Hyperspectral Imaging

Ảnh phổ siêu phổ (HSI) kết hợp computer vision và quang phổ học để đo đạc một khung cảnh qua nhiều dải bước sóng hẹp. Thay vì chỉ lưu các giá trị đỏ, lục và lam, mỗi pixel chứa một quang phổ chi tiết có thể tiết lộ các đặc tính vật liệu, hóa học hoặc sinh học mà camera thông thường không thể thấy được. Điều này làm cho HSI trở nên có giá trị đối với các hệ thống machine learning cần nhận diện chất, đánh giá trạng thái hoặc phát hiện các bất thường tinh tế. Một 2026 hyperspectral imaging primer toàn diện mô tả HSI như một phương pháp cảm biến không xâm lấn, không cần nhãn, trong khi NASA hyperspectral data cube overview minh họa cách các phép đo không gian và phổ tạo thành một khối dữ liệu ba chiều. (nature.com)

Cách hoạt động của hình ảnh siêu phổ#

Một camera siêu phổ đo năng lượng phản xạ hoặc phát xạ qua hàng chục đến hàng trăm dải bước sóng liền kề. Theo USGS overview of hyperspectral remote sensing, quá trình lấy mẫu liên tục này cho phép mỗi pixel cung cấp một quang phổ phản xạ. Các chữ ký phổ này giúp phân biệt các vật liệu có vẻ giống hệt nhau trong ảnh RGB; ví dụ, EMIT imaging spectrometer của NASA xác định các khoáng chất và khí quyển thông qua các đặc điểm hấp thụ đặc trưng. (usgs.gov)

Một quy trình AI điển hình bao gồm:

1. Hiệu chuẩn cảm biến và data preprocessing để hiệu chỉnh nhiễu, độ chiếu sáng, hiệu ứng khí quyển và các dải không sử dụng được.
2. Lựa chọn dải hoặc principal component analysis để giảm hàng trăm kênh có mối 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 mô hình có thể xử lý quang phổ với mạng 1D, các bản vá không gian với mạng 2D, hoặc các thể tích không gian-phổ kết hợp sử dụng các phép toán như PyTorch 3D convolution.

Hình ảnh siêu phổ so với các loại hình ảnh liên quan#

Khác với ảnh RGB sử dụng ba dải rộng có thể nhìn thấy được, ảnh đa phổ thường chụp một tập hợp hạn chế các dải rời rạc. HSI thường ghi lại nhiều dải hẹp và sát nhau hơn, cung cấp độ chi tiết phổ lớn hơn nhưng tạo ra tập dữ liệu lớn hơn và nhiều nhiễu hơn. USGS guide to spectral resolution giải thích sự đánh đổi giữa chi tiết phổ và chất lượng tín hiệu này. Ảnh siêu phổ cũng là một phương pháp cảm biến, trong khi satellite image analysis mô tả cách giải thích hình ảnh quỹ đạo, và sensor fusion kết hợp HSI với dữ liệu RGB, nhiệt, LiDAR hoặc radar.

Các ứng dụng AI trong thực tế#

• Precision Agriculture: Các mô hình phát hiện bệnh cây trồng, căng thẳng dinh dưỡng, cỏ dại và thiếu nước trước khi các triệu chứng trở nên rõ ràng về mặt trực quan. 2024 review of deep learning for agricultural HSI làm nổi bật các CNN, transformer, học chuyển giao và học ít mẫu cho dữ liệu có nhãn hạn chế. (sciencedirect.com)
• Industrial Inspection: Các hệ thống sản xuất xác định chất gây ô nhiễm, độ ẩm, thành phần hóa học hoặc vật liệu bị lỗi. 2024 food-safety study đã kết hợp HSI và ML để ước tính nitrit dư trong thịt chế biến mà không cần kiểm tra phá hủy. (mdpi.com)
• Medical Image Analysis: Các mẫu quang phổ có thể hỗ trợ phân loại mô, đánh giá tưới máu và hướng dẫn phẫu thuật. Nghiên cứu về real-time laparoscopic hyperspectral imaging chứng minh tiến bộ hướng tới trực quan hóa trong phẫu thuật không cần đánh dấu. (nature.com)
• Anomaly Detection: Các hệ thống môi trường có thể định vị các dấu hiệu khoáng sản quý hiếm, ô nhiễm hoặc các đám mây khí nhà kính, như được minh họa bởi NASA's EMIT and AVIRIS-3 methane observations. (svs.gsfc.nasa.gov)

Các phương pháp hay nhất và sự phát triển hiện nay#

Bảo tồn siêu dữ liệu bước sóng, mục tiêu hiệu chuẩn, cài đặt cảm biến và các phép đo độ chính xác toàn phần; chia tách tập dữ liệu theo không gian thay vì ngẫu nhiên để ngăn ngừa data leakage; và xác thực qua các mùa và cảm biến. Các quy trình cũng nên áp dụng hiệu chỉnh phản xạ, che mây, định vị địa lý và hài hòa băng thông tương tự như NASA HLS processing algorithms. (hls.gsfc.nasa.gov)

Nghiên cứu gần đây đang hướng tới các mô hình nền tảng phổ thích ứng. HyperFree giải quyết các cấu hình kênh khác nhau, trong khi general-purpose spectral foundation model khám phá khả năng chuyển giao giữa cảm biến gần và từ xa. Các hệ thống tương lai như Copernicus CHIME mission của ESA phản ánh sự quan tâm ngày càng tăng đối với các quan sát siêu phổ quy mô lớn, được 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 có thể chạy sau đây kiểm tra quy trình này bằng cách sử dụng COCO8-Multispectral dataset 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 hiển thị và dành cho việc kiểm thử pipeline, không phải quang phổ học khoa học. Các dự án HSI thực tế nên giữ lại các khối nguồn đã được hiệu chuẩn và chọn các dải có liên quan đến tác vụ trước khi huấn luyện. Các nhóm có thể quản lý việc gán nhãn, thử nghiệm, huấn luyện và triển khai thông qua Ultralytics Platform.