Raytron 發佈紅外視覺語言模型 促進熱成像智能化發展

熱成像技術正在超越單純捕捉熱簽名。在 CIOE 2026 展會上，Raytron 揭示了一款紅外視覺語言模型（Infrared Vision-Language Model，簡稱 VLM）。該系統旨在使熱成像系統能夠解讀和理解其所見的內容，這一發展標誌著朝向更智能的紅外感知邁出了重要一步。

隨著人工智能不斷從傳統的圖像識別轉向能夠解讀物理世界資訊的系統，Raytron 的新方法專門針對紅外圖像，其中的溫度、熱分佈和熱簽名提供了傳統可見光相機無法捕捉的資訊。大多數現代視覺語言模型主要是基於大量可見光圖像數據集開發的。然而，熱相機所產生的視覺資訊本質上是不同的，因為紅外相機檢測的是物體發射的輻射，而不是主要依賴反射的可見光。這使得它們能夠揭示溫度差異、熱模式及可能對人眼無法見的熱異常。

針對紅外圖像的專用模型

根據 Raytron 的說法，其專用的紅外視覺語言模型是圍繞這些特徵設計的，而不是將熱圖像視為另一種常規圖像。該公司表示，該模型支持超過五百萬個專有的多模態紅外數據樣本，涵蓋工業溫度測量、夜視和氣體檢測等應用。該模型還結合了專用的紅外視覺編碼器，旨在捕捉熱分佈及其他紅外特定信號特徵。這將使人工智能系統能夠從識別熱圖像中的物體，轉向解釋這些物體及熱模式在特定環境中的意義。

此公告的一個重要方面是對應用特定理解的強調。Raytron 表示，其模型已針對包括氣體檢測、電氣檢查和周界監控等場景進行了訓練。尤其在氣體檢測方面，訓練數據涵蓋了甲烷、二氧化硫、乙醇、R-134a、R-152a 和六氟化硫等氣體。該公司表示，模型設計不僅考慮氣體在紅外圖像中的外觀，還考慮氣體羽流模式、擴散行為和背景幹擾等因素。這些特徵非常重要，因為在工業環境中運行的熱成像系統必須從周圍條件中區分出有意義的熱或紅外簽名。

邊緣人工智能的應用

這代表了熱相機角色的更廣泛轉變。AI 驅動的紅外系統可以潛在地分析場景，提供更高級別的描述或自動識別異常，而不僅僅是生成需要由操作員或單獨軟件進行解讀的圖像。Raytron 方法的另一個重要元素是邊緣人工智能（edge AI）部署。該公司表示，其技術可以在邊緣晶片上使用硬件加速本地運行，而不是不斷將熱數據發送至基於雲的 AI 服務。這種本地處理可以減少延遲，並限制需要離開設備的敏感視覺數據的數量。

對於工業檢查、基礎設施監控和安全應用，這一能力尤其相關。部署在現場的熱相機可能需要檢測異常溫度、識別潛在危險情況或識別不尋常的模式，而無需依賴持續的雲連接。這一方法同樣符合行業趨勢，旨在將傳感器、處理器和 AI 能力更靠近數據生成地點。Raytron 在 CIOE 2026 的公告不僅限於視覺語言模型，該公司還推出了 Falcon 500，這是其第三代紅外 AI 圖像處理晶片。

Raytron 表示，Falcon 500 將紅外圖像處理與智能感知、多模態整合和精確溫度測量相結合。該公司將這款晶片描述為一個專用的紅外 AI 圖像處理解決方案，設計用來處理熱成像系統的特定需求。專用處理對於紅外探測器數據來說至關重要，因為數據可能受到溫度漂移和不均勻性等問題的影響。紅外圖像處理硬件能夠在數據用於 AI 分析之前執行校正、降噪和圖像恢復等功能。

透過將這些功能集成到專用晶片中，Raytron 旨在針對能夠在同一硬件平台內結合圖像增強、AI 推理和溫度測量的系統。

項目	規格
紅外視覺語言模型	支持超過五百萬個紅外數據樣本
Falcon 500 晶片	集成智能感知與多模態整合

紅外技術的智能化轉型

Raytron 的紅外視覺語言模型標誌著熱成像技術的重大進步，這不僅提升了紅外系統的解讀能力，還能夠更有效地應對工業應用中的挑戰。隨著邊緣人工智能的引入，這種技術能在現場即時處理數據，減少對雲端服務的依賴，從而提高反應速度和數據安全性。這一發展符合當前行業對於智能化和自動化的需求，未來可能會在多個領域中廣泛應用。