Hyperspectral Imaging

Hình ảnh siêu phổ (HSI) kết hợp computer vision và quang phổ học để đo lường một cảnh vật thông qua nhiều dải bước sóng hẹp. Thay vì chỉ lưu trữ các giá trị đỏ, xanh lá và xanh dương, mỗi pixel chứa một quang phổ chi tiết có thể tiết lộ các đặc tính vật chất, hóa học hoặc sinh học mà các camera thông thường không thể nhìn thấy. Điều này làm cho HSI trở nên có giá trị đối với các hệ thống machine learning cần nhận diện chất, đánh giá tình trạng hoặc phát hiện các điểm bất thường tinh vi. Một tài liệu hướng dẫn cơ bản về hình ảnh siêu phổ 2026 toàn diện mô tả HSI như một phương pháp cảm biến không xâm lấn, không cần nhãn, trong khi tổng quan về khối dữ liệu siêu phổ của NASA minh họa cách các phép đo không gian và quang phổ tạo thành một khối dữ liệu ba chiều. (nature.com)

Link to this sectionCách hoạt động của hình ảnh siêu phổ#

Một camera siêu phổ đo năng lượng phản xạ hoặc phát ra trên hàng chục đến hàng trăm dải bước sóng liền kề. Theo tổng quan của USGS về cảm biến từ xa siêu phổ, việc lấy mẫu liên tục này cho phép mỗi pixel cung cấp một phổ phản xạ. Những dấu hiệu quang phổ này giúp phân biệt các vật liệu trông giống hệt nhau trong hình ảnh RGB; ví dụ, máy quang phổ hình ảnh EMIT của NASA xác định các khoáng chất và khí quyển thông qua các mô hình hấp thụ đặc trưng. (usgs.gov)

Một quy trình AI điển hình bao gồm:

1. Hiệu chuẩn cảm biến và tiền xử lý dữ liệu để sửa nhiễu, ánh sáng, hiệu ứng khí quyển và các dải không sử dụng được.
2. Lựa chọn dải hoặc phân tích thành phần chính để giảm bớt hàng trăm kênh có tương quan.
3. Phân loại, phát hiện đối tượng, phân đoạn, hồi quy, phát hiện bất thường hoặc tách hỗn hợp quang phổ.
4. Xác thực trên các vị trí, ngày thu thập và cảm biến khác nhau để đo lường khả năng tổng quát hóa trong thực tế.

Các model có thể xử lý quang phổ với các mạng 1D, các bản vá không gian với các mạng 2D hoặc các khối không gian-quang phổ kết hợp sử dụng các thao tác như PyTorch 3D convolution.

Link to this sectionHình ảnh siêu phổ so với các loại hình ảnh liên quan#

Không giống như hình ảnh RGB sử dụng ba dải nhìn thấy được rộng, hình ảnh đa phổ thường chỉ thu thập một tập hợp hạn chế các dải rời rạc. HSI thường ghi lại nhiều dải hẹp và sát nhau hơn, cung cấp chi tiết quang phổ lớn hơn nhưng tạo ra các tập dữ liệu lớn và nhiễu hơn. Hướng dẫn về độ phân giải quang phổ của USGS giải thích sự đánh đổi giữa chi tiết quang phổ và chất lượng tín hiệu. Hình ảnh siêu phổ cũng là một phương pháp cảm biến, trong khi phân tích hình ảnh vệ tinh mô tả cách diễn giải hình ảnh quỹ đạo, và hợp nhất cảm biến kết hợp HSI với dữ liệu RGB, nhiệt, LiDAR hoặc radar.

Link to this sectionCác ứng dụng AI trong thực tế#

• Nông nghiệp chính xác: Các model phát hiện bệnh cây trồng, căng thẳng dinh dưỡng, cỏ dại và thiếu nước trước khi các triệu chứng trở nên rõ ràng. Một bài đánh giá năm 2024 về deep learning cho HSI nông nghiệp nêu bật các CNN, transformer, transfer learning và few-shot learning cho các dữ liệu có nhãn hạn chế. (sciencedirect.com)
• Kiểm tra công nghiệp: Các hệ thống sản xuất xác định chất gây ô nhiễm, độ ẩm, thành phần hóa học hoặc vật liệu lỗi. Một nghiên cứu về an toàn thực phẩm năm 2024 đã kết hợp HSI và ML để ước tính lượng nitrit dư thừa trong thịt đã qua chế biến mà không cần kiểm tra phá hủy. (mdpi.com)
• Phân tích hình ảnh y tế: Các mô hình quang phổ có thể hỗ trợ phân loại mô, đánh giá tưới máu và hướng dẫn phẫu thuật. Nghiên cứu về hình ảnh siêu phổ nội soi thời gian thực cho thấy tiến bộ hướng tới hình ảnh hóa trong phẫu thuật không cần đánh dấu. (nature.com)
• Phát hiện bất thường: Các hệ thống môi trường có thể xác định các dấu hiệu khoáng chất hiếm, ô nhiễm hoặc các luồng khí nhà kính, như đã được chứng minh bởi các quan sát methane của EMIT và AVIRIS-3 của NASA. (svs.gsfc.nasa.gov)

Link to this sectionCác phương pháp hay nhất và sự phát triển hiện nay#

Bảo toàn siêu dữ liệu bước sóng, các mục tiêu hiệu chuẩn, cài đặt cảm biến và các phép đo độ chính xác đầy đủ; chia tập dữ liệu theo không gian thay vì ngẫu nhiên để ngăn ngừa rò rỉ dữ liệu; và xác thực qua các mùa và cảm biến. Các quy trình làm việc cũng nên áp dụng hiệu chỉnh phản xạ, che đám mây, định vị địa lý và hài hòa dải thông tương tự như các thuật toán xử lý HLS của NASA. (hls.gsfc.nasa.gov)

Nghiên cứu gần đây đang tiến tới các model nền tảng quang phổ thích ứng. HyperFree giải quyết các cấu hình kênh khác nhau, trong khi một model nền tảng quang phổ đa năng khám phá việc chuyển đổi giữa cảm biến gần và từ xa. Các hệ thống tương lai như nhiệm vụ Copernicus CHIME của ESA phản ánh sự quan tâm ngày càng tăng đối với các quan sát siêu phổ quy mô lớn, chuẩn hóa. (arxiv.org)

Đối với các nguyên mẫu phát hiện, các dải HSI được chọn có thể được lưu trữ dưới dạng tệp TIFF đa kênh. Ví dụ chạy thử sau đây kiểm tra quy trình này bằng tập dữ liệu COCO8-Multispectral và YOLO26:

from ultralytics import YOLO

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

Tập dữ liệu này mô phỏng mười kênh khả kiến và được thiết kế để thử nghiệm quy trình, không phải để nghiên cứu quang phổ học khoa học. Các dự án HSI thực tế nên giữ lại các khối dữ liệu nguồn đã hiệu chuẩn và chọn các dải liên quan đến tác vụ trước khi đào tạo. Các nhóm có thể quản lý chú thích, thí nghiệm, đào tạo và triển khai thông qua Ultralytics Platform.