Hyperspectral Imaging

Hyperspektrale Bildgebung (HSI) kombiniert Computer Vision und Spektroskopie, um eine Szene über viele schmale Wellenlängenbänder hinweg zu vermessen. Anstatt nur Rot-, Grün- und Blauwerte zu speichern, enthält jedes Pixel ein detailliertes Spektrum, das materielle, chemische oder biologische Eigenschaften offenlegen kann, die für herkömmliche Kameras unsichtbar sind. Dies macht HSI wertvoll für Machine Learning-Systeme, die Substanzen identifizieren, Zustände bewerten oder subtile Anomalien erkennen müssen. Eine umfassende Einführung in die hyperspektrale Bildgebung von 2026 beschreibt HSI als eine nicht-invasive, markierungsfreie Messmethode, während die Übersicht zu hyperspektralen Datenwürfeln der NASA veranschaulicht, wie räumliche und spektrale Messungen einen dreidimensionalen Datenwürfel bilden. (nature.com)

Link to this sectionWie hyperspektrale Bildgebung funktioniert#

Eine hyperspektrale Kamera misst reflektierte oder emittierte Energie über Dutzende bis Hunderte benachbarter Wellenlängenbänder hinweg. Laut der USGS-Übersicht 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; zum Beispiel identifiziert das EMIT-Bildspektrometer der NASA Mineralien und atmosphärische Gase anhand charakteristischer Absorptionsmuster. (usgs.gov)

Eine typische AI-Pipeline umfasst:

1. Sensorkalibrierung und Datenvorverarbeitung, um Rauschen, Beleuchtung, atmosphärische Effekte und unbrauchbare Bänder zu korrigieren.
2. Bandselektion oder Hauptkomponentenanalyse, um Hunderte korrelierter Kanäle zu reduzieren.
3. Klassifizierung, Objekterkennung, Segmentierung, Regression, Anomalieerkennung oder spektrale Entmischung.
4. Validierung an verschiedenen Standorten, zu unterschiedlichen Erfassungszeiten und mit unterschiedlichen Sensoren, um die Generalisierung in der realen Welt zu messen.

Modelle können Spektren mit 1D-Netzwerken, räumliche Patches mit 2D-Netzwerken oder gemeinsame räumlich-spektrale Volumina unter Verwendung von Operationen wie PyTorch 3D-Faltung verarbeiten.

Link to this sectionHyperspektrale Bildgebung im Vergleich zu verwandten Verfahren#

Im Gegensatz zur RGB-Bildgebung, die drei breite sichtbare Bänder verwendet, erfasst die multispektrale Bildgebung in der Regel eine begrenzte Anzahl diskreter Bänder. HSI zeichnet normalerweise weitaus mehr schmale, eng beieinander liegende Bänder auf, was eine größere spektrale Detailtiefe bietet, aber zu größeren, verrauschteren Datensätzen führt. Der USGS-Leitfaden zur spektralen Auflösung erklärt diesen Kompromiss zwischen spektraler Detailtiefe und Signalqualität. Hyperspektrale Bildgebung ist zudem eine Messmethode, während die Satellitenbildanalyse beschreibt, wie Orbitalaufnahmen interpretiert werden, und die Sensorfusion HSI mit RGB-, Wärme-, LiDAR- oder Radardaten kombiniert.

Link to this sectionKI-Anwendungen in der Praxis#

• Präzisionslandwirtschaft: Modelle erkennen Pflanzenkrankheiten, Nährstoffmangel, Unkraut und Wassermangel, bevor Symptome visuell offensichtlich werden. Ein Review von 2024 zu Deep Learning für landwirtschaftliche HSI hebt CNNs, Transformer, Transfer Learning und Few-Shot Learning für begrenzte annotierte Daten hervor. (sciencedirect.com)
• Industrielle Inspektion: Produktionssysteme identifizieren Verunreinigungen, Feuchtigkeit, chemische Zusammensetzung oder defekte Materialien. Eine Lebensmittelsicherheitsstudie von 2024 kombinierte HSI und ML, um Nitritrückstände in verarbeitetem Fleisch ohne zerstörerische Tests zu schätzen. (mdpi.com)
• Medizinische Bildanalyse: Spektrale Muster können die Gewebeklassifizierung, Perfusionsbewertung und chirurgische Führung unterstützen. Forschung zur hyperspektralen Echtzeit-Laparoskopie zeigt Fortschritte in Richtung einer markierungsfreien intraoperativen Visualisierung. (nature.com)
• Anomalieerkennung: Umweltsysteme können seltene Mineralsignaturen, Umweltverschmutzung oder Treibhausgasfahnen lokalisieren, wie durch NASA's EMIT- und AVIRIS-3-Methanbeobachtungen demonstriert. (svs.gsfc.nasa.gov)

Link to this sectionAktuelle Best Practices und Entwicklungen#

Bewahre Wellenlängen-Metadaten, Kalibrierungsziele, Sensoreinstellungen und hochpräzise Messungen auf; teile Datensätze räumlich anstatt zufällig auf, um Datenlecks zu verhindern; und validiere über Jahreszeiten und Sensoren hinweg. Workflows sollten außerdem Reflexionskorrektur, Wolkenmaskierung, Geolokalisierung und Bandpass-Harmonisierung ähnlich den NASA HLS-Verarbeitungsalgorithmen anwenden. (hls.gsfc.nasa.gov)

Die aktuelle Forschung bewegt sich in Richtung anpassungsfähiger spektraler Fundamentmodelle. HyperFree adressiert unterschiedliche Kanal-Konfigurationen, während ein spektrales Universal-Fundamentmodell den Transfer zwischen proximaler und Fernerkundung erforscht. Zukünftige Systeme wie die Copernicus CHIME-Mission der ESA spiegeln das wachsende Interesse an standardisierten, großskaligen hyperspektralen Beobachtungen wider. (arxiv.org)

Für Erkennungsprototypen 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 das Pipeline-Testen gedacht, nicht für wissenschaftliche Spektroskopie. Echte HSI-Projekte sollten kalibrierte Quellwürfel beibehalten und aufgabenrelevante Bänder vor dem Training auswählen. Teams können Annotationen, Experimente, Training und Bereitstellung über die Ultralytics Platform verwalten.