Hyperspectral Imaging

O imageamento hiperespectral (HSI) combina visão computacional e espectroscopia para medir uma cena em muitas bandas estreitas de comprimento de onda. Em vez de armazenar apenas valores de vermelho, verde e azul, cada píxel contém um espectro detalhado que pode revelar propriedades materiais, químicas ou biológicas invisíveis para as câmaras convencionais. Isso torna o HSI valioso para sistemas de aprendizagem automática que precisam de identificar substâncias, avaliar condições ou detetar anomalias subtis. Um guia introdutório abrangente sobre imageamento hiperespectral em 2026 descreve o HSI como um método de deteção não invasivo e sem marcadores, enquanto a visão geral da NASA sobre cubos de dados hiperespectrais ilustra como as medições espaciais e espectrais formam um cubo de dados tridimensional. (nature.com)

Como funciona o imageamento hiperespectral#

Uma câmara hiperespectral mede a energia refletida ou emitida em dezenas a centenas de bandas de comprimento de onda vizinhas. De acordo com a visão geral do USGS sobre deteção remota hiperespectral, esta amostragem contínua permite que cada píxel forneça um espectro de refletância. Estas assinaturas espectrais ajudam a distinguir materiais que parecem idênticos em imagens RGB; por exemplo, o espectrómetro de imageamento EMIT da NASA identifica minerais e gases atmosféricos através de padrões de absorção característicos. (usgs.gov)

Um pipeline típico de IA inclui:

1. Calibração do sensor e pré-processamento de dados para corrigir ruído, iluminação, efeitos atmosféricos e bandas inutilizáveis.
2. Seleção de bandas ou análise de componentes principais para reduzir centenas de canais correlacionados.
3. Classificação, deteção de objetos, segmentação, regressão, deteção de anomalias ou desmistura espectral.
4. Validação em diferentes localizações, datas de aquisição e sensores para medir a generalização no mundo real.

Os modelos podem processar espectros com redes 1D, patches espaciais com redes 2D ou volumes espaciais-espectrais conjuntos usando operações como a convolução 3D do PyTorch.

Imageamento hiperespectral versus imageamentos relacionados#

Ao contrário do imageamento RGB, que utiliza três bandas visíveis amplas, o imageamento multiespectral normalmente capta um conjunto limitado de bandas discretas. O HSI geralmente regista muito mais bandas estreitas e próximas entre si, proporcionando maior detalhe espectral, mas produzindo conjuntos de dados maiores e mais ruidosos. O guia do USGS sobre resolução espectral explica este compromisso entre detalhe espectral e qualidade do sinal. O imageamento hiperespectral é também um método de deteção, enquanto a análise de imagens de satélite descreve como as imagens orbitais são interpretadas, e a fusão de sensores combina HSI com dados RGB, térmicos, LiDAR ou de radar.

Aplicações de IA no mundo real#

• Agricultura de Precisão: Os modelos detetam doenças das culturas, stress nutricional, ervas daninhas e défices de água antes de os sintomas se tornarem visualmente evidentes. Uma revisão de 2024 sobre aprendizagem profunda para HSI agrícola destaca CNNs, transformadores, aprendizagem por transferência e aprendizagem com poucos exemplos para dados rotulados limitados. (sciencedirect.com)
• Inspeção Industrial: Os sistemas de produção identificam contaminantes, humidade, composição química ou materiais defeituosos. Um estudo de 2024 sobre segurança alimentar combinou HSI e ML para estimar nitrito residual em carne processada sem testes destrutivos. (mdpi.com)
• Análise de Imagens Médicas: Os padrões espectrais podem apoiar a classificação de tecidos, a avaliação da perfusão e a orientação cirúrgica. A investigação sobre imageamento hiperespectral laparoscópico em tempo real demonstra avanços rumo à visualização intraoperatória sem marcadores. (nature.com)
• Deteção de Anomalias: Os sistemas ambientais podem localizar assinaturas minerais raras, poluição ou plumas de gases com efeito de estufa, conforme demonstrado pelas observações de metano EMIT e AVIRIS-3 da NASA. (svs.gsfc.nasa.gov)

Práticas recomendadas e desenvolvimentos atuais#

Preserva os metadados de comprimento de onda, os alvos de calibração, as definições do sensor e as medições de precisão total; divide os conjuntos de dados espacialmente em vez de aleatoriamente para evitar a fuga de dados; e valida em diferentes estações do ano e sensores. Os fluxos de trabalho também devem aplicar correção de refletância, mascaramento de nuvens, geolocalização e harmonização de passa-banda, de forma semelhante aos algoritmos de processamento HLS da NASA. (hls.gsfc.nasa.gov)

A investigação recente está a avançar rumo a modelos fundamentais espectrais adaptáveis. O HyperFree aborda configurações variáveis de canais, enquanto um modelo fundamental espectral de uso geral explora a transferência entre deteção próxima e remota. Sistemas futuros, como a missão Copernicus CHIME da ESA, refletem o interesse crescente em observações hiperespectrais padronizadas e em grande escala. (arxiv.org)

Para protótipos de deteção, as bandas HSI selecionadas podem ser armazenadas como ficheiros TIFF multicanal. O exemplo executável seguinte testa este fluxo de trabalho utilizando o conjunto de dados COCO8-Multispectral e o YOLO26:

from ultralytics import YOLO

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

Este conjunto de dados simula dez canais visíveis e destina-se a testar pipelines, não à espectroscopia científica. Os projetos reais de HSI devem conservar os cubos de origem calibrados e selecionar as bandas relevantes para a tarefa antes do treino. As equipas podem gerir a anotação, as experiências, o treino e a implementação através da Ultralytics Platform.