Hyperspectral Imaging

ハイパースペクトルイメージング（HSI）は、コンピュータビジョンと分光法を組み合わせ、多数の狭い波長帯域にわたってシーンを測定する手法です。各ピクセルに赤、緑、青の値を保存するだけでなく、従来のカメラでは見えない物質的、化学的、または生物学的な特性を明らかにできる詳細なスペクトルが含まれています。このため、HSIは物質の特定、状態の評価、または微妙な異常の検出が必要な機械学習システムにおいて価値を発揮します。包括的な2026年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なセンシング手法として説明しており、一方でNASAのハイパースペクトルデータキューブの概要では、空間的およびスペクトル的な測定がどのようにして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)

Link to this section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域にわたって反射または放出されるエネルギーを測定します。ハイパースペクトルリモートセンシングのUSGS（米国地質調査所）の概要によると、この連続的なサンプリングにより、各ピクセルが反射スペクトルを提供できるようになります。これらのスペクトルシグネチャは、RGB画像では同一に見える物質を区別するのに役立ちます。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特定します。(usgs.gov)

一般的なAIパイプラインには以下が含まれます。

1. ノイズ、照明、大気の影響、および使用できない帯域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。
2. 数百の相関チャネルを削減するための帯域選択または主成分分析。
3. 分類、オブジェクト検出、セグメンテーション、回帰、異常検出、またはスペクトルアンミキシング。
4. 現実世界での汎化性能を測定するための、異なる場所、取得日時、およびセンサーを用いた検証。

モデルは、1Dネットワークによるスペクトルの処理、2Dネットワークによる空間パッチの処理、あるいはPyTorch 3D convolutionのような演算を使用した空間・スペクトル結合ボリュームの処理を行う場合があります。

Link to this sectionハイパースペクトルイメージングと関連技術の比較#

3つの広帯域な可視光帯域を使用する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は通常、限定された個別の帯域セットをキャプチャします。HSIは通常、はるかに狭く密集した帯域を記録するため、より詳細なスペクトル情報を提供しますが、より大きくノイズの多いデータセットを生成します。USGSのスペクトル分解能ガイドでは、スペクトルの詳細さと信号品質の間のトレードオフについて説明しています。また、ハイパースペクトルイメージングがセンシング手法であるのに対し、衛星画像解析は軌道上の画像をどのように解釈するかを説明するものであり、センサーフュージョンはHSIとRGB、熱、LiDAR、またはレーダーデータを組み合わせます。

Link to this section実世界のAIアプリケーション#

• 精密農業: モデルは、症状が視覚的に明らかになる前に、作物の病気、栄養ストレス、雑草、および水不足を検出します。農業HSI向けディープラーニングの2024年レビューでは、ラベル付きデータが限られている状況下でのCNN、Transformer、転移学習、および少数のデータで学習するフューショット学習が強調されています。(sciencedirect.com)
• 産業検査: 生産システムは、汚染物質、水分、化学組成、または欠陥材料を特定します。2024年の食品安全性研究では、破壊検査を行わずに加工肉に含まれる残留亜硝酸塩を推定するためにHSIとMLを組み合わせました。(mdpi.com)
• 医療画像解析: スペクトルパターンは、組織分類、灌流評価、および外科的ガイダンスをサポートします。リアルタイム腹腔鏡ハイパースペクトルイメージングに関する研究は、マーカーを使用しない術中可視化に向けた進歩を示しています。(nature.com)
• 異常検出: 環境システムは、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、または温室効果ガスのプルームを特定できます。(svs.gsfc.nasa.gov)

Link to this section現在のベストプラクティスと開発状況#

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、およびフル精度の測定値を保持してください。データ漏洩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を行います。また、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、クラウドマスキング、地理位置情報、およびバンドパスハーモナイゼーションを適用する必要があります。(hls.gsfc.nasa.gov)

最近の研究は、適応型のスペクトル基盤モデルへと移行しています。HyperFreeは多様なチャネル構成に対応しており、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間での転移を探索しています。ESAのCopernicus CHIMEミッションのような将来のシステムは、標準化された大規模なハイパースペクトル観測に対する関心の高まりを反映しています。(arxiv.org)

検出プロトタイプの場合、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。以下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個の可視光チャネルをシミュレートしており、科学的な分光法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、およびデプロイメントを管理できます。