Hyperspectral Imaging

Hyperspektrale Bildgebung (HSI) kombiniert Computer Vision und Spektroskopie, um eine Szene über viele schmale Wellenlängenbereiche hinweg zu messen. Anstatt nur rote, grüne und blaue Werte zu speichern, enthält jedes Pixel ein detailliertes Spektrum, das für herkömmliche Kameras unsichtbare materielle, chemische oder biologische Eigenschaften sichtbar machen kann. Dadurch ist HSI für Machine-Learning-Systeme wertvoll, die Substanzen identifizieren, Zustände bewerten oder subtile Anomalien erkennen müssen. Ein umfassender Grundlagenartikel zur hyperspektralen Bildgebung von 2026 beschreibt HSI als nichtinvasives, markerfreies Messverfahren, während der Überblick der NASA zum hyperspektralen Datenwürfel veranschaulicht, wie räumliche und spektrale Messungen einen dreidimensionalen Datenwürfel bilden. (nature.com)

Funktionsweise der hyperspektralen Bildgebung#

Eine hyperspektrale Kamera misst reflektierte oder emittierte Energie über Dutzende bis Hunderte benachbarter Wellenlängenbereiche hinweg. Laut dem Überblick des USGS zur hyperspektralen Fernerkundung ermöglicht diese kontinuierliche Abtastung, dass jedes Pixel ein Reflexionsspektrum liefert. Diese spektralen Signaturen helfen dabei, Materialien zu unterscheiden, die in RGB-Bildern identisch aussehen; beispielsweise identifiziert das EMIT-Bildspektrometer der NASA Mineralien und atmosphärische Gase anhand charakteristischer Absorptionsmuster. (usgs.gov)

Eine typische KI-Pipeline umfasst:

1. Sensorkalibrierung und Datenvorverarbeitung, um Rauschen, Beleuchtung, atmosphärische Effekte und unbrauchbare Bänder zu korrigieren.
2. Auswahl von Bändern oder Hauptkomponentenanalyse, um Hunderte korrelierter Kanäle zu reduzieren.
3. Klassifizierung, Objekterkennung, Segmentierung, Regression, Anomalieerkennung oder spektrale Entmischung.
4. Validierung an verschiedenen Standorten, Aufnahmedaten und Sensoren, um die Generalisierung unter realen Bedingungen zu messen.

Modelle können Spektren mit 1D-Netzwerken, räumliche Ausschnitte mit 2D-Netzwerken oder gemeinsame räumlich-spektrale Volumen mit Operationen wie der 3D-Faltung in PyTorch verarbeiten.

Hyperspektrale Bildgebung im Vergleich zu verwandten Bildgebungsverfahren#

Im Gegensatz zur RGB-Bildgebung, die drei breite sichtbare Bänder verwendet, erfasst die multispektrale Bildgebung typischerweise eine begrenzte Anzahl diskreter Bänder. HSI zeichnet normalerweise deutlich mehr schmale, eng beieinanderliegende Bänder auf. Dadurch stehen mehr spektrale Details zur Verfügung, es entstehen jedoch größere und rauschbehaftetere Datensätze. Der Leitfaden des USGS zur spektralen Auflösung erläutert diesen Zielkonflikt zwischen spektralen Details und Signalqualität. Hyperspektrale Bildgebung ist außerdem ein Messverfahren, während die Analyse von Satellitenbildern beschreibt, wie Aufnahmen aus der Erdumlaufbahn interpretiert werden, und die Sensorfusion HSI mit RGB-, Wärmebild-, LiDAR- oder Radardaten kombiniert.

KI-Anwendungen in der Praxis#

• Präzisionslandwirtschaft: Modelle erkennen Pflanzenkrankheiten, Nährstoffmangel, Unkraut und Wassermangel, bevor die Symptome mit bloßem Auge sichtbar werden. Eine Übersichtsarbeit von 2024 zu Deep Learning für HSI in der Landwirtschaft hebt CNNs, Transformer, Transfer Learning und Few-Shot-Learning für begrenzte Mengen annotierter Daten hervor. (sciencedirect.com)
• Industrielle Inspektion: Produktionssysteme erkennen Verunreinigungen, Feuchtigkeit, chemische Zusammensetzung oder fehlerhafte Materialien. Eine Studie zur Lebensmittelsicherheit von 2024 kombinierte HSI und ML, um den Restnitritgehalt in verarbeitetem Fleisch ohne zerstörende Prüfung zu schätzen. (mdpi.com)
• Medizinische Bildanalyse: Spektrale Muster können die Gewebeklassifizierung, die Beurteilung der Durchblutung und die Unterstützung bei chirurgischen Eingriffen ermöglichen. Die Forschung zur Echtzeit-hyperspektralen Laparoskopie zeigt Fortschritte auf dem Weg zu einer markerfreien Visualisierung während des Eingriffs. (nature.com)
• Anomalieerkennung: Umweltüberwachungssysteme können seltene Mineralsignaturen, Verschmutzungen oder Treibhausgasfahnen lokalisieren, wie die Methanbeobachtungen von EMIT und AVIRIS-3 der NASA zeigen. (svs.gsfc.nasa.gov)

Aktuelle Best Practices und Entwicklungen#

Erhalte Metadaten zu Wellenlängen, Kalibrierungsziele, Sensoreinstellungen und Messungen mit voller Genauigkeit; teile Datensätze räumlich statt zufällig auf, um Datenlecks zu verhindern; und validiere über verschiedene Jahreszeiten und Sensoren hinweg. Workflows sollten außerdem Reflexionskorrektur, Wolkenmaskierung, Geolokalisierung und die Harmonisierung von Bandpässen ähnlich den NASA-Algorithmen zur Verarbeitung von HLS anwenden. (hls.gsfc.nasa.gov)

Die aktuelle Forschung entwickelt zunehmend anpassungsfähige spektrale Foundation Models. HyperFree berücksichtigt unterschiedliche Kanalkonfigurationen, während ein spektrales Foundation Model für allgemeine Zwecke den Transfer zwischen bodennaher und fernerkundlicher Datenerfassung untersucht. Zukünftige Systeme wie die Copernicus-CHIME-Mission der ESA spiegeln das wachsende Interesse an standardisierten hyperspektralen Beobachtungen in großem Maßstab wider. (arxiv.org)

Für Prototypen zur Erkennung können ausgewählte HSI-Bänder als mehrkanalige TIFF-Dateien gespeichert werden. Das folgende ausführbare Beispiel testet diesen Workflow mit dem COCO8-Multispectral-Datensatz und YOLO26:

from ultralytics import YOLO

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

Dieser Datensatz simuliert zehn sichtbare Kanäle und ist für Pipeline-Tests gedacht, nicht für wissenschaftliche Spektroskopie. In realen HSI-Projekten sollten die kalibrierten Quelldatenwürfel erhalten bleiben und vor dem Training aufgabenrelevante Bänder ausgewählt werden. Teams können Annotationen, Experimente, Training und Bereitstellung über die Ultralytics Platform verwalten.