Hyperspectral Imaging

يجمع التصوير فائق الطيف (HSI) بين الرؤية الحاسوبية والتحليل الطيفي لقياس المشهد عبر نطاقات عديدة ضيقة من الأطوال الموجية. وبدلًا من تخزين قيم الأحمر والأخضر والأزرق فقط، تحتوي كل بكسلة على طيف مفصل يمكنه الكشف عن خصائص مادية أو كيميائية أو بيولوجية غير مرئية للكاميرات التقليدية. وهذا يجعل HSI ذا قيمة لأنظمة التعلم الآلي التي يجب أن تحدد المواد، أو تقيّم الحالة، أو تكتشف الحالات الشاذة الدقيقة. ويصف الدليل التمهيدي الشامل للتصوير فائق الطيف لعام 2026 تقنية HSI بأنها طريقة استشعار غير باضعة ولا تتطلب وسمًا، بينما يوضح استعراض NASA لمكعب بيانات التصوير فائق الطيف كيف تشكل القياسات المكانية والطيفية مكعب بيانات ثلاثي الأبعاد. (nature.com)

كيف يعمل التصوير فائق الطيف#

تقيس الكاميرا فائقة الطيف الطاقة المنعكسة أو المنبعثة عبر عشرات إلى مئات النطاقات المتجاورة من الأطوال الموجية. ووفقًا لـاستعراض USGS للاستشعار عن بُعد فائق الطيف، يتيح أخذ العينات المستمر لكل بكسلة تقديم طيف انعكاس. وتساعد هذه البصمات الطيفية على تمييز المواد التي تبدو متطابقة في صور RGB؛ فعلى سبيل المثال، يحدد مطياف التصوير EMIT التابع لـNASA المعادن والغازات الجوية من خلال أنماط امتصاص مميزة. (usgs.gov)

يتضمن خط أنابيب نموذجي للذكاء الاصطناعي ما يلي:

1. معايرة المستشعر والمعالجة المسبقة للبيانات لتصحيح الضوضاء والإضاءة والتأثيرات الجوية والنطاقات غير القابلة للاستخدام.
2. اختيار النطاقات أو تحليل المكونات الرئيسية لتقليل مئات القنوات المترابطة.
3. التصنيف، أو اكتشاف الأجسام، أو التجزئة، أو الانحدار، أو اكتشاف الحالات الشاذة، أو فك الخلط الطيفي.
4. التحقق باستخدام مواقع وتواريخ اقتناء ومستشعرات مختلفة لقياس القدرة على التعميم في العالم الحقيقي.

قد تعالج النماذج الأطياف باستخدام شبكات أحادية الأبعاد، أو الرقع المكانية باستخدام شبكات ثنائية الأبعاد، أو الأحجام المكانية-الطيفية المشتركة باستخدام عمليات مثل الالتفاف ثلاثي الأبعاد في PyTorch.

التصوير فائق الطيف مقارنةً بتقنيات التصوير ذات الصلة#

على عكس التصوير بنظام RGB، الذي يستخدم ثلاثة نطاقات عريضة مرئية، يلتقط التصوير متعدد الأطياف عادةً مجموعة محدودة من النطاقات المنفصلة. ويسجل HSI عادةً عددًا أكبر بكثير من النطاقات الضيقة والمتقاربة، ما يوفر تفاصيل طيفية أكبر لكنه ينتج مجموعات بيانات أكبر وأكثر ضوضاءً. ويشرح دليل USGS إلى الدقة الطيفية هذه المفاضلة بين التفاصيل الطيفية وجودة الإشارة. ويُعد التصوير فائق الطيف أيضًا طريقة استشعار، بينما يصف تحليل صور الأقمار الصناعية كيفية تفسير الصور المدارية، ويجمع دمج المستشعرات بين بيانات HSI وRGB والبيانات الحرارية وLiDAR أو الرادارية.

تطبيقات الذكاء الاصطناعي في العالم الحقيقي#

• الزراعة الدقيقة: تكشف النماذج أمراض المحاصيل وإجهاد المغذيات والأعشاب الضارة ونقص المياه قبل أن تصبح الأعراض واضحة بصريًا. وتسلط مراجعة عام 2024 للتعلم العميق في HSI الزراعي الضوء على CNNs والمحوّلات والتعلم بالنقل والتعلم بعدد لقطات قليل للبيانات المحدودة ذات التسميات. (sciencedirect.com)
• الفحص الصناعي: تحدد أنظمة الإنتاج الملوثات أو الرطوبة أو التركيب الكيميائي أو المواد المعيبة. وقد جمعت دراسة عن سلامة الأغذية لعام 2024 بين HSI وML لتقدير النتريت المتبقي في اللحوم المصنّعة دون إجراء اختبار إتلافي. (mdpi.com)
• تحليل الصور الطبية: يمكن للأنماط الطيفية أن تدعم تصنيف الأنسجة وتقييم التروية والتوجيه الجراحي. ويُظهر البحث حول التصوير فائق الطيف بالمنظار في الوقت الفعلي تقدمًا نحو التصوير أثناء الجراحة دون علامات. (nature.com)
• اكتشاف الحالات الشاذة: يمكن للأنظمة البيئية تحديد البصمات النادرة للمعادن أو التلوث أو أعمدة غازات الدفيئة، كما يتضح من رصدات الميثان التي أجرتها NASA باستخدام EMIT وAVIRIS-3. (svs.gsfc.nasa.gov)

أفضل الممارسات والتطورات الحالية#

حافظ على البيانات الوصفية للأطوال الموجية، وأهداف المعايرة، وإعدادات المستشعر، والقياسات كاملة الدقة؛ وقسّم مجموعات البيانات مكانيًا بدلًا من تقسيمها عشوائيًا لمنع تسرّب البيانات؛ وتحقق من الأداء عبر مواسم ومستشعرات مختلفة. وينبغي لسير العمل أيضًا تطبيق تصحيح الانعكاس، وإخفاء السحب، وتحديد الموقع الجغرافي، ومواءمة تمرير النطاق على نحو مشابه لـخوارزميات المعالجة HLS التابعة لـNASA. (hls.gsfc.nasa.gov)

يتجه البحث الحديث نحو نماذج أساس طيفية قابلة للتكيف. ويعالج HyperFree اختلاف تكوينات القنوات، بينما يستكشف نموذج أساس طيفيًا عامًا النقل بين الاستشعار القريب والاستشعار عن بُعد. وتعكس الأنظمة المستقبلية مثل مهمة Copernicus CHIME التابعة لـESA الاهتمام المتزايد بالرصد فائق الطيف المعياري واسع النطاق. (arxiv.org)

بالنسبة إلى النماذج الأولية للاكتشاف، يمكن تخزين نطاقات HSI المحددة كملفات TIFF متعددة القنوات. يختبر المثال القابل للتنفيذ التالي سير العمل هذا باستخدام مجموعة بيانات COCO8-Multispectral وYOLO26:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8-multispectral.yaml", epochs=10, imgsz=640)

تحاكي مجموعة البيانات هذه عشر قنوات مرئية، وهي مخصصة لاختبار خطوط الأنابيب، لا للتحليل الطيفي العلمي. وينبغي لمشروعات HSI الحقيقية الاحتفاظ بمكعبات المصدر المُعايرة واختيار النطاقات ذات الصلة بالمهمة قبل التدريب. ويمكن للفرق إدارة التعليقات التوضيحية والتجارب والتدريب والنشر عبر Ultralytics Platform.