Hyperspectral Imaging
ハイパースペクトルイメージング（HSI）、スペクトルデータキューブ、AIの応用、検出、分類、セグメンテーション、異常検知のためのYOLO26ワークフローを説明します。
ハイパースペクトルイメージング（HSI）は、コンピュータービジョンと分光法を組み合わせ、多数の狭い波長帯にわたってシーンを測定します。赤、緑、青の値だけを保存する代わりに、各ピクセルが詳細なスペクトルを含むため、通常のカメラでは見えない物質、化学的特性、生物学的特性を明らかにできます。このため、HSIは物質の識別、状態の評価、微妙な異常の検出が必要な機械学習システムに有用です。包括的な2026年版ハイパースペクトルイメージング入門では、HSIを非侵襲的かつラベル不要のセンシング手法として説明しており、NASAのハイパースペクトルデータキューブ概要では、空間測定とスペクトル測定がどのように3次元データキューブを形成するかを示しています。（nature.com）
ハイパースペクトルイメージングの仕組み#
ハイパースペクトルカメラは、数十から数百の隣接する波長帯にわたって、反射または放射されたエネルギーを測定します。USGSのハイパースペクトルリモートセンシング概要によると、この連続的なサンプリングにより、各ピクセルから反射スペクトルを取得できます。これらのスペクトルシグネチャは、RGB画像では同じように見える物質の識別に役立ちます。例えば、NASAのEMITイメージング分光計は、特徴的な吸収パターンを通じて鉱物や大気ガスを識別します。（usgs.gov）
一般的なAIパイプラインには、次の処理が含まれます。
- ノイズ、照明、大気の影響、使用できないバンドを補正するためのセンサーキャリブレーションとデータ前処理。
- 数百の相関チャネルを削減するためのバンド選択または主成分分析。
- 分類、物体検出、セグメンテーション、回帰、異常検出、スペクトルアンミキシング。
- 実環境での汎化性能を測定するため、異なる場所、取得日、センサーを用いた検証。
モデルは、1Dネットワークでスペクトルを処理したり、2Dネットワークで空間パッチを処理したり、PyTorch 3D畳み込みなどの演算を使用して空間とスペクトルを統合したボリュームを処理したりできます。
ハイパースペクトルイメージングと関連するイメージング手法の比較#
3つの広い可視光帯を使用するRGBイメージングとは異なり、マルチスペクトルイメージングでは通常、限られた数の離散的なバンドを取得します。HSIは通常、より多くの狭く近接したバンドを記録するため、スペクトルの詳細度が高まる一方で、より大規模でノイズの多いデータセットが生成されます。USGSのスペクトル分解能ガイドでは、スペクトルの詳細度と信号品質のこのトレードオフについて説明しています。ハイパースペクトルイメージングはセンシング手法でもありますが、衛星画像解析は軌道上から取得した画像をどのように解釈するかを指し、センサーフュージョンはHSIをRGB、熱、LiDAR、レーダーなどのデータと組み合わせます。
実環境におけるAIの応用#
- 精密農業: モデルは、症状が目視で明らかになる前に、作物の病気、栄養ストレス、雑草、水不足を検出します。農業分野のHSIにおけるディープラーニングに関する2024年のレビューでは、ラベル付きデータが限られる状況におけるCNN、Transformer、転移学習、少数ショット学習に焦点を当てています。（sciencedirect.com）
- 産業検査: 生産システムは、汚染物質、水分、化学組成、欠陥のある材料を識別します。2024年の食品安全性研究では、破壊試験を行わずに加工肉中の残留亜硝酸塩を推定するため、HSIとMLを組み合わせました。（mdpi.com）
- 医用画像解析: スペクトルパターンは、組織の分類、灌流評価、手術支援に役立ちます。リアルタイム腹腔鏡下ハイパースペクトルイメージングに関する研究では、マーカーを使用しない術中可視化に向けた進展が示されています。（nature.com）
- 異常検出: 環境監視システムは、NASAのEMITおよびAVIRIS-3によるメタン観測で実証されているように、希少な鉱物のシグネチャ、汚染、温室効果ガスのプルームを特定できます。（svs.gsfc.nasa.gov）
現在のベストプラクティスと開発動向#
波長メタデータ、キャリブレーションターゲット、センサー設定、完全精度の測定値を保持し、データリーケージを防ぐためにデータセットをランダムではなく空間的に分割し、季節やセンサーをまたいで検証します。ワークフローには、NASA HLS処理アルゴリズムと同様に、反射率補正、雲マスキング、ジオロケーション、バンドパスの調和処理も適用する必要があります。（hls.gsfc.nasa.gov）
近年の研究は、適応性のあるスペクトル基盤モデルへと進んでいます。HyperFreeはさまざまなチャネル構成に対応し、一方で汎用スペクトル基盤モデルは近接センシングとリモートセンシングの間での転移を検討しています。ESAのCopernicus CHIMEミッションなどの将来のシステムは、標準化された大規模なハイパースペクトル観測への関心が高まっていることを示しています。（arxiv.org）
検出プロトタイプでは、選択したHSIバンドをマルチチャネルTIFFファイルとして保存できます。次の実行可能な例では、COCO8-MultispectralデータセットとYOLO26を使用して、このワークフローをテストします。
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8-multispectral.yaml", epochs=10, imgsz=640)このデータセットは10個の可視チャネルをシミュレートしたもので、科学的な分光分析ではなく、パイプラインのテストを目的としています。実際のHSIプロジェクトでは、キャリブレーション済みのソースキューブを保持し、トレーニング前にタスクに関連するバンドを選択する必要があります。チームは、Ultralytics Platformを通じて、アノテーション、実験、トレーニング、デプロイメントを管理できます。
