Hyperspectral Imaging
초분광 이미징(HSI), 스펙트럼 데이터 큐브, AI 애플리케이션 및 검출, 분류, 세그멘테이션과 이상 검출을 위한 YOLO26 워크플로를 살펴봅니다.
초분광 이미징 (HSI)은 컴퓨터 비전과 분광학을 결합하여 여러 개의 좁은 파장 대역에 걸쳐 장면을 측정합니다. 빨간색, 녹색, 파란색 값만 저장하는 대신 각 픽셀에 상세한 스펙트럼이 포함되므로 기존 카메라로는 보이지 않는 물질적, 화학적 또는 생물학적 특성을 확인할 수 있습니다. 따라서 HSI는 물질을 식별하거나 상태를 평가하거나 미세한 이상을 감지해야 하는 머신 러닝 시스템에 유용합니다. 종합적인 2026 초분광 이미징 입문서는 HSI를 비침습적이고 라벨이 필요 없는 감지 방법으로 설명하며, NASA의 초분광 데이터 큐브 개요는 공간 측정과 분광 측정이 3차원 데이터 큐브를 구성하는 방식을 보여줍니다. (nature.com)
초분광 이미징의 작동 방식#
초분광 카메라는 수십 개에서 수백 개에 이르는 인접 파장 대역에 걸쳐 반사되거나 방출되는 에너지를 측정합니다. USGS의 초분광 원격 감지 개요에 따르면 이러한 연속 샘플링을 통해 각 픽셀에서 반사율 스펙트럼을 얻을 수 있습니다. 이러한 스펙트럼 시그니처는 RGB 이미지에서 동일하게 보이는 물질을 구별하는 데 도움이 됩니다. 예를 들어 NASA의 EMIT 이미징 분광계는 특징적인 흡수 패턴을 통해 광물과 대기 가스를 식별합니다. (usgs.gov)
일반적인 AI 파이프라인에는 다음이 포함됩니다.
- 노이즈, 조명, 대기 영향 및 사용할 수 없는 대역을 보정하기 위한 센서 보정 및 데이터 전처리
- 수백 개의 상관된 채널을 줄이기 위한 대역 선택 또는 주성분 분석
- 분류, 객체 감지, 세그멘테이션, 회귀, 이상 감지 또는 스펙트럼 언믹싱
- 실제 환경에서의 일반화 성능을 측정하기 위해 서로 다른 위치, 취득 날짜 및 센서에서 검증
모델은 1D 네트워크로 스펙트럼을 처리하거나, 2D 네트워크로 공간 패치를 처리하거나, PyTorch 3D convolution과 같은 연산을 사용하여 공간 및 스펙트럼을 결합한 볼륨을 처리할 수 있습니다.
초분광 이미징과 관련 이미징 기술의 비교#
세 개의 넓은 가시광 대역을 사용하는 RGB 이미징과 달리 멀티스펙트럴 이미징은 일반적으로 제한된 수의 불연속 대역을 캡처합니다. HSI는 대개 훨씬 더 많은 수의 좁고 촘촘하게 배치된 대역을 기록하므로 더 세밀한 스펙트럼 정보를 제공하지만 더 크고 노이즈가 많은 데이터 세트를 생성합니다. USGS의 분광 해상도 가이드는 스펙트럼 세부 정보와 신호 품질 간의 이러한 절충을 설명합니다. 초분광 이미징은 감지 방법인 반면, 위성 이미지 분석은 궤도 이미지를 해석하는 방법을 설명하며, 센서 퓨전은 HSI를 RGB, 열화상, LiDAR 또는 레이더 데이터와 결합합니다.
실제 환경의 AI 애플리케이션#
- 정밀 농업: 모델은 작물 질병, 영양 스트레스, 잡초 및 수분 부족이 시각적으로 뚜렷한 증상으로 나타나기 전에 이를 감지합니다. 농업 HSI를 위한 딥러닝에 대한 2024년 리뷰는 라벨이 제한된 데이터를 위해 CNN, Transformer, 전이 학습 및 few-shot 학습을 활용하는 방법을 강조합니다. (sciencedirect.com)
- 산업 검사: 생산 시스템은 오염 물질, 수분, 화학적 조성 또는 결함이 있는 소재를 식별합니다. 2024년 식품 안전 연구는 파괴 검사 없이 가공육에 잔류하는 아질산염을 추정하기 위해 HSI와 ML을 결합했습니다. (mdpi.com)
- 의료 영상 분석: 스펙트럼 패턴은 조직 분류, 관류 평가 및 수술 안내를 지원할 수 있습니다. 실시간 복강경 초분광 이미징에 관한 연구는 마커가 필요 없는 수술 중 시각화를 향한 진전을 보여줍니다. (nature.com)
- 이상 감지: 환경 시스템은 NASA의 EMIT 및 AVIRIS-3 메탄 관측이 보여준 것처럼 희귀한 광물 시그니처, 오염 또는 온실가스 플룸의 위치를 파악할 수 있습니다. (svs.gsfc.nasa.gov)
현재의 모범 사례 및 개발 동향#
파장 메타데이터, 보정 대상, 센서 설정 및 완전 정밀도 측정값을 보존하고, 데이터 누출을 방지하기 위해 데이터 세트를 무작위가 아닌 공간적으로 분할하며, 계절과 센서 전반에 걸쳐 검증해야 합니다. 또한 워크플로에는 NASA HLS 처리 알고리즘과 유사한 반사율 보정, 구름 마스킹, 지오로케이션 및 대역 통합을 적용해야 합니다. (hls.gsfc.nasa.gov)
최근 연구는 적응 가능한 스펙트럼 파운데이션 모델로 나아가고 있습니다. HyperFree는 다양한 채널 구성을 처리하며, 범용 스펙트럼 파운데이션 모델은 근접 감지와 원격 감지 간 전이를 탐구합니다. ESA의 Copernicus CHIME 미션과 같은 향후 시스템은 표준화된 대규모 초분광 관측에 대한 관심이 높아지고 있음을 보여줍니다. (arxiv.org)
감지 프로토타입의 경우 선택한 HSI 대역을 다중 채널 TIFF 파일로 저장할 수 있습니다. 다음 실행 가능한 예제는 COCO8-Multispectral 데이터 세트와 YOLO26을 사용하여 이 워크플로를 테스트합니다.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8-multispectral.yaml", epochs=10, imgsz=640)이 데이터 세트는 10개의 가시광 채널을 시뮬레이션하며 과학적 분광학이 아닌 파이프라인 테스트를 위한 것입니다. 실제 HSI 프로젝트에서는 보정된 원본 큐브를 보존하고 학습 전에 작업과 관련된 대역을 선택해야 합니다. 팀은 Ultralytics Platform을 통해 주석, 실험, 학습 및 배포를 관리할 수 있습니다.
