Hyperspectral Imaging

L'imagerie hyperspectrale (HSI) associe la vision par ordinateur et la spectroscopie pour mesurer une scène sur de nombreuses bandes de longueurs d'onde étroites. Au lieu de stocker uniquement des valeurs rouges, vertes et bleues, chaque pixel contient un spectre détaillé capable de révéler des propriétés matérielles, chimiques ou biologiques invisibles pour les caméras conventionnelles. Cela rend l'imagerie HSI précieuse pour les systèmes d'apprentissage automatique qui doivent identifier des substances, évaluer l'état ou détecter des anomalies subtiles. Une introduction complète à l'imagerie hyperspectrale de 2026 décrit l'imagerie HSI comme une méthode de détection non invasive et sans étiquette, tandis que l'aperçu du cube de données hyperspectrales de la NASA illustre comment les mesures spatiales et spectrales forment un cube de données tridimensionnel. (nature.com)

Comment fonctionne l'imagerie hyperspectrale#

Une caméra hyperspectrale mesure l'énergie réfléchie ou émise sur des dizaines à des centaines de bandes de longueurs d'onde voisines. Selon l'aperçu de l'USGS sur la télédétection hyperspectrale, cet échantillonnage continu permet à chaque pixel de fournir un spectre de réflectance. Ces signatures spectrales aident à distinguer des matériaux qui ont l'air identiques dans les images RGB ; par exemple, le spectromètre d'imagerie EMIT de la NASA identifie des minéraux et des gaz atmosphériques grâce à des motifs d'absorption caractéristiques. (usgs.gov)

Un pipeline d'IA typique comprend :

1. Étalonnage du capteur et prétraitement des données pour corriger le bruit, l'illumination, les effets atmosphériques et les bandes inutilisables.
2. Sélection de bandes ou analyse en composantes principales pour réduire des centaines de canaux corrélés.
3. La classification, la détection d'objets, la segmentation, la régression, la détection d'anomalies ou le mélange spectral.
4. La validation sur différents emplacements, dates d'acquisition et capteurs pour mesurer la généralisation en conditions réelles.

Les modèles peuvent traiter des spectres avec des réseaux 1D, des patchs spatiaux avec des réseaux 2D, ou des volumes spatio-temporels/spectraux conjoints en utilisant des opérations telles que la convolution 3D PyTorch.

Imagerie hyperspectrale par rapport à l'imagerie associée#

Contrairement à l'imagerie RGB, qui utilise trois larges bandes visibles, l'imagerie multispectrale capture généralement un ensemble limité de bandes discrètes. L'imagerie HSI enregistre généralement beaucoup plus de bandes étroites et rapprochées, fournissant un plus grand détail spectral mais produisant des ensembles de données plus volumineux et plus bruyants. Le guide de l'USGS sur la résolution spectrale explique ce compromis entre le détail spectral et la qualité du signal. L'imagerie hyperspectrale est également une méthode de détection, tandis que l'analyse d'images satellitaires décrit la manière dont l'imagerie orbitale est interprétée, et la fusion de capteurs combine l'imagerie HSI avec des données RGB, thermiques, LiDAR ou radar.

Applications réelles de l'IA#

• Agriculture de précision : Les modèles détectent les maladies des cultures, le stress nutritionnel, les mauvaises herbes et les pénuries d'eau avant que les symptômes ne deviennent visuellement évidents. Une étude de 2024 sur l'apprentissage profond pour l'imagerie HSI agricole met en valeur les réseaux CNN, les transformers, l'apprentissage par transfert et l'apprentissage à peu d'exemples pour les données étiquetées limitées. (sciencedirect.com)
• Inspection industrielle : Les systèmes de production identifient les contaminants, l'humidité, la composition chimique ou les matériaux défectueux. Une étude de 2024 sur la sécurité alimentaire a combiné l'imagerie HSI et l'apprentissage automatique pour estimer le nitrite résiduel dans la viande transformée sans test destructif. (mdpi.com)
• Analyse d'images médicales : Les motifs spectraux peuvent soutenir la classification des tissus, l'évaluation de la perfusion et le guidage chirurgical. Des recherches sur l'imagerie hyperspectrale laparoscopique en temps réel démontrent des progrès vers une visualisation peropératoire sans marqueur. (nature.com)
• Détection d'anomalies : Les systèmes environnementaux peuvent localiser de rares signatures minérales, la pollution ou des panaches de gaz à effet de serre, comme le démontrent les observations de méthane EMIT et AVIRIS-3 de la NASA. (svs.gsfc.nasa.gov)

Meilleures pratiques et développements actuels#

Préserve les métadonnées de longueurs d'onde, les cibles d'étalonnage, les paramètres des capteurs et les mesures en pleine précision ; divise les ensembles de données spatialement plutôt que de manière aléatoire pour éviter la fuite de données ; et valide à travers les saisons et les capteurs. Les flux de travail doivent également appliquer la correction de réflectance, le masquage des nuages, la géolocalisation et l'harmonisation passe-bande de manière similaire aux algorithmes de traitement HLS de la NASA. (hls.gsfc.nasa.gov)

Les recherches récentes s'orientent vers des modèles de fondation spectraux adaptables. HyperFree traite des configurations de canaux variables, tandis qu'un modèle de fondation spectral à usage général explore le transfert entre la télédétection proximale et distante. Les futurs systèmes tels que la mission Copernicus CHIME de l'ESA reflètent un intérêt croissant pour des observations hyperspectrales standardisées à grande échelle. (arxiv.org)

Pour les prototypes de détection, les bandes HSI sélectionnées peuvent être stockées sous forme de fichiers TIFF multicanaux. L'exemple exécutable suivant teste ce flux de travail en utilisant l'ensemble de données COCO8-Multispectral et YOLO26 :

from ultralytics import YOLO

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

Cet ensemble de données simule dix canaux visibles et est destiné au test de pipelines, et non à la spectroscopie scientifique. Les projets HSI réels doivent conserver les cubes sources étalonnés et sélectionner les bandes pertinentes pour la tâche avant l'entraînement. Les équipes peuvent gérer l'annotation, les expériences, l'entraînement et le déploiement via Ultralytics Platform.