A Physics-Informed MobileNetV2 Framework for Thermal Infrared Gas Classification: Combining Thermodynamic Input Features and Loss-Level Physics Penalization

Resumo Técnico: Um Framework de MobileNetV2 Informado pela Física para Classificação de Gases em Infravermelho Térmico

Definição do Problema
As abordagens atuais de aprendizagem profunda para a classificação de gases em infravermelho térmico (TIR) tratam imagens térmicas calibradas como fotografias RGB padrão, descartando as leis termodinâmicas subjacentes que regem os dados. Especificamente, estudos anteriores sobre o benchmark MultimodalGasData falham em utilizar o fato de que os valores dos pixels representam temperaturas reais, calibradas por câmera e governadas por leis físicas fixas. Essa omissão leva a dois problemas críticos:

1. Implausibilidade Física: Técnicas padrão de aumento de dados (ex: inversão vertical) criam cenários fisicamente impossíveis, como plumas de gás aquecidas descendo contra a gravidade, o que contradiz a convecção impulsionada pela flutuabilidade.
2. Falta de Interpretabilidade: Os modelos podem alcançar alta acurácia ao aprender artefatos visuais específicos do conjunto de dados em vez de sinais termodinâmicos genuínos. Consequentemente, classificadores podem atribuir alta confiança a perigos de gás em regiões termicamente planas e sem características, onde não existe justificativa física, o que representa um risco para implementações de segurança crítica que exigem generalização para mudanças nas condições ambientais.

Metodologia
Os autores propõem um framework de Aprendizagem de Máquina Informada pela Física (PIML) que integra princípios termodinâmicos diretamente tanto na representação de entrada quanto no objetivo de treinamento. A metodologia consiste em quatro componentes principais:

1. Construção de Tensor de Entrada Informado pela Física:
   Em vez da representação RGB de três canais padrão, os autores constroem um tensor de seis canais para cada imagem:

• RGB Normalizado por Temperatura: As intensidades brutas dos pixels são reescalonadas para uma faixa de temperatura normalizada ($T_{norm} \in [0, 1]$) baseada na faixa física fixa da câmera ($-40^\circ\text{C}$ a $330^\circ\text{C}$), preservando a relação física entre intensidade e temperatura.
• Mapas de Gradiente Térmico: Mapas de gradiente horizontal ($G_x$) e vertical ($G_y$) são computados usando o operador Sobel em uma imagem com redução de ruído e realce de contraste. Esses mapas são derivados da lei de Fourier para condução de calor ($q = -k\nabla T$), codificando os limites espaciais do fluxo de calor entre estados térmicos perturbados e não perturbados pelo gás.
• Mapa de Anomalia de Temperatura Local: Um mapa gerado pela subtração da média da vizinhança local (15×15 pixels) do valor do pixel, isolando anomalias térmicas localizadas características da atividade de gás enquanto suprime tendências de fundo.
• Aumento Fisicamente Consistente: O aumento é restrito à inversão horizontal e ajustes limitados de brilho. Inversões verticais e rotações amplas são explicitamente excluídas para evitar a geração de imagens termodinamicamente impossíveis (ex: plumas de calor descendentes).

2. Arquitetura do Modelo:
   O framework utiliza um backbone MobileNetV2, selecionado pelo seu equilíbrio entre acurácia e eficiência computacional (aprox. 14 MB). Para acomodar a entrada de seis canais, um bloco de projeção de entrada (duas camadas convolucionais de $1\times1$) precede o backbone, reprojetando os seis canais nos três canais esperados pelos pesos pré-treinados da MobileNetV2. A arquitetura inclui um cabeçalho de classificação com pooling de média global, uma camada densa, dropout e uma saída softmax para quatro classes: Sem Gás, Perfume, Fumaça e Mistura.

3. Função de Perda Penalizada pela Física:
   O objetivo de treinamento combina a entropia cruzada categórica padrão ($L_{CE}$) com uma penalidade de plausibilidade termodinâmica ($L_{physics}$):
   $$L_{total} = L_{CE} + \lambda \cdot L_{physics}$$
   A função de penalidade é definida como a média do produto da confiança do gás e o decaimento exponencial da magnitude do gradiente. Esta formulação penaliza o modelo quando ele prevê um perigo de gás com alta confiança em regiões que carecem dos gradientes térmicos íngremes exigidos pela lei de Fourier, efetivamente podando hipóteses fisicamente implausíveis durante o backpropagation.

4. Estratégia de Treinamento em Duas Fases:

• Fase 1 (Adaptação de Características): O backbone da MobileNetV2 é congelado; apenas o bloco de projeção de entrada e o cabeçalho de classificação são treinados para se adaptar à entrada de seis canais informada pela física.
• Fase 2 (Ajuste Fino/Fine-Tuning): Os 30 níveis superiores do backbone são descongelados, e o modelo é treinado de ponta a ponta com uma taxa de aprendizado reduzida e parada antecipada (early stopping) para evitar overfitting.

Principais Contribuições

1. Entrada de Seis Canais Baseada na Física: A primeira aplicação de um tensor de seis canais (RGB normalizado por temperatura, gradientes de Sobel e mapas de anomalia) para este conjunto de dados, substituindo a abordagem RGB padrão.
2. Regularização de Perda Termodinâmica: A introdução de uma função de perda que penaliza explicitamente previsões de gás confiantes em regiões termicamente planas, impondo plausibilidade física durante a otimização.
3. Validação de Plausibilidade Física: O primeiro uso de análise de saliência baseada em oclusão neste conjunto de dados para verificar se a atenção do modelo se alinha com regiões termodinamicamente significativas (ex: a base de plumas ascendentes) em vez de artefatos visuais incidentais.
4. Benchmarking Abrangente: Uma avaliação completa contra resultados anteriores de estado da arte no benchmark MultimodalGasData, incluindo análise detalhada de erro por classe.

Resultos
O modelo proposto alcançou as seguintes métricas de desempenho no conjunto de teste reservado (962 imagens):

• Acurácia Geral: 94,80% (Teste) e 96,67% (Melhor Validação).
• Desempenho por Classe:
  • Mistura: F1-score de 99,58% com zero falsos positivos através de 722 imagens de teste que não eram Mistura.
  • Fumaça: F1-score de 96,22%.
  • Perfume: F1-score de 93,20%.
  • Sem Gás: F1-score de 90,31%.
• Estrutura de Erro: O modelo eliminou toda a confusão entre as classes Perfume e Fumaça (um modo de falha comum em modelos anteriores) e confinou os erros residuais à fronteira entre Sem Gás e as classes de gás único.
• Análise de Saliência: Mapas de oclusão confirmaram que a atenção do modelo estava concentrada em regiões termodinamicamente esperadas: a base de plumas de fumaça ascendentes, calor difuso na região superior para aerossóis e ativação de múltiplas regiões para misturas.

Significância e Alegações
O artigo argumenta que, embora o modelo proposto fique atrás de uma baseline MobileNetV2 puramente otimizada para acurácia (99,76% de acurácia) em 4,96 pontos percentuais, essa lacuna representa um trade-off quantificado e favorável entre acurácia bruta e fundamentação física.

• Confiabilidade em Segurança Crítica: Os autores alegam que, para implementação em segurança crítica, a reestruturação qualitativa dos erros é mais significativa do que o ganho de acurácia agregada. Ao eliminar alarmes falsos para a classe de maior consequência, "Mistura", e remover a confusão entre tipos distintos de perigo, o modelo prioriza a robustez estrutural sobre a exploração de artefatos específicos do dataset.
• Potencial de Generalização: O framework é considerado mais robusto a mudanças na temperatura ambiente, orientação da câmera ou condições de fundo porque se baseia em constantes termodinâmicas universais (lei de Fourier) em vez de correlações espúrias.
• Interpretabilidade: O estudo fornece a primeira validação de plausibilidade física para este benchmark, demonstrando que uma alta acurácia no benchmark não garante que o raciocínio de um modelo seja seguro para confiar sem verificação contra leis físicas.

Os autores concluem que sua abordagem oferece um caminho viável para sistemas de detecção de gás interpretáveis e conscientes da segurança, observando que trabalhos futuros podem integrar essas características térmicas informadas pela física com dados de matrizes de sensores para se aproximar ou exceder o desempenho de fusão multimodal, mantendo a interpretabilidade física.