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 工作流程。
高光谱成像 (HSI) 将 计算机视觉 与光谱学相结合，用于测量场景中许多窄波段的光。每个像素点不再仅存储红、绿、蓝颜色值，而是包含详细的光谱信息，可以揭示传统相机无法看到的材料、化学或生物特性。这使得 HSI 对于需要识别物质、评估状况或检测细微异常的 机器学习 系统极具价值。一份详尽的 2026 年高光谱成像入门指南 将 HSI 描述为一种非侵入式的无标签传感方法，而 NASA 高光谱数据立方体概览 则展示了空间和光谱测量如何构成三维数据立方体。(nature.com)
Link to this section高光谱成像的工作原理#
高光谱相机测量数十到数百个相邻波段的反射或发射能量。根据 USGS 高光谱遥感概览，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)
一个典型的 AI 流水线包括：
- 传感器校准和 数据预处理，用于修正噪声、光照、大气影响和不可用的波段。
- 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、获取日期和传感器上进行验证，以测量现实世界中的泛化能力。
模型可以使用 1D 网络处理光谱、使用 2D 网络处理空间斑块，或者使用诸如 PyTorch 3D 卷积 之类的操作处理联合空间-光谱体。
Link to this section高光谱与其他成像技术的对比#
与使用三个宽可见光波段的 RGB 成像不同，多光谱成像通常捕获有限的一组离散波段。HSI 通常记录更多狭窄且间隔紧密的波段，在提供更多光谱细节的同时会产生更大、噪声更多的数据集。这份 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。高光谱成像也是一种传感方法，而 卫星图像分析 描述了如何解读轨道影像，传感器融合 则将 HSI 与 RGB、热成像、LiDAR 或雷达数据相结合。
Link to this section现实世界的 AI 应用#
- 精准农业： 模型在症状变得肉眼可见之前检测作物病害、营养胁迫、杂草和缺水情况。一份 2024 年农业 HSI 深度学习综述 强调了 CNN、Transformer、迁移学习和小样本学习在有限标注数据中的应用。(sciencedirect.com)
- 工业检测： 生产系统可识别污染物、水分、化学成分或缺陷材料。一项 2024 年食品安全研究 将 HSI 和 ML 相结合，在无需破坏性测试的情况下估算加工肉类中的残留亚硝酸盐。(mdpi.com)
- 医学图像分析： 光谱模式可支持组织分类、灌注评估和手术指导。关于 实时腹腔镜高光谱成像 的研究证明了在实现无标记术中可视化方面取得的进展。(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，如 NASA 的 EMIT 和 AVIRIS-3 甲烷观测 所展示的那样。(svs.gsfc.nasa.gov)
Link to this section当前的最佳实践与发展#
保留波长元数据、校准目标、传感器设置和全精度测量；在空间上而非随机地分割数据集以防止 数据泄露；并跨季节和传感器进行验证。工作流还应应用反射率校正、云掩模、地理定位和波段和谐化，类似于 NASA HLS 处理算法。(hls.gsfc.nasa.gov)
近期的研究正转向适应性光谱基础模型。HyperFree 旨在解决不同的通道配置问题，而一个 通用光谱基础模型 则探索了近地和遥感之间的迁移学习。像 ESA 的 哥白尼 CHIME 任务 等未来系统反映了人们对标准化、大规模高光谱观测日益增长的兴趣。(arxiv.org)
对于检测原型，选定的 HSI 波段可以存储为多通道 TIFF 文件。以下可运行示例使用 COCO8-Multispectral 数据集 和 YOLO26 测试此工作流：
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8-multispectral.yaml", epochs=10, imgsz=640)此数据集模拟了十个可见光通道，旨在用于流水线测试，而非科学光谱分析。真实的高光谱项目应保留校准后的原始立方体，并在训练前选择任务相关的波段。团队可以通过 Ultralytics Platform 管理标注、实验、训练和部署。
