-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
04.09.2026
Die hyperspektrale Bildgebung, die ursprünglich Mitte der 1980er Jahre für die Fernerkundung eingesetzt wurde, hat sich in den letzten zwei Jahrzehnten auf zahlreiche Forschungsfelder ausgeweitet, insbesondere in der Agrar- und Lebensmittelwissenschaft, wo sie zur Erfassung zusätzlicher Daten über die visuellen und chemischen Eigenschaften von untersuchten Objekten eingesetzt wird. Hyperspektrale Bildgebung kombiniert traditionelle Bildgebung mit Spektraltechnologien wie Infrarotspektroskopie, Raman-Spektroskopie und Fluoreszenz, um eine dreidimensionale Datenstruktur namens Hypercube zu bilden, die zweidimensionale digitale Bildgebung und die spektrale Dimension der Daten integriert. Jedem Pixel ist ein Spektrum zugeordnet, das die optischen Eigenschaften der Region widerspiegelt, die es darstellt; Obwohl es durch benachbarte Pixel beeinflusst wird, kann das Spektrum als eindeutiges Merkmal zur Identifizierung von Substanzen dienen. Im Bereich der Qualitätsbewertung von Obst, Gemüse und Pilzen steht die hyperspektrale Bildgebung vor Herausforderungen wie Datenverfügbarkeit und Modellzuverlässigkeit. Der bestehenden Forschung mangelt es größtenteils an praktischen Anwendungen, und es muss auf die Reproduzierbarkeit und die Übertragung von Forschungsparametern in industrielle Parameter geachtet werden, um eine zerstörungsfreie Qualitätsbewertung zu erreichen, Lebensmittelverschwendung zu reduzieren und die Lebensmittelsicherheit zu gewährleisten.
Die Integration von künstlicher Intelligenz und hyperspektraler Bildgebung ist von entscheidender Bedeutung. Algorithmen der künstlichen Intelligenz, hauptsächlich maschinelles Lernen und Deep-Learning-Techniken, sind in der Lage, hochdimensionale und umfangreiche hyperspektrale Bilddaten effizient zu verarbeiten und eine genaue Merkmalsextraktion und -klassifizierung zu ermöglichen. Sie zeigen eine herausragende Leistung bei der Verarbeitung großer Datensätze, der Rauschunterdrückung, der Echtzeitanalyse und der Verbesserung der Aufgabengenauigkeit, was sie für hyperspektrale datenabhängige Anwendungen wie Landwirtschaft und Fernerkundung von unschätzbarem Wert macht. Mit der Weiterentwicklung der Technologie der künstlichen Intelligenz wird ihre Integration in die hyperspektrale Bildgebung noch enger, die Echtzeitverarbeitung wird realisiert und die Kombination mit neuen Technologien wird den Anwendungsbereich erweitern und Brancheninnovationen anregen. Trotz der Herausforderungen im Zusammenhang mit Daten und Computern bleiben die Aussichten optimistisch. In diesem Aufsatz werden die Schlüsselrolle der künstlichen Intelligenz bei der Anwendung der hyperspektralen Bildgebung, bestehende Probleme und Perspektiven für die zukünftige Entwicklung ausführlich erörtert.
Der Mechanismus der hyperspektralen Bildgebung und damit verbundene Probleme
Hyperspektrale Bildgebung funktioniert durch die Erfassung und Verarbeitung von Spektralinformationen und überwindet so die Einschränkungen der herkömmlichen Bildgebung, bei der nur Daten in einigen wenigen Spektralbändern erfasst werden. Der Prozess beginnt mit der Beleuchtung der Zielszene mit einer Lichtquelle. Nachdem Licht mit Materialien in einer Szene interagiert, zerlegt ein Hyperspektralsensor mithilfe optischer Elemente wie einem Prisma oder einem Beugungsgitter das gesammelte Licht in verschiedene Wellenlängen. Anschließend zeichnet das Sensorarray die Lichtintensität bei jeder Wellenlänge auf und bildet so einen hyperspektralen Datenwürfel mit umfangreichen Spektralinformationen, der zwei räumliche Dimensionen und eine spektrale Dimension umfasst. Zu den Datenerfassungsmethoden gehören Punktscannen, Linienscannen, Spektralscannen und Schnappschusskameras. Nach der Datenerfassung ist eine Kalibrierung erforderlich, um die Reaktion des Sensors, die Beleuchtung und atmosphärische Effekte zu korrigieren, gefolgt von fortschrittlichen Datenverarbeitungstechniken wie Spektralzerlegung, Klassifizierung, Merkmalsextraktion und Dimensionsreduzierung.
Hyperspektrale Bilddaten zeichnen sich durch hohe Dimensionalität und Komplexität aus: Jedes Pixel enthält Hunderte von Spektralbändern, was zu riesigen Datensätzen, hohen Rechen- und Speicheranforderungen und dem Problem der Datenredundanz führt. Gleichzeitig unterliegen die Daten Störungen durch Rauschen und sind empfindlich gegenüber Umgebungsbedingungen, was komplexe Vorverarbeitungstechniken wie Rauschunterdrückung, atmosphärische Korrektur und Kalibrierung erfordert. Künstliche Intelligenz kann diese Probleme lösen: Ihre Technologien für maschinelles Lernen und Deep Learning eignen sich hervorragend für die Verarbeitung komplexer Daten, können Spektralmerkmale automatisch erlernen, wodurch der Umfang der manuellen Merkmalskonstruktion reduziert wird, und bieten erhebliche Vorteile bei der mehrdimensionalen Datenverarbeitung, Rauschunterdrückung, Echtzeitanalyse und Verbesserung der Aufgabengenauigkeit und spielen eine wichtige Rolle bei der hyperspektralen Datenanalyse.
Abbildung 1. Diagramm der Hauptkomponenten eines hyperspektralen Bildgebungssystems
Arten der hyperspektralen Bildgebung
Punktscan: Es wird jeweils ein Pixel erfasst, die Kamera baut beim Scannen der Probe nach und nach ein Bild auf, jedes Pixel enthält vollständige Spektralinformationen, die spektrale Auflösung ist hoch, aber die Bilderfassung dauert lange, was für schnelle Datenerfassungsszenarien nicht geeignet ist; Wird normalerweise für die Spektralanalyse im Labor verwendet.
Zeilenscan: Zeilenweise Messung eines kontinuierlichen Spektrums, weit verbreitet in der industriellen Qualitätskontrolle und -überwachung. Trotz Lichtverlust durch den Eintrittsspalt des Spektrometers wird ein Gleichgewicht zwischen Geschwindigkeit und spektraler Auflösung erreicht, das für die Echtzeitüberwachung und -analyse geeignet ist.
Fourier-Transformationsspektroskopie: Kann ein kontinuierliches Spektrum messen, kombiniert einen monochromatischen Bildsensor und ein Interferometer, die Lichtleistung ist höher als die von Push-Pull-Scansystemen, die Effizienz und Genauigkeit der Spektraldatenerfassung ist hoch, geeignet für Anwendungen mit hohen Empfindlichkeits- und Genauigkeitsanforderungen, kann in einem breiten Wellenlängenbereich betrieben werden, wird häufig in Bereichen wie der chemischen Analyse eingesetzt.
Spektrales Scannen: Ermöglicht die Erfassung aller räumlichen Informationen bei bestimmten Wellenlängen. Die Verarbeitung erfolgt nacheinander für jede Wellenlänge. Obwohl die Aufnahme eines einzelnen Bildes relativ schnell geht, wird der Gesamtprozess durch die Notwendigkeit, die Wellenlänge zu wechseln, verlangsamt. Spielt eine wichtige Rolle bei Anwendungen, die eine hohe räumliche Auflösung bei bestimmten Wellenlängen erfordern, wie z. B. der Fluoreszenzmikroskopie, und kann auch optimiert werden, um sich auf bestimmte Bereiche von Interesse zu konzentrieren.
Hyperspektrale Schnappschusskameras: Sie sind in der Lage, hyperspektrale Videos aufzunehmen, eignen sich zur Aufnahme bewegter Objekte und sind schnell und effizient. Die spektrale und räumliche Auflösung ist jedoch im Vergleich zu anderen Technologien begrenzt. Sie haben wichtige Anwendungen in der hyperspektralen Echtzeitbildgebung, beispielsweise in der medizinischen Diagnostik.
Hochauflösende hyperspektrale Bildgebung ist für die Erkennung spektraler Veränderungen in komplexen Zielen von entscheidender Bedeutung, aber die hohen Kosten vorhandener hochauflösender Geräte schränken ihre Anwendung und Verbreitung ein. Das von Stewart und anderen Forschern entwickelte kostengünstige Gerät eröffnet einen neuen Weg zur Lösung dieses Problems und zeigt gute Leistungen bei der mineralogischen Umweltüberwachung.
Tabelle 1. Eigenschaften der in der hyperspektralen Bildgebung verwendeten Scanmethoden.
Synergistische Interaktion zwischen künstlicher Intelligenz und hyperspektraler Bildgebung
Die hyperspektrale Bildgebung enthält Hunderte von Spektralbändern, die Daten sind hochdimensional und es gibt Probleme mit Redundanz, Rauschen und dem „Fluch der Dimensionalität“, mit denen herkömmliche Analysemethoden nur schwer umgehen können. Algorithmen der künstlichen Intelligenz, insbesondere Modelle des maschinellen Lernens und des Deep Learning, können diese Probleme effektiv lösen.
Überwachte Lernalgorithmen verwenden gekennzeichnete Daten, um Klassifizierungs- oder Analysemodelle zu trainieren. Support-Vektor-Maschinen eignen sich beispielsweise zum Klassifizieren hochdimensionaler Daten und kleiner Trainingssätze. Random Forests sind äußerst robust und in der Lage, verrauschte Daten zu verarbeiten. Die Methode der k-nächsten Nachbarn führt eine Klassifizierung basierend auf der Nähe des Pixelspektrums zu den markierten Daten durch. Zur pixelweisen Klassifizierung können neuronale Netze wie mehrschichtige Perzeptrone genutzt werden.
Unüberwachte Lernalgorithmen sind in der Lage, versteckte Muster in Daten ohne vordefinierte Bezeichnungen zu entdecken, wie z. B. K-Means-Clustering, Hauptkomponentenanalyse und andere; Faltungs-Neuronale Netze und rekurrente neuronale Netze unter den neuronalen Netzen können Darstellungen komplexer Daten lernen; Reinforcement-Learning-Algorithmen eignen sich für dynamische Umgebungen; Für die blinde Quellentrennung wird eine unabhängige Komponentenanalyse verwendet. Autoencoder werden zur unbeaufsichtigten Merkmalsextraktion und Dimensionsreduzierung verwendet. Es gibt auch neue Methoden wie DiffSpectralNet, die verschiedene Technologien integrieren, um die Klassifizierungsleistung zu verbessern.
Deep-Learning-Technologien nutzen tiefe neuronale Netze, um Features automatisch zu lernen und so die manuelle Feature-Konstruktion zu vermeiden. Generative gegnerische Netzwerke können zur Datenerweiterung und für andere Zwecke verwendet werden. In Faltungs-Neuronalen Netzen extrahieren Faltungsschichten Merkmale durch Verbindungen lokaler Empfangsfelder. In Kombination mit Technologien wie Pooling-Schichten verbessern sie die Generalisierungsfähigkeit des Modells und zeigen hervorragende Ergebnisse bei der Verarbeitung komplexer hochdimensionaler Daten.
Bei der spektralen Zerlegung werden häufig nichtnegative Matrixfaktorisierungs- und Sparse-Codierungstechniken verwendet. Hybridmodelle, die räumliche und spektrale Informationen kombinieren, verbessern die Leistung bei Aufgaben wie der Klassifizierung, beispielsweise räumlich-spektralen Faltungs-Neuronalen Netzen und Graph-Faltungsnetzen. Algorithmen zur Verarbeitung natürlicher Sprache helfen künstlicher Intelligenz auch dabei, Sprache zu verstehen und zu generieren, was die Entwicklung intelligenter Aufgaben in vielen Bereichen erleichtert.
In praktischen Anwendungen können KI-gestützte Hyperspektralkameras die Signalverarbeitungsgeschwindigkeit und Störfestigkeit verbessern und so eine genaue Spektralrekonstruktion ermöglichen. KI-gesteuerte Super-Resolution-Algorithmen können die räumliche Auflösung von Bildern verbessern und so eine präzise Kartierung und Erkennung erleichtern. Bei Klassifizierungsaufgaben sind maschinelles Lernen und Deep-Learning-Technologien in der Lage, mehrdimensionale Spektraldaten zu verarbeiten und so die Klassifizierung von Materialien oder Objekten umzusetzen. KI-Algorithmen können wichtige Informationen bei der Rauschunterdrückung behalten, fehlende Teile bei der Bildrekonstruktion ergänzen und Spektralinformationen nutzen, um die Genauigkeit bei der Objekterkennung und Bildsegmentierung zu verbessern, was in verschiedenen Bereichen eine wichtige Rolle spielt.
Abbildung 3. a) Vereinfachtes Diagramm einer hyperspektralen Kamera mit zufälliger Breitbandkodierung basierend auf Deep Learning: Die Kamera arbeitet im aktiven Modus (oben) oder im passiven Modus (unten), abhängig von der Position der spektralen Kodierung. b) Überblick über die spektrale Rekonstruktion auf Basis tiefer neuronaler Netzwerke: Ein tiefes neuronales Netzwerk verarbeitet rohe monochromatische Kameradaten, um einen rekonstruierten 3D-Hyperspektraldatenwürfel zu erzeugen. c, d) Spektralprofile eines schmalbandigen Laserstrahls: Im Fall c wird das tiefe neuronale Netzwerk auf „genaue“ Daten trainiert, im Fall d auf „allgemeine“ Daten. e) Spektralprofile zweier Peaks bei den Wellenlängen 598,0 nm und 603,2 nm, der Abstand zwischen den Peaks ist schwarz dargestellt.
Tabelle 2. Eigenschaften verschiedener Algorithmen, die im Zusammenspiel von künstlicher Intelligenz und hyperspektraler Bildgebung verwendet werden.
Anwendung des synergistischen Zusammenspiels von künstlicher Intelligenz und hyperspektraler Bildgebung in der Landwirtschaft
Überwachung des Pflanzenwachstums: Mithilfe künstlicher Intelligenz und hyperspektraler Bildgebung können hyperspektrale Bilder von Pflanzen in verschiedenen Wachstumsstadien genau analysiert werden. Durch die Erkennung subtiler Veränderungen in den spektralen Eigenschaften von Nutzpflanzen wird deren Gesundheitszustand bestimmt, beispielsweise ob sie von Schädlingen und Krankheiten befallen sind, ob Nährstoffmängel vorliegen und so weiter. Deep-Learning-Modelle können beispielsweise das spektrale Reflexionsvermögen von Ernteblättern in hyperspektralen Bildern analysieren, zwischen gesunden und kranken Blättern unterscheiden und Landwirten dabei helfen, proaktive Präventions- und Kontrollmaßnahmen zu ergreifen, um Ernteerträge und -qualität zu verbessern.
Beurteilung der Qualität landwirtschaftlicher Produkte: Es werden zerstörungsfreie Prüfungen von Obst, Gemüse und anderen landwirtschaftlichen Produkten durchgeführt. Basierend auf seinen einzigartigen spektralen Fingerabdrücken, kombiniert mit Algorithmen der künstlichen Intelligenz, werden Indikatoren wie Reife, Süße und innere Qualität landwirtschaftlicher Produkte genau bestimmt, was die Sortierung, Auswahl und genaue Vermarktung landwirtschaftlicher Produkte erleichtert.
Abbildung 4. Künstliche Intelligenz und hyperspektrale Bildgebung zur Analyse der Lebensmittelqualität
Fernerkundungsgebiet
Klassifizierung und Überwachung der Landbedeckung: Hyperspektrale Abbildung großer Bereiche der Erdoberfläche ist möglich. Algorithmen der künstlichen Intelligenz verarbeiten die Daten, um genau zwischen verschiedenen Arten der Landbedeckung wie Wäldern, Grasland, Ackerland, Gewässern, städtischen Strukturen usw. zu unterscheiden und ermöglichen die Echtzeitverfolgung von Landnutzungsänderungen wie Stadterweiterung, Entwaldung und Rückgang von Feuchtgebieten, wodurch zuverlässige Informationsunterstützung für Landmanagement und Umweltschutz bereitgestellt wird.
Exploration von Mineralressourcen: Da verschiedene Mineralien spezifische spektrale Absorptions- und Reflexionseigenschaften aufweisen, kann die Kombination aus künstlicher Intelligenz und hyperspektraler Bildgebungstechnologie potenzielle Mineralverteilungszonen in Fernerkundungsbildern identifizieren, wodurch die Explorationseffizienz erhöht und die Explorationskosten gesenkt werden.
Umfang der Umweltüberwachung
Überwachung der Wasserverschmutzung: Durch die Analyse hyperspektraler Daten von Gewässern ist künstliche Intelligenz in der Lage, die Arten und Konzentrationen von Schadstoffen im Wasser zu bestimmen, beispielsweise zu erkennen, ob der Schwermetallgehalt im Wasser festgelegte Standards überschreitet, das Vorhandensein organischer Schadstoffe usw. und so eine dynamische Überwachung der Qualität der aquatischen Umwelt zu ermöglichen.
Abbildung 5. Hyperspektrales Fernbildgebungssystem, montiert auf einem unbemannten Luftfahrzeug namens Robotic Jellyfish, das mit einem Netz ausgestattet werden kann, um große Kunststoffe oder Mikroplastik von verschiedenen Wasseroberflächen zu sammeln.
Analyse der atmosphärischen Zusammensetzung: Hyperspektrale Bildgebung erfasst die spektralen Signaturen verschiedener Gasmoleküle in der Atmosphäre und wendet Algorithmen der künstlichen Intelligenz an, um den Gehalt und die Verteilung von Treibhausgasen, Schadstoffen und anderen Komponenten in der Atmosphäre zu bestimmen, was bei der Bekämpfung der Luftverschmutzung und der Forschung zum Klimawandel hilft.
Medizinischer Bereich
Krankheitsdiagnose: Beispielsweise wird im Bereich der Diagnose von Hautkrankheiten die hyperspektrale Bildgebung verwendet, um Spektralbilder betroffener Hautbereiche zu erhalten. Modelle der künstlichen Intelligenz analysieren diese Bilder und helfen Ärzten dabei, die Art und den Schweregrad der Läsion zu bestimmen usw., wodurch die Genauigkeit und Effizienz der Diagnose erhöht wird.
Abbildung 9. Diagramm der peripheren Hämodynamik eines gesunden Erwachsenen in Ruhe, mit Darstellung von Oxyhämoglobin, Hämoglobin und Blutsauerstoffsättigung.
Histopathologische Analyse: Es wird eine hyperspektrale Bildgebung pathologischer Abschnitte durchgeführt. Basierend auf Algorithmen der künstlichen Intelligenz werden die darin eingebetteten Spektralinformationen extrahiert, die dabei helfen, mikrostrukturelle Merkmale wie Krebszellen und betroffene Gewebe zu erkennen und eine Referenzbasis für eine präzise Behandlung von Krankheiten bereitzustellen.
Industriegebiet
Produktqualitätskontrolle: In der Fertigungsindustrie wird eine hyperspektrale Bildgebung von Produkten in der Produktionslinie durchgeführt. Algorithmen der künstlichen Intelligenz können Produktoberflächenfehler, interne Strukturfehler und andere Qualitätsprobleme schnell erkennen und so eine automatisierte und hochpräzise Qualitätskontrolle ermöglichen.
Materialidentifizierung und -analyse: Hyperspektrale Bildgebung in Kombination mit künstlicher Intelligenz ermöglicht es Ihnen, bei einer Vielzahl von Industriematerialien schnell und genau die Art und Zusammensetzung von Materialien zu bestimmen sowie die Übereinstimmung ihrer Eigenschaften mit festgelegten Anforderungen zu beurteilen, was die Auswahl von Rohstoffen und die Produktqualitätskontrolle erleichtert.
Das synergetische Zusammenspiel von künstlicher Intelligenz und hyperspektraler Bildgebung stellt bedeutende Fortschritte in den Datenverarbeitungs- und Materialidentifizierungstechnologien dar. Da sich Technologien ständig weiterentwickeln, hat ihre Schnittstelle das Potenzial, weitere Innovationen anzuregen und ihren Anwendungsbereich in der Forschung und in praktischen Szenarien kontinuierlich zu erweitern. Die Zukunft dieser synergetischen Interaktion hat das Potenzial, viele Branchen zu revolutionieren, die Grenzen bestehender Technologien zu verschieben, präzise, effiziente und vielseitige Lösungen bereitzustellen, die mit herkömmlichen Methoden nicht erreichbar sind, und völlig neue Möglichkeiten für Entwicklung und Transformation für verschiedene Branchen zu eröffnen.
