Hyperspectral Imaging
Hiperspektral görüntülemeyi (HSI), spektral veri küplerini, yapay zekâ uygulamalarını ve tespit, sınıflandırma, segmentasyon ve anomali tespiti için YOLO26 iş akışlarını keşfet.
Hiperspektral görüntüleme (HSI), bir sahneyi çok sayıda dar dalga boyu bandı üzerinden ölçmek için bilgisayarlı görü ve spektroskopiyi birleştirir. Yalnızca kırmızı, yeşil ve mavi değerleri depolamak yerine her piksel, geleneksel kameralarla görünmeyen materyal, kimyasal veya biyolojik özellikleri ortaya çıkarabilecek ayrıntılı bir spektrum içerir. Bu özellik, HSI'yi maddeleri tanımlaması, durumu değerlendirmesi veya ince anomalileri tespit etmesi gereken makine öğrenimi sistemleri için değerli kılar. Kapsamlı bir 2026 hiperspektral görüntüleme başlangıç kılavuzu, HSI'yi invazif olmayan ve etiket gerektirmeyen bir algılama yöntemi olarak tanımlarken NASA'nın hiperspektral veri küpüne genel bakışı, uzamsal ve spektral ölçümlerin nasıl üç boyutlu bir veri küpü oluşturduğunu gösterir. (nature.com)
Hiperspektral Görüntüleme Nasıl Çalışır#
Hiperspektral bir kamera, onlarca ila yüzlerce komşu dalga boyu bandı üzerinden yansıyan veya yayılan enerjiyi ölçer. USGS'nin hiperspektral uzaktan algılamaya genel bakışına göre bu sürekli örnekleme, her pikselin bir yansıtma spektrumu sunmasını sağlar. Bu spektral imzalar, RGB görüntülerinde aynı görünen materyallerin ayırt edilmesine yardımcı olur; örneğin NASA'nın EMIT görüntüleme spektrometresi, karakteristik soğurma desenleri aracılığıyla mineralleri ve atmosferik gazları tanımlar. (usgs.gov)
Tipik bir yapay zekâ işlem hattı şunları içerir:
- Gürültüyü, aydınlatmayı, atmosferik etkileri ve kullanılamayan bantları düzeltmek için sensör kalibrasyonu ve veri ön işleme.
- Yüzlerce korelasyonlu kanalı azaltmak için bant seçimi veya temel bileşen analizi.
- Sınıflandırma, nesne algılama, segmentasyon, regresyon, anomali algılama veya spektral ayrıştırma.
- Gerçek dünyadaki genellemeyi ölçmek için farklı konumlar, edinim tarihleri ve sensörler üzerinde doğrulama.
Modeller spektrumları 1B ağlarla, uzamsal parçaları 2B ağlarla veya PyTorch 3D evrişmesi gibi işlemleri kullanarak ortak uzamsal-spektral hacimleri işleyebilir.
Hiperspektral Görüntüleme ve İlişkili Görüntüleme Yöntemleri#
Üç geniş görünür bant kullanan RGB görüntülemenin aksine multispektral görüntüleme genellikle sınırlı sayıda ayrı bandı yakalar. HSI genellikle çok daha fazla sayıda, dar ve birbirine yakın bandı kaydeder; bu da daha yüksek spektral ayrıntı sağlar, ancak daha büyük ve daha gürültülü veri kümeleri üretir. USGS'nin spektral çözünürlük kılavuzu, spektral ayrıntı ile sinyal kalitesi arasındaki bu dengeyi açıklar. Hiperspektral görüntüleme aynı zamanda bir algılama yöntemiyken uydu görüntüsü analizi, yörüngeden elde edilen görüntülerin nasıl yorumlandığını açıklar ve sensör füzyonu, HSI'yi RGB, termal, LiDAR veya radar verileriyle birleştirir.
Gerçek Dünya Yapay Zekâ Uygulamaları#
- Hassas Tarım: Modeller, belirtiler görsel olarak belirgin hâle gelmeden önce ürün hastalıklarını, besin stresi belirtilerini, yabani otları ve su eksikliklerini tespit eder. Tarımda HSI için derin öğrenmeye ilişkin 2024 tarihli bir inceleme, sınırlı etiketli veriler için CNN'leri, Transformer'ları, transfer öğrenmesini ve az örnekli öğrenmeyi öne çıkarır. (sciencedirect.com)
- Endüstriyel Denetim: Üretim sistemleri kirleticileri, nemi, kimyasal bileşimi veya kusurlu materyalleri tanımlar. 2024 tarihli bir gıda güvenliği çalışması, işlenmiş etteki kalıntı nitriti tahribatsız testle tahmin etmek için HSI ve ML'yi birleştirmiştir. (mdpi.com)
- Tıbbi Görüntü Analizi: Spektral desenler doku sınıflandırmasını, perfüzyon değerlendirmesini ve cerrahi yönlendirmeyi destekleyebilir. Gerçek zamanlı laparoskopik hiperspektral görüntüleme üzerine yapılan araştırmalar, işaretleyici gerektirmeyen ameliyat içi görüntülemeye yönelik ilerlemeyi göstermektedir. (nature.com)
- Anomali Algılama: Çevresel sistemler, NASA'nın EMIT ve AVIRIS-3 metan gözlemlerinin gösterdiği üzere nadir mineral imzalarını, kirliliği veya sera gazı bulutlarını tespit edebilir. (svs.gsfc.nasa.gov)
Güncel En İyi Uygulamalar ve Gelişmeler#
Dalga boyu meta verilerini, kalibrasyon hedeflerini, sensör ayarlarını ve tam hassasiyetli ölçümleri koru; veri sızıntısını önlemek için veri kümelerini rastgele değil, uzamsal olarak böl; ayrıca mevsimler ve sensörler genelinde doğrulama yap. İş akışları, NASA HLS işleme algoritmalarına benzer şekilde yansıtma düzeltmesi, bulut maskeleme, jeolokasyon ve bant geçişi uyumlulaştırmasını da uygulamalıdır. (hls.gsfc.nasa.gov)
Son araştırmalar uyarlanabilir spektral temel modellere yöneliyor. HyperFree, değişken kanal yapılarını ele alırken genel amaçlı bir spektral temel model, yakın ve uzaktan algılama arasındaki aktarımı inceliyor. ESA'nın Copernicus CHIME görevi gibi gelecekteki sistemler, standartlaştırılmış ve büyük ölçekli hiperspektral gözlemlere yönelik artan ilgiyi yansıtıyor. (arxiv.org)
Algılama prototipleri için seçilen HSI bantları çok kanallı TIFF dosyaları olarak depolanabilir. Aşağıdaki çalıştırılabilir örnek, bu iş akışını COCO8-Multispectral veri kümesini ve YOLO26'yı kullanarak test eder:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8-multispectral.yaml", epochs=10, imgsz=640)Bu veri kümesi on görünür kanalı simüle eder ve bilimsel spektroskopi için değil, işlem hattı testi için tasarlanmıştır. Gerçek HSI projeleri, kalibre edilmiş kaynak küplerini korumalı ve eğitimden önce görevle ilgili bantları seçmelidir. Ekipler açıklama, deney, eğitim ve dağıtımı Ultralytics Platform üzerinden yönetebilir.
