Hyperspectral Imaging

La imagen hiperespectral (HSI) combina visión artificial y espectroscopia para medir una escena a través de muchas bandas estrechas de longitud de onda. En lugar de almacenar solo valores de rojo, verde y azul, cada píxel contiene un espectro detallado que puede revelar propiedades materiales, químicas o biológicas invisibles para las cámaras convencionales. Esto hace que la HSI sea valiosa para los sistemas de aprendizaje automático que deben identificar sustancias, evaluar condiciones o detectar anomalías sutiles. Un exhaustivo manual de imagen hiperespectral de 2026 describe la HSI como un método de detección no invasivo y sin etiquetas, mientras que la descripción general del cubo de datos hiperespectrales de la NASA ilustra cómo las mediciones espaciales y espectrales forman un cubo de datos tridimensional. (nature.com)

Link to this sectionCómo funciona la imagen hiperespectral#

Una cámara hiperespectral mide la energía reflejada o emitida a través de decenas a cientos de bandas de longitud de onda adyacentes. Según la descripción general del USGS sobre la teledetección hiperespectral, este muestreo continuo permite que cada píxel proporcione un espectro de reflectancia. Estas firmas espectrales ayudan a distinguir materiales que parecen idénticos en imágenes RGB; por ejemplo, el espectrómetro de imagen EMIT de la NASA identifica minerales y gases atmosféricos mediante patrones de absorción característicos. (usgs.gov)

Un pipeline de IA típico incluye:

1. Calibración del sensor y preprocesamiento de datos para corregir el ruido, la iluminación, los efectos atmosféricos y las bandas inutilizables.
2. Selección de bandas o análisis de componentes principales para reducir cientos de canales correlacionados.
3. Clasificación, detección de objetos, segmentación, regresión, detección de anomalías o separación espectral.
4. Validación en diferentes ubicaciones, fechas de adquisición y sensores para medir la generalización en el mundo real.

Los modelos pueden procesar espectros con redes 1D, parches espaciales con redes 2D o volúmenes espaciales-espectrales conjuntos mediante operaciones como la convolución 3D de PyTorch.

Link to this sectionImagen hiperespectral frente a imágenes relacionadas#

A diferencia de la imagen RGB, que utiliza tres bandas visibles amplias, la imagen multiespectral normalmente captura un conjunto limitado de bandas discretas. La HSI suele registrar muchas más bandas estrechas y muy juntas, lo que proporciona un mayor detalle espectral pero produce conjuntos de datos más grandes y ruidosos. La guía del USGS sobre resolución espectral explica esta compensación entre detalle espectral y calidad de señal. La imagen hiperespectral también es un método de detección, mientras que el análisis de imágenes por satélite describe cómo se interpreta la imaginería orbital, y la fusión de sensores combina HSI con datos RGB, térmicos, LiDAR o de radar.

Link to this sectionAplicaciones reales de la IA#

• Agricultura de precisión: Los modelos detectan enfermedades de los cultivos, estrés nutricional, malezas y escasez de agua antes de que los síntomas sean visualmente obvios. Una revisión de 2024 sobre aprendizaje profundo para HSI agrícola destaca el uso de CNN, Transformers, aprendizaje por transferencia y aprendizaje de pocos datos (few-shot learning) para datos etiquetados limitados. (sciencedirect.com)
• Inspección industrial: Los sistemas de producción identifican contaminantes, humedad, composición química o materiales defectuosos. Un estudio de seguridad alimentaria de 2024 combinó HSI y ML para estimar el nitrito residual en carne procesada sin pruebas destructivas. (mdpi.com)
• Análisis de imágenes médicas: Los patrones espectrales pueden ayudar en la clasificación de tejidos, la evaluación de la perfusión y la guía quirúrgica. La investigación sobre imagen hiperespectral laparoscópica en tiempo real demuestra el progreso hacia la visualización intraoperatoria sin marcadores. (nature.com)
• Detección de anomalías: Los sistemas ambientales pueden localizar firmas minerales raras, contaminación o columnas de gases de efecto invernadero, como lo demuestran las observaciones de metano de EMIT y AVIRIS-3 de la NASA. (svs.gsfc.nasa.gov)

Link to this sectionMejores prácticas actuales y desarrollos#

Conserva los metadatos de longitud de onda, objetivos de calibración, ajustes del sensor y mediciones de precisión total; divide los conjuntos de datos espacialmente en lugar de aleatoriamente para evitar la fuga de datos; y valida a través de estaciones y sensores. Los flujos de trabajo también deben aplicar corrección de reflectancia, enmascaramiento de nubes, geolocalización y armonización de paso de banda de manera similar a los algoritmos de procesamiento HLS de la NASA. (hls.gsfc.nasa.gov)

La investigación reciente se dirige hacia modelos base espectrales adaptables. HyperFree aborda las configuraciones de canales variables, mientras que un modelo base espectral de propósito general explora la transferencia entre la detección proximal y remota. Sistemas futuros como la misión Copernicus CHIME de la ESA reflejan el creciente interés en las observaciones hiperespectrales estandarizadas a gran escala. (arxiv.org)

Para prototipos de detección, las bandas HSI seleccionadas se pueden almacenar como archivos TIFF multicanal. El siguiente ejemplo ejecutable prueba este flujo de trabajo utilizando el conjunto de datos COCO8-Multispectral y YOLO26:

from ultralytics import YOLO

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

Este conjunto de datos simula diez canales visibles y está destinado a pruebas de flujo de trabajo, no a espectroscopia científica. Los proyectos HSI reales deben retener cubos fuente calibrados y seleccionar bandas relevantes para la tarea antes del entrenamiento. Los equipos pueden gestionar la anotación, los experimentos, el entrenamiento y la implementación a través de la Plataforma Ultralytics.