-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
2026-09-04
Hyperspektral avbildning, som ursprungligen användes i mitten av 1980-talet för fjärranalys, har expanderat till många forskningsområden under de senaste två decennierna, särskilt inom jordbruk och livsmedelsvetenskap, där den används för att samla in ytterligare data om de visuella och kemiska egenskaperna hos föremål som studeras. Hyperspektral avbildning kombinerar traditionell avbildning med spektrala teknologier som infraröd spektroskopi, Raman-spektroskopi och fluorescens för att bilda en tredimensionell datastruktur som kallas en hyperkub, som integrerar tvådimensionell digital avbildning och den spektrala dimensionen av datan. Varje pixel är associerad med ett spektrum som återspeglar de optiska egenskaperna hos den region den representerar; även om det påverkas av närliggande pixlar, kan spektrumet fungera som en unik egenskap för att identifiera ämnen. Inom området kvalitetsbedömning av frukt, grönsaker och svampar står hyperspektral avbildning inför utmaningar som datatillgänglighet och modelltillförlitlighet. Befintlig forskning saknas för det mesta i praktiska tillämpningar, och uppmärksamhet måste ägnas åt reproducerbarhet och översättning av forskningsparametrar till industriella parametrar för att uppnå oförstörande kvalitetsbedömning, minska matsvinnet och säkerställa livsmedelssäkerhet.
Integrationen av artificiell intelligens och hyperspektral avbildning är avgörande. Algoritmer för artificiell intelligens, främst maskininlärning och tekniker för djupinlärning, kan effektivt bearbeta högdimensionell och storskalig hyperspektral avbildningsdata, vilket ger exakt funktionsextraktion och klassificering. De uppvisar enastående prestanda vid bearbetning av stora datamängder, avbrutning, realtidsanalys och förbättrad uppgiftsnoggrannhet, vilket gör dem ovärderliga för hyperspektrala databeroende applikationer som jordbruk och fjärranalys. I takt med att tekniken för artificiell intelligens utvecklas, kommer dess integration med hyperspektral bildbehandling att bli ännu stramare, realtidsbehandling kommer att realiseras, och kombination med ny teknik kommer att utöka tillämpningsområdet och stimulera industriinnovation. Trots de utmaningar som är förknippade med data och beräkningar är utsikterna fortfarande optimistiska. Denna översyn kommer att diskutera i detalj artificiell intelligenss nyckelroll i tillämpningen av hyperspektral avbildning, befintliga problem och utsikter för framtida utveckling.
Mekanismen för hyperspektral avbildning och relaterade problem
Hyperspektral avbildning fungerar genom att fånga och bearbeta spektral information, och övervinna begränsningarna för traditionell avbildning, som bara samlar in data i ett fåtal spektralband. Processen börjar med att belysa målscenen med en ljuskälla. Efter att ljus interagerar med material i en scen, bryter en hyperspektral sensor, med hjälp av optiska element som ett prisma eller ett diffraktionsgitter, upp det insamlade ljuset till olika våglängder, sedan registrerar sensormatrisen ljusintensiteten vid varje våglängd och bildar på så sätt en hyperspektral datakub med rik spektral information, som spänner över två spektraldimensioner. Datainsamlingsmetoder inkluderar punktskanning, linjeskanning, spektralskanning och ögonblicksbildskameror. Efter datainsamling krävs kalibrering för att korrigera för sensorrespons, ljus och atmosfäriska effekter, följt av avancerade databearbetningstekniker som spektral nedbrytning, klassificering, funktionsextraktion och dimensionsreduktion.
Hyperspektral bilddata kännetecknas av hög dimensionalitet och komplexitet: varje pixel innehåller hundratals spektrala band, vilket resulterar i enorma datamängder, höga krav på beräkningar och lagring, och problemet med dataredundans. Samtidigt är data utsatt för brusstörningar och känsliga för miljöförhållanden, vilket kräver komplexa förbehandlingstekniker som brusreducering, atmosfärisk korrigering och kalibrering. Artificiell intelligens kan lösa dessa problem: dess maskininlärnings- och djupinlärningsteknologier är utmärkta på att bearbeta komplexa data, kan automatiskt lära sig spektrala funktioner, minska mängden manuell funktionskonstruktion och har betydande fördelar i multidimensionell databehandling, försvagning, realtidsanalys och förbättrad uppgiftsnoggrannhet, vilket spelar en viktig roll i hyperspektral dataanalys.
Figur 1. Diagram över huvudkomponenterna i ett hyperspektralt avbildningssystem
Typer av hyperspektral avbildning
Punktskanning: en pixel fångas i taget, kameran bygger gradvis en bild när den skannar provet, varje pixel innehåller fullständig spektral information, den spektrala upplösningen är hög, men bildinsamlingen tar lång tid, vilket inte är lämpligt för snabba datainsamlingsscenarier; Används vanligtvis för laboratoriespektralanalys.
Linjeskanning: Linje-för-linje-mätning av ett kontinuerligt spektrum, flitigt använt inom industriell kvalitetskontroll och övervakning. Trots ljusförlust på grund av spektrometerns ingångsslits uppnås en balans mellan hastighet och spektral upplösning, vilket är lämpligt för övervakning och analys i realtid.
Fourier-transformspektroskopi: kan mäta ett kontinuerligt spektrum, kombinerar en monokromatisk bildsensor och en interferometer, ljuseffekten är högre än för push-pull-skanningssystem, effektiviteten och noggrannheten för insamling av spektraldata är hög, lämplig för applikationer med höga känslighets- och noggrannhetskrav, som kan arbeta i ett brett spektrum av våglängder, såsom kemisk analys, flitigt inom områden.
Spektral scanning: låter dig samla in all rumslig information vid vissa våglängder, bearbetning utförs sekventiellt för varje våglängd. Även om det går relativt snabbt att samla in en enda bild, saktas den övergripande processen ner av behovet att byta våglängder. Spelar en betydande roll i applikationer som kräver hög rumslig upplösning vid specifika våglängder, såsom fluorescensmikroskopi, och kan också optimeras för att fokusera på specifika områden av intresse.
Hyperspektrala ögonblicksbilder: Kan ta hyperspektral video, lämplig för att fånga rörliga objekt, datainsamling är snabb och effektiv, men spektral och rumslig upplösning är begränsad jämfört med andra teknologier. De har viktiga tillämpningar inom hyperspektral avbildning i realtid, såsom medicinsk diagnostik.
Högupplöst hyperspektral avbildning är avgörande för att upptäcka spektrala förändringar i komplexa mål, men den höga kostnaden för befintlig högupplöst utrustning begränsar dess tillämpning och spridning. Den lågkostnadsapparat som utvecklats av Stewart och andra forskare öppnar ett nytt sätt att lösa detta problem och visar goda prestanda inom mineralogisk miljöövervakning.
Tabell 1. Egenskaper för skanningsmetoder som används vid hyperspektral avbildning.
Synergistisk interaktion mellan artificiell intelligens och hyperspektral avbildning
Hyperspektral avbildning innehåller hundratals spektralband, data är högdimensionella och det finns problem med redundans, brus och "dimensionalitetens förbannelse" som traditionella analysmetoder har svårt att hantera. Algoritmer för artificiell intelligens, särskilt maskininlärning och modeller för djupinlärning, kan effektivt lösa dessa problem.
Övervakade inlärningsalgoritmer använder märkta data för att träna klassificerings- eller analysmodeller, till exempel är stödvektormaskiner lämpliga för att klassificera högdimensionell data och små träningsuppsättningar; slumpmässiga skogar är mycket robusta och kan bearbeta bullriga data; metoden för k-närmaste grannar utför klassificering baserat på pixelspektrumets närhet till den märkta datan; neurala nätverk såsom flerskiktsperceptroner kan användas för pixel-för-pixel-klassificering.
Oövervakade inlärningsalgoritmer kan upptäcka dolda mönster i data utan fördefinierade etiketter, såsom k-means-klustring, huvudkomponentanalys och andra; Konvolutionella neurala nätverk och återkommande neurala nätverk bland neurala nätverk kan lära sig representationer av komplexa data; Förstärkningsinlärningsalgoritmer är lämpliga för dynamiska miljöer; oberoende komponentanalys används för blindkällseparering; Autokodare används för oövervakad funktionsextraktion och dimensionsreduktion. Det finns också nya metoder, såsom DiffSpectralNet, som integrerar olika teknologier för att förbättra klassificeringsprestandan.
Teknik för djupinlärning använder djupa neurala nätverk för att automatiskt lära sig funktioner, vilket undviker manuell funktionskonstruktion. Generativa kontradiktoriska nätverk kan användas för dataökning och andra ändamål. I faltningsneurala nätverk extraherar faltningsskikt egenskaper genom anslutningar av lokala mottagliga fält, och när de kombineras med teknologier som poolande skikt förbättrar de modellens generaliseringsförmåga, vilket visar enastående resultat vid bearbetning av komplexa högdimensionella data.
Spektral nedbrytning använder ofta icke-negativ matrisfaktorisering och sparsam kodningsteknik. Hybridmodeller som kombinerar rumslig och spektral information förbättrar prestanda för uppgifter som klassificering, som rums-spektrala faltningsneurala nätverk och graffaltningsnätverk. Naturliga språkbehandlingsalgoritmer hjälper också artificiell intelligens att förstå och generera språk, vilket underlättar utvecklingen av intelligenta uppgifter inom många områden.
I praktiska tillämpningar kan AI-förbättrade hyperspektrala kameror förbättra signalbehandlingshastigheten och brusimmuniteten, vilket ger exakt spektral rekonstruktion. AI-drivna superupplösningsalgoritmer kan förbättra den rumsliga upplösningen av bilder, vilket underlättar exakt kartläggning och detektering. I klassificeringsuppgifter kan maskininlärning och djupinlärningsteknologier bearbeta flerdimensionella spektraldata, implementera klassificeringen av material eller objekt. AI-algoritmer kan behålla nyckelinformation vid denoising, fylla i saknade delar i bildrekonstruktion och använda spektral information för att förbättra noggrannheten i objektdetektering och bildsegmentering, vilket spelar en viktig roll inom olika områden.
Figur 3. a) Förenklat diagram över en hyperspektral slumpmässig bredbandskodningskamera baserad på djupinlärning: kameran arbetar i aktivt läge (överst) eller passivt läge (nederst) beroende på positionen för den spektrala kodningen. b) Översikt över djup neural nätverksbaserad spektral rekonstruktion: Ett djupt neuralt nätverk bearbetar rå monokromatisk kameradata för att generera en rekonstruerad 3D hyperspektral datakub. c, d) Spektralprofiler för en smalbandig laserstråle: i fall c tränas det djupa neurala nätverket på "exakta" data och i fall d på "allmänna" data. e) Spektralprofiler för två toppar vid våglängderna 598,0 nm och 603,2 nm, avståndet mellan topparna visas i svart.
Tabell 2. Egenskaper för olika algoritmer som används i samspelet mellan artificiell intelligens och hyperspektral avbildning.
Tillämpning av synergistisk interaktion av artificiell intelligens och hyperspektral avbildning inom jordbruket
Övervakning av växttillväxt: Med hjälp av artificiell intelligens och hyperspektral avbildning kan hyperspektrala bilder av grödor i olika tillväxtstadier analyseras noggrant. Genom att känna igen subtila förändringar i grödors spektrala egenskaper bestäms deras hälsostatus, till exempel om de har drabbats av skadedjur och sjukdomar, om det finns näringsbrister och så vidare. Till exempel kan modeller för djupinlärning analysera den spektrala reflektansen av grödor i hyperspektrala bilder, skilja mellan friska och sjuka löv, hjälpa bönder att vidta proaktiva förebyggande och kontrollerande åtgärder för att förbättra skördarnas avkastning och kvalitet.
Bedömning av kvaliteten på jordbruksprodukter: oförstörande testning av frukt, grönsaker och andra jordbruksprodukter utförs. Baserat på dess unika spektrala fingeravtryck, kombinerat med artificiell intelligensalgoritmer, bestäms indikatorer som mognad, sötma och inre kvalitet hos jordbruksprodukter noggrant, vilket underlättar sortering, urval och korrekt marknadsföring av jordbruksprodukter.
Figur 4. Artificiell intelligens och hyperspektral avbildning som används för analys av livsmedelskvalitet
Fjärravkänningsområde
Marktäckesklassificering och övervakning: hyperspektral avbildning av stora områden av jordens yta är möjlig. Algoritmer för artificiell intelligens bearbetar data för att exakt skilja mellan olika typer av marktäcke, såsom skogar, gräsmarker, odlingsmarker, vattenkroppar, stadsstrukturer, etc., och tillåter realtidsspårning av markanvändningsförändringar såsom urban expansion, avskogning och våtmarksnedgång, vilket ger tillförlitligt informationsstöd för markförvaltning och miljöskydd.
Utforskning av mineralresurser: Eftersom olika mineral har specifika spektrala absorptions- och reflektansegenskaper, kan kombinationen av artificiell intelligens och hyperspektral avbildningsteknik identifiera potentiella mineralfördelningszoner i fjärranalysbilder, vilket ökar utforskningseffektiviteten och minskar utforskningskostnaderna.
Omfattning av miljöövervakning
Övervakning av vattenföroreningar: Genom att analysera hyperspektrala data från vattenförekomster kan artificiell intelligens bestämma typer och koncentrationer av föroreningar i vatten, till exempel genom att känna igen om innehållet av tungmetaller i vatten överstiger etablerade standarder, förekomsten av organiska föroreningar och så vidare, vilket ger dynamisk övervakning av kvaliteten på vattenmiljön.
Figur 5. Fjärrspektralt avbildningssystem monterat på ett obemannat flygfarkost som kallas robotmaneter, som kan utrustas med ett nät för att samla upp stora plaster eller mikroplaster från olika vattenytor.
Atmosfärisk sammansättningsanalys: Hyperspektral avbildning fångar de spektrala signaturerna av olika gasmolekyler i atmosfären och tillämpar artificiell intelligensalgoritmer för att bestämma innehållet och fördelningen av växthusgaser, föroreningar och andra komponenter i atmosfären, vilket hjälper till att bekämpa luftföroreningar och forskning om klimatförändringar.
Medicinskt område
Sjukdomsdiagnos: Till exempel, inom området för hudsjukdomsdiagnos, används hyperspektral avbildning för att erhålla spektralbilder av drabbade områden av huden, artificiell intelligensmodeller analyserar dessa bilder, hjälper läkare att fastställa skadans typ och svårighetsgrad, och så vidare, vilket ökar diagnosens noggrannhet och effektivitet.
Figur 9. Diagram över perifer hemodynamik för en frisk vuxen i vila, som visar oxyhemoglobin, hemoglobin och blodsyrgasmättnad.
Histopatologisk analys: Hyperspektral avbildning av patologiska sektioner utförs, baserat på artificiell intelligens algoritmer, den spektrala informationen inbäddad i dem extraheras, vilket hjälper till att känna igen mikrostrukturella egenskaper såsom cancerceller och påverkade vävnader, vilket ger en referensbas för exakt behandling av sjukdomar.
Industriområde
Produktkvalitetskontroll: Inom tillverkningsindustrin utförs hyperspektral avbildning av produkter på produktionslinjen, artificiell intelligensalgoritmer kan snabbt upptäcka produktytdefekter, interna strukturella brister och andra kvalitetsproblem, vilket ger automatiserad och mycket exakt kvalitetskontroll.
Materialidentifiering och analys: För en mängd olika industriella material låter hyperspektral avbildning i kombination med artificiell intelligens dig snabbt och exakt bestämma typen och sammansättningen av material, samt bedöma överensstämmelsen med deras egenskaper med fastställda krav, vilket underlättar valet av råmaterial och produktkvalitetskontroll.
Den synergistiska interaktionen mellan artificiell intelligens och hyperspektral avbildning representerar betydande framsteg inom databehandlings- och materialidentifieringsteknologier. Eftersom teknologier ständigt utvecklas, har deras skärningspunkt potential att stimulera ytterligare innovation, och kontinuerligt utöka deras tillämpningsområde i forskning och praktiska scenarier. Framtiden för denna synergistiska växelverkan har potential att revolutionera många industrier, tänja på gränserna för befintlig teknik, tillhandahålla korrekta, effektiva och mångsidiga lösningar som inte kan uppnås med traditionella metoder, och öppna upp helt nya möjligheter för utveckling och transformation för olika industrier.
