Hyperspectral Imaging

L'imaging iperspettrale (HSI) combina la computer vision e la spettroscopia per misurare una scena attraverso molteplici bande di lunghezza d'onda ristrette. Invece di archiviare solo i valori rosso, verde e blu, ogni pixel contiene uno spettro dettagliato in grado di rivelare proprietà materiali, chimiche o biologiche invisibili alle fotocamere convenzionali. Questo rende l'HSI prezioso per i sistemi di machine learning che devono identificare sostanze, valutare condizioni o rilevare anomalie impercettibili. Un esauriente primer sull'imaging iperspettrale del 2026 descrive l'HSI come un metodo di rilevamento non invasivo e senza etichette, mentre la panoramica sul cubo di dati iperspettrali della NASA illustra come le misurazioni spaziali e spettrali formino un cubo di dati tridimensionale. (nature.com)

Link to this sectionCome funziona l'imaging iperspettrale#

Una fotocamera iperspettrale misura l'energia riflessa o emessa attraverso decine o centinaia di bande di lunghezza d'onda adiacenti. Secondo la panoramica USGS sul telerilevamento iperspettrale, questo campionamento continuo consente a ogni pixel di fornire uno spettro di riflettanza. Queste firme spettrali aiutano a distinguere materiali che appaiono identici nelle immagini RGB; ad esempio, lo spettrometro per imaging EMIT della NASA identifica minerali e gas atmosferici attraverso schemi di assorbimento caratteristici. (usgs.gov)

Una tipica pipeline AI include:

1. Calibrazione del sensore e preelaborazione dei dati per correggere rumore, illuminazione, effetti atmosferici e bande inutilizzabili.
2. Selezione delle bande o analisi delle componenti principali per ridurre centinaia di canali correlati.
3. Classificazione, rilevamento oggetti, segmentazione, regressione, rilevamento anomalie o separazione spettrale.
4. Convalida su diverse posizioni, date di acquisizione e sensori per misurare la generalizzazione nel mondo reale.

I modelli possono elaborare spettri con reti 1D, patch spaziali con reti 2D o volumi spaziali-spettrali congiunti utilizzando operazioni come la convoluzione 3D di PyTorch.

Link to this sectionImaging iperspettrale rispetto ad altri tipi di imaging#

A differenza dell'imaging RGB, che utilizza tre ampie bande visibili, l'imaging multispettrale acquisisce solitamente un insieme limitato di bande discrete. L'HSI registra di solito molte più bande strette e ravvicinate, fornendo una maggiore risoluzione spettrale ma producendo dataset più grandi e rumorosi. La guida USGS alla risoluzione spettrale spiega questo compromesso tra dettaglio spettrale e qualità del segnale. L'imaging iperspettrale è anche un metodo di rilevamento, mentre l'analisi di immagini satellitari descrive come vengono interpretate le immagini orbitali, e la fusione di sensori combina l'HSI con dati RGB, termici, LiDAR o radar.

Link to this sectionApplicazioni AI nel Mondo Reale#

• Agricoltura di precisione: I modelli rilevano malattie delle colture, stress nutrizionale, erbe infestanti e carenze idriche prima che i sintomi diventino visivamente ovvi. Una revisione del 2024 sul deep learning per l'HSI agricolo evidenzia CNN, Transformer, transfer learning e few-shot learning per dati etichettati limitati. (sciencedirect.com)
• Ispezione industriale: I sistemi di produzione identificano contaminanti, umidità, composizione chimica o materiali difettosi. Uno studio sulla sicurezza alimentare del 2024 ha combinato HSI e ML per stimare il nitrito residuo nella carne lavorata senza test distruttivi. (mdpi.com)
• Analisi di immagini mediche: Gli schemi spettrali possono supportare la classificazione dei tessuti, la valutazione della perfusione e la guida chirurgica. La ricerca sull'imaging iperspettrale laparoscopico in tempo reale dimostra progressi verso la visualizzazione intraoperatoria senza marcatori. (nature.com)
• Rilevamento anomalie: I sistemi ambientali possono localizzare rare firme minerali, inquinamento o pennacchi di gas serra, come dimostrato dalle osservazioni del metano di EMIT e AVIRIS-3 della NASA. (svs.gsfc.nasa.gov)

Link to this sectionMigliori pratiche e sviluppi attuali#

Conserva i metadati della lunghezza d'onda, i target di calibrazione, le impostazioni del sensore e le misurazioni a piena precisione; suddividi i dataset spazialmente anziché casualmente per prevenire il data leakage; e convalida attraverso stagioni e sensori diversi. I flussi di lavoro dovrebbero anche applicare la correzione della riflettanza, la mascheratura delle nuvole, la geolocalizzazione e l'armonizzazione della banda passante in modo simile agli algoritmi di elaborazione HLS della NASA. (hls.gsfc.nasa.gov)

La ricerca recente si sta orientando verso modelli di base spettrali adattabili. HyperFree gestisce configurazioni di canali variabili, mentre un modello di base spettrale per scopi generali esplora il trasferimento tra telerilevamento e rilevamento prossimale. Sistemi futuri come la missione Copernicus CHIME dell'ESA riflettono un crescente interesse per osservazioni iperspettrali standardizzate su larga scala. (arxiv.org)

Per i prototipi di rilevamento, le bande HSI selezionate possono essere archiviate come file TIFF multicanale. Il seguente esempio eseguibile testa questo flusso di lavoro utilizzando il dataset COCO8-Multispectral e YOLO26:

from ultralytics import YOLO

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

Questo dataset simula dieci canali visibili ed è inteso per il test della pipeline, non per la spettroscopia scientifica. I progetti HSI reali dovrebbero conservare i cubi sorgente calibrati e selezionare le bande rilevanti per il compito prima dell'addestramento. I team possono gestire annotazione, esperimenti, addestramento e deployment tramite la Ultralytics Platform.