Hyperspectral Imaging

يجمع التصوير فائق الطيف (HSI) بين الرؤية الحاسوبية وعلم الطيف لقياس المشاهد عبر العديد من نطاقات الأطوال الموجية الضيقة. وبدلاً من تخزين قيم الأحمر والأخضر والأزرق فقط، يحتوي كل بكسل على طيف مفصل يمكنه كشف الخصائص المادية أو الكيميائية أو البيولوجية التي لا تراها الكاميرات التقليدية. وهذا يجعل HSI قيماً لأنظمة التعلم الآلي التي يجب أن تحدد المواد، أو تقيم الحالات، أو تكتشف الشذوذ الطفيف. يصف دليل التصوير فائق الطيف لعام 2026 تقنية HSI بأنها وسيلة استشعار غير جراحية وخالية من العلامات، بينما يوضح نظرة عامة على مكعب بيانات ناسا فائق الطيف كيف تشكل القياسات المكانية والطيفية مكعب بيانات ثلاثي الأبعاد. (nature.com)

Link to this sectionكيف يعمل التصوير فائق الطيف#

تقيس الكاميرا فائقة الطيف الطاقة المنعكسة أو المنبعثة عبر عشرات إلى مئات من نطاقات الأطوال الموجية المتجاورة. ووفقاً لنظرة عامة لهيئة المسح الجيولوجي الأمريكية على الاستشعار عن بعد فائق الطيف، يسمح هذا المسح المستمر لكل بكسل بتوفير طيف انعكاس. تساعد هذه التوقيعات الطيفية في تمييز المواد التي تبدو متطابقة في صور RGB؛ على سبيل المثال، يحدد مقياس الطيف التصويري EMIT التابع لناسا المعادن والغازات الجوية من خلال أنماط امتصاص مميزة. (usgs.gov)

يتضمن خط أنابيب الذكاء الاصطناعي النموذجي ما يلي:

1. معايرة المستشعر والمعالجة المسبقة للبيانات لتصحيح الضوضاء، والإضاءة، والتأثيرات الجوية، والنطاقات غير القابلة للاستخدام.
2. اختيار النطاق أو تحليل المكونات الرئيسية لتقليل مئات القنوات المترابطة.
3. التصنيف، واكتشاف الكائنات، والتجزئة، والانحدار، واكتشاف الشذوذ، أو التفكيك الطيفي.
4. التحقق من المواقع المختلفة، وتواريخ الاستحواذ، والمستشعرات لقياس التعميم في العالم الحقيقي.

قد تعالج النماذج الأطياف باستخدام شبكات أحادية البعد (1D)، أو الرقع المكانية باستخدام شبكات ثنائية البعد (2D)، أو أحجام مكانية طيفية مشتركة باستخدام عمليات مثل التلافيف ثلاثي الأبعاد في PyTorch.

Link to this sectionالتصوير فائق الطيف مقابل التصوير ذي الصلة#

على عكس تصوير RGB، الذي يستخدم ثلاثة نطاقات مرئية عريضة، يلتقط التصوير متعدد الأطياف عادةً مجموعة محدودة من النطاقات المنفصلة. يسجل HSI عادةً نطاقات أكثر ضيقاً ومتقاربة، مما يوفر تفاصيل طيفية أكبر ولكنه ينتج مجموعات بيانات أكبر وأكثر ضوضاءً. يوضح دليل USGS للدقة الطيفية هذه المقايضة بين التفاصيل الطيفية وجودة الإشارة. التصوير فائق الطيف هو أيضاً وسيلة استشعار، في حين يصف تحليل صور الأقمار الصناعية كيفية تفسير صور المدار، ويجمع دمج المستشعرات بين HSI وبيانات RGB، أو الحرارية، أو LiDAR، أو الرادار.

Link to this sectionتطبيقات الذكاء الاصطناعي في العالم الحقيقي#

• الزراعة الدقيقة: تكتشف النماذج أمراض المحاصيل، والإجهاد الغذائي، والأعشاب الضارة، ونقص المياه قبل أن تصبح الأعراض واضحة بصرياً. تسلط مراجعة عام 2024 للتعلم العميق في HSI الزراعي الضوء على شبكات CNN، وTransformer، والتعلم بنقل المعرفة، والتعلم قليل البيانات (few-shot learning) للبيانات المصنفة المحدودة. (sciencedirect.com)
• التفتيش الصناعي: تحدد أنظمة الإنتاج الملوثات، والرطوبة، والتركيب الكيميائي، أو المواد المعيبة. جمعت دراسة لسلامة الأغذية لعام 2024 بين HSI والتعلم الآلي لتقدير النيتريت المتبقي في اللحوم المصنعة دون اختبار تدميري. (mdpi.com)
• تحليل الصور الطبية: يمكن للأنماط الطيفية دعم تصنيف الأنسجة، وتقييم التروية، والتوجيه الجراحي. يوضح البحث حول التصوير فائق الطيف بالمنظار في الوقت الفعلي التقدم نحو التصور أثناء الجراحة بدون علامات. (nature.com)
• اكتشاف الشذوذ: يمكن للأنظمة البيئية تحديد توقيعات المعادن النادرة، أو التلوث، أو أعمدة غازات الاحتباس الحراري، كما هو موضح في ملاحظات الميثان من EMIT وAVIRIS-3 التابعة لناسا. (svs.gsfc.nasa.gov)

Link to this sectionأفضل الممارسات والتطورات الحالية#

حافظ على بيانات تعريف الطول الموجي، وأهداف المعايرة، وإعدادات المستشعر، والقياسات كاملة الدقة؛ قسّم مجموعات البيانات مكانياً بدلاً من عشوائياً لمنع تسريب البيانات؛ وتحقق من النتائج عبر المواسم والمستشعرات. يجب أن تطبق سير العمل أيضاً تصحيح الانعكاس، وقناع السحب، وتحديد الموقع الجغرافي، وموائمة تمرير النطاق بشكل مشابه لـ خوارزميات معالجة HLS التابعة لناسا. (hls.gsfc.nasa.gov)

تتجه الأبحاث الأخيرة نحو نماذج أساسية طيفية قابلة للتكيف. يعالج HyperFree تكوينات القنوات المتغيرة، بينما يستكشف نموذج أساسي طيفي للأغراض العامة النقل عبر الاستشعار القريب والبعيد. تعكس الأنظمة المستقبلية مثل مهمة Copernicus CHIME التابعة لوكالة الفضاء الأوروبية الاهتمام المتزايد بالملاحظات فائقة الطيف المعيارية واسعة النطاق. (arxiv.org)

بالنسبة لنماذج الكشف الأولية، يمكن تخزين نطاقات HSI المحددة كملفات TIFF متعددة القنوات. يختبر المثال القابل للتشغيل 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 سير العمل، وليس لعلم الطيف العلمي. يجب أن تحتفظ مشاريع HSI الحقيقية بمكعبات المصدر المعايرة وتحديد النطاقات ذات الصلة بالمهمة قبل التدريب. يمكن للفرق إدارة التعليقات التوضيحية، والتجارب، والتدريب، والنشر من خلال منصة Ultralytics.