Waarom AI-camera's de manier veranderen waarop lenzen worden ontworpen

Lange tijd volgde de ontwikkeling van camera's een vrij eenvoudige logica:

Betere sensor → hogere resolutie → betere camera.

Toen kwam AI in beeld.

Plotseling registreerde de camera niet langer alleen wat er gebeurde.

Er werd verwacht dat hij het zou begrijpen.

Een beveiligingscamera moet mogelijk een persoon van een voertuig onderscheiden. Het kan zijn dat een robot een obstakel moet herkennen. Een drone moet mogelijk zijn omgeving begrijpen terwijl hij met hoge snelheid beweegt.

En dit creëert een probleem dat niet genoeg aandacht krijgt:

AI kan alleen werken met de visuele informatie die de camera geeft.

Een briljant algoritme kan geen details herstellen die het optische systeem nooit heeft vastgelegd.

Dit is de reden waarom AI stilletjes de manier verandert waarop cameralenzen worden ontworpen.

AI zorgt er niet voor dat slechte optica verdwijnt

Het is verleidelijk om te denken dat steeds krachtigere AI-modellen middelmatige camera’s zullen compenseren.

Soms kan computationele fotografie helpen.

Ruisonderdrukking kan een beeld verbeteren.

Door te slijpen kunnen randen er sterker uitzien.

AI-verbetering kan visueel plausibele details reconstrueren.

Maar er is een verschil tussen een afbeelding er beter uit laten zien en meer reële informatie vastleggen.

Als een object ernstig onscherp is vanwege een slechte optische resolutie, kan software de oorspronkelijke fijne details niet op betrouwbare wijze reproduceren.

Als een nachtbeeld vrijwel geen bruikbaar signaal bevat, kan een algoritme niet zomaar betrouwbaar visueel bewijs verzinnen.

Dit is vooral belangrijk voor beveiligings- en industriële toepassingen waarbij het beeld niet voor amusement wordt bekeken.

Het wordt gebruikt om beslissingen te nemen.

Prestaties bij weinig licht worden een AI-vereiste

Een van de grootste uitdagingen voor AI-camera’s is weinig licht.

Mensen kunnen vaak redelijke oordelen vellen in donkere omgevingen.

Computervisiesystemen zijn minder vergevingsgezind.

Naarmate de verlichting afneemt, worden camera's doorgaans geconfronteerd met:

Toegenomen sensorruis

Lager contrast

Bewegingsonscherpte

Verlies van kleurinformatie

Gereduceerde randdefinitie

Deze problemen kunnen rechtstreeks van invloed zijn op de detectie en classificatie van AI.

Stel je voor dat iemand 's nachts over een parkeerplaats loopt.

In een heldere scène kan de AI duidelijke informatie hebben over de omtrek, kleding, beweging en omgeving van de persoon.

In een slecht verlichte scène kan dezelfde persoon een luidruchtig silhouet worden.

Het algoritme is niet plotseling dom geworden.

De invoer werd simpelweg veel moeilijker te interpreteren.

Dit is een van de redenen waarom optische ontwerpen met een groot diafragma en weinig licht steeds relevanter worden voor AI-visiesystemen.

Kleinere pixels creëren grotere optische eisen

Moderne sensoren blijven de pixeldichtheid verhogen.

Dat levert meer beeldgegevens op, maar stelt ook hogere eisen aan de lens.

Bij kleinere pixels kan het nodig zijn dat het optische systeem fijnere ruimtelijke details oplost.

Als de lens het niet bij kan houden, levert het toevoegen van pixels een afnemend rendement op.

Dit is vooral belangrijk voor AI-camera's omdat het systeem afhankelijk kan zijn van relatief kleine visuele kenmerken.

Een mens kan een object herkennen aan zijn algemene vorm.

Een AI-model kan vertrouwen op subtiele patronen, randen, texturen of kleurrelaties.

De lens moet daarom een ​​beeld opleveren dat voldoende schoon is om deze kenmerken te laten overleven in de gehele beeldpijplijn.

Dit is een van de redenen waarom optisch ontwerp en sensorselectie steeds vaker samen moeten gebeuren.

Groothoeklenzen creëren een interessante AI-afweging

AI-camera's hebben vaak een breed gezichtsveld nodig.

Robots moeten hun omgeving begrijpen.

Drones hebben situationeel bewustzijn nodig.

Beveiligingscamera's moeten grote gebieden bestrijken.

Dus waarom maken we de lens niet gewoon breder?

Omdat groothoekoptiek hun eigen uitdagingen met zich meebrengt.

Naarmate het gezichtsveld groter wordt, moeten ontwerpers het volgende beheren:

Vervorming

Randresolutie

Relatieve verlichting

Chromatische aberratie

Beeldgeometrie

Een zeer brede lens kan meer van de omgeving vastleggen, maar produceert een zwakkere beeldkwaliteit aan de randen.

Voor menselijke waarneming kan dat acceptabel zijn.

Voor AI kan het ingewikkelder worden.

Als objecten nabij de rand van het beeld sterk vervormd of wazig zijn, wordt het algoritme gevraagd visuele informatie te interpreteren die al verslechterd is.

Dit creëert een fundamentele compromis op het gebied van ontwerp:

Meer gezichtsveld versus meer bruikbare details.

Het juiste antwoord is afhankelijk van de toepassing.

Robotica: lenzen worden onderdeel van het waarnemingssysteem

De opkomst van belichaamde AI duwt dit probleem nog verder.

Een robot heeft niet de luxe om te vragen:

“Kan iemand alsjeblieft het licht aandoen?”

Het moet functioneren in de omgeving die het krijgt.

Die omgeving kan het volgende bevatten:

Schaduwen

Ongelijkmatige verlichting

Reflecterende oppervlakken

Smalle ruimtes

Mensen verplaatsen

Voorwerpen op verschillende afstanden

De camera maakt dus deel uit van het waarnemingssysteem van de robot.

Voor robotvisie moet bij het lensontwerp rekening worden gehouden met:

Gezichtsveld

Vervorming

Prestaties bij weinig licht

Resolutie

Vereisten voor diepteperceptie

Grootte en gewicht

Een lens die een prachtig laboratoriumbeeld produceert, hoeft niet per se de juiste lens te zijn voor een bewegende robot.

Betrouwbaarheid in de echte wereld is belangrijker dan een perfecte demo.

UAV's en drones hebben een andere optische balans nodig

Drones creëren nog een interessante uitdaging.

Een dronecamera heeft mogelijk het volgende nodig:

Breed gezichtsveld + laag gewicht + goede resolutie + mogelijkheden bij weinig licht.

Dat is een lastige combinatie.

Een breed gezichtsveld helpt de drone zijn omgeving te begrijpen.

Een laag gewicht bevordert de vluchtefficiëntie.

Een goede resolutie helpt objecten te identificeren.

Prestaties bij weinig licht worden belangrijk bij zonsopgang, zonsondergang, binnenvluchten of moeilijke weersomstandigheden.

FPV-systemen voegen nog een vereiste toe:

Het beeld moet onmiddellijk aanvoelen.

Bewegingsonscherpte, slechte belichting of overmatige beeldvervorming kunnen de visuele perceptie van de piloot negatief beïnvloeden.

Dit is de reden waarom het ontwerp van dronelenzen steeds meer een optimalisatieprobleem wordt in plaats van simpelweg een selectie van de brandpuntsafstand.

AI-bewaking gaat van detectie naar begrip

Beveiligingscamera's vormen een van de duidelijkste voorbeelden van deze transitie.

Traditioneel toezicht vroeg:

“Heeft er iets bewogen?”

Moderne AI-surveillance vraagt:

Wie is verhuisd?

Welk voertuig is dit?

In welke richting reist het?

Welk voorwerp wordt vervoerd?

Is het gedrag ongebruikelijk?

Wat gebeurde er vóór en na de gebeurtenis?

Hoe geavanceerder de analyses worden, hoe waardevoller het originele beeld wordt.

Dit is de reden waarom kleurenbeelden bij weinig licht de aandacht trekken.

Kleur kan nuttige informatie bieden voor:

Voertuigclassificatie

Kledingidentificatie

Objectherkenning

Begrip van scènes

Infrarood blijft uiterst nuttig in zeer donkere omgevingen, maar als er zichtbaar omgevingslicht beschikbaar is, kan een optisch systeem met een grote opening helpen informatie vast te houden die anders zou verdwijnen als een camera overschakelt naar zwart-wit nachtzicht.

De lens wordt een component voor datakwaliteit

Dit is misschien wel de grootste verandering die AI teweegbrengt in de optische techniek.

Historisch gezien werden lenzen vaak behandeld als beeldcomponenten.

Nu moeten ze steeds meer worden beschouwd als componenten van datakwaliteit.

De camera legt gegevens vast.

De lens bepaalt hoeveel nuttige optische informatie de sensor bereikt.

De sensor zet die informatie om in elektrische signalen.

De ISP verwerkt het.

Het AI-model interpreteert het.

Als de eerste fase zwak is, moet elke fase daarna harder werken.

Dat is niet altijd een goede strategie.

Het is meestal beter om in het begin betere informatie vast te leggen dan enorme rekenkracht te besteden aan het proberen deze achteraf te herstellen.

Wat betekent dit voor het lensontwerp?

Toekomstige AI-cameralenzen zullen waarschijnlijk steeds meer worden ontworpen op basis van toepassingsvereisten in plaats van op geïsoleerde specificaties.

Ingenieurs moeten mogelijk rekening houden met het volgende:

Sensorspecifiek optisch ontwerp

In plaats van simpelweg een sensorformaat te ondersteunen, moeten lenzen overeenkomen met de daadwerkelijke sensorkarakteristieken.

Betere prestaties bij weinig licht

AI-systemen hebben bruikbare visuele informatie nodig, zelfs als de verlichting beperkt is.

Meer consistente randprestaties

Groothoeksystemen hebben bruikbare informatie over het hele beeld nodig, niet alleen in het midden.

Gecontroleerdvervorming

Sommige toepassingen kunnen vervorming tolereren. Anderen kunnen dat niet.

Thermische stabiliteit

Robots, voertuigen, drones en buitencamera's kunnen over grote temperatuurbereiken werken.

Applicatiespecifieke optimalisatie

De ideale veiligheidslens is niet noodzakelijkerwijs de ideale robotica-lens.

De toekomst behoort aan optische systemen die zijn ontworpen rond de taak die ze moeten uitvoeren.

Wat we leren bij Boshi-optica

BijBoshi-optica, we werken op het gebied van beveiligingstoezicht, beeldvorming in auto's, medische beeldvorming, slimme apparaten en andere optische toepassingen. Dit scala aan toepassingen maakt één ding bijzonder duidelijk:

Er bestaat geen universele definitie van een ‘goede lens’.

Een groothoeklens kan uitstekend zijn voor de ene camera en totaal ongeschikt voor de andere.

Een lens met hoge resolutie is misschien niet nodig voor een goedkoop monitoringsysteem, maar essentieel voor machinevisie.

Een lens met een grote opening kan van cruciaal belang zijn voor nachtbewakingstoepassingen, maar is minder belangrijk in een gecontroleerde industriële omgeving.

Deze toepassingsgerichte benadering wordt steeds belangrijker naarmate camera’s onderdeel worden van AI-systemen.

De lens moet worden ontworpen rond de informatie die de AI moet ontvangen – niet alleen rond de specificaties die er indrukwekkend uitzien op een productblad.

De toekomst: van ‘helder zien’ naar ‘nuttig zien’

AI verandert het doel van camera’s.

Een camera bestaat niet langer alleen maar om een ​​aantrekkelijk beeld te produceren.

Het bestaat om informatie te verstrekken.

Dat verandert de optische prioriteiten.

De vraag is niet langer alleen:

“Hoe scherp is deze lens?”

Het wordt:

“Biedt deze lens betrouwbare visuele informatie voor de daadwerkelijke taak van het systeem?”

Voor de veiligheid kan dat betekenen dat iemands uiterlijk 's nachts behouden moet blijven.

Voor robotica kan dit betekenen dat de objectherkenning over een breed gezichtsveld behouden blijft.

Voor drones kan dit betekenen dat de groothoekperceptie in evenwicht moet worden gebracht met prestaties bij weinig licht.

Voor de industriële visie kan dit betekenen dat kleine defecten consequent moeten worden opgelost.

De AI-revolutie mag dan worden aangestuurd door algoritmen, algoritmen hebben nog steeds iets nodig om naar te kijken.

En dat is de reden waarom de toekomst van AI-visie ook zal worden gevormd door optica.