-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
04-09-2026
Hyperspectrale beeldvorming, oorspronkelijk halverwege de jaren tachtig gebruikt voor teledetectie, heeft zich de afgelopen twintig jaar uitgebreid tot tal van onderzoeksgebieden, vooral in de landbouw- en voedingswetenschappen, waar het wordt gebruikt om aanvullende gegevens te verzamelen over de visuele en chemische eigenschappen van objecten die worden bestudeerd. Hyperspectrale beeldvorming combineert traditionele beeldvorming met spectrale technologieën zoals infraroodspectroscopie, Raman-spectroscopie en fluorescentie om een driedimensionale gegevensstructuur te vormen, een zogenaamde hyperkubus, die tweedimensionale digitale beeldvorming en de spectrale dimensie van de gegevens integreert. Elke pixel is geassocieerd met een spectrum dat de optische kenmerken weerspiegelt van het gebied dat het vertegenwoordigt; Hoewel het wordt beïnvloed door aangrenzende pixels, kan het spectrum dienen als een uniek kenmerk voor het identificeren van stoffen. Op het gebied van kwaliteitsbeoordeling van fruit, groenten en paddenstoelen wordt hyperspectrale beeldvorming geconfronteerd met uitdagingen zoals de beschikbaarheid van gegevens en de betrouwbaarheid van modellen. Bij bestaand onderzoek ontbreekt het meestal aan praktische toepassingen, en er moet aandacht worden besteed aan reproduceerbaarheid en vertaling van onderzoeksparameters in industriële parameters om een niet-destructieve kwaliteitsbeoordeling te bereiken, voedselverspilling terug te dringen en de voedselveiligheid te garanderen.
De integratie van kunstmatige intelligentie en hyperspectrale beeldvorming is van cruciaal belang. Algoritmen voor kunstmatige intelligentie, voornamelijk machine learning en deep learning-technieken, zijn in staat om hoog-dimensionale en grootschalige hyperspectrale beeldgegevens efficiënt te verwerken, waardoor nauwkeurige extractie en classificatie van kenmerken mogelijk is. Ze demonstreren uitstekende prestaties bij het verwerken van grote datasets, het verwijderen van ruis, realtime analyse en het verbeteren van de taaknauwkeurigheid, waardoor ze van onschatbare waarde zijn voor hyperspectrale data-afhankelijke toepassingen zoals landbouw en teledetectie. Naarmate de technologie voor kunstmatige intelligentie vordert, zal de integratie ervan met hyperspectrale beeldvorming nog nauwer worden, zal real-time verwerking worden gerealiseerd en zal de combinatie met nieuwe technologieën het toepassingsgebied vergroten en innovatie in de industrie stimuleren. Ondanks de uitdagingen die verband houden met data en computers, blijven de vooruitzichten optimistisch. Dit overzicht zal in detail de sleutelrol van kunstmatige intelligentie bij de toepassing van hyperspectrale beeldvorming, bestaande problemen en vooruitzichten voor toekomstige ontwikkeling bespreken.
Het mechanisme van hyperspectrale beeldvorming en aanverwante problemen
Hyperspectrale beeldvorming werkt door het vastleggen en verwerken van spectrale informatie, waardoor de beperkingen van traditionele beeldvorming worden overwonnen, waarbij alleen gegevens in een paar spectrale banden worden verzameld. Het proces begint met het verlichten van de doelscène met een lichtbron. Nadat licht interageert met materialen in een scène, ontleedt een hyperspectrale sensor, met behulp van optische elementen zoals een prisma of een diffractierooster, het verzamelde licht in verschillende golflengten. Vervolgens registreert de sensorarray de lichtintensiteit bij elke golflengte, waardoor een hyperspectrale datakubus wordt gevormd met rijke spectrale informatie, die twee ruimtelijke dimensies en één spectrale dimensie omvat. Methoden voor gegevensverzameling omvatten puntscannen, lijnscannen, spectraal scannen en snapshotcamera's. Na het verzamelen van gegevens is kalibratie vereist om te corrigeren voor sensorrespons, verlichting en atmosferische effecten, gevolgd door geavanceerde gegevensverwerkingstechnieken zoals spectrale ontleding, classificatie, kenmerkextractie en dimensionaliteitsreductie.
Hyperspectrale beeldgegevens worden gekenmerkt door een hoge dimensionaliteit en complexiteit: elke pixel bevat honderden spectrale banden, wat resulteert in enorme datasets, hoge reken- en opslagvereisten en het probleem van dataredundantie. Tegelijkertijd zijn de gegevens onderhevig aan ruisinterferentie en gevoelig voor omgevingsomstandigheden, wat complexe voorverwerkingstechnieken vereist, zoals ruisonderdrukking, atmosferische correctie en kalibratie. Kunstmatige intelligentie kan deze problemen oplossen: de machine learning- en deep learning-technologieën zijn uitstekend in het verwerken van complexe gegevens, kunnen automatisch spectrale kenmerken leren, de hoeveelheid handmatige constructie van kenmerken verminderen, en hebben aanzienlijke voordelen bij multidimensionale gegevensverwerking, ruisonderdrukking, realtime analyse en het verbeteren van taaknauwkeurigheid, en spelen een belangrijke rol bij hyperspectrale gegevensanalyse.
Figuur 1. Diagram van de belangrijkste componenten van een hyperspectraal beeldvormingssysteem
Soorten hyperspectrale beeldvorming
Spotscannen: één pixel wordt per keer vastgelegd, de camera bouwt geleidelijk een beeld op terwijl het het monster scant, elke pixel bevat volledige spectrale informatie, de spectrale resolutie is hoog, maar beeldacquisitie duurt lang, wat niet geschikt is voor snelle data-acquisitiescenario's; Meestal gebruikt voor spectrale analyse in laboratoria.
Lijnscan: lijn-voor-lijn meting van een continu spectrum, veel gebruikt in industriële kwaliteitscontrole en monitoring. Ondanks het lichtverlies als gevolg van de ingangsspleet van de spectrometer wordt een evenwicht bereikt tussen snelheid en spectrale resolutie, wat geschikt is voor realtime monitoring en analyse.
Fourier-transformatiespectroscopie: kan een continu spectrum meten, combineert een monochromatische beeldsensor en een interferometer, de lichtopbrengst is hoger dan die van push-pull-scansystemen, de efficiëntie en nauwkeurigheid van het verzamelen van spectrale gegevens is hoog, geschikt voor toepassingen met hoge gevoeligheids- en nauwkeurigheidseisen, in staat om te werken in een breed scala aan golflengten, op grote schaal gebruikt in gebieden zoals chemische analyse.
Spectrale scanning: hiermee kunt u alle ruimtelijke informatie op bepaalde golflengten verzamelen, de verwerking wordt voor elke golflengte sequentieel uitgevoerd. Hoewel het verzamelen van een enkel beeld relatief snel gaat, wordt het algehele proces vertraagd door de noodzaak om van golflengte te wisselen. Speelt een belangrijke rol in toepassingen die een hoge ruimtelijke resolutie bij specifieke golflengten vereisen, zoals fluorescentiemicroscopie, en kan ook worden geoptimaliseerd om zich op specifieke interessegebieden te concentreren.
Hyperspectrale snapshotcamera's: geschikt voor het vastleggen van hyperspectrale video, geschikt voor het vastleggen van bewegende objecten, het verzamelen van gegevens is snel en efficiënt, maar de spectrale en ruimtelijke resolutie is beperkt in vergelijking met andere technologieën. Ze hebben belangrijke toepassingen in realtime hyperspectrale beeldvorming, zoals medische diagnostiek.
Hyperspectrale beeldvorming met hoge resolutie is van cruciaal belang voor het detecteren van spectrale veranderingen in complexe doelen, maar de hoge kosten van bestaande apparatuur met hoge resolutie beperken de toepassing en verspreiding ervan. Het goedkope apparaat, ontwikkeld door Stewart en andere onderzoekers, opent een nieuwe manier om dit probleem op te lossen en vertoont goede prestaties op het gebied van mineralogische milieumonitoring.
Tabel 1. Kenmerken van scanmethoden die worden gebruikt bij hyperspectrale beeldvorming.
Synergetische interactie tussen kunstmatige intelligentie en hyperspectrale beeldvorming
Hyperspectrale beeldvorming bevat honderden spectrale banden, de gegevens zijn hoogdimensionaal en er zijn problemen met redundantie, ruis en de ‘vloek van de dimensionaliteit’ waarmee traditionele analysemethoden moeilijk kunnen omgaan. Algoritmen voor kunstmatige intelligentie, vooral machine learning en deep learning-modellen, kunnen deze problemen effectief oplossen.
Algoritmen voor begeleid leren gebruiken gelabelde gegevens om classificatie- of analysemodellen te trainen. Ondersteuningsvectormachines zijn bijvoorbeeld geschikt voor het classificeren van hoogdimensionale gegevens en kleine trainingssets; willekeurige bossen zijn zeer robuust en kunnen luidruchtige gegevens verwerken; de k-dichtstbijzijnde buren-methode voert classificatie uit op basis van de nabijheid van het pixelspectrum tot de gelabelde gegevens; neurale netwerken zoals meerlaagse perceptrons kunnen worden gebruikt voor pixel-voor-pixel classificatie.
Algoritmen voor onbewaakt leren zijn in staat verborgen patronen in gegevens te ontdekken zonder vooraf gedefinieerde labels, zoals k-means clustering, hoofdcomponentenanalyse en andere; Convolutionele neurale netwerken en terugkerende neurale netwerken tussen neurale netwerken kunnen representaties van complexe gegevens leren; Versterkende leeralgoritmen zijn geschikt voor dynamische omgevingen; onafhankelijke componentenanalyse wordt gebruikt voor blinde bronscheiding; Autoencoders worden gebruikt voor het onbewaakt extraheren van kenmerken en het verminderen van de dimensionaliteit. Er zijn ook nieuwe methoden, zoals DiffSpectralNet, die verschillende technologieën integreren om de classificatieprestaties te verbeteren.
Deep learning-technologieën maken gebruik van diepe neurale netwerken om automatisch functies te leren, waardoor handmatige constructie van functies wordt vermeden. Generatieve vijandige netwerken kunnen worden gebruikt voor datavergroting en andere doeleinden. In convolutionele neurale netwerken extraheren convolutionele lagen kenmerken via verbindingen van lokale receptieve velden, en in combinatie met technologieën zoals het samenvoegen van lagen verbeteren ze het generalisatievermogen van het model, wat uitstekende resultaten oplevert bij het verwerken van complexe hoogdimensionale gegevens.
Spectrale decompositie maakt vaak gebruik van niet-negatieve matrixfactorisatie en schaarse coderingstechnieken. Hybride modellen die ruimtelijke en spectrale informatie combineren, verbeteren de prestaties bij taken zoals classificatie, zoals ruimtelijk-spectrale convolutionele neurale netwerken en grafische convolutionele netwerken. Algoritmen voor natuurlijke taalverwerking helpen kunstmatige intelligentie ook bij het begrijpen en genereren van taal, waardoor de ontwikkeling van intelligente taken op veel gebieden wordt vergemakkelijkt.
In praktische toepassingen kunnen AI-verbeterde hyperspectrale camera's de signaalverwerkingssnelheid en de ruisimmuniteit verbeteren, waardoor een nauwkeurige spectrale reconstructie ontstaat. AI-gestuurde algoritmen met superresolutie kunnen de ruimtelijke resolutie van afbeeldingen verbeteren, waardoor nauwkeurige mapping en detectie mogelijk worden. Bij classificatietaken zijn machine learning- en deep learning-technologieën in staat multidimensionale spectrale gegevens te verwerken en de classificatie van materialen of objecten te implementeren. AI-algoritmen kunnen belangrijke informatie vasthouden bij het verwijderen van ruis, ontbrekende delen invullen bij beeldreconstructie en spectrale informatie gebruiken om de nauwkeurigheid bij objectdetectie en beeldsegmentatie te verbeteren, en spelen een belangrijke rol op verschillende gebieden.
Figuur 3. a) Vereenvoudigd diagram van een hyperspectrale willekeurige breedbandcoderingscamera gebaseerd op deep learning: de camera werkt in actieve modus (boven) of passieve modus (onder), afhankelijk van de positie van de spectrale codering. b) Overzicht van op diepe neurale netwerken gebaseerde spectrale reconstructie: een diep neuraal netwerk verwerkt ruwe monochromatische cameragegevens om een gereconstrueerde 3D hyperspectrale datakubus te genereren. c, d) Spectrale profielen van een smalbandige laserstraal: in geval c wordt het diepe neurale netwerk getraind op “nauwkeurige” gegevens, en in geval d op “algemene” gegevens. e) Spectrale profielen van twee pieken bij golflengten 598,0 nm en 603,2 nm, de afstand tussen de pieken wordt in zwart weergegeven.
Tabel 2. Kenmerken van verschillende algoritmen die worden gebruikt in de interactie tussen kunstmatige intelligentie en hyperspectrale beeldvorming.
Toepassing van synergetische interactie van kunstmatige intelligentie en hyperspectrale beeldvorming in de landbouw
Gewasgroeimonitoring: Met behulp van kunstmatige intelligentie en hyperspectrale beeldvorming kunnen hyperspectrale beelden van gewassen in verschillende groeistadia nauwkeurig worden geanalyseerd. Door subtiele veranderingen in de spectrale kenmerken van gewassen te herkennen, wordt hun gezondheidsstatus bepaald, bijvoorbeeld of ze zijn aangetast door plagen en ziekten, of er voedingstekorten zijn, enzovoort. Deep learning-modellen kunnen bijvoorbeeld de spectrale reflectie van gewasbladeren analyseren in hyperspectrale beelden, waarbij onderscheid wordt gemaakt tussen gezonde en zieke bladeren, waardoor boeren proactieve preventieve en controlemaatregelen kunnen nemen om de gewasopbrengsten en -kwaliteit te verbeteren.
Beoordeling van de kwaliteit van landbouwproducten: er worden niet-destructieve tests van fruit, groenten en andere landbouwproducten uitgevoerd. Op basis van de unieke spectrale vingerafdrukken, gecombineerd met algoritmen van kunstmatige intelligentie, worden indicatoren zoals rijpheid, zoetheid en interne kwaliteit van landbouwproducten nauwkeurig bepaald, wat sortering, selectie en nauwkeurige marketing van landbouwproducten mogelijk maakt.
Figuur 4. Kunstmatige intelligentie en hyperspectrale beeldvorming gebruikt voor analyse van de voedselkwaliteit
Teledetectiegebied
Classificatie en monitoring van landbedekking: hyperspectrale beeldvorming van grote delen van het aardoppervlak is mogelijk. Algoritmen voor kunstmatige intelligentie verwerken de gegevens om nauwkeurig onderscheid te maken tussen verschillende soorten landbedekking, zoals bossen, graslanden, akkerlanden, waterlichamen, stedelijke structuren, enz., en maken het in realtime volgen van veranderingen in landgebruik mogelijk, zoals stadsuitbreiding, ontbossing en achteruitgang van wetlands, waardoor betrouwbare informatie wordt geboden voor landbeheer en milieubescherming.
Verkenning van minerale hulpbronnen: Omdat verschillende mineralen specifieke spectrale absorptie- en reflectiekarakteristieken hebben, kan de combinatie van kunstmatige intelligentie en hyperspectrale beeldtechnologie potentiële minerale distributiezones identificeren in teledetectiebeelden, waardoor de exploratie-efficiëntie wordt verhoogd en de exploratiekosten worden verlaagd.
Reikwijdte van milieumonitoring
Monitoring van waterverontreiniging: Door hyperspectrale gegevens van waterlichamen te analyseren, kan kunstmatige intelligentie de soorten en concentraties van verontreinigende stoffen in water bepalen, bijvoorbeeld door te herkennen of het gehalte aan zware metalen in water de vastgestelde normen overschrijdt, de aanwezigheid van organische verontreinigende stoffen, enzovoort, waardoor een dynamische monitoring van de kwaliteit van het aquatisch milieu mogelijk wordt.
Figuur 5. Hyperspectraal beeldvormingssysteem op afstand, gemonteerd op een onbemand luchtvaartuig, een robotkwal genaamd, dat kan worden uitgerust met een net om grote plastics of microplastics van verschillende wateroppervlakken te verzamelen.
Atmosferische compositieanalyse: Hyperspectrale beeldvorming legt de spectrale kenmerken van verschillende gasmoleculen in de atmosfeer vast en past algoritmen voor kunstmatige intelligentie toe om de inhoud en distributie van broeikasgassen, verontreinigende stoffen en andere componenten in de atmosfeer te bepalen, wat helpt bij het bestrijden van luchtvervuiling en onderzoek naar klimaatverandering.
Medisch gebied
Ziektediagnose: Op het gebied van de diagnose van huidziekten wordt bijvoorbeeld hyperspectrale beeldvorming gebruikt om spectrale beelden te verkrijgen van aangetaste delen van de huid. Kunstmatige intelligentiemodellen analyseren deze beelden, waardoor artsen het type en de ernst van de laesie kunnen bepalen, enzovoort, waardoor de nauwkeurigheid en efficiëntie van de diagnose wordt vergroot.
Figuur 9. Diagram van de perifere hemodynamiek van een gezonde volwassene in rust, met oxyhemoglobine, hemoglobine en zuurstofverzadiging in het bloed.
Histopathologische analyse: Hyperspectrale beeldvorming van pathologische secties wordt uitgevoerd, op basis van kunstmatige intelligentie-algoritmen, de spectrale informatie die erin is ingebed wordt geëxtraheerd, wat helpt bij het herkennen van microstructurele kenmerken zoals kankercellen en aangetaste weefsels, wat een referentiebasis vormt voor een nauwkeurige behandeling van ziekten.
Industrieel gebied
Productkwaliteitscontrole: In de productie-industrie wordt hyperspectrale beeldvorming van producten op de productielijn uitgevoerd, algoritmen voor kunstmatige intelligentie kunnen snel defecten aan het productoppervlak, interne structurele gebreken en andere kwaliteitsproblemen detecteren, waardoor geautomatiseerde en zeer nauwkeurige kwaliteitscontrole wordt geboden.
Materiaalidentificatie en -analyse: Voor een verscheidenheid aan industriële materialen kunt u met hyperspectrale beeldvorming in combinatie met kunstmatige intelligentie snel en nauwkeurig het type en de samenstelling van materialen bepalen, en beoordelen of hun kenmerken voldoen aan vastgestelde eisen, wat de selectie van grondstoffen en productkwaliteitscontrole vergemakkelijkt.
De synergetische interactie van kunstmatige intelligentie en hyperspectrale beeldvorming vertegenwoordigt aanzienlijke vooruitgang op het gebied van gegevensverwerking en materiaalidentificatietechnologieën. Naarmate technologieën voortdurend evolueren, heeft hun kruispunt het potentieel om verdere innovatie te stimuleren, waardoor hun toepassingsgebied in onderzoek en praktische scenario's voortdurend wordt uitgebreid. De toekomst van deze synergetische interactie heeft het potentieel om een revolutie teweeg te brengen in veel industrieën, de grenzen van bestaande technologieën te verleggen, nauwkeurige, efficiënte en veelzijdige oplossingen te bieden die met traditionele methoden niet haalbaar zijn, en volledig nieuwe mogelijkheden voor ontwikkeling en transformatie voor verschillende industrieën te openen.
