA: la capacidad de detectar e interpretar señales e información inaccesibles directamente para los humanos, como la radiación electromagnética fuera del espectro visible, los infra- y ultrasonidos, o las señales procedentes de entornos hostiles.

En esta ocasión, nos centraremos en el potencial de la termografía en sistemas de Inteligencia Artificial. Las cámaras de visión térmica se utilizan actualmente en una amplia variedad de sectores, incluyendo agricultura, construcción, electricidad, sanidad y muchos otros. Sin embargo, pocas aplicaciones combinan cámaras térmicas con sistemas inteligentes.

En este artículo presentamos una breve explicación de la radiación térmica, seguida de una introducción a las cámaras térmicas y sus características, algunos ejemplos de soluciones actuales de termografía + IA, y sugerencias para casos de uso que pueden explorarse en un futuro próximo, agrupados por sector.

Curso, Plantillas

Data Ignite

Aprovecha el potencial de tus datos con nuestro curso.

Más información

Termografía

De forma similar a las cámaras RGB, las cámaras de termografía son sensores que capturan radiación electromagnética, en este caso, radiación térmica. Pero, ¿qué es la radiación térmica?

El calor, o radiación térmica, es el resultado de la energía irradiada por cualquier materia con una temperatura superior a 0 Kelvin (0K = -273,15º C). Por encima de esta temperatura, los átomos y moléculas experimentan pequeños movimientos asociados a una cierta energía cinética. Dado que los átomos están compuestos por partículas cargadas (protones y electrones), las interacciones cinéticas generan campos eléctricos y magnéticos, que consecuentemente producen emisión de fotones.

Por tanto, cualquier objeto con una temperatura superior al cero absoluto emite energía térmica. Esta radiación es visible a simple vista en algunas ocasiones, por ejemplo, cuando un metal se calienta hasta ponerse rojo. En este caso, el metal emite radiación roja (incluida en el espectro visible), pero antes de llegar a este punto, ya estaba emitiendo radiación con menor energía. Cuanto menor es la temperatura, menor es la energía, y menor la frecuencia de onda. Por consiguiente, la radiación emitida por los objetos cotidianos pertenece al espectro infrarrojo (IR).

Diagrama del espectro electromagnético, mostrando el tipo, frecuencia y temperatura de emisión del cuerpo negro. Adaptado de File:EM Spectrum Properties edit.svg.

Un dato curioso: los humanos consideramos rojo, naranja y amarillo como colores cálidos, mientras que verde, azul y violeta se perciben como colores fríos. Sin embargo, los objetos que emiten radiación azul son aproximadamente 10 veces más calientes (según la escala Kelvin) que los objetos que emiten radiación roja.

Cámaras térmicas

Partiendo de la información anterior, es razonable concluir que las cámaras térmicas son sensores infrarrojo. Sin embargo, no debemos confundirlas con las cámaras de visión nocturna iluminadas con infrarrojo. Estas últimas capturan la reflexión de la radiación IR proyectada por ellas mismas, en lugar de captar la radiación emitida por los objetos.

Al trabajar con cámaras térmicas, el usuario debe tener en cuenta dos efectos: la emisividad y la reflectividad. La emisividad se relaciona con la eficiencia de un objeto para emitir radiación IR, mientras que la reflectividad mide cómo la superficie del objeto refleja la radiación. Ambas dependen de las propiedades de la superficie del objeto, como la rugosidad, morfología y oxidación, y se relacionan mediante la ecuación: reflectividad = 1 – emisividad.

Para lograr una emisividad de 1,0, la superficie debería comportarse como un cuerpo negro perfecto, algo imposible de obtener en condiciones normales. Sin embargo, para mediciones termográficas, es deseable que la superficie tenga la mayor emisividad posible.

Cuando la superficie es muy pulida y brillante, como un espejo, la reflectividad es muy alta y las mediciones de temperatura se ven alteradas por la temperatura del fondo. Por tanto, el usuario debe evitar captar señales ruidosas a través de la superficie reflectante, como los destellos de sol, y adquirir imágenes desde diferentes ángulos.

Imágenes térmicas de una ventana de vidrio. A la izquierda, el vidrio reflejaba el horizonte urbano, sin destellos de sol. A la derecha, el vidrio estaba reflejando el sol, comprometiendo la medición de la temperatura de la superficie del vidrio.

¿Cuándo utilizar cámaras de termografía?

Las cámaras térmicas pueden utilizarse para visualizar señales invisibles a simple vista o para mejorar la detección de objetos visibles en condiciones de poca visibilidad, cuando su temperatura difiere del fondo.

Existe una amplia lista de lo que puede detectarse con una cámara térmica, incluyendo categorías como edificios, terreno, rocas (especialmente durante la noche, ya que acumulan calor durante el día), motores mecánicos, vehículos, seres vivos (animales y vegetación), líquidos, gases, circuitos eléctricos, fugas en sistemas de aislamiento, etc.

Una ventaja de las cámaras térmicas respecto a las cámaras RGB es el mantenimiento de la privacidad, es decir, estas cámaras pueden utilizarse para detectar personas y registrar su comportamiento. No obstante, en sistemas de baja resolución, las personas no pueden ser fácilmente identificadas a través de la termografía.

Los sensores térmicos también son muy útiles para detectar objetos a través del polvo o el humo, sin embargo, su rendimiento disminuye cuando intentan ver a través de la lluvia o la niebla, ya que las gotas de agua causan dispersión de la luz.

Observando la imagen RGB a la izquierda, ¿puedes identificar la abeja? Ahora, busca un punto caliente entre las hojas en la imagen térmica. ¿Ves la abeja ahora?

Aplicaciones de IA en termografía

La visión por computadora es el campo científico que se enfoca en la interpretación digital de datos visuales como imágenes y vídeos. Las metodologías clásicas de visión por computadora incluyen procesamiento de imágenes, extracción de características e integración con algoritmos de machine learning. Con el desarrollo de algoritmos de deep learning como las redes neuronales convolucionales (CNN), los modelos han adquirido la capacidad de extraer automáticamente las características más relevantes para cada tarea.

Estos algoritmos de IA no solo ahorran trabajo y tiempo, sino que también pueden identificar información relevante que pasa desapercibida cuando se extraen características manualmente. Si esta propiedad resulta útil para características RGB, su utilidad es aún más relevante para la termografía, cuya interpretación es menos intuitiva y requiere entrenamiento previo.

Con esto en mente, algunos desarrolladores han creado soluciones de IA alimentadas por imágenes térmicas. En esta sección encontrarás algunas de esas aplicaciones.

Reconocimiento de materiales – Youngjun et al. desarrollaron un algoritmo de deep learning para reconocer tipos de materiales a través de patrones de temperatura. El modelo alcanzó una precisión del 98% para materiales de interior y del 89% para materiales de exterior. Esta tarea podría realizarse usando una cámara RGB, sin embargo, las imágenes térmicas no dependen de las condiciones de iluminación, siendo más consistentes, independientemente de la hora del día. [1]

Detección de personas – Los sistemas de detección de personas tienen una amplia gama de aplicaciones, como vigilancia de seguridad, misiones de rescate, monitoreo del tránsito peatonal, monitoreo de multitudes en espacios públicos, etc. Actualmente, existen pocas soluciones de IA para detección de personas que integren imágenes térmicas. Sin embargo, todas se aplican a vigilancia de seguridad.

Guía automática para bomberos – Bhattarai y Martínez-Ramón desarrollaron un mecanismo capaz de detectar objetos objetivo como puertas, ventanas y escaleras en condiciones de humo denso y proporcionar apoyo a los bomberos en tiempo real. Este mecanismo también detecta personas y estima su postura, lo cual es un indicador de su estado de salud, ayudando en la priorización del rescate.

Detección de fiebre – Athena integra sensores térmicos en sus cámaras de seguridad para medir la temperatura corporal. Utilizando IA, su sistema detecta automáticamente a personas con fiebre, enviando una alerta, lo cual es muy útil actualmente para controlar la contaminación por COVID-19.

Diagnóstico del Síndrome del Túnel Carpiano – Jesensek Papez et al. desarrollaron una herramienta automática para el diagnóstico del Síndrome del Túnel Carpiano utilizando termografía. Este síndrome resulta en la compresión del nervio mediano dentro del túnel carpiano, dañando las fibras nerviosas que lo rodean. Este daño causa una disminución de la emisión de calor vascular, visible en la termografía.

Casos de uso potenciales

En la sección anterior presentamos algunas soluciones de IA que se han desarrollado hasta ahora. La lista no es muy extensa, lo que significa que hay mucho por hacer con IA y termografía. Si te interesa la termografía o la IA, consulta los casos de uso sugeridos a continuación. Podrían inspirarte para desarrollar una nueva solución, por tu cuenta o con el equipo de NILG.AI.

Agricultura y Ganadería

• Monitoreo del contenido de agua mediante propiedades de reflectancia espectral de la vegetación y programación automática del riego.
• Detección de salinidad del suelo.
• Detección de infecciones planta-patógeno.
• Predicción del rendimiento de cultivos.
• Detección de hematomas y rasguños para selección de frutas y verduras.
• Evaluación de la maduración de frutas.
• Detección de cuerpos extraños en alimentos.
• Detección temprana de dermatitis en caballos de carreras.
• Detección temprana de mastitis subclínica en vacas lecheras.
• Detección de daño articular en bovinos.
• Detección de daño tisular e inflamación en bovinos.

Moda y Textil

• Selección de telas basada en monitoreo de retención de sudor en prendas de vestir.
• Investigación y análisis de materiales, midiendo propiedades como secado, transporte de calor y humedad.

Medio Ambiente

• Monitoreo automático de contaminación del agua en drones.
• Detección de áreas de deforestación ilegal.
• Estudio automático de poblaciones de especies de vida silvestre.

Tráfico y Transporte

• Control y vigilancia de tráfico efectivos en condiciones de baja visibilidad.
• Detección de Vehículos Aéreos No Tripulados (UAVs).
• Monitoreo y control del tráfico aéreo.
• Mantenimiento de vehículos, mediante monitoreo de componentes eléctricos y mecánicos.

Construcción

• Inspección eléctrica automática.
• Detección de pérdidas de calor o infiltración de aire.
• Detección de fugas en tejados.
• Detección de obstrucciones en tuberías.

Sanidad

• Cribado de cáncer de mama.
• Detección de infecciones, inflamaciones y lesiones.
• Detección de perfusión sanguínea.
• Detección de lesiones por agresión sexual en colposcopia.
• Detección de signos internos de estrangulamiento.

Existe un mundo entero de datos más allá del alcance de nuestros sensores humanos. La IA puede ayudarte a ampliar las capacidades humanas utilizando eficientemente ese conocimiento. La termografía es un ejemplo. Permanece atento para obtener más información sobre otras formas de percibir el mundo en el que vivimos.

¿Deseas profundizar en esta idea?

Reserva una reunión con Paulo Maia

Conoce a Paulo Más información

Referencias

1. Cho, Youngjun, et al. "Deep thermal imaging: proximate material type recognition in the wild through deep learning of spatial surface temperature patterns." Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. 2018.
2. Zhang, Huaizhong, et al. "Systematic infrared image quality improvement using deep learning based techniques." Remote Sensing Technologies and Applications in Urban Environments. Vol. 10008. International Society for Optics and Photonics, 2016.
3. Papež, B. Jesenšek, et al. "Infrared thermography based on artificial intelligence as a screening method for carpal tunnel syndrome diagnosis." Journal of International Medical Research 37.3 (2009): 779-790.