Hyperspectral Imaging

초분광 이미징(HSI)은 컴퓨터 비전과 분광학을 결합하여 여러 좁은 파장 대역에 걸쳐 장면을 측정합니다. 적색, 녹색, 청색 값만 저장하는 대신 각 픽셀에는 일반 카메라로는 볼 수 없는 물질적, 화학적 또는 생물학적 특성을 밝혀낼 수 있는 상세한 스펙트럼이 포함되어 있습니다. 이 때문에 HSI는 물질을 식별하거나, 상태를 평가하거나, 미세한 이상 징후를 감지해야 하는 머신 러닝 시스템에 매우 유용합니다. 포괄적인 2026 초분광 이미징 입문서는 HSI를 비침습적이고 라벨이 필요 없는 감지 방법으로 설명하며, NASA 초분광 데이터 큐브 개요는 공간 및 분광 측정이 어떻게 3차원 데이터 큐브를 형성하는지 보여줍니다. (nature.com)

Link to this section초분광 이미징의 작동 원리#

초분광 카메라는 수십에서 수백 개의 인접한 파장 대역에 걸쳐 반사되거나 방출되는 에너지를 측정합니다. USGS 초분광 원격 탐사 개요에 따르면, 이러한 연속 샘플링을 통해 각 픽셀은 반사율 스펙트럼을 제공할 수 있습니다. 이러한 분광 서명은 RGB 이미지에서는 동일하게 보이는 물질을 구별하는 데 도움을 줍니다. 예를 들어, NASA의 EMIT 이미징 분광계는 특징적인 흡수 패턴을 통해 광물과 대기 가스를 식별합니다. (usgs.gov)

일반적인 AI 파이프라인에는 다음이 포함됩니다:

1. 노이즈, 조명, 대기 효과 및 사용할 수 없는 대역을 보정하기 위한 센서 교정 및 데이터 전처리.
2. 수백 개의 상관 채널을 줄이기 위한 대역 선택 또는 주성분 분석.
3. 분류, 객체 감지, 세그멘테이션, 회귀, 이상 감지 또는 분광 혼합 분리.
4. 실제 환경에서의 일반화 능력을 측정하기 위한 다양한 위치, 획득 날짜 및 센서에서의 검증.

모델은 1D 네트워크를 사용한 스펙트럼, 2D 네트워크를 사용한 공간 패치 또는 PyTorch 3D 컨볼루션과 같은 연산을 사용하는 결합된 공간-분광 볼륨을 처리할 수 있습니다.

Link to this section초분광 이미징과 관련 이미징의 비교#

세 개의 넓은 가시광선 대역을 사용하는 RGB 이미징과 달리, 다중 분광 이미징은 일반적으로 제한된 개수의 불연속 대역을 캡처합니다. HSI는 훨씬 더 많은 좁고 조밀한 대역을 기록하므로 더 큰 분광 상세 정보를 제공하지만 더 크고 노이즈가 많은 데이터 세트를 생성합니다. USGS 분광 해상도 가이드는 분광 상세 정보와 신호 품질 간의 이러한 상충 관계를 설명합니다. 초분광 이미징은 또한 하나의 감지 방법이며, 위성 이미지 분석은 궤도 이미지가 어떻게 해석되는지를 설명하고, 센서 융합은 HSI를 RGB, 열화상, LiDAR 또는 레이더 데이터와 결합합니다.

Link to this section실제 AI 응용 분야#

• 정밀 농업: 모델은 증상이 눈에 띄게 나타나기 전에 작물 질병, 영양 스트레스, 잡초 및 물 부족을 감지합니다. 2024 농업용 HSI를 위한 딥러닝 검토에서는 제한된 라벨 데이터에 대한 CNN, Transformer, 전이 학습 및 퓨샷 학습을 강조합니다. (sciencedirect.com)
• 산업 검사: 생산 시스템은 오염 물질, 습기, 화학적 성분 또는 결함이 있는 재료를 식별합니다. 2024 식품 안전 연구에서는 HSI와 ML을 결합하여 파괴적인 테스트 없이 가공육의 잔류 아질산염을 추정했습니다. (mdpi.com)
• 의료 영상 분석: 분광 패턴은 조직 분류, 관류 평가 및 수술 안내를 지원할 수 있습니다. 실시간 복강경 초분광 이미징에 대한 연구는 표식 없는 수술 중 시각화를 향한 진전을 보여줍니다. (nature.com)
• 이상 감지: NASA의 EMIT 및 AVIRIS-3 메탄 관측에서 입증된 바와 같이, 환경 시스템은 희귀 광물 서명, 오염 또는 온실가스 기둥을 위치를 파악할 수 있습니다. (svs.gsfc.nasa.gov)

Link to this section현재 모범 사례 및 개발 현황#

파장 메타데이터, 교정 타겟, 센서 설정 및 전체 정밀 측정값을 보존하십시오. 데이터 유출을 방지하기 위해 데이터 세트를 무작위가 아닌 공간적으로 분할하고 계절 및 센서에 걸쳐 검증하십시오. 워크플로우는 또한 NASA HLS 처리 알고리즘과 유사하게 반사율 교정, 구름 마스킹, 위치 정보 지정 및 밴드패스 조화를 적용해야 합니다. (hls.gsfc.nasa.gov)

최근 연구는 적응형 분광 파운데이션 모델로 나아가고 있습니다. HyperFree는 다양한 채널 구성을 해결하며, 범용 분광 파운데이션 모델은 근접 및 원격 탐사 전반에 걸친 전이를 탐구합니다. ESA의 Copernicus CHIME 미션과 같은 미래 시스템은 표준화된 대규모 초분광 관측에 대한 관심이 높아지고 있음을 반영합니다. (arxiv.org)

감지 프로토타입의 경우, 선택된 HSI 대역을 다중 채널 TIFF 파일로 저장할 수 있습니다. 다음 실행 가능한 예제는 COCO8-Multispectral 데이터 세트와 YOLO26을 사용하여 이 워크플로우를 테스트합니다:

from ultralytics import YOLO

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

이 데이터 세트는 10개의 가시광선 채널을 시뮬레이션하며 과학적 분광학이 아닌 파이프라인 테스트를 위한 것입니다. 실제 HSI 프로젝트는 교육 전에 교정된 소스 큐브를 유지하고 작업 관련 대역을 선택해야 합니다. 팀은 Ultralytics Platform을 통해 주석, 실험, 교육 및 배포를 관리할 수 있습니다.