Imágenes no visibles: Infrarrojo cercano (NIR)
¡Bienvenidos a nuestra próxima serie de blogs sobre visión artificial! Durante los próximos cuatro artículos, avanzaremos en lo que aprendimos de nuestra serie de blogs sobre iluminación explorando el mundo de las imágenes no visibles, ampliando nuestro conocimiento sobre los fundamentos de la luz y analizando la elección de cámaras en diferentes contextos de imágenes no visibles.
Esta semana exploraremos el uso de las imágenes de infrarrojo cercano (o NIR) en sistemas de visión artificial y cómo seleccionar una cámara para imágenes NIR.
Ya sea que esté interesado en construir su propio sistema de visión artificial para un proyecto, una aplicación comercial, o simplemente esté interesado en aprender más sobre las imágenes no visibles para la visión artificial, esta publicación de blog es para usted. ¡Esperamos que disfrute leyéndola!
¿Qué son las imágenes de infrarrojo cercano (NIR)?
Las imágenes NIR se refieren a un rango en el espectro de luz entre 850 y 940 nanómetros (nm).
Espectro de luz visible e IR.
La luz NIR tiene una longitud de onda más larga que la luz visible, lo que generalmente significa que la luz se transmite más fácilmente a través de materiales como papel, tela y plástico. Las longitudes de onda NIR también reaccionan de manera diferente en materiales y recubrimientos que la luz visible. Los puntos clave son que puede:
- Penetrar materiales más fácilmente
- Reducir la saturación de color en los objetos con imágenes
- Eliminar el brillo y los reflejos no deseados
- Ignorar detalles no deseados en varias aplicaciones de inspección
La luz NIR se utiliza aquí para ignorar el código de fecha impreso y resaltar la banda del calentador para que pueda ser inspeccionada.
Filtros NIR
Los filtros de paso de banda son una excelente manera de asegurar que solo la luz NIR llegue al sensor de su cámara. MidOpt ofrece una muy buena gama de filtros de visión artificial, con su filtro BP880 que ofrece un rango útil de 845-930nm.
Datos de MidOpt BP880
Aplicaciones
Las imágenes NIR pueden resolver problemas en una variedad de industrias, incluyendo la visión artificial, la automatización de fábricas, la seguridad y vigilancia, el reconocimiento de matrículas, la medicina y las ciencias de la vida.
En la visión artificial de fábrica, la iluminación NIR es excelente para cosas como la inspección de los niveles de llenado en los envases. Ciertos defectos y la detección de fallas se pueden identificar con NIR donde la luz visible no funciona.
Las imágenes NIR también han revolucionado la tecnología de reconocimiento automático de matrículas (ANPR), lo que ayuda en aplicaciones específicas como el cobro electrónico de peajes (ETC), la gestión de estacionamientos y la aplicación de la ley.
En un sistema de visión ANPR, una cámara de alta resolución con un iluminador NIR tiene que capturar claramente la matrícula de un vehículo. La ingeniosidad detrás del uso de imágenes NIR en esta aplicación es que, independientemente del día, la noche, entornos sombreados o bien iluminados, los LED NIR siempre serán capaces de proporcionar suficiente iluminación para que la cámara realice su tarea.
La imagen puede ser analizada en el sistema informático utilizando software de Reconocimiento Óptico de Caracteres (OCR). La implementación de un enfoque de aprendizaje profundo aquí le otorgaría un sistema ANPR robusto y autónomo que funcionaría en cualquier entorno de iluminación gracias al uso de imágenes NIR.
Elección de la cámara
Antes de que nos emocionemos, debemos asegurarnos de que la cámara, y más específicamente el sensor, sean adecuados para la imagen NIR.
Dado que no todos los sensores están hechos para captar imágenes fuera del espectro de luz visible, es importante que haga esto correctamente, de lo contrario, su sistema de visión no funcionará. Es en este punto que debemos comenzar a pensar en los temas que cubrimos en nuestro blog sobre el estándar EMVA 1288 para sensores.
EMVA1288 es un estándar que define qué aspectos del rendimiento de la cámara medir, cómo medirlos y cómo presentar los resultados de manera unificada.
Factores a considerar al seleccionar una cámara para imágenes NIR
Eficiencia cuántica (QE) para sensores NIR
La eficiencia cuántica cambia drásticamente en diferentes longitudes de onda, por lo que una cámara que funciona bien a 525 nm, puede no funcionar tan bien cuando la fuente de luz está en frecuencias NIR.
Rendimiento de las imágenes de infrarrojo cercano
El silicio utilizado por los sensores de imagen CMOS para detectar fotones entrantes tiene una sensibilidad relativamente baja a la luz con longitudes de onda superiores a 900 nm. La QE promedio para los sensores Sony Pregius y STARVIS a 850 nm es del 18%, mientras que a 950 nm cae al 7%.
Para aplicaciones que se benefician de la sensibilidad en las longitudes de onda del infrarrojo cercano (NIR), generalmente se recomiendan los sensores Pregius y STARVIS. Aunque su QE a 950 nm puede ser menor que la de otros sensores optimizados para una QE más alta en esta longitud de onda, el ruido oscuro temporal (ruido de lectura) mucho más bajo de los sensores Pregius lo compensa fácilmente.
El bajo ruido de lectura hace que los sensores Pregius y STARVIS tengan un umbral de sensibilidad absoluta NIR mucho mejor. Esto permite aplicar una mayor ganancia, lo que proporciona una imagen más brillante y clara que los sensores con mayor QE NIR, pero menor AST NIR.
QE del sensor CMOS Sony IMX265, con la región NIR del espectro resaltada en rojo.
Ganancia
La ganancia EMVA es el número de electrones necesarios para aumentar el valor de píxel de un valor de escala de grises de 16 bits a un valor superior. Los sensores con mayor ganancia aparecerán más brillantes con menos electrones. Una alta ganancia puede ser útil para detectar señales muy débiles en condiciones de poca luz.
Conclusiones para la selección de una cámara para imágenes NIR
Todo esto se reduce a lo siguiente: al seleccionar una cámara para imágenes NIR, si solo se basa en la eficiencia cuántica, es posible que se decante por una cámara que promete una QE de aproximadamente el 50%. Confiar ciegamente en la QE puede ser lógico en las longitudes de onda típicas de la luz visible; sin embargo, al hacerlo en longitudes de onda NIR, el problema es que la relación señal-ruido (SNR) suele ser muy deficiente, lo que significa que la imagen se arruinará por el ruido oscuro temporal.
El diablo está en los detalles. Al seleccionar una cámara con un sensor recomendado para longitudes de onda NIR, es decir, Sony Pregius y STARVIS, y aplicando ganancia, obtendrá una imagen mucho más clara que si se basa únicamente en los valores de QE.
Soluciones de visión artificial para imágenes no visibles de ClearView Imaging
¡Eso es todo por la entrada del blog de esta semana sobre imágenes de infrarrojo cercano (NIR)! ¡Estén atentos para nuestro próximo blog sobre imágenes de infrarrojo de onda corta (SWIR)!
¿Busca componentes de visión artificial? ¡Asegúrese de echar un vistazo a nuestra gran variedad de componentes de visión artificial en nuestra sección de productos!
Aquí en ClearView, tenemos una amplia gama de conocimientos y experiencia en visión artificial para ayudarle a decidir la solución adecuada para su proyecto.
Ofrecemos experiencia amigable y una amplia gama de componentes de visión artificial de calidad estándar de la industria para impresión y embalaje, robótica, automatización industrial, medicina, ciencias de la vida y la industria automotriz, solo por nombrar algunos.
Nuestros expertos están encantados de ayudarle sin importar cuál sea su pregunta o problema. No dude en ponerse en contacto con nosotros y uno de nuestros expertos en visión artificial estará listo para ayudarle a empezar con su proyecto.
