Hyperspectral Imaging

Hiper-spektral görüntüleme (HSI), bir sahneyi birçok dar dalga boyu bandında ölçmek için bilgisayarlı görü ile spektroskopiyi birleştirir. Sadece kırmızı, yeşil ve mavi değerleri depolamak yerine, her piksel geleneksel kameralar için görünmez olan materyal, kimyasal veya biyolojik özellikleri ortaya çıkarabilen detaylı bir spektrum içerir. Bu, HSI'yi maddeleri tanımlaması, durumu değerlendirmesi veya ince anomalileri tespit etmesi gereken makine öğrenimi sistemleri için değerli kılar. Kapsamlı bir 2026 hiper-spektral görüntüleme kılavuzu, HSI'yi invaziv olmayan, etiketsiz bir algılama yöntemi olarak tanımlarken, NASA hiper-spektral veri küpü genel bakışı, uzamsal ve spektral ölçümlerin üç boyutlu bir veri küpünü nasıl oluşturduğunu göstermektedir. (nature.com)

Link to this sectionHiper-spektral Görüntüleme Nasıl Çalışır#

Bir hiper-spektral kamera, düzinelerce ila yüzlerce komşu dalga boyu bandı boyunca yansıyan veya yayılan enerjiyi ölçer. USGS hiper-spektral uzaktan algılama genel bakışına göre, bu sürekli örnekleme her pikselin bir yansıma spektrumu sağlamasına olanak tanır. Bu spektral imzalar, RGB görüntülerinde aynı görünen materyalleri ayırt etmeye yardımcı olur; örneğin, NASA'nın EMIT görüntüleme spektrometresi, karakteristik emilim modelleri aracılığıyla mineralleri ve atmosferik gazları tanımlar. (usgs.gov)

Tipik bir AI işlem hattı şunları içerir:

1. Gürültüyü, aydınlatmayı, atmosferik etkileri ve kullanılamaz bantları düzeltmek için sensör kalibrasyonu ve veri ön işleme.
2. Yüzlerce ilişkili kanalı azaltmak için bant seçimi veya temel bileşen analizi.
3. Sınıflandırma, nesne tespiti, segmentasyon, regresyon, anomali tespiti veya spektral ayrıştırma.
4. Gerçek dünya genellemesini ölçmek için farklı konumlarda, edinme tarihlerinde ve sensörlerde doğrulama.

Modeller, spektrumları 1D ağlarla, uzamsal yamaları 2D ağlarla veya PyTorch 3D konvolüsyon gibi işlemler kullanarak birleşik uzamsal-spektral hacimlerle işleyebilir.

Link to this sectionHiper-spektral ve Diğer Görüntüleme Yöntemlerinin Karşılaştırılması#

Üç geniş görünür bant kullanan RGB görüntülemenin aksine, çok spektral görüntüleme genellikle sınırlı sayıda ayrık bant kümesini yakalar. HSI genellikle çok daha fazla dar, birbirine yakın aralıklı bant kaydederek daha büyük spektral detay sağlar ancak daha büyük, daha gürültülü veri setleri üretir. USGS spektral çözünürlük kılavuzu, spektral detay ve sinyal kalitesi arasındaki bu dengeyi açıklamaktadır. Hiper-spektral görüntüleme aynı zamanda bir algılama yöntemidir; uydu görüntü analizi yörünge görüntülerinin nasıl yorumlandığını tanımlar ve sensör füzyonu, HSI'yi RGB, termal, LiDAR veya radar verileriyle birleştirir.

Link to this sectionGerçek Dünyada Yapay Zeka Uygulamaları#

• Hassas Tarım: Modeller, belirtiler görsel olarak belirginleşmeden önce mahsul hastalığını, besin stresini, yabani otları ve su kıtlığını tespit eder. Tarımsal HSI için 2024 derin öğrenme incelemesi, sınırlı etiketli veriler için CNN'leri, Transformer modellerini, transfer öğrenmeyi ve az örnekli öğrenmeyi vurgulamaktadır. (sciencedirect.com)
• Endüstriyel Denetim: Üretim sistemleri kirleticileri, nemi, kimyasal bileşimi veya kusurlu materyalleri tanımlar. Bir 2024 gıda güvenliği çalışması, tahribatsız test yapmadan işlenmiş etteki artık nitriti tahmin etmek için HSI ve ML'yi birleştirdi. (mdpi.com)
• Tıbbi Görüntü Analizi: Spektral modeller doku sınıflandırmasını, perfüzyon değerlendirmesini ve cerrahi rehberliği destekleyebilir. Gerçek zamanlı laparoskopik hiper-spektral görüntüleme üzerine yapılan araştırmalar, işaretleyicisiz intraoperatif görselleştirmeye yönelik ilerlemeyi göstermektedir. (nature.com)
• Anomali Tespiti: NASA'nın EMIT ve AVIRIS-3 metan gözlemlerinde gösterildiği gibi, çevresel sistemler nadir mineral imzalarını, kirliliği veya sera gazı dumanlarını bulabilir. (svs.gsfc.nasa.gov)

Link to this sectionGüncel En İyi Uygulamalar ve Gelişmeler#

Dalga boyu meta verilerini, kalibrasyon hedeflerini, sensör ayarlarını ve tam hassasiyetli ölçümleri koru; veri sızıntısını önlemek için veri setlerini rastgele değil, uzamsal olarak böl; ve mevsimler ve sensörler arasında doğrula. İş akışları ayrıca NASA HLS işleme algoritmalarına benzer şekilde yansıma düzeltmesi, bulut maskeleme, coğrafi konum belirleme ve bant geçiren filtre uyumlaştırması uygulamalıdır. (hls.gsfc.nasa.gov)

Yakın tarihli araştırmalar, uyarlanabilir spektral temel modellere doğru ilerliyor. HyperFree değişen kanal konfigürasyonlarını ele alırken, genel amaçlı bir spektral temel model yakın ve uzaktan algılama arasında transferi keşfediyor. ESA'nın Copernicus CHIME görevi gibi gelecekteki sistemler, standartlaştırılmış, büyük ölçekli hiper-spektral gözlemlere yönelik artan ilgiyi yansıtmaktadır. (arxiv.org)

Tespit prototipleri için seçilen HSI bantları, çok kanallı TIFF dosyaları olarak depolanabilir. Aşağıdaki çalıştırılabilir örnek, COCO8-Multispectral veri seti ve YOLO26 kullanarak bu iş akışını test eder:

from ultralytics import YOLO

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

Bu veri seti 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 göreve uygun bantları seçmelidir. Ekipler; açıklama, deneyler, eğitim ve dağıtım süreçlerini Ultralytics Platform üzerinden yönetebilir.