在工業(yè)監(jiān)測、電力巡檢、汽車診斷及設備維護等關鍵領域，紅外成像技術憑借其獨特的非接觸式測溫與熱場可視化能力，發(fā)揮著不可替代的作用。然而，傳統(tǒng)紅外圖像受限于分辨率，細節(jié)識別與分析能力欠佳，容易導致關鍵信息遺漏，進而影響診斷結果的準確性。對此行業(yè)難題，優(yōu)利德推出了創(chuàng)新的紅外熱成像實時超分辨率技術。該技術能顯著提升紅外圖像分辨率，強化細節(jié)表現(xiàn)，優(yōu)化圖像質量，從而拓寬紅外熱成像的應用場景，增強其在各領域的實用效能與價值。

一、技術優(yōu)勢

圖像二階降質模擬低分辨率紅外圖像

我們采用先進的圖像二階降質模擬方法，精準再現(xiàn)真實世界中的圖像降解過程，從而生成高度逼真的低分辨率訓練數據。這一技術不僅提升了模型的泛化能力，更為后續(xù)的超分辨率重建奠定了堅實的基礎。下圖展示了該技術的原理流程圖，直觀揭示了從高分辨率圖像到低分辨率圖像的模擬過程。

結構重新參數化

這是一種用于深度神經網絡的技術，通過在訓練與推理階段采用不同的網絡結構來提升模型性能和效率。在訓練階段，該技術采用復雜的網絡結構(如多分支、深度卷積、殘差連接)以增強模型的學習能力。在推理階段，這些復雜的結構會被巧妙地重新參數化為等效但更為簡潔的形式(在數學上，是一種完全等效的簡化方法，而不是近似等效)，從而加快推理速度并減少計算開銷。該技術廣已泛應用于卷積神經網絡和殘差網絡，對模型的壓縮與加速起到了關鍵作用。關于自研超分算法中的結構重參化流程，請參見下圖。

紅外實時超分

超分模型具備從原始低分辨率圖像中提取低頻和高頻等細節(jié)信息的能力，進而生成具有微妙差異的多層特征圖。通過對這些多層特征圖在像素層面進行精密的重排組合，最終可以合成出高分辨率的超分圖像。

二、對比效果

優(yōu)利德紅外圖像超分辨率技術，通過借助深度學習模型(例如卷積神經網絡)，實現(xiàn)了將低分辨率圖像轉換為高分辨率圖像的功能。其基本原理在于，通過網絡深度提取圖像中的核心特征，學習并建立起低分辨率特征到高分辨率特征的映射關系，進而重建出更為清晰的高分辨率圖像。通過持續(xù)不斷地優(yōu)化損失函數，該模型能夠生成細節(jié)更豐富、質量顯著提升的紅外圖像，使其在細節(jié)分析和識別任務中更具實用價值。以下展示了超分前后的圖像對比效果。

線性差值4倍圖

研超分算法4倍圖

160120紅外圖像2倍超分前

160120紅外圖像2倍超分后

400300紅外圖像2倍超分前

400300紅外圖像2倍超分后

當然，優(yōu)利德自主研發(fā)的紅外熱成像實時超分辨率重構算法，不僅顯著提升了低分辨率紅外圖像的質量，更展現(xiàn)了出色的適應性和泛化能力，能夠靈活應用于各種分辨率的紅外圖像處理中。值得一提的是，該算法采用輕量化設計，確保了其在邊緣計算設備及移動平臺上也能實現(xiàn)實時的圖像處理功能。

目前，該技術已在多個平臺上順利部署：在PC端，它實現(xiàn)了對UTi全系列PC軟件的實時超分辨率算法集成，為用戶帶來了更加清晰細膩的紅外圖像體驗；在APP端，它支持UTi手機熱像儀型號（如UTi380M、UTi120 Mobile、UTi260M等）的實時超分辨率功能，實現(xiàn)了移動端的便捷高效圖像處理；在設備端，該算法已成功應用于UTi640X、UTi160S與在線式紅外熱成像儀等設備，并計劃逐步拓展至更多新品(如即將上市的UTi260B+、UTi165B+等型號），為用戶提供更為精準、高效的紅外成像解決方案。