Hyperspectral Imaging

L'imagerie hyperspectrale (HSI) combine la vision par ordinateur et la spectroscopie pour mesurer une scène à travers de nombreuses bandes de longueurs d'onde étroites. Au lieu de stocker uniquement des valeurs rouge, vert et bleu, chaque pixel contient un spectre détaillé capable de révéler des propriétés matérielles, chimiques ou biologiques invisibles pour les caméras conventionnelles. Cela rend l'HSI précieuse pour les systèmes d'apprentissage automatique qui doivent identifier des substances, évaluer des conditions ou détecter des anomalies subtiles. Une introduction complète à l'imagerie hyperspectrale 2026 décrit l'HSI comme une méthode de détection non invasive et sans marquage, 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)

Link to this sectionComment fonctionne l'imagerie hyperspectrale#

Une caméra hyperspectrale mesure l'énergie réfléchie ou émise à travers des dizaines à des centaines de bandes de longueurs d'onde adjacentes. 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 semblent identiques dans les images RGB ; par exemple, le spectromètre imageur EMIT de la NASA identifie des minéraux et des gaz atmosphériques grâce à des modèles d'absorption caractéristiques. (usgs.gov)

Un pipeline d'IA typique comprend :

1. L'étalonnage des capteurs et le prétraitement des données pour corriger le bruit, l'illumination, les effets atmosphériques et les bandes inutilisables.
2. La sélection de bandes ou l'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-spectraux conjoints en utilisant des opérations telles que la convolution 3D PyTorch.

Link to this sectionImagerie 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'HSI enregistre généralement beaucoup plus de bandes étroites et étroitement espacées, offrant un meilleur détail spectral mais produisant des jeux de données plus volumineux et plus bruités. 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 satellites décrit comment l'imagerie orbitale est interprétée, et la fusion de capteurs combine l'HSI avec des données RGB, thermiques, LiDAR ou radar.

Link to this sectionApplications 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 revue 2024 de l'apprentissage profond pour l'HSI agricole met en évidence les CNN, les transformers, l'apprentissage par transfert et l'apprentissage few-shot 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 2024 sur la sécurité alimentaire a combiné l'HSI et le ML pour estimer le nitrite résiduel dans la viande transformée sans tests destructifs. (mdpi.com)
• Analyse d'images médicales : Les modèles 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 des signatures minérales rares, 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)

Link to this sectionMeilleures pratiques et développements actuels#

Préserve les métadonnées de longueur d'onde, les cibles d'étalonnage, les paramètres des capteurs et les mesures en pleine précision ; divise les jeux de données spatialement plutôt qu'aléatoirement 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 des bandes passantes de manière similaire aux algorithmes de traitement HLS de la NASA. (hls.gsfc.nasa.gov)

La recherche récente s'oriente vers des modèles fondamentaux spectraux adaptables. HyperFree aborde les configurations de canaux variables, tandis qu'un modèle spectral fondamental polyvalent explore le transfert à travers la télédétection et la détection proximale. Les systèmes futurs tels que la mission Copernicus CHIME de l'ESA reflètent l'intérêt croissant pour les 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 le jeu de données COCO8-Multispectral et YOLO26 :

from ultralytics import YOLO

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

Ce jeu de données simule dix canaux visibles et est destiné au test de pipelines, non à la spectroscopie scientifique. Les projets HSI réels devraient 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.