Termowizja w poszukiwaniu osób z UAV

Kamera termowizyjna na UAV nie „widzi ludzi przez las” i nie mierzy bezpośrednio temperatury ciała. Rejestruje promieniowanie w określonym paśmie, zwykle LWIR, pochodzące z widocznych powierzchni i zmodyfikowane przez emisyjność, odbicia oraz atmosferę. Osoba może być dobrze widoczna jako kontrastowy układ pikseli na chłodnym tle, lecz może także zlać się z nagrzanym gruntem, zostać zasłonięta przez koronę drzewa albo wygenerować zbyt mały obraz dla operatora i algorytmu.

W operacji poszukiwawczej termowizja jest sensorem detekcyjnym i narzędziem priorytetyzacji, nie samodzielnym potwierdzeniem tożsamości. Wykryty punkt powinien zostać sprawdzony kanałem RGB, kolejnym podejściem z innym kątem lub przez zespół naziemny. Wartość systemu mierzy się nie efektownym obrazem, lecz prawdopodobieństwem wykrycia w danej scenie, czasem przeszukania, błędem geolokalizacji i liczbą fałszywych alarmów.

Spis treści#

Rola sensora termicznego
Co mierzy kamera LWIR
Radiometryczna a obserwacyjna
Kontrast termiczny
NETD
Rozdzielczość, FOV i IFOV
Wielkość celu w pikselach
MTF, ostrość i digital zoom
Wysokość i prędkość
Pora doby i bilans cieplny
Mgła, deszcz i wilgotność
Las, roślinność i zasłonięcia
Woda, śnieg i skały
NUC i FFC
Gain, span i paleta
Fuzja z RGB
Plan przeszukania
Pokrycie i nakładanie pasów
Tryb point-of-interest
Geolokalizacja detekcji
Błąd położenia
Przekazanie zespołowi naziemnemu
Łącze wideo i recording
Detekcja automatyczna
False alarms
Testy i metryki
Procedura przed startem
Procedura w locie
Bezpieczeństwo i koordynacja
Archiwizacja i prywatność
Typowe błędy

Rola sensora termicznego#

Termowizja jest szczególnie przydatna, gdy:

osoba tworzy kontrast radiacyjny względem tła;
obraz widzialny ma mało światła;
teren jest otwarty lub częściowo zasłonięty;
trzeba szybko przeszukać duży obszar;
ground teams potrzebują koordynatów podejrzanego punktu;
widoczne są ślady pośrednie: pojazd, ognisko, świeżo użyte wyposażenie.

Ograniczenia:

nieprzezroczyste przeszkody blokują widok;
odzież zmienia temperaturę widocznej powierzchni;
gorące tło redukuje kontrast;
mały cel może zajmować zbyt mało pikseli;
odbicia termiczne mogą imitować źródło;
kompresja i AGC zmieniają wygląd;
gimbal/pozycja mogą dawać duży błąd geolokalizacji;
operator może przeoczyć krótkotrwały sygnał.

NIST prowadził wyzwanie FastFind poświęcone kompletnym systemom UAS do lokalizowania wielu zaginionych osób w gęsto zalesionym obszarze, obejmujące platformę, sensor, nawigację i przetwarzanie.[1] To trafny model myślenia: wynik zależy od całego systemu, nie wyłącznie od rdzenia kamery.

Co mierzy kamera LWIR#

Niech całkowita radiancja docierająca do kamery będzie uproszczona jako:

L_camera = τ_atm [ε L_bb(T_object) + (1-ε)L_reflected]
         + (1-τ_atm)L_atmosphere

gdzie:

ε — emisyjność powierzchni;
L_bb — radiancja ciała czarnego;
T_object — temperatura powierzchni;
L_reflected — promieniowanie odbite;
τ_atm — transmisja atmosfery;
L_atmosphere — składnik emitowany przez atmosferę.

Kamera obserwuje temperaturę pozorną wynikającą z radiancji. Przeliczenie na temperaturę wymaga założeń o emisyjności, odbiciu, odległości, wilgotności i temperaturze atmosfery. Dokumentacja termograficzna FLIR wymienia te parametry i podkreśla szczególne znaczenie emisyjności oraz reflected apparent temperature.[2]

W SAR zwykle ważniejsza jest detekcja kontrastu niż laboratoryjna dokładność temperatury. Błędne ustawienie emisyjności może mieć mały wpływ na samą widoczność w AGC, a duży na raportowaną temperaturę.

Radiometryczna a obserwacyjna#

Kamera radiometryczna zapisuje dane pozwalające wyznaczać temperaturę pozorną/pomiary po kalibracji. Kamera obserwacyjna może dostarczać jedynie przetworzony obraz w skali szarości/kolorów.

Do poszukiwania osób radiometria umożliwia:

threshold/isotherm w wartościach temperatury;
porównanie surowych pikseli między klatkami;
późniejsze przetwarzanie;
rozdzielenie AGC od danych pomiarowych;
kontrolę dynamic range.

Nie jest jednak warunkiem detekcji wzrokowej. Kamera o dobrym NETD i obrazie może wykryć cel bez absolutnej temperatury. Z kolei radiometryczna kamera z szerokim FOV może dać za mało pikseli.

Trzeba ustalić, co jest zapisywane:

raw sensor counts;
temperature-calibrated values;
14/16-bit radiometric frame;
8-bit AGC video;
paletted/overlay video;
snapshot z metadata.

Nagranie 8-bit nie pozwala później odzyskać pełnego zakresu radiometrycznego.

Kontrast termiczny#

Najważniejsza jest różnica między celem a lokalnym tłem:

ΔT_apparent = T_target,apparent - T_background,apparent

Operator wykrywa spatial pattern, nie jedną temperaturę. Kontrast zależy od:

odsłoniętej skóry i odzieży;
metabolizmu, ruchu, wilgoci;
temperatury gruntu/roślin;
nasłonecznienia z poprzednich godzin;
wiatru i konwekcji;
opadów;
kąta widzenia;
przesłonięcia;
ustawień AGC/gain.

Osoba pod izolującą kurtką może mieć zewnętrzną powierzchnię odzieży niewiele cieplejszą od otoczenia. Twarz/dłonie zajmują mały fragment sylwetki. Woda i mokra odzież mogą szybko zmienić signature.

Testy powinny obejmować realne ubranie i postawy: stojącą, siedzącą, leżącą, częściowo zakrytą. Ogrzewany prostokąt nie jest wiernym modelem człowieka, choć nadaje się do kalibracji rozdzielczości/kontrastu.

NETD#

Noise Equivalent Temperature Difference określa małą różnicę temperatury odpowiadającą szumowi w warunkach testowych. Niższe NETD zwykle oznacza lepszą zdolność rozróżnienia subtelnych kontrastów, ale nie jest samodzielną miarą jakości obrazu.

Na wynik wpływają także:

optyka i f-number;
MTF;
NUC/FFC;
temporal/spatial filtering;
frame rate;
gain mode;
temperatura kamery;
kompresja;
display/AGC.

Rodzina FLIR Boson deklaruje, zależnie od wariantu/klasy, między innymi matryce 640×512 lub 320×256, pixel pitch 12 µm, LWIR 8–14 µm i określone poziomy NETD; radiometryczne warianty umożliwiają pomiar temperatury.[3] Parametry zawsze trzeba pobierać z exact model/datasheet, ponieważ obiektyw, gain i wersja zmieniają możliwości.

NETD z datasheetu nie jest gwarancją probability of detection z 100 m nad lasem.

Rozdzielczość, FOV i IFOV#

Rozdzielczość matrycy N_h × N_v i kątowe pole widzenia determinują sampling przestrzenny. Przy małych kątach:

IFOV ≈ pixel_pitch / focal_length  [rad/pixel]

albo przybliżone:

IFOV_h ≈ HFOV_rad / N_h

Rozmiar footprint jednego piksela w odległości slant range R:

GSD_thermal ≈ R · IFOV

Dla IFOV 1.3 mrad i R=100 m jeden pixel odpowiada około 0,13 m. Osoba o długości 1,8 m w idealnym rzucie zajmuje maksymalnie około 14 pikseli w jednym wymiarze; z góry, w pozycji stojącej, projected dimensions są inne.

Szeroki FOV daje większy swath i szybsze pokrycie, lecz mniejszą liczbę pikseli na cel. Wąski FOV zwiększa sampling, ale wymaga większej liczby pasów i stabilniejszego gimbala.

Slant range rośnie przy obserwacji ukośnej, więc rozdzielczość na terenie pogarsza się względem prostego AGL.

Wielkość celu w pikselach#

Wymaganie należy formułować przez minimalny obraz celu, na przykład:

pixels_across = target_dimension / (R · IFOV)

Detekcja, rozpoznanie „to prawdopodobnie człowiek” i identyfikacja cech wymagają rosnącej liczby pikseli. Nie istnieje jedna stała liczba dla wszystkich sensorów i scen, ponieważ liczą się MTF, kontrast, orientation, clutter i operator/algorytm.

Projekt testowy powinien wyznaczyć krzywą:

P_detection = f(pixels_on_target, contrast, clutter, blur, observer)

Praktycznie:

wyznacz minimalne pixels across/on target dla scenariusza;
policz maksymalny slant range;
ogranicz wysokość i szerokość pasa;
potwierdź na manekinach/osobach pozorujących w realnym tle;
osobno oceń operatorów i algorytm.

Nie zakładaj, że digital zoom zwiększa informację.

MTF, ostrość i digital zoom#

IFOV opisuje sampling, ale optical blur może rozlewać energię celu na kilka pikseli. MTF określa przenoszenie kontrastu przestrzennego. Cel o szerokości 2 pikseli przy niskim MTF może być praktycznie niewidoczny.

Ostrość zależy od:

właściwego obiektywu/focus;
czystości okna;
stabilności termicznej;
drgań/gimbala;
smear od ruchu;
NUC;
algorytmów sharpening/denoise.

Digital zoom interpoluje istniejące piksele. Pomaga operatorowi zobaczyć układ na ekranie, ale nie tworzy detalu. Optical zoom lub węższa ogniskowa tworzy więcej pikseli na cel kosztem FOV.

Super-resolution z wielu klatek może zwiększyć użyteczność tylko przy kontrolowanym subpixel motion, rejestracji i wystarczającym SNR; nie należy go traktować jako gwarantowanej właściwości live feed.

Wysokość i prędkość#

Wysokość wpływa na:

pixels on target;
swath width;
czas pokrycia;
geolocation error;
bezpieczeństwo i przeszkody;
transmisję;
hałas/zakłócenie działań naziemnych.

Prędkość wpływa na dwell time w polu widzenia, motion smear, obciążenie operatora i odstęp między klatkami. Przy frame rate f i prędkości v przesunięcie ground między klatkami wynosi v/f, przed uwzględnieniem gimbal tracking.

Nie wybiera się maksymalnej dopuszczalnej wysokości tylko dlatego, że zwiększa area coverage. Najpierw ustala się required target pixels i najgorszy background contrast.

Wzór przeszukania może używać wyższej wysokości do coarse scan, a po detekcji zejścia/zoomu do confirmation, jeśli safety i przepisy na to pozwalają.

Pora doby i bilans cieplny#

„Najlepiej nocą” jest uproszczeniem. Noc usuwa promieniowanie słoneczne bieżące, lecz podłoże i obiekty mają różne bezwładności cieplne. Skały, dachy i drogi mogą pozostać ciepłe długo po zachodzie. Nad ranem niektóre tła są bardziej wyrównane.

W dzień:

nagrzane powierzchnie generują clutter;
cienie tworzą granice termiczne;
odbicia mogą się zmieniać;
roślinność chłodzi się przez transpirację;
człowiek może być chłodniejszy od gorącego tła i nadal kontrastowy z odwrotnym znakiem.

W nocy:

łatwiejszy bywa dodatni kontrast człowieka;
wychłodzone niebo wpływa na odbicia;
mgła/rosa mogą rosnąć;
widzialny kanał wymaga low-light/spotlight.

Przed misją wykonuje się szybki test contrast w reprezentatywnym miejscu, nie opiera wyłącznie na godzinie.

Mgła, deszcz i wilgotność#

Atmosfera tłumi i emituje promieniowanie. Dla krótkich dystansów wpływ bywa mały, ale przy dużej wilgotności, mgle, deszczu i długim slant range kontrast spada. Krople na oknie kamery powodują lokalne zasłonięcia i blur.

Deszcz dodatkowo:

chłodzi powierzchnie;
zmienia emisyjność/odbicie;
ogranicza lot platformy;
pogarsza visibility i transmisję;
zwiększa ryzyko oblodzenia/awarii.

Nie należy kompensować złych warunków agresywnym AGC bez oceny informacji. Obraz może wyglądać kontrastowo, mimo że różnice są głównie noise.

Weather limits wynikają zarówno z platformy, jak i sensora/misji. Incident commander powinien otrzymać informację o spadku confidence.

Las, roślinność i zasłonięcia#

LWIR nie przenika przez liście, pnie, dachy ani gruz. Osoba pod pełną koroną jest widoczna tylko przez luki i z odpowiedniej geometrii.

Zwiększenie szans:

różne kąty/azimuth;
wolniejszy lot;
oblique scan krawędzi drzewostanu;
powtarzanie z przesuniętymi pasami;
wykorzystanie dróg, polan, cieków i prawdopodobnych tras;
obserwacja ruchu;
fuzja RGB;
ground teams i psy.

W gęstym lesie fixed nadir grid może mieć bardzo niskie probability of detection. Plan search oparty na zachowaniu osoby zaginionej i terrain jest ważniejszy niż geometrycznie równe pokrycie.

Wiatr porusza liście i zmienia dynamic clutter. Denoising temporal może rozmazywać mały, poruszający się cel.

Woda, śnieg i skały#

Woda może mieć wysoką emisyjność, ale powierzchnia odbija radiację nieba zależnie od kąta. Osoba w wodzie ma małą widoczną powierzchnię; fale, bryzgi i wychłodzenie zmniejszają sygnał. Termowizja wspiera poszukiwanie, lecz nie gwarantuje wykrycia człowieka częściowo zanurzonego.

Śnieg daje często dobre tło, ale:

zmienny relief i odbicia nieba;
zasypanie ogranicza widoczną powierzchnię;
zimna odzież zewnętrzna może redukować kontrast;
whiteout wpływa na RGB/nawigację.

Skały i pnie nagrzane słońcem są częstymi false positives. Confirmation wymaga obserwacji kształtu w kilku klatkach/kątach oraz RGB.

NUC i FFC#

Mikrobolometr ma non-uniformity między pikselami oraz drift termiczny. Non-Uniformity Correction/Flat-Field Correction wyrównuje odpowiedź. Kamera może używać shuttera lub shutterless algorithm.

Operacyjnie:

wykonaj warm-up wymagany przez producenta;
uruchom/pozwól na FFC przed search leg;
nie interpretuj freeze/artefaktu FFC jako utraty linku;
zanotuj FFC events w recording;
powtórz przy dużej zmianie temperatury/scene;
sprawdź dead/bad pixels.

NUC nie zwiększa geometrycznej rozdzielczości. Zbyt częste FFC może przerywać live observation, zbyt rzadkie pozostawia fixed-pattern noise.

Dokumentacja exact camera określa tryby i API; FLIR Boson ma factory calibration i mechanizmy NUC zależne od wariantu.[3]

Gain, span i paleta#

Gain mode ustala zakres sceny/sensitivity. High gain daje lepszą rozdzielczość temperatur w węższym zakresie; low gain obejmuje gorące sceny kosztem subtelnych różnic. SAR osoby na normalnym tle zwykle korzysta z czułości, chyba że scena zawiera pożar/gorące źródła powodujące saturation.

AGC mapuje dynamic range na ekran. Lokalny AGC może uwidocznić małe różnice, ale sprawić, że ten sam cel wygląda inaczej przy zmianie kadru.

Paleta nie zmienia danych. White-hot/black-hot często są najczytelniejsze do wyszukiwania. Kolor pomaga zaznaczać zakres/isotherm, lecz może dodawać fałszywą semantykę.

Zasady:

nie przełączaj palet chaotycznie podczas pasa;
zapisz raw/radiometric, jeśli dostępne;
pokazuj skalę/span przy interpretacji temperatur;
przetestuj operatorów na tych samych scenach;
monitoruj saturation.

Fuzja z RGB#

RGB wnosi:

rozpoznanie kształtu/odzieży;
kontekst terenu;
odróżnienie kamienia/zwierzęcia/urządzenia;
orientację ground team;
dokumentację dzienną.

Termiczna i RGB kamera mają różne FOV, resolution, optical centers i latency. Overlay wymaga calibration/boresight i nie jest idealny w całym depth range. Parallax rośnie dla bliskich obiektów.

Najbezpieczniejszy workflow:

wykrycie w thermal wide;
zatrzymanie/track point;
optical/thermal zoom lub podejście;
porównanie kilku klatek/kątów;
geotag i snapshot obu kanałów;
klasyfikacja confidence;
przekazanie zespołowi.

NIST demonstratory FastFind wykorzystywały fuzję thermal i RGB oraz geotagged images i real-time feed, co pokazuje systemowe znaczenie połączenia kanałów.[4]

Plan przeszukania#

Search plan wynika z:

last known position;
czasu i prawdopodobnego ruchu osoby;
terrain/obstacles;
dróg, szlaków, cieków;
dostępnych zespołów;
weather i daylight;
sensor performance;
airspace/deconfliction;
endurance i rezerw.

Wzory:

expanding square;
sector search;
parallel track;
contour/terrain-following;
route/linear feature search;
point-of-interest orbit;
targeted gaps/corridors.

Parallel grid daje łatwe pokrycie otwartego terenu. W lesie/zboczu warto używać oblique i kierunków minimalizujących zasłonięcie.

Misja powinna mieć priorytety: high probability areas wcześniej, nie równy raster całego obszaru.

Pokrycie i nakładanie pasów#

Dla nadiru na płaskim terenie szerokość footprint:

W = 2 H tan(HFOV/2)

Przy sidelap s odstęp pasów:

spacing = W(1-s)

W praktyce używa się slant/terrain i marginesu. Overlap jest potrzebny, ponieważ:

target może znaleźć się przy brzegu z gorszą optyką;
gimbal/wiatr odchyla footprint;
operator może przeoczyć krótkie pojawienie;
terrain zmienia szerokość;
przesłony wymagają innego kąta.

Coverage log powinien przechowywać actual trajectory i sensor footprint, nie tylko planned lines. Heat map może wskazać liczbę obserwacji i min pixels on target względem wysokości.

Nie zwiększaj prędkości tylko po to, by pokryć więcej. Dwell time/operator workload mogą stać się ograniczeniem.

Tryb point-of-interest#

Po detekcji:

oznacz klatkę i czas;
zatrzymaj search leg bez utraty bezpieczeństwa;
utrzymuj gimbal na celu;
zbierz thermal/RGB z różnym zoom/kątem;
oceń ruch i kształt;
oblicz coordinate + uncertainty;
zaklasyfikuj confidence;
przekaż ground team;
zapisz sposób ponownego znalezienia;
zdecyduj o kontynuacji/monitoringu.

Orbit może poprawić geometrię i ujawnić zasłonięcia, ale w lesie target może zniknąć. Hover zwiększa czas obserwacji, lecz zużywa energię i może tracić GNSS przy przeszkodach.

Operator nie powinien ręcznie pilotować agresywnie podczas analizy obrazu. Role pilot-in-command i payload/search operator warto rozdzielić.

Geolokalizacja detekcji#

Najprostszy model przecina promień kamery z modelem terenu:

ray_world = R_vehicle · R_gimbal · K^-1 [u,v,1]
P_target = intersect(camera_position, ray_world, terrain)

Potrzebne są:

intrinsics thermal camera;
distortion;
camera–gimbal–body boresight;
vehicle position/attitude;
gimbal angles i timestamp;
terrain elevation;
pixel coordinate targetu.

Przecięcie z płaszczyzną na wysokości launch point jest złe na zboczu. DEM może być nieaktualny i nie zawierać koron/dachów.

Target na drzewie/skarbie? W SAR osoba jest na surface, ale pixel może pochodzić z widocznej części nad gruntem. Błąd kilku metrów jest normalny i powinien być raportowany jako ellipse/area, nie fałszywie precyzyjny punkt.

Błąd położenia#

Składniki:

GNSS position;
vehicle attitude;
gimbal encoder/boresight;
camera intrinsics/pixel pick;
timestamp/latency;
DEM;
slant range;
terrain slope;
target elevation;
operator annotation.

Dla kąta błędu δθ i odległości R poprzeczny błąd przy małych kątach:

δx ≈ R · δθ

Przy R=200 m i δθ=1°≈0.01745 rad to około 3,5 m, przed GNSS/DEM. Wysokość i oblique angle wzmacniają błąd range/terrain.

Geolocation test:

rozmieść thermal targets o znanych coordinates;
oznacz je w live/recording;
policz residuals w różnych wysokościach i kątach;
oddziel bias od spread;
sprawdź center i edge FOV;
utwórz confidence radius/ellipse.

Przekazanie zespołowi naziemnemu#

Pakiet powinien zawierać:

ID detekcji;
coordinate + CRS/format;
estimated uncertainty/radius;
timestamp;
confidence class;
thermal/RGB snapshot;
opis widoczności/ruchu;
approach hazards;
nearest landmark/route;
status monitorowania.

Format coordinates musi być jednoznaczny: decimal degrees, projected grid albo lokalny system używany przez służby. Pomieszanie lat/lon, stopni-minut i axis order jest krytyczne.

Ground team powinien potwierdzić odbiór/readback. Jeśli target się porusza, przekazywana jest track/last update, nie statyczny punkt.

UAS pozostaje w roli obserwacyjnej zgodnie z decyzją incident command; nie kieruje ludzi przez przeszkody niewidoczne z góry.

Łącze wideo i recording#

Transmisja wideo wpływa na detekcję przez:

resolution/downscale;
bitrate/compression;
latency/jitter;
dropped frames;
color mapping;
display brightness;
RF coverage.

Nagrywanie onboard zachowuje wyższą jakość, ale nie pomaga natychmiast, jeśli live feed jest słaby. Warto mieć równoległe:

low-latency live;
onboard radiometric/raw;
event snapshots;
telemetry/gimbal/pose;
operator annotations.

Kompresja może usuwać mały kontrastowy cel jako noise. Testy end-to-end wykonuje się na realnym linku i ekranie, nie na pliku bez kompresji.

Loss link ma zdefiniowany failsafe i nie może skutkować lotem poza search area bez kontroli.

Detekcja automatyczna#

Algorytm może oznaczać candidates, lecz jego wynik zależy od datasetu. Wymagania:

exact input resolution/AGC/raw;
classes i annotation policy;
person sizes/poses/clothing;
day/night/weather;
terrain/clutter;
animals/hot objects negatives;
train/validation/test split po misjach/lokalizacjach;
latency i compute;
confidence calibration;
operator workflow.

Nie dziel sąsiednich klatek jednego nagrania losowo między train/test — leakage daje zawyżony wynik. Test powinien obejmować nowe miejsca, osoby, ubrania i temperatury.

Metryki:

recall/POD;
precision;
false alarms per area/time;
time-to-first-detection;
localization error;
track continuity;
performance vs target pixels/contrast.

W SAR koszt false negative i false positive jest asymetryczny. Threshold dobiera się z procedurą operatora, nie tylko maksymalnym F1.

Automatyczny marker nie może zasłaniać małego targetu. Operator powinien mieć dostęp do clean feed.

False alarms#

Źródła:

zwierzęta;
skały/dachy/asfalt nagrzane słońcem;
kominy/wydechy/maszyny;
refleksje nieba/słońca;
ogniska/pozostałości;
ciepłe rury;
mokre/suche granice;
dead/hot pixels;
kompresja/NUC artifacts;
liście poruszane wiatrem;
osoby ratownicze.

Redukcja:

obserwuj kształt/ruch w czasie;
zmień kąt;
użyj RGB;
sprawdź persistence;
porównaj range/size;
mapuj known sources;
używaj transponder/marker dla własnych zespołów, jeśli system operacyjny to umożliwia;
prowadź log false alarms do treningu.

Nie ustawiaj threshold tak wysoko, że znika osoba o małym kontraście. Procedura priorytetyzuje candidates według confidence i consequence.

Testy i metryki#

System trzeba testować end-to-end. Scenariusz zawiera:

znaną liczbę targets;
realistyczne osoby/manekiny i clothing;
zróżnicowane pozy;
zasłonięcia;
animals/hot clutter negatives;
różne pory/pogodę;
kilku operatorów;
blind target placement;
ground-truth coordinates/times.

Metryki:

POD = detected_targets / present_targets
FAR_area = false_candidates / searched_area
FAR_time = false_candidates / search_time

Dodatkowo:

time to detection;
confirmation time;
geolocation RMSE/percentiles;
area covered per battery;
missed strips;
link availability;
operator workload;
handoff success/time;
recall vs pixels/contrast/clutter.

Confidence intervals są konieczne przy małej liczbie targetów. 10/10 nie oznacza 100% niezawodności w populacji.

NIST challenge i demonstratory są źródłem wymagań systemowych takich jak real-time thermal feed, geotagged images, nawigacja oraz deployment, ale lokalny system musi przejść własne testy terenowe.[1][4]

Procedura przed startem#

Potwierdź search task, area, priority i command structure.
Sprawdź airspace/deconfliction i własne zespoły.
Zbierz weather, terrain, obstacles i last known point.
Wybierz lens/FOV, wysokość i required target pixels.
Oblicz swath, overlap, speed i endurance/rezerwę.
Warm-up camera i wykonaj NUC/FFC.
Sprawdź thermal/RGB focus, gain, palette i recording.
Zweryfikuj gimbal, timestamp i geolocation na known point.
Sprawdź live-link jakość na stanowisku dowodzenia.
Ustal coordinate format i handoff protocol.
Wykonaj test contrast na osobie pozorującej, jeśli możliwe.
Zapisz configuration manifest.

Procedura w locie#

Rozpocznij recording i oznacz start search leg.
Utrzymuj planned altitude/speed/gimbal angle.
Monitoruj actual coverage i battery/link reserve.
Payload operator skanuje metodycznie, nie wyłącznie center.
Każdy candidate otrzymuje ID/marker.
Zbieraj thermal/RGB i drugi kąt.
Oblicz coordinate + uncertainty.
Przekaż i uzyskaj readback.
Oznacz status: pending/confirmed/rejected/ground-verified.
Po powrocie sprawdź gaps przed zwinięciem operacji.

Zmiana platformy/baterii nie może zerwać continuity ID/coverage. Następny crew zna completed strips i unresolved candidates.

Bezpieczeństwo i koordynacja#

UAV nie może tworzyć dodatkowego zagrożenia:

rotor nad ratownikami/osobą;
konflikt z załogowym lotnictwem ratowniczym;
loss link/RTH przez aktywny incident area;
oślepienie spotlight;
hałas utrudniający nasłuch;
bateria nad pożarem/wodą;
fixed-wing landing w strefie ludzi;
przeszkody niewidoczne termicznie.

Incident air operations/koordynator powinien deconflict wszystkie statki. Służby pożarnicze opisują praktyczne wykorzystanie dual optical/thermal payloads, zoomu, spotlight i głośnika do situational awareness oraz lokalizacji poszkodowanych.[5]

Pilot-in-command odpowiada za lot, payload operator za sensor, search lead za priorytety. Jedna osoba może pełnić kilka ról tylko przy adekwatnym workload i procedurze.

Indoor/collapse missions wymagają prop guards, nawigacji bez GNSS, resistant link i osobnej oceny ryzyka; NIST prowadził oddzielne wyzwania dla środowisk wewnętrznych.[6]

Archiwizacja i prywatność#

Materiał SAR może zawierać dane wrażliwe. Polityka określa:

kto ma live access;
co jest nagrywane;
retention;
encryption/storage;
audit/export;
udostępnienie rodzinie/media;
redaction;
legal basis;
training reuse.

Archiwum techniczne:

raw/radiometric and live video;
platform/gimbal telemetry;
target/candidate event log;
coverage;
weather;
configuration;
operator roles;
ground confirmation;
missed/false alarm review.

Po akcji prowadzi się debrief: czy target był widoczny wcześniej, jaki miał rozmiar/kontrast, czy operator/algorytm go zauważył i jak poprawić search pattern.

Typowe błędy#

Założenie, że LWIR widzi przez liście lub ściany.
Mylenie temperatury pozornej z temperaturą ciała.
Wybór kamery tylko po resolution, bez lens/IFOV/NETD/MTF.
Digital zoom traktowany jak optical detail.
Lot za wysoko i za szybko dla required pixels/dwell.
„Noc zawsze najlepsza” bez testu lokalnego kontrastu.
Brak warm-up i NUC/FFC.
Dynamic AGC ukrywający zmianę sceny i saturation.
Brak raw recording; tylko skompresowany 8-bit feed.
Thermal candidate uznany za osobę bez RGB/drugiego kąta/ground check.
Geolokalizacja na płaską ziemię w terenie górskim.
Coordinate bez uncertainty i CRS/format.
Planned grid uznany za actual coverage.
Jedna osoba jednocześnie agresywnie pilotuje i analizuje mały cel.
AI testowane na sąsiednich klatkach tego samego nagrania.
Raport recall bez false alarms per area/time.
10/10 manekinów opisane jako 100% POD.
Brak deconfliction z lotnictwem ratowniczym.
Brak polityki danych i post-incident review.

Skuteczna termowizja poszukiwawcza powstaje z kontrolowanego kompromisu między area coverage a informacją na cel. Kamera musi dostarczyć wystarczający kontrast i liczbę pikseli, platforma — powtarzalne pokrycie i stabilny obraz, a procedura — confirmation, geolokalizację z niepewnością i szybkie przekazanie zespołowi naziemnemu. Dopiero terenowe POD/FAR w realnych ubraniach, tłach i pogodach pokazuje, czy system faktycznie zwiększa zdolność poszukiwawczą.

Powiązane tematy#

Przypisy#

NIST Public Safety Communications Research, First Responder UAS FastFind Challenge — systemowe testy platform UAS do poszukiwania osób w terenie zalesionym.
Teledyne FLIR, Thermography reference documentation — radiancja, emisyjność, reflected apparent temperature, odległość, wilgotność i atmosfera.
Teledyne FLIR, Boson LWIR OEM camera module — przykładowe parametry matrycy, IFOV/FOV, NETD, zakres spektralny i radiometria; wartości zależą od dokładnego wariantu.
NIST PSCR, ARCC first-responder UAS solution — thermal/RGB fusion, live feed, geotagged images i komunikacja w demonstratorach SAR.
Tyne and Wear Fire and Rescue Service, Drone operations — operacyjne wykorzystanie optical/thermal payloads, zoomu, spotlight i przekazu do incident command.
NIST PSCR, UAS 4.0 Indoor Challenge — świadomość sytuacyjna w pomieszczeniach, brak GNSS, linki oraz sensory thermal/low-light.
Teledyne FLIR, SIRAS thermal and visible UAS payload specification — przykład radiometrycznego payloadu 640×512 i visible zoom; dane deklarowane przez producenta.
E. Cheng, Drony. Tajniki zdjęć i filmów lotniczych, książka — geometria obrazu, ekspozycja, stabilizacja i workflow operatora.

Źródła z centralnego rejestru

Teledyne FLIR Boson — LWIR OEM thermal camera module [dokumentacja producenta]
Teledyne FLIR: Thermography reference documentation [dokumentacja techniczna producenta]
Teledyne FLIR SIRAS: thermal and visible UAS payload specification [dokumentacja producenta; parametry deklarowane]
NIST PSCR: First Responder UAS FastFind Challenge [program badawczo-testowy instytucji państwowej]
NIST PSCR: ARCC first-responder UAS solution [opis techniczny demonstratora i testów NIST]
Tyne and Wear Fire and Rescue Service: Drone operations and payloads [opis operacyjny służby ratowniczej]
Eric Cheng, „Drony. Tajniki zdjęć i filmów lotniczych” [książka]