-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
2026-09-04
Гіперспектральнае адлюстраванне, якое першапачаткова выкарыстоўвалася ў сярэдзіне 1980-х гадоў для дыстанцыйнага зандзіравання, за апошнія два дзесяцігоддзі распаўсюдзілася ў шматлікіх галінах даследаванняў, асабліва ў сельскай гаспадарцы і харчовай навуцы, дзе яно выкарыстоўваецца для збору дадатковых даных аб візуальных і хімічных уласцівасцях даследуемых аб'ектаў. Гіперспектральнае адлюстраванне аб'ядноўвае традыцыйныя выявы са спектральнымі тэхналогіямі, такімі як інфрачырвоная спектраскапія, раманаўская спектраскапія і флуарэсцэнцыя, для фарміравання трохмернай структуры даных, званай гіперкубам, якая аб'ядноўвае двухмерныя лічбавыя выявы і спектральнае вымярэнне даных. Кожны піксель звязаны са спектрам, які адлюстроўвае аптычныя характарыстыкі вобласці, якую ён прадстаўляе; хоць на яго ўплываюць суседнія пікселі, спектр можа служыць унікальнай асаблівасцю для ідэнтыфікацыі рэчываў. У галіне ацэнкі якасці садавіны, агародніны і грыбоў гіперспектральныя выявы сутыкаюцца з такімі праблемамі, як даступнасць даных і надзейнасць мадэлі. Існуючым даследаванням у асноўным не хапае практычнага прымянення, і неабходна звярнуць увагу на ўзнаўляльнасць і пераўтварэнне параметраў даследавання ў прамысловыя параметры для дасягнення неразбуральнай ацэнкі якасці, скарачэння харчовых адходаў і забеспячэння бяспекі харчовых прадуктаў.
Інтэграцыя штучнага інтэлекту і гіперспектральнай візуалізацыі мае вырашальнае значэнне. Алгарытмы штучнага інтэлекту, у асноўным метады машыннага і глыбокага навучання, здольныя эфектыўна апрацоўваць высокамерныя і буйнамаштабныя даныя гіперспектральнай візуалізацыі, забяспечваючы дакладнае вылучэнне прыкмет і класіфікацыю. Яны дэманструюць выдатную прадукцыйнасць у апрацоўцы вялікіх набораў даных, выдаленні шумоў, аналізе ў рэальным часе і павышэнні дакладнасці задач, што робіць іх неацэннымі для гіперспектральных даных-залежных прыкладанняў, такіх як сельская гаспадарка і дыстанцыйнае зандзіраванне. Па меры развіцця тэхналогіі штучнага інтэлекту яе інтэграцыя з гіперспектральнай выявай стане яшчэ больш цеснай, будзе рэалізавана апрацоўка ў рэжыме рэальнага часу, а спалучэнне з новымі тэхналогіямі пашырыць сферу прымянення і стымулюе інавацыі ў галіны. Нягледзячы на праблемы, звязаныя з дадзенымі і вылічэннямі, прагноз застаецца аптымістычным. У гэтым аглядзе будзе падрабязна разгледжана ключавая роля штучнага інтэлекту ў прымяненні гіперспектральнай візуалізацыі, існуючыя праблемы і перспектывы будучага развіцця.
Механізм гіперспектральнай візуалізацыі і звязаныя з гэтым праблемы
Гіперспектральная візуалізацыя працуе шляхам збору і апрацоўкі спектральнай інфармацыі, пераадольваючы абмежаванні традыцыйнай візуалізацыі, якая збірае даныя толькі ў некалькіх спектральных дыяпазонах. Працэс пачынаецца з асвятлення мэтавай сцэны крыніцай святла. Пасля таго, як святло ўзаемадзейнічае з матэрыяламі ў сцэне, гіперспектральны датчык з дапамогай аптычных элементаў, такіх як прызма або дыфракцыйная рашотка, разбівае сабранае святло на розныя даўжыні хваль, затым масіў датчыкаў запісвае інтэнсіўнасць святла на кожнай даўжыні хвалі, утвараючы такім чынам гіперспектральны куб дадзеных з багатай спектральнай інфармацыяй, які ахоплівае два прасторавыя вымярэнні і адно спектральнае вымярэнне. Метады збору даных ўключаюць кропкавае сканіраванне, лінейнае сканіраванне, спектральнае сканіраванне і камеры для маментальных здымкаў. Пасля збору даных патрабуецца каліброўка для карэкціроўкі рэакцыі датчыка, асвятлення і атмасферных эфектаў, а затым пашыраныя метады апрацоўкі даных, такія як спектральнае разлажэнне, класіфікацыя, вылучэнне прыкмет і памяншэнне памернасці.
Даныя гіперспектральнай візуалізацыі характарызуюцца высокай памернасцю і складанасцю: кожны піксель змяшчае сотні спектральных палос, што прыводзіць да велізарных набораў даных, высокіх патрабаванняў да вылічэнняў і захоўвання, а таксама да праблемы надмернасці даных. У той жа час даныя падвяргаюцца шумавым перашкодам і адчувальныя да ўмоў навакольнага асяроддзя, што патрабуе складаных метадаў папярэдняй апрацоўкі, такіх як памяншэнне шуму, атмасферная карэкцыя і каліброўка. Штучны інтэлект можа вырашыць гэтыя праблемы: яго тэхналогіі машыннага і глыбокага навучання выдатна спраўляюцца з апрацоўкай складаных даных, могуць аўтаматычна вывучаць спектральныя асаблівасці, памяншаючы аб'ём пабудовы функцый уручную, і маюць значныя перавагі ў апрацоўцы шматмерных даных, выдаленні шумоў, аналізе ў рэальным часе і павышэнні дакладнасці задач, адыгрываючы важную ролю ў гіперспектральным аналізе даных.
Малюнак 1. Схема асноўных кампанентаў сістэмы гіперспектральнай візуалізацыі
Віды гіперспектральнай візуалізацыі
Кропкавае сканіраванне: захопліваецца адзін піксель за раз, камера паступова будуе малюнак падчас сканавання ўзору, кожны піксель змяшчае поўную спектральную інфармацыю, спектральнае раздзяленне высокае, але атрыманне выявы займае шмат часу, што не падыходзіць для сцэнарыяў хуткага збору даных; Звычайна выкарыстоўваецца для лабараторнага спектральнага аналізу.
Лінейнае сканаванне: Парадковае вымярэнне бесперапыннага спектру, шырока выкарыстоўваецца ў прамысловым кантролі якасці і маніторынгу. Нягледзячы на страты святла з-за ўваходнай шчыліны спектрометра, дасягаецца баланс паміж хуткасцю і спектральным разрозненнем, што падыходзіць для маніторынгу і аналізу ў рэальным часе.
Спектраскапія з пераўтварэннем Фур'е: можа вымяраць бесперапынны спектр, аб'ядноўвае манахраматычны датчык выявы і інтэрферометр, святлоаддача вышэй, чым у двухтактных сістэм сканавання, высокая эфектыўнасць і дакладнасць збору спектральных даных, падыходзіць для прыкладанняў з высокімі патрабаваннямі да адчувальнасці і дакладнасці, можа працаваць у шырокім дыяпазоне даўжынь хваль, шырока выкарыстоўваецца ў такіх галінах, як хімічны аналіз.
Спектральнае сканаванне: дазваляе збіраць усю прасторавую інфармацыю на пэўных даўжынях хваль, апрацоўка ажыццяўляецца паслядоўна для кожнай даўжыні хвалі. Нягледзячы на тое, што збор аднаго малюнка адбываецца адносна хутка, агульны працэс запавольваецца неабходнасцю пераключэння даўжынь хваль. Гуляе значную ролю ў праграмах, якія патрабуюць высокага прасторавага раздзялення на пэўных даўжынях хваль, такіх як флуарэсцэнтная мікраскапія, а таксама можа быць аптымізавана для канцэнтрацыі ўвагі на пэўных галінах, якія ўяўляюць цікавасць.
Гіперспектральныя камеры для маментальных здымкаў: здольныя захопліваць гіперспектральнае відэа, падыходзяць для здымкі рухомых аб'ектаў, збор даных адбываецца хутка і эфектыўна, але спектральнае і прасторавае раздзяленне абмежавана ў параўнанні з іншымі тэхналогіямі. Яны маюць важнае прымяненне ў гіперспектральнай візуалізацыі ў рэальным часе, напрыклад, у медыцынскай дыягностыцы.
Гіперспектральныя выявы з высокім разрозненнем маюць вырашальнае значэнне для выяўлення спектральных змяненняў у складаных мішэнях, але высокі кошт існуючага абсталявання з высокім раздзяленнем абмяжоўвае яго прымяненне і распаўсюджванне. Недарагі прыбор, распрацаваны Сцюартам і іншымі даследчыкамі, адкрывае новы шлях да вырашэння гэтай праблемы і паказвае добрыя паказчыкі ў мінералагічным маніторынгу навакольнага асяроддзя.
Табліца 1. Характарыстыкі метадаў сканавання, якія выкарыстоўваюцца ў гіперспектральнай візуалізацыі.
Сінэргетычнае ўзаемадзеянне паміж штучным інтэлектам і гіперспектральнай выявай
Гіперспектральнае малюнак утрымлівае сотні спектральных палос, дадзеныя з'яўляюцца шматмернымі, і існуюць праблемы празмернасці, шуму і «праклёну памернасці», з якімі традыцыйным метадам аналізу цяжка справіцца. Алгарытмы штучнага інтэлекту, асабліва машыннае навучанне і мадэлі глыбокага навучання, могуць эфектыўна вырашаць гэтыя праблемы.
Алгарытмы кіраванага навучання выкарыстоўваюць пазначаныя даныя для навучання мадэлям класіфікацыі або аналізу, напрыклад, машыны апорных вектараў падыходзяць для класіфікацыі шматмерных даных і невялікіх навучальных набораў; выпадковыя лясы вельмі надзейныя і здольныя апрацоўваць шумныя дадзеныя; метад k-найбліжэйшых суседзяў выконвае класіфікацыю на аснове блізкасці піксельнага спектру да пазначаных дадзеных; нейронныя сеткі, такія як шматслойныя персептроны, могуць выкарыстоўвацца для папіксельнай класіфікацыі.
Алгарытмы некантраляванага навучання здольныя выяўляць схаваныя заканамернасці ў дадзеных без загадзя вызначаных метак, такіх як кластэрызацыя k-сярэдніх, аналіз галоўных кампанентаў і іншыя; Згорткавыя нейронавыя сеткі і рэкурэнтныя нейронавыя сеткі сярод нейронавых сетак могуць вывучаць прадстаўленні складаных даных; Алгарытмы навучання з падмацаваннем падыходзяць для дынамічных умоў; незалежны кампанентны аналіз выкарыстоўваецца для сляпога падзелу крыніц; Аўтакадавальнікі выкарыстоўваюцца для некантраляванага вылучэння функцый і памяншэння памернасці. Існуюць таксама новыя метады, такія як DiffSpectralNet, якія аб'ядноўваюць розныя тэхналогіі для павышэння эфектыўнасці класіфікацыі.
Тэхналогіі глыбокага навучання выкарыстоўваюць глыбокія нейронавыя сеткі для аўтаматычнага вывучэння функцый, пазбягаючы ручнога пабудовы функцый. Генератыўныя спаборніцкія сеткі можна выкарыстоўваць для павелічэння даных і іншых мэтаў. У згортачных нейронавых сетках згорткавыя пласты здабываюць асаблівасці праз злучэнні лакальных рэцэптыўных палёў, а ў спалучэнні з такімі тэхналогіямі, як аб'яднанне слаёў, яны паляпшаюць здольнасць мадэлі да абагульнення, дэманструючы выдатныя вынікі пры апрацоўцы складаных шматмерных даных.
Спектральнае раскладанне часта выкарыстоўвае метады разрэджанага кадавання неадмоўнай матрыцы. Гібрыдныя мадэлі, якія аб'ядноўваюць прасторавую і спектральную інфармацыю, паляпшаюць прадукцыйнасць такіх задач, як класіфікацыя, такіх як прасторава-спектральныя згорткавыя нейронавыя сеткі і графічныя згорткавыя сеткі. Алгарытмы апрацоўкі натуральнай мовы таксама дапамагаюць штучнаму інтэлекту разумець і ствараць мову, палягчаючы распрацоўку інтэлектуальных задач у многіх галінах.
У практычных прымяненнях гіперспектральныя камеры з узмоцненым штучным інтэлектам могуць палепшыць хуткасць апрацоўкі сігналу і перашкодаўстойлівасць, забяспечваючы дакладную спектральную рэканструкцыю. Кіраваныя штучным інтэлектам алгарытмы звышразрознасці могуць павысіць прасторавае раздзяленне малюнкаў, палягчаючы дакладнае адлюстраванне і выяўленне. У класіфікацыйных задачах тэхналогіі машыннага і глыбокага навучання здольныя апрацоўваць шматмерныя спектральныя дадзеныя, рэалізуючы класіфікацыю матэрыялаў або аб'ектаў. Алгарытмы штучнага інтэлекту могуць захоўваць ключавую інфармацыю пры выдаленні шумоў, запаўняць адсутныя часткі пры рэканструкцыі выявы і выкарыстоўваць спектральную інфармацыю для павышэння дакладнасці выяўлення аб'ектаў і сегментацыі выявы, гуляючы важную ролю ў розных галінах.
Малюнак 3. a) Спрошчаная схема камеры гіперспектральнага выпадковага шырокапалоснага кадавання на аснове глыбокага навучання: камера працуе ў актыўным рэжыме (уверсе) або пасіўным рэжыме (унізе) у залежнасці ад становішча спектральнага кадавання. b) Агляд спектральнай рэканструкцыі на аснове глыбокай нейроннай сеткі: глыбокая нейронная сетка апрацоўвае неапрацаваныя манахраматычныя даныя камеры для стварэння рэканструяванага трохмернага гіперспектральнага куба даных. c, d) Спектральныя профілі вузкапалоснага лазернага прамяня: у выпадку c глыбокая нейронавая сетка навучаецца на «дакладных» дадзеных, а ў выпадку d — на «агульных». д) Спектральныя профілі двух пікаў на даўжынях хваль 598,0 нм і 603,2 нм, адлегласць паміж пікамі паказана чорным колерам.
Табліца 2. Характарыстыкі розных алгарытмаў, якія выкарыстоўваюцца пры ўзаемадзеянні штучнага інтэлекту і гіперспектральнай візуалізацыі.
Прымяненне сінэргетычнага ўзаемадзеяння штучнага інтэлекту і гіперспектральнай візуалізацыі ў сельскай гаспадарцы
Маніторынг росту сельскагаспадарчых культур: з дапамогай штучнага інтэлекту і гіперспектральнай візуалізацыі можна дакладна прааналізаваць гіперспектральныя выявы сельскагаспадарчых культур на розных стадыях росту. Распазнаючы тонкія змены ў спектральных характарыстыках сельскагаспадарчых культур, вызначаецца іх стан здароўя, напрыклад, ці былі яны здзіўлены шкоднікамі і хваробамі, ці ёсць дэфіцыт харчавання і г.д. Напрыклад, мадэлі глыбокага навучання могуць аналізаваць спектральнае адлюстраванне лісця сельскагаспадарчых культур на гіперспектральных малюнках, адрозніваючы здаровыя і хворыя лісце, дапамагаючы фермерам прымаць актыўныя меры прафілактыкі і кантролю для павышэння ўраджайнасці і якасці ўраджаю.
Ацэнка якасці сельскагаспадарчай прадукцыі: праводзіцца неразбуральны кантроль садавіны, агародніны і іншай сельскагаспадарчай прадукцыі. На аснове унікальных спектральных адбіткаў у спалучэнні з алгарытмамі штучнага інтэлекту дакладна вызначаюцца такія паказчыкі, як спеласць, слодыч і ўнутраная якасць сельскагаспадарчай прадукцыі, што палягчае сартаванне, адбор і дакладны збыт сельскагаспадарчай прадукцыі.
Малюнак 4. Штучны інтэлект і гіперспектральныя выявы, якія выкарыстоўваюцца для аналізу якасці ежы
Зона дыстанцыйнага зандзіравання
Класіфікацыя зямнога покрыва і маніторынг: магчымыя гіперспектральныя выявы вялікіх участкаў зямной паверхні. Алгарытмы штучнага інтэлекту апрацоўваюць даныя, каб дакладна адрозніваць розныя тыпы зямельнага покрыва, такія як лясы, лугі, пасяўныя ўгоддзі, вадаёмы, гарадскія збудаванні і г.д., і дазваляюць у рэжыме рэальнага часу адсочваць змены ў землекарыстанні, такія як пашырэнне гарадоў, высечка лясоў і змяншэнне забалочаных угоддзяў, забяспечваючы надзейную інфармацыйную падтрымку землеўпарадкавання і аховы навакольнага асяроддзя.
Разведка карысных выкапняў: паколькі розныя мінералы маюць спецыфічныя характарыстыкі спектральнага паглынання і адлюстравання, спалучэнне штучнага інтэлекту і тэхналогіі гіперспектральнай візуалізацыі можа ідэнтыфікаваць патэнцыйныя зоны размеркавання мінералаў на здымках дыстанцыйнага зандзіравання, павялічваючы эфектыўнасць разведкі і зніжаючы выдаткі на разведку.
Аб'ём маніторынгу навакольнага асяроддзя
Маніторынг забруджвання вады: Аналізуючы гіперспектральныя дадзеныя вадаёмаў, штучны інтэлект здольны вызначаць тыпы і канцэнтрацыі забруджвальных рэчываў у вадзе, напрыклад, распазнаваць, ці перавышае ўтрыманне цяжкіх металаў у вадзе ўстаноўленыя нормы, наяўнасць арганічных забруджвальных рэчываў і гэтак далей, забяспечваючы дынамічны маніторынг якасці воднага асяроддзя.
Малюнак 5. Сістэма дыстанцыйнай гіперспектральнай візуалізацыі, усталяваная на беспілотным лятальным апарате пад назвай робат-медуза, які можа быць абсталяваны сеткай для збору вялікіх пластмас або мікрапластыкаў з розных водных паверхняў.
Аналіз складу атмасферы: Гіперспектральнае адлюстраванне фіксуе спектральныя прыкметы розных малекул газу ў атмасферы і прымяняе алгарытмы штучнага інтэлекту для вызначэння ўтрымання і размеркавання парніковых газаў, забруджвальных рэчываў і іншых кампанентаў у атмасферы, што дапамагае змагацца з забруджваннем паветра і даследаваць змены клімату.
Медыцынская сфера
Дыягностыка захворванняў: напрыклад, у галіне дыягностыкі скурных захворванняў гіперспектральнае візуалізацыя выкарыстоўваецца для атрымання спектральных малюнкаў здзіўленых участкаў скуры, мадэлі штучнага інтэлекту аналізуюць гэтыя выявы, дапамагаючы лекарам вызначыць тып і сур'ёзнасць паразы і гэтак далей, павялічваючы дакладнасць і эфектыўнасць дыягностыкі.
Малюнак 9. Дыяграма перыферычнай гемадынамікі здаровага дарослага чалавека ў спакоі, якая паказвае оксигемоглобин, гемаглабін і насычэнне крыві кіслародам.
Гистопатологический аналіз: праводзіцца гіперспектральнае візуалізацыя паталагічных зрэзаў на аснове алгарытмаў штучнага інтэлекту, здабываецца спектральная інфармацыя, убудаваная ў іх, што дапамагае распазнаваць мікраструктурныя асаблівасці, такія як ракавыя клеткі і здзіўленыя тканіны, забяспечваючы эталонную базу для дакладнага лячэння захворванняў.
Прамысловая зона
Кантроль якасці прадукцыі: у апрацоўчай прамысловасці праводзіцца гіперспектральнае адлюстраванне прадуктаў на вытворчай лініі, алгарытмы штучнага інтэлекту могуць хутка выяўляць дэфекты паверхні прадукту, унутраныя структурныя недахопы і іншыя праблемы якасці, забяспечваючы аўтаматызаваны і вельмі дакладны кантроль якасці.
Ідэнтыфікацыя і аналіз матэрыялаў: для розных прамысловых матэрыялаў гіперспектральнае адлюстраванне ў спалучэнні са штучным інтэлектам дазваляе хутка і дакладна вызначыць тып і склад матэрыялаў, а таксама ацаніць адпаведнасць іх характарыстык устаноўленым патрабаванням, што палягчае выбар сыравіны і кантроль якасці прадукцыі.
Сінэргетычнае ўзаемадзеянне штучнага інтэлекту і гіперспектральнай візуалізацыі ўяўляе сабой значны прагрэс у тэхналогіях апрацоўкі даных і ідэнтыфікацыі матэрыялаў. Паколькі тэхналогіі пастаянна развіваюцца, іх перасячэнне мае патэнцыял для стымулявання далейшых інавацый, пастаянна пашыраючы сферу іх прымянення ў навукова-даследчых і практычных сцэнарыях. Будучыня гэтага сінэргетычнага ўзаемадзеяння можа здзейсніць рэвалюцыю ў многіх галінах, пашыраючы межы існуючых тэхналогій, забяспечваючы дакладныя, эфектыўныя і ўніверсальныя рашэнні, недасяжныя традыцыйнымі метадамі, і адкрываючы зусім новыя магчымасці для развіцця і трансфармацыі для розных галін.
