No, tämä on järkevä kysymys, mutta siihen ei ole yksinkertaista vastausta.Tuloksiin vaikuttavia tekijöitä on liikaa, kuten vaimennus erilaisissa ilmasto-olosuhteissa, lämpöilmaisimen herkkyys, kuvantamisalgoritmi, kuollut piste- ja taustaäänet sekä tavoitetaustan lämpötilaero.Esimerkiksi tupakantump on selkeämmin nähtävissä kuin samalla etäisyydellä olevat puun lehdet, vaikka se olisi paljon pienempi tavoitetaustan lämpötilaeron vuoksi.
Havaintoetäisyys on subjektiivisten ja objektiivisten tekijöiden yhdistelmän tulos.Se liittyy tarkkailijan visuaaliseen psykologiaan, kokemukseen ja muihin tekijöihin.Jotta voimme vastata kysymykseen "kuinka pitkälle lämpökamera näkee", meidän on ensin selvitettävä, mitä se tarkoittaa.Esimerkiksi kohteen havaitsemiseksi, kun A luulee näkevänsä sen selvästi, B ei ehkä.Siksi on oltava objektiivinen ja yhtenäinen arviointistandardi.
Johnsonin kriteerit
Johnson vertasi silmäntunnistusongelmaa kokeen mukaisiin viivapareihin.Viivapari on etäisyys, joka ulottuu yhdensuuntaisten valoisten ja tummien viivojen yli havainnoinnin näöntarkkuuden rajalla.Viivapari vastaa kahta pikseliä.Monet tutkimukset ovat osoittaneet, että infrapunalämpökamerajärjestelmän kohteen tunnistuskyky on mahdollista määrittää viivapareja käyttämällä ottamatta huomioon kohteen luonnetta ja kuvavirheitä.
Jokaisen kohteen kuva polttotasossa vie muutaman pikselin, joka voidaan laskea koosta, kohteen ja lämpökameran välisestä etäisyydestä sekä hetkellisestä näkökentästä (IFOV).Kohteen koon (d) suhdetta etäisyyteen (L) kutsutaan aukkokulmaksi.Se voidaan jakaa IFOV:lla, jolloin saadaan kuvan viemien pikselien määrä, eli n = (D / L) / IFOV = (DF) / (LD).Voidaan nähdä, että mitä suurempi polttoväli, sitä enemmän pääpisteitä kohdekuvassa on.Johnsonin kriteerin mukaan tunnistusetäisyys on kauempana.Toisaalta mitä suurempi polttoväli, sitä pienempi kenttäkulma ja sitä korkeammat kustannukset olisivat.
Voimme laskea, kuinka pitkälle tietty lämpökuva voi nähdä Johnsonin kriteerien mukaisten vähimmäisresoluutioiden perusteella:
Tunnistus – objekti on läsnä: 2 +1/-0,5 pikseliä
Tunnistus – tyyppikohde voidaan erottaa, henkilö vs. auto: 8 +1,6/-0,4 pikseliä
Tunnistaminen – tietty kohde voidaan erottaa, nainen vs. mies, tietty auto: 12,8 +3,2/-2,8 pikseliä
Nämä mittaukset antavat 50 %:n todennäköisyydellä, että tarkkailija erottaa kohteen määritellylle tasolle.
Postitusaika: 23.11.2021