Publicación: Development of a system to improve resolution and accuracy in temperature measurement in thermal images through machine learning techniques and noise reduction
Portada
PDF 
FLIP 
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
Las cámaras térmicas se utilizan en aplicaciones industriales, médicas y científicas, gracias a su capacidad para registrar distribuciones espaciales de temperatura a partir de radiación infrarroja. Sin embargo, a pesar de su amplia aplicabilidad, estos sensores suelen tener un costo elevado y las referencias más económicas presentan limitaciones en cuanto a resolución espacial y precisión en las mediciones, lo que puede dificultar la detección de bordes y la identificación precisa de zonas de interés. En la literatura, los enfoques que han intentado mejorar estas limitaciones, utilizando técnicas como la interpolación, el filtrado o los modelos de aprendizaje automático, han mostrado avances. Sin embargo, muchos de estos métodos dependen de bases de datos no públicas o carecen de protocolos de adquisición, omitiendo las particularidades de los sensores, dejando un vacío en la confiabilidad práctica de los datos. Este documento propone que la combinación de adquisición multimodal controlada, técnicas de reducción de ruido y modelos de aprendizaje automático entrenados con datos propios puede mejorar tanto la resolución espacial como la precisión de las mediciones de temperatura. Para ello, se desarrolló un sistema que integra cámaras RGB y térmicas, un protocolo de adquisición en condiciones controladas y una base de datos etiquetada. Sobre esta base, se implementaron y evaluaron diferentes arquitecturas, como redes generativas adversarias, VAE y U-Net,evaluadas mediante métricas cuantitativas como PSNR y error medio de temperatura. Los resultados mostraron incrementos en el PSNR desde 17.43 dB hasta 20.45 dB en el modelo MR-CNN, y desde 18.93 dB hasta 28.13 dB en el modelo VAE. Adicionalmente, el error medio de temperatura se redujo de 1.380 °C a 0.781 °C, mientras que el error cuadrático medio (RMSE) disminuyó de 1.45 °C a 0.82 °C bajo condiciones controladas de adquisición, lo que confirma una mejora cuantitativa en la calidad estructural y en la precisión térmica de 4 las imágenes. Este trabajo se enmarca en el aprendizaje automático aplicado al procesamiento de imágenes dentro de sistemas multisensor de termografía infrarroja, con énfasis en la mejora de la resolución espacial bajo un protocolo de adquisición controlado
Resumen
Thermal cameras are used in industrial, medical, and scientific applications due to their ability to record spatial temperature distributions from infrared radiation. However, despite their wide applicability, these sensors often have a high cost, and lower-cost alternatives present limitations in terms of spatial resolution and measurement accuracy, which may hinder edge detection and precise identification of regions of interest. In the literature, approaches that have attempted to overcome these limitations using techniques such as interpolation, filtering, or machine learning models have shown progress. However, many of these methods rely on non-public datasets or lack well-defined acquisition protocols, overlooking sensor-specific characteristics and leaving a gap in the practical reliability of the data. This document proposes that the combination of controlled multimodal acquisition, noise reduction techniques, and machine learning models trained on proprietary data can improve both spatial resolution and temperature measurement accuracy. To this end, a system integratingRGB and thermal cameras, a controlled acquisition protocol, and a labeled database was developed. Based on this framework, different architectures were implemented and evaluated, such as generative adversarial networks, VAE and U-Net, assessed using quantitative metrics such as PSNR and mean temperature error. The results showed increases in PSNR from 17.43 dB to 20.45 dB for the MR-CNN model, and from 18.93 dB to 28.13 dB for the VAE model. Additionally, the mean temperature error was reduced from 1.380 °C to 0.781 °C, while the root mean square error (RMSE) decreased from 1.45 °C to 0.82 °C under controlled acquisition conditions, confirming a quantitative improvement in both structural quality and thermal measurement accuracy. This work falls within the framework of machine learning applied to image processing in multisensor infrared thermography systems, with an emphasis on improving spatial resolution under a controlled acquisition protocol