No, tämä on järkevä kysymys, mutta siihen ei ole yksinkertaista vastausta. Tuloksiin vaikuttaa liian monta tekijää, kuten vaimennus eri ilmasto-olosuhteissa, lämpöilmaisimen herkkyys, kuvantamisalgoritmi, kuollut piste ja taustamelun aiheuttama kohina sekä kohteen taustalämpötilaero. Esimerkiksi tupakantumpin näkee selkeämmin kuin puun lehdet samalla etäisyydellä, vaikka se olisi paljon pienempi, kohteen taustalämpötilaeron vuoksi.
Havaitsemisetäisyys on subjektiivisten ja objektiivisten tekijöiden yhdistelmän tulos. Se liittyy havainnoijan visuaaliseen psykologiaan, kokemukseen ja muihin tekijöihin. Vastataksemme kysymykseen "kuinka kauas lämpökamera näkee", meidän on ensin selvitettävä, mitä se tarkoittaa. Esimerkiksi kohteen havaitsemisessa, vaikka A luulee näkevänsä sen selvästi, B ei välttämättä näe sitä. Siksi on oltava objektiivinen ja yhtenäinen arviointistandardi.
Johnsonin kriteerit
Johnson vertasi silmän tunnistusongelmaa kokeen mukaisiin viivapareihin. Viivapari on etäisyys, joka kulkee yhdensuuntaisten vaaleiden ja tummien viivojen välillä havainnoijan näöntarkkuuden rajalla. Viivapari vastaa kahta pikseliä. Monet tutkimukset ovat osoittaneet, että infrapunalämpökamerajärjestelmän kohteen tunnistuskyky on mahdollista määrittää käyttämällä viivapareja ottamatta huomioon kohteen luonnetta ja kuvavirheitä.
Kunkin kohteen kuva polttotasossa vie muutaman pikselin, joka voidaan laskea koosta, kohteen ja lämpökameran välisestä etäisyydestä sekä hetkellisestä näkökentästä (IFOV). Kohteen koon (d) ja etäisyyden (L) suhdetta kutsutaan aukkokulmaksi. Se voidaan jakaa IFOV:lla, jolloin saadaan kuvan viemien pikselien lukumäärä, eli n = (D / L) / IFOV = (DF) / (LD). Voidaan nähdä, että mitä suurempi polttoväli on, sitä enemmän alkupisteitä kohteen kuva vie. Johnsonin kriteerin mukaan havaitsemisetäisyys on suurempi. Toisaalta, mitä suurempi polttoväli on, sitä pienempi on näkökulma ja sitä korkeammat ovat kustannukset.
Voimme laskea, kuinka kauas tietty lämpökuva näkee, Johnsonin kriteerien mukaisten vähimmäisresoluutioiden perusteella:
Havaitseminen – kohde on läsnä: 2 +1/-0,5 pikseliä
Tunnistus – tyypin mukainen kohde 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 todennäköisyyden sille, että havaitsija erottaa kohteen määritellylle tasolle.
Julkaisun aika: 23.11.2021