TERMISK AI-
MÅLANVISNING

Termisk bildbehandling besegrar visuell kamouflage och fungerar vid noll sikt. Kombinerad med YOLOv8 AI tränad på termiska signaturer ger det automatisk måldetektering 24 timmar om dygnet oavsett väder eller ljusförhållanden.

Hur termiska kameror ser

Allt avger infraröd strålning baserad på sin temperatur. En människokropp vid 37°C avger andra våglängder än kall mark vid −10°C. En infraröd kamera (LWIR, Long-Wave Infrared) detekterar dessa skillnader och skapar en bild där varma objekt framträder ljust och kalla objekt framträder mörkt. Fysiken är grundläggande enkel: ju varmare objektet är relativt sin omgivning, desto ljusare framträder det i den termiska bilden.

Vad detta innebär operativt: en stridsvagn gömd under kamouflagenät är osynlig för en vanlig kamera men lyser som en fyr på infrarött. Dess motor (80–150°C), avgasrör (200–400°C) och nyligen avfyrade kanonrör (300–600°C) är dramatiskt varmare än allt runt omkring. Den termiska kameran ser genom kamouflagen eftersom nätet är tillräckligt tunt för att värme strålar igenom det.

AI på termisk bild

YOLOv8 tränad på infraröda bilder fungerar identiskt med visuell detektion. Istället för att känna igen färgmönster känner den igen värmemönster. Träningsprocessen är identisk med visuell detektion: visa AI:n tusentals termiska bilder med märkta mål så lär den sig att automatiskt upptäcka termiska signaturer som matchar fordon, personal och installationer.

Den rekommenderade infraröda kameran för drönaroperationer är Infiray T2S+ (250 euro): 256×192 pixlar, LWIR (8–14 μm), 19 μm pixelavstånd, USB-C-gränssnitt. Den väger 28 gram och ansluter direkt till Jetson Orin Nano. Lägre upplösning än visuella kameror men tillräcklig för fordonsdetektering på 100–300 meters AGL. Vid optimala förhållanden (vinternatt, aktiva motorer) detekterar kameran fordon på över 2 kilometers avstånd som distinkt ljusa fläckar mot kall bakgrund.

Hantering av falska positiva

Den vanligaste termiska falska positiva i svensk terräng: soluppvärmda mörka stenar som når 40–60°C under sommareftermiddagar. YOLOv8 klassificerar ibland stora uppvärmda stenar som fordon eftersom den termiska signaturens form och temperatur överlappar med kallmotorsfordon. Mildringsstrategier: temporal filtrering (en sten rör sig inte — om detektionen förblir stationär i 5+ minuter utan fordonsegenskaper på visuell kamera, sänk konfidens med 30 procent), säsongskalibrering (justera detektionströsklar högre sommartid när bakgrundstemperaturerna är förhöjda) och dubbelkameraverifikation (visuell kamera visar stentextur, inte fordonsskrov — fusionsalgoritmen fångar det som termisk ensam missar).

Termisk detektionsprestanda (verifierad)

PLANERAD KONFIGURATION: YOLOv8n skulle finjusteras på FLIR ADAS termiskt dataset plus nordiska termiska bilder. INGEN träning har faktiskt genomförts av FSG-A — inga modellvikter existerar. Implementerande myndighet måste samla eget träningsdataset från Norrland under olika årstider och träna modellen själv. FLIR ADAS är ett publikt dataset (14 000 bilder) men är dimensionerat för bilindustrin, inte militära fordon.

Termisk är KOMPLETTERANDE till visuell, inte en ersättning. Använd båda kamerorna simultant: visuell för dagljusklassificering, termisk för nattdetektering och genomrökningskapacitet. Lisa 26 fusionerar detektioner från båda sensorerna — ett mål detekterat av båda har högre konfidens än endera ensam.

Dubbelnsensorarkitekturen som Fischer 26 och Lisa 26 använder kombinerar två distinkta avbildningsmodaliteter för maximal detektionstillförlitlighet. Det visuella spektrumet ger form, färg och texturdetaljer som möjliggör fordonsmodellidentifiering. Det infraröda spektrumet ger värmesignaturdata som indikerar operationsstatus. Ingendera sensorn ensam ger fullständig information — kombinationen genom Dempster-Shafer-fusion producerar konfidensnivåer som avsevärt överstiger varje individuell sensor. I ukrainsk fälterfarenhet har dubbelssensorfusion visat sig reducera falska positiva med 60 procent jämfört med enstaka sensordetektion, samtidigt som den totala detektionsfrekvensen ökar med 25 procent.

Sensorfusionsarkitekturen bearbetar både visuella och infraröda strömmar simultant på Jetson Orin Nano och allokerar GPU-resurser dynamiskt baserat på omgivningsljusförhållanden. Under dagoperationer tar den visuella strömmen 60 procent av bearbetningskapaciteten för högre upplösningsklassificering. Vid gryning och skymning skiftar allokeringen mot jämn bearbetning. I fullständig mörker prioriteras den infraröda strömmen medan den visuella kameran växlar till nära-infrarött belysningsläge för kompletterande data.

Extern källa: Värmekamera – Wikipedia

Öppna den interaktiva hotfusionspanelen →

Implementering

# Dual-Camera Fusion — Visual + Thermal
# pip install numpy
# pip install opencv-python
import cv2, numpy as np

def fuse_visual_thermal(visual_dets, thermal_dets, max_dist_px=50):
    """Match visual and thermal detections of same target."""
    fused = []
    
    for v_det in visual_dets:
        best_match = None
        best_dist = max_dist_px
        
        for t_det in thermal_dets:
            # Compare bounding box centers
            dist = np.sqrt((v_det.cx - t_det.cx)**2 + (v_det.cy - t_det.cy)**2)
            if dist < best_dist:
                best_dist = dist
                best_match = t_det
        
        if best_match:
            # Fuse: visual gives vehicle model, thermal confirms running engine
            fused_conf = 1 - (1-v_det.conf) * (1-best_match.conf)  # Dempster-Shafer
            fused.append({
                "class": v_det.cls,          # Visual: "T-72"
                "thermal_active": True,       # Engine running
                "confidence": fused_conf,     # Combined: higher than either alone
                "position": v_det.position
            })
    
    return fused

Källor

Infiray T2S+ specifikationer (infiray.com). YOLOv8 termisk träningsguide (Ultralytics community, 2024). "Infrared Signature Management" — FLIR Systems whitepaper. FOI forskning om termisk detektion från UAS (2024).

Relaterade kapitel