-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
2026-09-04
L'imaging iperspettrale, originariamente utilizzato a metà degli anni '80 per il telerilevamento, si è espanso in numerosi campi di ricerca negli ultimi due decenni, in particolare nell'agricoltura e nelle scienze alimentari, dove viene utilizzato per raccogliere dati aggiuntivi sulle proprietà visive e chimiche degli oggetti oggetto di studio. L'imaging iperspettrale combina l'imaging tradizionale con tecnologie spettrali come la spettroscopia a infrarossi, la spettroscopia Raman e la fluorescenza per formare una struttura di dati tridimensionale chiamata ipercubo, che integra l'imaging digitale bidimensionale e la dimensione spettrale dei dati. Ad ogni pixel è associato uno spettro che riflette le caratteristiche ottiche della regione che rappresenta; sebbene sia influenzato dai pixel vicini, lo spettro può servire come caratteristica unica per identificare le sostanze. Nel campo della valutazione della qualità di frutta, verdura e funghi, l'imaging iperspettrale deve affrontare sfide quali la disponibilità dei dati e l'affidabilità del modello. La ricerca esistente è per lo più carente di applicazioni pratiche ed è necessario prestare attenzione alla riproducibilità e alla traduzione dei parametri di ricerca in parametri industriali per ottenere una valutazione della qualità non distruttiva, ridurre gli sprechi alimentari e garantire la sicurezza alimentare.
L’integrazione dell’intelligenza artificiale e dell’imaging iperspettrale è fondamentale. Gli algoritmi di intelligenza artificiale, principalmente tecniche di machine learning e deep learning, sono in grado di elaborare in modo efficiente dati di imaging iperspettrali ad alta dimensione e su larga scala, fornendo un'estrazione e una classificazione accurata delle caratteristiche. Dimostrano prestazioni eccezionali nell'elaborazione di grandi set di dati, nella denoising, nell'analisi in tempo reale e nel miglioramento della precisione delle attività, rendendoli preziosi per applicazioni dipendenti dai dati iperspettrali come l'agricoltura e il telerilevamento. Con l’avanzare della tecnologia dell’intelligenza artificiale, la sua integrazione con l’imaging iperspettrale diventerà ancora più stretta, verrà realizzata l’elaborazione in tempo reale e la combinazione con le nuove tecnologie amplierà l’ambito di applicazione e stimolerà l’innovazione del settore. Nonostante le sfide legate ai dati e all’informatica, le prospettive rimangono ottimistiche. Questa recensione discuterà in dettaglio il ruolo chiave dell'intelligenza artificiale nell'applicazione dell'imaging iperspettrale, i problemi esistenti e le prospettive di sviluppo futuro.
Il meccanismo dell'imaging iperspettrale e problemi correlati
L'imaging iperspettrale funziona catturando ed elaborando le informazioni spettrali, superando i limiti dell'imaging tradizionale, che raccoglie dati solo in poche bande spettrali. Il processo inizia illuminando la scena target con una fonte di luce. Dopo che la luce interagisce con i materiali in una scena, un sensore iperspettrale, utilizzando elementi ottici come un prisma o un reticolo di diffrazione, decompone la luce raccolta in diverse lunghezze d'onda, quindi la serie di sensori registra l'intensità della luce a ciascuna lunghezza d'onda, formando così un cubo di dati iperspettrali con ricche informazioni spettrali, che abbraccia due dimensioni spaziali e una dimensione spettrale. I metodi di raccolta dati includono la scansione puntuale, la scansione lineare, la scansione spettrale e le fotocamere istantanee. Dopo la raccolta dei dati, è necessaria la calibrazione per correggere la risposta del sensore, l'illuminazione e gli effetti atmosferici, seguita da tecniche avanzate di elaborazione dei dati come la decomposizione spettrale, la classificazione, l'estrazione delle caratteristiche e la riduzione della dimensionalità.
I dati di imaging iperspettrale sono caratterizzati da elevata dimensionalità e complessità: ogni pixel contiene centinaia di bande spettrali, con conseguenti enormi set di dati, elevati requisiti computazionali e di archiviazione e il problema della ridondanza dei dati. Allo stesso tempo, i dati sono soggetti a interferenze di rumore e sensibili alle condizioni ambientali, il che richiede complesse tecniche di pre-elaborazione come la riduzione del rumore, la correzione atmosferica e la calibrazione. L’intelligenza artificiale può risolvere questi problemi: le sue tecnologie di machine learning e deep learning sono eccellenti nell’elaborazione di dati complessi, possono apprendere automaticamente le caratteristiche spettrali, riducendo la quantità di costruzione manuale delle caratteristiche e presentano vantaggi significativi nell’elaborazione dei dati multidimensionali, nel denoising, nell’analisi in tempo reale e nel miglioramento della precisione delle attività, giocando un ruolo importante nell’analisi dei dati iperspettrali.
Figura 1. Schema dei componenti principali di un sistema di imaging iperspettrale
Tipi di imaging iperspettrale
Scansione spot: viene catturato un pixel alla volta, la fotocamera costruisce gradualmente un'immagine mentre scansiona il campione, ogni pixel contiene informazioni spettrali complete, la risoluzione spettrale è elevata, ma l'acquisizione dell'immagine richiede molto tempo, il che non è adatto per scenari di acquisizione dati veloce; Tipicamente utilizzato per l'analisi spettrale di laboratorio.
Scansione lineare: misurazione linea per linea di uno spettro continuo, ampiamente utilizzata nel controllo e nel monitoraggio della qualità industriale. Nonostante la perdita di luce dovuta alla fessura di ingresso dello spettrometro, si ottiene un equilibrio tra velocità e risoluzione spettrale, adatto per il monitoraggio e l'analisi in tempo reale.
Spettroscopia in trasformata di Fourier: può misurare uno spettro continuo, combina un sensore di immagine monocromatico e un interferometro, l'emissione di luce è superiore a quella dei sistemi di scansione push-pull, l'efficienza e la precisione della raccolta dei dati spettrali è elevata, adatta per applicazioni con elevati requisiti di sensibilità e precisione, in grado di operare in un'ampia gamma di lunghezze d'onda, ampiamente utilizzata in settori come l'analisi chimica.
Scansione spettrale: consente di raccogliere tutte le informazioni spaziali a determinate lunghezze d'onda, l'elaborazione viene effettuata in modo sequenziale per ciascuna lunghezza d'onda. Sebbene la raccolta di una singola immagine sia relativamente veloce, il processo complessivo è rallentato dalla necessità di cambiare lunghezza d’onda. Svolge un ruolo significativo nelle applicazioni che richiedono un'elevata risoluzione spaziale a lunghezze d'onda specifiche, come la microscopia a fluorescenza, e può anche essere ottimizzato per concentrarsi su aree di interesse specifiche.
Telecamere per istantanee iperspettrali: in grado di catturare video iperspettrali, adatte per catturare oggetti in movimento, la raccolta dei dati è veloce ed efficiente, ma la risoluzione spettrale e spaziale è limitata rispetto ad altre tecnologie. Hanno importanti applicazioni nell'imaging iperspettrale in tempo reale, come la diagnostica medica.
L'imaging iperspettrale ad alta risoluzione è fondamentale per rilevare i cambiamenti spettrali in target complessi, ma l'elevato costo delle apparecchiature ad alta risoluzione esistenti ne limita l'applicazione e la diffusione. Il dispositivo a basso costo sviluppato da Stewart e altri ricercatori apre una nuova strada per risolvere questo problema e mostra buone prestazioni nel monitoraggio ambientale mineralogico.
Tabella 1. Caratteristiche dei metodi di scansione utilizzati nell'imaging iperspettrale.
Interazione sinergica tra intelligenza artificiale e imaging iperspettrale
L’imaging iperspettrale contiene centinaia di bande spettrali, i dati sono altamente dimensionali e ci sono problemi di ridondanza, rumore e la “maledizione della dimensionalità” che i metodi di analisi tradizionali trovano difficile affrontare. Gli algoritmi di intelligenza artificiale, in particolare i modelli di machine learning e deep learning, possono risolvere efficacemente questi problemi.
Gli algoritmi di apprendimento supervisionato utilizzano dati etichettati per addestrare modelli di classificazione o analisi, ad esempio, le macchine vettoriali di supporto sono adatte per classificare dati ad alta dimensione e piccoli set di addestramento; le foreste casuali sono altamente robuste e in grado di elaborare dati rumorosi; il metodo k-nearest neighbors esegue la classificazione in base alla vicinanza dello spettro dei pixel ai dati etichettati; le reti neurali come i percettroni multistrato possono essere utilizzate per la classificazione pixel per pixel.
Gli algoritmi di apprendimento non supervisionato sono in grado di scoprire modelli nascosti nei dati senza etichette predefinite, come il clustering k-mean, l'analisi delle componenti principali e altri; Le reti neurali convoluzionali e le reti neurali ricorrenti tra reti neurali possono apprendere rappresentazioni di dati complessi; Gli algoritmi di apprendimento per rinforzo sono adatti per ambienti dinamici; l'analisi dei componenti indipendenti viene utilizzata per la separazione della sorgente cieca; Gli autocodificatori vengono utilizzati per l'estrazione di caratteristiche non supervisionate e la riduzione della dimensionalità. Esistono anche nuovi metodi, come DiffSpectralNet, che integrano varie tecnologie per migliorare le prestazioni di classificazione.
Le tecnologie di deep learning utilizzano reti neurali profonde per apprendere automaticamente le funzionalità, evitando la costruzione manuale delle funzionalità. Le reti avversarie generative possono essere utilizzate per l'aumento dei dati e per altri scopi. Nelle reti neurali convoluzionali, gli strati convoluzionali estraggono caratteristiche attraverso connessioni di campi recettivi locali e, se combinati con tecnologie come i livelli di pooling, migliorano la capacità di generalizzazione del modello, dimostrando risultati eccezionali durante l'elaborazione di dati complessi ad alta dimensione.
La decomposizione spettrale utilizza spesso la fattorizzazione della matrice non negativa e tecniche di codifica sparsa. I modelli ibridi che combinano informazioni spaziali e spettrali migliorano le prestazioni in attività come la classificazione, come le reti neurali convoluzionali spazio-spettrali e le reti convoluzionali grafiche. Gli algoritmi di elaborazione del linguaggio naturale aiutano anche l’intelligenza artificiale a comprendere e generare linguaggio, facilitando lo sviluppo di compiti intelligenti in molti campi.
Nelle applicazioni pratiche, le telecamere iperspettrali potenziate dall’intelligenza artificiale possono migliorare la velocità di elaborazione del segnale e l’immunità al rumore, fornendo un’accurata ricostruzione spettrale. Gli algoritmi di super-risoluzione guidati dall’intelligenza artificiale possono migliorare la risoluzione spaziale delle immagini, facilitando la mappatura e il rilevamento precisi. Nei compiti di classificazione, le tecnologie di machine learning e deep learning sono in grado di elaborare dati spettrali multidimensionali, implementando la classificazione di materiali o oggetti. Gli algoritmi di intelligenza artificiale possono conservare le informazioni chiave nella rimozione del rumore, riempire le parti mancanti nella ricostruzione dell'immagine e utilizzare le informazioni spettrali per migliorare la precisione nel rilevamento degli oggetti e nella segmentazione delle immagini, svolgendo un ruolo importante in vari campi.
Figura 3. a) Schema semplificato di una telecamera con codifica casuale iperspettrale a banda larga basata sul deep learning: la telecamera opera in modalità attiva (in alto) o passiva (in basso) a seconda della posizione della codifica spettrale. b) Panoramica della ricostruzione spettrale basata su rete neurale profonda: una rete neurale profonda elabora i dati grezzi monocromatici della telecamera per generare un cubo di dati iperspettrali 3D ricostruito. c, d) Profili spettrali di un raggio laser a banda stretta: nel caso c, la rete neurale profonda viene addestrata su dati “accurati” e nel caso d, su dati “generali”. e) Profili spettrali di due picchi alle lunghezze d'onda 598,0 nm e 603,2 nm, la distanza tra i picchi è mostrata in nero.
Tabella 2. Caratteristiche di vari algoritmi utilizzati nell'interazione tra intelligenza artificiale e imaging iperspettrale.
Applicazione dell'interazione sinergica dell'intelligenza artificiale e dell'imaging iperspettrale in agricoltura
Monitoraggio della crescita delle colture: utilizzando l'intelligenza artificiale e l'imaging iperspettrale, è possibile analizzare con precisione le immagini iperspettrali delle colture in diverse fasi di crescita. Riconoscendo sottili cambiamenti nelle caratteristiche spettrali delle colture, si determina il loro stato di salute, ad esempio, se sono state colpite da parassiti e malattie, se ci sono carenze nutrizionali e così via. Ad esempio, i modelli di deep learning possono analizzare la riflettanza spettrale delle foglie delle colture in immagini iperspettrali, distinguendo tra foglie sane e malate, aiutando gli agricoltori ad adottare misure preventive e di controllo proattive per migliorare la resa e la qualità dei raccolti.
Valutazione della qualità dei prodotti agricoli: vengono eseguiti controlli non distruttivi su frutta, verdura e altri prodotti agricoli. Sulla base delle sue impronte spettrali uniche, combinate con algoritmi di intelligenza artificiale, vengono determinati con precisione indicatori come maturità, dolcezza e qualità interna dei prodotti agricoli, il che facilita lo smistamento, la selezione e l'accurata commercializzazione dei prodotti agricoli.
Figura 4. Intelligenza artificiale e imaging iperspettrale utilizzati per l'analisi della qualità degli alimenti
Area di telerilevamento
Classificazione e monitoraggio della copertura del suolo: è possibile l'acquisizione di immagini iperspettrali di vaste aree della superficie terrestre. Gli algoritmi di intelligenza artificiale elaborano i dati per distinguere accuratamente tra diversi tipi di copertura del suolo, come foreste, praterie, terreni coltivati, corpi idrici, strutture urbane, ecc., e consentono il monitoraggio in tempo reale dei cambiamenti nell’uso del suolo come l’espansione urbana, la deforestazione e il declino delle zone umide, fornendo un supporto informativo affidabile per la gestione del territorio e la protezione ambientale.
Esplorazione delle risorse minerarie: poiché diversi minerali hanno specifiche caratteristiche di assorbimento e riflettanza spettrale, la combinazione di intelligenza artificiale e tecnologia di imaging iperspettrale può identificare potenziali zone di distribuzione dei minerali nelle immagini di telerilevamento, aumentando l’efficienza dell’esplorazione e riducendo i costi di esplorazione.
Ambito del monitoraggio ambientale
Monitoraggio dell'inquinamento idrico: analizzando i dati iperspettrali dei corpi idrici, l'intelligenza artificiale è in grado di determinare i tipi e le concentrazioni di inquinanti nell'acqua, ad esempio, riconoscendo se il contenuto di metalli pesanti nell'acqua supera gli standard stabiliti, la presenza di inquinanti organici e così via, fornendo un monitoraggio dinamico della qualità dell'ambiente acquatico.
Figura 5. Sistema di imaging iperspettrale remoto montato su un veicolo aereo senza pilota chiamato medusa robotica, che può essere equipaggiato con una rete per raccogliere grandi plastiche o microplastiche da varie superfici acquatiche.
Analisi della composizione atmosferica: l'imaging iperspettrale cattura le firme spettrali di varie molecole di gas nell'atmosfera e applica algoritmi di intelligenza artificiale per determinare il contenuto e la distribuzione dei gas serra, degli inquinanti e di altri componenti nell'atmosfera, il che aiuta a combattere l'inquinamento atmosferico e la ricerca sui cambiamenti climatici.
Campo medico
Diagnosi della malattia: ad esempio, nel campo della diagnosi delle malattie della pelle, l'imaging iperspettrale viene utilizzato per ottenere immagini spettrali delle aree cutanee interessate, i modelli di intelligenza artificiale analizzano queste immagini, aiutando i medici a determinare il tipo e la gravità della lesione e così via, aumentando l'accuratezza e l'efficienza della diagnosi.
Figura 9. Diagramma dell'emodinamica periferica di un adulto sano a riposo, che mostra ossiemoglobina, emoglobina e saturazione di ossigeno nel sangue.
Analisi istopatologica: viene eseguita l'imaging iperspettrale di sezioni patologiche, sulla base di algoritmi di intelligenza artificiale, vengono estratte le informazioni spettrali in esse incorporate, che aiutano a riconoscere caratteristiche microstrutturali come le cellule tumorali e i tessuti colpiti, fornendo una base di riferimento per il trattamento preciso delle malattie.
Zona industriale
Controllo qualità del prodotto: nell'industria manifatturiera viene eseguita l'imaging iperspettrale dei prodotti sulla linea di produzione, gli algoritmi di intelligenza artificiale possono rilevare rapidamente difetti superficiali del prodotto, difetti strutturali interni e altri problemi di qualità, fornendo un controllo di qualità automatizzato ed estremamente accurato.
Identificazione e analisi dei materiali: per una varietà di materiali industriali, l'imaging iperspettrale combinato con l'intelligenza artificiale consente di determinare in modo rapido e accurato il tipo e la composizione dei materiali, nonché di valutare la conformità delle loro caratteristiche ai requisiti stabiliti, facilitando la selezione delle materie prime e il controllo della qualità del prodotto.
L’interazione sinergica tra intelligenza artificiale e imaging iperspettrale rappresenta progressi significativi nelle tecnologie di elaborazione dei dati e di identificazione dei materiali. Poiché le tecnologie si evolvono continuamente, la loro intersezione ha il potenziale per stimolare ulteriore innovazione, ampliando continuamente il loro ambito di applicazione nella ricerca e negli scenari pratici. Il futuro di questa interazione sinergica ha il potenziale per rivoluzionare molti settori, ampliando i confini delle tecnologie esistenti, fornendo soluzioni precise, efficienti e versatili irraggiungibili con i metodi tradizionali e aprendo opportunità completamente nuove di sviluppo e trasformazione per vari settori.
