-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
2026-09-04
İlk olarak 1980'lerin ortasında uzaktan algılama için kullanılan hiperspektral görüntüleme, son yirmi yılda, özellikle tarım ve gıda biliminde, incelenen nesnelerin görsel ve kimyasal özelliklerine ilişkin ek veriler toplamak için kullanıldığı çok sayıda araştırma alanına genişledi. Hiperspektral görüntüleme, geleneksel görüntülemeyi kızılötesi spektroskopi, Raman spektroskopisi ve floresans gibi spektral teknolojilerle birleştirerek hiperküp adı verilen ve iki boyutlu dijital görüntüleme ile verilerin spektral boyutunu birleştiren üç boyutlu bir veri yapısı oluşturur. Her piksel, temsil ettiği bölgenin optik özelliklerini yansıtan bir spektrumla ilişkilidir; Her ne kadar komşu piksellerden etkilense de spektrum, maddeleri tanımlamak için benzersiz bir özellik olarak hizmet edebilir. Meyve, sebze ve mantarların kalite değerlendirmesi alanında hiperspektral görüntüleme, veri kullanılabilirliği ve model güvenilirliği gibi zorluklarla karşı karşıyadır. Mevcut araştırmalar çoğunlukla pratik uygulamalarda eksiktir ve tahribatsız kalite değerlendirmesine ulaşmak, gıda israfını azaltmak ve gıda güvenliğini sağlamak için araştırma parametrelerinin tekrarlanabilirliğine ve endüstriyel parametrelere dönüştürülmesine dikkat edilmesi gerekmektedir.
Yapay zeka ve hiperspektral görüntülemenin entegrasyonu kritik öneme sahiptir. Başta makine öğrenimi ve derin öğrenme teknikleri olmak üzere yapay zeka algoritmaları, yüksek boyutlu ve büyük ölçekli hiperspektral görüntüleme verilerini verimli bir şekilde işleyerek doğru özellik çıkarımı ve sınıflandırma olanağı sağlar. Büyük veri setlerinin işlenmesinde, gürültünün giderilmesinde, gerçek zamanlı analizde ve görev doğruluğunun geliştirilmesinde olağanüstü performans sergilerler; bu da onları tarım ve uzaktan algılama gibi hiperspektral verilere bağımlı uygulamalar için paha biçilmez kılar. Yapay zeka teknolojisi ilerledikçe, hiperspektral görüntülemeyle entegrasyonu daha da sıkılaşacak, gerçek zamanlı işleme gerçekleştirilecek ve yeni teknolojilerle bir araya getirilmesi, uygulama kapsamını genişletecek ve endüstride yenilikçiliği teşvik edecek. Veri ve bilgi işlemle ilgili zorluklara rağmen görünüm iyimser olmaya devam ediyor. Bu incelemede yapay zekanın hiperspektral görüntülemenin uygulanmasındaki kilit rolü, mevcut sorunlar ve gelecekteki gelişim beklentileri ayrıntılı olarak tartışılacaktır.
Hiperspektral görüntülemenin mekanizması ve ilgili problemler
Hiperspektral görüntüleme, spektral bilgiyi yakalayıp işleyerek çalışır ve yalnızca birkaç spektral bantta veri toplayan geleneksel görüntülemenin sınırlamalarının üstesinden gelir. Süreç hedef sahnenin bir ışık kaynağı ile aydınlatılmasıyla başlar. Işık bir sahnedeki malzemelerle etkileşime girdikten sonra, prizma veya kırınım ızgarası gibi optik elemanları kullanan bir hiperspektral sensör, toplanan ışığı farklı dalga boylarına ayrıştırır, ardından sensör dizisi her dalga boyundaki ışık yoğunluğunu kaydeder, böylece iki uzaysal boyutu ve bir spektral boyutu kapsayan, zengin spektral bilgiye sahip bir hiperspektral veri küpü oluşturur. Veri toplama yöntemleri arasında nokta tarama, çizgi tarama, spektral tarama ve anlık görüntü kameraları yer alır. Veri toplamanın ardından sensör tepkisini, aydınlatmayı ve atmosferik etkileri düzeltmek için kalibrasyon yapılması gerekir; ardından spektral ayrıştırma, sınıflandırma, özellik çıkarma ve boyutsallık azaltma gibi gelişmiş veri işleme teknikleri gelir.
Hiperspektral görüntüleme verileri, yüksek boyutluluk ve karmaşıklık ile karakterize edilir: her piksel yüzlerce spektral bant içerir, bu da büyük veri kümelerine, yüksek hesaplama ve depolama gereksinimlerine ve veri fazlalığı sorununa neden olur. Aynı zamanda veriler gürültü girişimine tabidir ve çevresel koşullara duyarlıdır; bu da gürültü azaltma, atmosferik düzeltme ve kalibrasyon gibi karmaşık ön işleme tekniklerini gerektirir. Yapay zeka bu sorunları çözebilir: Makine öğrenimi ve derin öğrenme teknolojileri karmaşık verileri işlemede mükemmeldir, spektral özellikleri otomatik olarak öğrenebilir, manuel özellik oluşturma miktarını azaltabilir ve çok boyutlu veri işleme, gürültü giderme, gerçek zamanlı analiz ve görev doğruluğunu iyileştirmede önemli avantajlara sahiptir ve hiperspektral veri analizinde önemli bir rol oynar.
Şekil 1. Hiperspektral görüntüleme sisteminin ana bileşenlerinin şeması
Hiperspektral Görüntüleme Türleri
Nokta tarama: her seferinde bir piksel yakalanır, kamera örneği tararken kademeli olarak bir görüntü oluşturur, her piksel tam spektral bilgi içerir, spektral çözünürlük yüksektir, ancak görüntü edinimi uzun zaman alır, bu da hızlı veri toplama senaryoları için uygun değildir; Tipik olarak laboratuvar spektral analizi için kullanılır.
Hat Taraması: Endüstriyel kalite kontrol ve izlemede yaygın olarak kullanılan sürekli bir spektrumun satır satır ölçümü. Spektrometre giriş yarığından kaynaklanan ışık kaybına rağmen hız ve spektral çözünürlük arasında gerçek zamanlı izleme ve analize uygun bir denge sağlanır.
Fourier dönüşümü spektroskopisi: sürekli bir spektrumu ölçebilir, monokromatik bir görüntü sensörünü ve bir interferometreyi birleştirir, ışık çıkışı itme-çekme tarama sistemlerinden daha yüksektir, spektral veri toplamanın verimliliği ve doğruluğu yüksektir, yüksek hassasiyet ve doğruluk gereksinimleri olan uygulamalar için uygundur, geniş bir dalga boyu aralığında çalışabilme yeteneğine sahiptir, kimyasal analiz gibi alanlarda yaygın olarak kullanılır.
Spektral tarama: belirli dalga boylarındaki tüm mekansal bilgileri toplamanıza olanak tanır, işlem her dalga boyu için sırayla gerçekleştirilir. Tek bir görüntünün toplanması nispeten hızlı olmasına rağmen, dalga boylarını değiştirme ihtiyacı nedeniyle genel süreç yavaşlar. Floresan mikroskobu gibi belirli dalga boylarında yüksek uzaysal çözünürlük gerektiren uygulamalarda önemli bir rol oynar ve ayrıca belirli ilgi alanlarına odaklanmak için optimize edilebilir.
Hiperspektral Anlık Görüntü Kameraları: Hiperspektral video çekebilme özelliğine sahip, hareketli nesnelerin yakalanmasına uygun, veri toplama işlemi hızlı ve verimlidir ancak spektral ve uzaysal çözünürlük diğer teknolojilere göre sınırlıdır. Tıbbi teşhis gibi gerçek zamanlı hiperspektral görüntülemede önemli uygulamalara sahiptirler.
Yüksek çözünürlüklü hiperspektral görüntüleme, karmaşık hedeflerdeki spektral değişiklikleri tespit etmek için kritik öneme sahiptir, ancak mevcut yüksek çözünürlüklü ekipmanın yüksek maliyeti, uygulanmasını ve yayılmasını sınırlamaktadır. Stewart ve diğer araştırmacılar tarafından geliştirilen düşük maliyetli cihaz, bu sorunun çözümünde yeni bir yol açıyor ve mineralojik çevre izlemede iyi performans gösteriyor.
Tablo 1. Hiperspektral görüntülemede kullanılan tarama yöntemlerinin özellikleri.
Yapay zeka ve hiperspektral görüntüleme arasındaki sinerjik etkileşim
Hiperspektral görüntüleme yüzlerce spektral bant içerir, veriler yüksek boyutludur ve geleneksel analiz yöntemlerinin başa çıkmakta zorlandığı artıklık, gürültü ve "boyutsallık laneti" sorunları vardır. Yapay zeka algoritmaları, özellikle makine öğrenmesi ve derin öğrenme modelleri bu sorunları etkili bir şekilde çözebilmektedir.
Denetimli öğrenme algoritmaları, sınıflandırma veya analiz modellerini eğitmek için etiketli verileri kullanır; örneğin, destek vektör makineleri, yüksek boyutlu verileri ve küçük eğitim setlerini sınıflandırmak için uygundur; rastgele ormanlar oldukça sağlamdır ve gürültülü verileri işleyebilir; k-en yakın komşular yöntemi, piksel spektrumunun etiketli verilere yakınlığına dayalı olarak sınıflandırmayı gerçekleştirir; çok katmanlı algılayıcılar gibi sinir ağları piksel piksel sınıflandırma için kullanılabilir.
Denetimsiz öğrenme algoritmaları, k-ortalama kümeleme, temel bileşen analizi ve diğerleri gibi önceden tanımlanmış etiketler olmadan verilerdeki gizli kalıpları keşfetme yeteneğine sahiptir; Sinir ağları arasındaki evrişimli sinir ağları ve tekrarlayan sinir ağları, karmaşık verilerin temsillerini öğrenebilir; Takviyeli öğrenme algoritmaları dinamik ortamlar için uygundur; kör kaynak ayrımı için bağımsız bileşen analizi kullanılır; Otomatik kodlayıcılar, denetimsiz özellik çıkarma ve boyutluluk azaltma için kullanılır. Sınıflandırma performansını artırmak için çeşitli teknolojileri entegre eden DiffSpectralNet gibi yeni yöntemler de vardır.
Derin öğrenme teknolojileri, özellikleri otomatik olarak öğrenmek için derin sinir ağlarını kullanır ve manuel özellik oluşturma ihtiyacını ortadan kaldırır. Üretken rakip ağlar, veri artırma ve diğer amaçlar için kullanılabilir. Evrişimli sinir ağlarında, evrişimli katmanlar, yerel alıcı alanların bağlantıları aracılığıyla özellikleri çıkarır ve havuz katmanları gibi teknolojilerle birleştirildiğinde, karmaşık yüksek boyutlu verileri işlerken olağanüstü sonuçlar ortaya koyarak modelin genelleştirme yeteneğini geliştirir.
Spektral ayrıştırma sıklıkla negatif olmayan matris çarpanlarına ayırma ve seyrek kodlama tekniklerini kullanır. Uzamsal ve spektral bilgileri birleştiren hibrit modeller, uzamsal-spektral evrişimli sinir ağları ve grafik evrişimli ağlar gibi sınıflandırma gibi görevlerdeki performansı artırır. Doğal dil işleme algoritmaları aynı zamanda yapay zekanın dili anlamasına ve üretmesine yardımcı olarak birçok alanda akıllı görevlerin geliştirilmesini kolaylaştırır.
Pratik uygulamalarda yapay zekayla geliştirilmiş hiperspektral kameralar, sinyal işleme hızını ve gürültü bağışıklığını iyileştirerek doğru spektral yeniden yapılandırma sağlayabilir. Yapay zeka destekli süper çözünürlüklü algoritmalar, görüntülerin uzamsal çözünürlüğünü geliştirerek hassas haritalama ve algılamayı kolaylaştırabilir. Sınıflandırma görevlerinde, makine öğrenimi ve derin öğrenme teknolojileri, çok boyutlu spektral verileri işleyerek malzemelerin veya nesnelerin sınıflandırılmasını uygulayabilir. Yapay zeka algoritmaları, gürültüyü gidermede önemli bilgileri tutabilir, görüntü yeniden oluşturmada eksik parçaları doldurabilir ve çeşitli alanlarda önemli bir rol oynayarak nesne algılama ve görüntü bölümlemede doğruluğu artırmak için spektral bilgileri kullanabilir.
Şekil 3. a) Derin öğrenmeye dayalı hiperspektral rastgele geniş bant kodlamalı bir kameranın basitleştirilmiş diyagramı: kamera, spektral kodlamanın konumuna bağlı olarak aktif modda (üstte) veya pasif modda (altta) çalışır. b) Derin sinir ağı tabanlı spektral yeniden yapılanmaya genel bakış: Derin bir sinir ağı, yeniden yapılandırılmış bir 3D hiperspektral veri küpü oluşturmak için ham monokromatik kamera verilerini işler. c, d) Dar bantlı bir lazer ışınının spektral profilleri: c durumunda, derin sinir ağı "doğru" veriler üzerinde eğitilir ve d durumunda "genel" veriler üzerinde eğitilir. e) 598,0 nm ve 603,2 nm dalga boylarındaki iki tepe noktasının spektral profilleri, tepe noktaları arasındaki mesafe siyah renkle gösterilmiştir.
Tablo 2. Yapay zeka ve hiperspektral görüntüleme etkileşiminde kullanılan çeşitli algoritmaların özellikleri.
Tarımda yapay zeka ve hiperspektral görüntülemenin sinerjik etkileşiminin uygulanması
Mahsul büyümesinin izlenmesi: Yapay zeka ve hiperspektral görüntüleme kullanılarak, farklı büyüme aşamalarındaki mahsullerin hiperspektral görüntüleri doğru bir şekilde analiz edilebilir. Mahsullerin spektral özelliklerindeki ince değişikliklerin farkına varılarak, bunların sağlık durumları, örneğin zararlılardan ve hastalıklardan etkilenip etkilenmediği, besin eksiklikleri olup olmadığı vb. belirlenir. Örneğin derin öğrenme modelleri, hiperspektral görüntülerdeki mahsul yapraklarının spektral yansımasını analiz edebilir, sağlıklı ve hastalıklı yapraklar arasında ayrım yapabilir, çiftçilerin mahsul verimini ve kalitesini iyileştirmek için proaktif önleyici ve kontrol tedbirleri almasına yardımcı olabilir.
Tarım ürünlerinin kalitesinin değerlendirilmesi: Meyve, sebze ve diğer tarım ürünlerinin tahribatsız muayenesi yapılır. Yapay zeka algoritmaları ile birleştirilmiş benzersiz spektral parmak izlerine dayanarak tarım ürünlerinin olgunluğu, tatlılığı ve iç kalitesi gibi göstergeler doğru bir şekilde belirlenmekte, bu da tarım ürünlerinin sınıflandırılmasını, seçilmesini ve doğru şekilde pazarlanmasını kolaylaştırmaktadır.
Şekil 4. Gıda kalitesi analizinde kullanılan yapay zeka ve hiperspektral görüntüleme
Uzaktan algılama alanı
Arazi örtüsü sınıflandırması ve izlenmesi: Dünya yüzeyindeki geniş alanların hiperspektral görüntülenmesi mümkündür. Yapay zeka algoritmaları, ormanlar, çayırlar, ekili alanlar, su kütleleri, kentsel yapılar vb. gibi farklı arazi örtüsü türlerini doğru bir şekilde ayırt etmek için verileri işler ve kentsel genişleme, ormansızlaşma ve sulak alan azalması gibi arazi kullanımı değişikliklerinin gerçek zamanlı izlenmesine olanak tanıyarak arazi yönetimi ve çevre koruması için güvenilir bilgi desteği sağlar.
Maden kaynağı keşfi: Farklı mineraller spesifik spektral soğurma ve yansıtma özelliklerine sahip olduğundan, yapay zeka ve hiperspektral görüntüleme teknolojisinin birleşimi, uzaktan algılama görüntülerindeki potansiyel mineral dağıtım bölgelerini tanımlayarak arama verimliliğini artırabilir ve arama maliyetlerini azaltabilir.
Çevresel izlemenin kapsamı
Su kirliliği izleme: Yapay zeka, su kütlelerinin hiperspektral verilerini analiz ederek sudaki kirletici maddelerin türlerini ve konsantrasyonlarını belirleyebilir; örneğin sudaki ağır metal içeriğinin belirlenmiş standartları aşıp aşmadığını, organik kirleticilerin varlığını vb. tanıyarak su ortamının kalitesinin dinamik olarak izlenmesini sağlar.
Şekil 5. Çeşitli su yüzeylerinden büyük plastikleri veya mikroplastikleri toplamak için bir ağ ile donatılabilen, robotik denizanası adı verilen insansız hava aracına monte edilen uzaktan hiperspektral görüntüleme sistemi.
Atmosfer Kompozisyon Analizi: Hiperspektral görüntüleme, atmosferdeki çeşitli gaz moleküllerinin spektral imzalarını yakalar ve hava kirliliğiyle mücadeleye ve iklim değişikliği araştırmalarına yardımcı olan sera gazlarının, kirleticilerin ve atmosferdeki diğer bileşenlerin içeriğini ve dağılımını belirlemek için yapay zeka algoritmaları uygular.
Tıp alanı
Hastalık teşhisi: Örneğin, cilt hastalığı teşhisi alanında, derinin etkilenen bölgelerinin spektral görüntülerini elde etmek için hiperspektral görüntüleme kullanılır, yapay zeka modelleri bu görüntüleri analiz eder, doktorların lezyonun tipini ve ciddiyetini belirlemesine yardımcı olur ve böylece tanının doğruluğu ve verimliliği artar.
Şekil 9. Dinlenme halindeki sağlıklı bir yetişkinin periferik hemodinamik diyagramı; oksihemoglobin, hemoglobin ve kandaki oksijen doygunluğunu gösterir.
Histopatolojik analiz: Yapay zeka algoritmalarına dayalı olarak patolojik bölümlerin hiperspektral görüntülemesi gerçekleştirilir, bunların içine gömülü olan spektral bilgiler çıkarılır, bu da kanser hücreleri ve etkilenen dokular gibi mikroyapısal özelliklerin tanınmasına yardımcı olur ve hastalıkların kesin tedavisi için bir referans temeli sağlar.
Sanayi bölgesi
Ürün kalite kontrolü: İmalat sektöründe üretim hattındaki ürünlerin hiperspektral görüntülemesi gerçekleştirilmekte, yapay zeka algoritmaları ürün yüzey kusurlarını, iç yapısal kusurlarını ve diğer kalite sorunlarını hızlı bir şekilde tespit ederek otomatik ve yüksek doğrulukta kalite kontrolü sağlamaktadır.
Malzeme tanımlama ve analizi: Çeşitli endüstriyel malzemeler için yapay zeka ile birleştirilmiş hiperspektral görüntüleme, malzemelerin türünü ve bileşimini hızlı ve doğru bir şekilde belirlemenize ve ayrıca bunların özelliklerinin belirlenmiş gereksinimlere uygunluğunu değerlendirmenize olanak tanır; bu da hammadde seçimini ve ürün kalite kontrolünü kolaylaştırır.
Yapay zeka ve hiperspektral görüntülemenin sinerjik etkileşimi, veri işleme ve malzeme tanımlama teknolojilerinde önemli ilerlemeleri temsil etmektedir. Teknolojiler sürekli geliştikçe, bunların kesişimleri daha fazla yeniliği teşvik etme, araştırma ve pratik senaryolardaki uygulama kapsamlarını sürekli genişletme potansiyeline sahiptir. Bu sinerjik etkileşimin geleceği, birçok sektörde devrim yaratma, mevcut teknolojilerin sınırlarını zorlama, geleneksel yöntemlerle ulaşılamayan doğru, verimli ve çok yönlü çözümler sağlama ve çeşitli endüstriler için tamamen yeni gelişim ve dönüşüm fırsatları açma potansiyeline sahiptir.
