Hyperspectral Imaging
探索高光谱成像（HSI）、光谱数据立方体、AI 应用，以及用于检测、分类、分割和异常检测的 YOLO26 工作流。
高光谱成像（HSI）结合计算机视觉和光谱学，用于测量场景在多个窄波段中的信息。与只存储红、绿、蓝值不同，每个像素都包含详细光谱，可揭示传统相机无法观察到的材料、化学或生物特性。这使 HSI 对必须识别物质、评估状态或检测细微异常的机器学习系统很有价值。一份全面的2026 年高光谱成像入门指南将 HSI 描述为一种无创、无需标记的感知方法，而NASA 高光谱数据立方体概述则说明了空间测量和光谱测量如何构成立体数据立方体。（nature.com）
高光谱成像的工作原理#
高光谱相机会测量数十至数百个相邻波段中的反射或发射能量。根据USGS 高光谱遥感概述，这种连续采样使每个像素都能提供反射光谱。这些光谱特征有助于区分在 RGB 图像中看起来完全相同的材料；例如，NASA 的EMIT 成像光谱仪通过特征吸收模式识别矿物和大气气体。（usgs.gov）
典型的 AI 流水线包括：
- 传感器校准和数据预处理，用于校正噪声、照明、大气影响和不可用波段。
- 波段选择或主成分分析，用于减少数百个相关通道。
- 分类、目标检测、分割、回归、异常检测或光谱解混。
- 在不同地点、采集日期和传感器上的验证，用于测量模型在真实世界中的泛化能力。
模型可以使用一维网络处理光谱，使用二维网络处理空间图像块，或使用包含PyTorch 3D 卷积等操作的联合空间-光谱体数据。
高光谱成像与相关成像技术的比较#
RGB 成像使用三个宽可见光波段，而多光谱成像通常采集一组数量有限的离散波段。HSI 通常会记录更多、更窄且间隔更近的波段，从而提供更丰富的光谱细节，但也会产生更大、噪声更多的数据集。USGS 光谱分辨率指南解释了光谱细节与信号质量之间的这种权衡。高光谱成像本身也是一种感知方法，而卫星图像分析描述的是如何解读轨道成像数据，传感器融合则将 HSI 与 RGB、热成像、LiDAR 或雷达数据结合起来。
真实世界中的 AI 应用#
- **精准农业：**模型可以在作物病害、营养胁迫、杂草和缺水症状变得明显之前检测到它们。一篇2024 年农业 HSI 深度学习综述重点介绍了 CNN、Transformer、迁移学习和小样本学习在有限标注数据上的应用。（sciencedirect.com）
- **工业检测：**生产系统可以识别污染物、水分、化学成分或缺陷材料。一项2024 年食品安全研究结合 HSI 和 ML，在不进行破坏性检测的情况下估算加工肉制品中的亚硝酸盐残留量。（mdpi.com）
- **医学图像分析：**光谱模式可以支持组织分类、灌注评估和手术引导。关于实时腹腔镜高光谱成像的研究展示了向无标记术中可视化发展的进展。（nature.com）
- **异常检测：**环境系统可以定位稀有矿物特征、污染或温室气体羽流，NASA 的 EMIT 和 AVIRIS-3 甲烷观测便展示了这一能力。（svs.gsfc.nasa.gov）
当前最佳实践与发展方向#
保留波长元数据、校准目标、传感器设置和全精度测量值；在空间上而不是随机地划分数据集，以防止数据泄漏；并跨季节和传感器进行验证。工作流还应应用反射率校正、云掩膜、地理定位和波段通带协调，这些处理类似于NASA HLS 处理算法。（hls.gsfc.nasa.gov）
近期研究正朝着可适应的光谱基础模型发展。HyperFree处理不同的通道配置，而一个通用光谱基础模型则探索在近端感知和遥感之间进行迁移。未来的系统，例如 ESA 的哥白尼 CHIME 任务，体现了人们对标准化、大规模高光谱观测日益增长的兴趣。（arxiv.org）
对于检测原型，可以将选定的 HSI 波段存储为多通道 TIFF 文件。以下可运行示例使用COCO8-Multispectral 数据集和YOLO26测试这一工作流：
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8-multispectral.yaml", epochs=10, imgsz=640)该数据集模拟十个可见光通道，用于流水线测试，而非科学光谱学研究。实际 HSI 项目应保留经过校准的源数据立方体，并在训练前选择与任务相关的波段。团队可以通过Ultralytics Platform管理标注、实验、训练和部署。
