-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
2026-09-04
Las imágenes hiperespectrales, utilizadas originalmente a mediados de la década de 1980 para la detección remota, se han expandido a numerosos campos de investigación en las últimas dos décadas, especialmente en la agricultura y las ciencias alimentarias, donde se utilizan para recopilar datos adicionales sobre las propiedades visuales y químicas de los objetos bajo estudio. Las imágenes hiperespectrales combinan imágenes tradicionales con tecnologías espectrales como la espectroscopia infrarroja, la espectroscopia Raman y la fluorescencia para formar una estructura de datos tridimensional llamada hipercubo, que integra imágenes digitales bidimensionales y la dimensión espectral de los datos. Cada píxel está asociado a un espectro que refleja las características ópticas de la región que representa; Aunque está influenciado por los píxeles vecinos, el espectro puede servir como característica única para identificar sustancias. En el campo de la evaluación de la calidad de frutas, verduras y setas, las imágenes hiperespectrales enfrentan desafíos como la disponibilidad de datos y la confiabilidad del modelo. La investigación existente carece en su mayor parte de aplicaciones prácticas, y es necesario prestar atención a la reproducibilidad y la traducción de los parámetros de investigación en parámetros industriales para lograr una evaluación de calidad no destructiva, reducir el desperdicio de alimentos y garantizar la seguridad alimentaria.
La integración de la inteligencia artificial y las imágenes hiperespectrales es fundamental. Los algoritmos de inteligencia artificial, principalmente técnicas de aprendizaje automático y aprendizaje profundo, son capaces de procesar de manera eficiente datos de imágenes hiperespectrales de alta dimensión y gran escala, proporcionando una extracción y clasificación precisas de características. Demuestran un rendimiento sobresaliente en el procesamiento de grandes conjuntos de datos, eliminación de ruido, análisis en tiempo real y mejora de la precisión de las tareas, lo que los hace invaluables para aplicaciones hiperespectrales que dependen de datos, como la agricultura y la teledetección. A medida que avance la tecnología de inteligencia artificial, su integración con las imágenes hiperespectrales será aún más estrecha, se realizará el procesamiento en tiempo real y la combinación con nuevas tecnologías ampliará el alcance de la aplicación y estimulará la innovación de la industria. A pesar de los desafíos asociados con los datos y la informática, las perspectivas siguen siendo optimistas. Esta revisión discutirá en detalle el papel clave de la inteligencia artificial en la aplicación de imágenes hiperespectrales, los problemas existentes y las perspectivas de desarrollo futuro.
El mecanismo de las imágenes hiperespectrales y problemas relacionados.
Las imágenes hiperespectrales funcionan capturando y procesando información espectral, superando las limitaciones de las imágenes tradicionales, que solo recopilan datos en unas pocas bandas espectrales. El proceso comienza iluminando la escena de destino con una fuente de luz. Después de que la luz interactúa con los materiales en una escena, un sensor hiperespectral, utilizando elementos ópticos como un prisma o una rejilla de difracción, descompone la luz recolectada en diferentes longitudes de onda, luego el conjunto de sensores registra la intensidad de la luz en cada longitud de onda, formando así un cubo de datos hiperespectrales con rica información espectral, que abarca dos dimensiones espaciales y una dimensión espectral. Los métodos de recopilación de datos incluyen escaneo de puntos, escaneo de líneas, escaneo espectral y cámaras de instantáneas. Después de la recopilación de datos, se requiere calibración para corregir la respuesta del sensor, la iluminación y los efectos atmosféricos, seguida de técnicas avanzadas de procesamiento de datos como descomposición espectral, clasificación, extracción de características y reducción de dimensionalidad.
Los datos de imágenes hiperespectrales se caracterizan por su alta dimensionalidad y complejidad: cada píxel contiene cientos de bandas espectrales, lo que genera enormes conjuntos de datos, altos requisitos computacionales y de almacenamiento, y el problema de la redundancia de datos. Al mismo tiempo, los datos están sujetos a interferencias de ruido y son sensibles a las condiciones ambientales, lo que requiere técnicas de preprocesamiento complejas, como reducción de ruido, corrección atmosférica y calibración. La inteligencia artificial puede resolver estos problemas: sus tecnologías de aprendizaje automático y aprendizaje profundo son excelentes para procesar datos complejos, pueden aprender automáticamente características espectrales, reducir la cantidad de construcción manual de características y tienen ventajas significativas en el procesamiento de datos multidimensionales, eliminación de ruido, análisis en tiempo real y mejora de la precisión de las tareas, desempeñando un papel importante en el análisis de datos hiperespectrales.
Figura 1. Diagrama de los componentes principales de un sistema de imágenes hiperespectrales.
Tipos de imágenes hiperespectrales
Escaneo puntual: se captura un píxel a la vez, la cámara construye gradualmente una imagen a medida que escanea la muestra, cada píxel contiene información espectral completa, la resolución espectral es alta, pero la adquisición de la imagen lleva mucho tiempo, lo que no es adecuado para escenarios de adquisición rápida de datos; Normalmente se utiliza para análisis espectrales de laboratorio.
Escaneo de línea: Medición línea por línea de un espectro continuo, ampliamente utilizado en control y monitoreo de calidad industrial. A pesar de la pérdida de luz debido a la rendija de entrada del espectrómetro, se logra un equilibrio entre velocidad y resolución espectral, que es adecuado para monitoreo y análisis en tiempo real.
Espectroscopia de transformada de Fourier: puede medir un espectro continuo, combina un sensor de imagen monocromático y un interferómetro, la salida de luz es mayor que la de los sistemas de escaneo push-pull, la eficiencia y precisión de la recopilación de datos espectrales es alta, adecuada para aplicaciones con alta sensibilidad y requisitos de precisión, capaz de operar en una amplia gama de longitudes de onda, ampliamente utilizado en áreas como el análisis químico.
Exploración espectral: permite recopilar toda la información espacial en determinadas longitudes de onda, el procesamiento se realiza de forma secuencial para cada longitud de onda. Aunque recopilar una sola imagen es relativamente rápido, el proceso general se ralentiza por la necesidad de cambiar de longitud de onda. Desempeña un papel importante en aplicaciones que requieren alta resolución espacial en longitudes de onda específicas, como la microscopía de fluorescencia, y también puede optimizarse para centrarse en áreas de interés específicas.
Cámaras de instantáneas hiperespectrales: capaces de capturar video hiperespectral, adecuadas para capturar objetos en movimiento, la recopilación de datos es rápida y eficiente, pero la resolución espectral y espacial es limitada en comparación con otras tecnologías. Tienen aplicaciones importantes en imágenes hiperespectrales en tiempo real, como el diagnóstico médico.
Las imágenes hiperespectrales de alta resolución son fundamentales para detectar cambios espectrales en objetivos complejos, pero el alto costo de los equipos de alta resolución existentes limita su aplicación y difusión. El dispositivo de bajo costo desarrollado por Stewart y otros investigadores abre una nueva vía para resolver este problema y muestra buenos resultados en el monitoreo ambiental mineralógico.
Tabla 1. Características de los métodos de escaneo utilizados en imágenes hiperespectrales.
Interacción sinérgica entre inteligencia artificial e imágenes hiperespectrales.
Las imágenes hiperespectrales contienen cientos de bandas espectrales, los datos son de alta dimensión y existen problemas de redundancia, ruido y la "maldición de la dimensionalidad" que los métodos de análisis tradicionales encuentran difíciles de afrontar. Los algoritmos de inteligencia artificial, especialmente los modelos de aprendizaje automático y aprendizaje profundo, pueden resolver estos problemas de forma eficaz.
Los algoritmos de aprendizaje supervisado utilizan datos etiquetados para entrenar modelos de clasificación o análisis; por ejemplo, las máquinas de vectores de soporte son adecuadas para clasificar datos de alta dimensión y conjuntos de entrenamiento pequeños; los bosques aleatorios son muy robustos y capaces de procesar datos ruidosos; el método de k vecinos más cercanos realiza una clasificación basada en la proximidad del espectro de píxeles a los datos etiquetados; Las redes neuronales, como los perceptrones multicapa, se pueden utilizar para la clasificación píxel por píxel.
Los algoritmos de aprendizaje no supervisados son capaces de descubrir patrones ocultos en datos sin etiquetas predefinidas, como agrupación de k-medias, análisis de componentes principales y otros; Las redes neuronales convolucionales y las redes neuronales recurrentes entre redes neuronales pueden aprender representaciones de datos complejos; Los algoritmos de aprendizaje por refuerzo son adecuados para entornos dinámicos; el análisis de componentes independientes se utiliza para la separación ciega de fuentes; Los codificadores automáticos se utilizan para la extracción de características y la reducción de dimensionalidad sin supervisión. También existen nuevos métodos, como DiffSpectralNet, que integran varias tecnologías para mejorar el rendimiento de la clasificación.
Las tecnologías de aprendizaje profundo utilizan redes neuronales profundas para aprender funciones automáticamente, evitando la construcción manual de funciones. Las redes generativas adversarias se pueden utilizar para el aumento de datos y otros fines. En las redes neuronales convolucionales, las capas convolucionales extraen características a través de conexiones de campos receptivos locales y, cuando se combinan con tecnologías como la agrupación de capas, mejoran la capacidad de generalización del modelo, lo que demuestra resultados sobresalientes al procesar datos complejos de alta dimensión.
La descomposición espectral a menudo utiliza factorización matricial no negativa y técnicas de codificación dispersa. Los modelos híbridos que combinan información espacial y espectral mejoran el rendimiento en tareas como la clasificación, como las redes neuronales convolucionales espacio-espectrales y las redes convolucionales de gráficos. Los algoritmos de procesamiento del lenguaje natural también ayudan a la inteligencia artificial a comprender y generar el lenguaje, facilitando el desarrollo de tareas inteligentes en muchos campos.
En aplicaciones prácticas, las cámaras hiperespectrales mejoradas con IA pueden mejorar la velocidad de procesamiento de señales y la inmunidad al ruido, proporcionando una reconstrucción espectral precisa. Los algoritmos de superresolución impulsados por IA pueden mejorar la resolución espacial de las imágenes, facilitando el mapeo y la detección precisos. En tareas de clasificación, las tecnologías de aprendizaje automático y aprendizaje profundo son capaces de procesar datos espectrales multidimensionales, implementando la clasificación de materiales u objetos. Los algoritmos de IA pueden retener información clave para eliminar ruido, completar partes faltantes en la reconstrucción de imágenes y utilizar información espectral para mejorar la precisión en la detección de objetos y la segmentación de imágenes, lo que desempeña un papel importante en varios campos.
Figura 3. a) Diagrama simplificado de una cámara hiperespectral de codificación aleatoria de banda ancha basada en aprendizaje profundo: la cámara opera en modo activo (arriba) o modo pasivo (abajo) dependiendo de la posición de la codificación espectral. b) Descripción general de la reconstrucción espectral basada en redes neuronales profundas: una red neuronal profunda procesa datos de cámaras monocromáticas sin procesar para generar un cubo de datos hiperespectrales 3D reconstruido. c, d) Perfiles espectrales de un rayo láser de banda estrecha: en el caso c, la red neuronal profunda se entrena con datos "precisos", y en el caso d, con datos "generales". e) Perfiles espectrales de dos picos en longitudes de onda de 598,0 nm y 603,2 nm, la distancia entre los picos se muestra en negro.
Tabla 2. Características de varios algoritmos utilizados en la interacción de inteligencia artificial e imágenes hiperespectrales.
Aplicación de la interacción sinérgica de inteligencia artificial e imágenes hiperespectrales en agricultura.
Monitoreo del crecimiento de los cultivos: utilizando inteligencia artificial e imágenes hiperespectrales, se pueden analizar con precisión imágenes hiperespectrales de cultivos en diferentes etapas de crecimiento. Al reconocer cambios sutiles en las características espectrales de los cultivos, se determina su estado de salud, por ejemplo, si han sido afectados por plagas y enfermedades, si existen deficiencias nutricionales, etc. Por ejemplo, los modelos de aprendizaje profundo pueden analizar la reflectancia espectral de las hojas de los cultivos en imágenes hiperespectrales, distinguiendo entre hojas sanas y enfermas, ayudando a los agricultores a tomar medidas preventivas y de control proactivas para mejorar el rendimiento y la calidad de los cultivos.
Evaluación de la calidad de los productos agrícolas: se realizan ensayos no destructivos de frutas, hortalizas y otros productos agrícolas. Sobre la base de sus huellas espectrales únicas, combinadas con algoritmos de inteligencia artificial, se determinan con precisión indicadores como la madurez, el dulzor y la calidad interna de los productos agrícolas, lo que facilita la clasificación, selección y comercialización precisa de los productos agrícolas.
Figura 4. Inteligencia artificial e imágenes hiperespectrales utilizadas para el análisis de la calidad de los alimentos
Área de teledetección
Clasificación y seguimiento de la cobertura terrestre: es posible obtener imágenes hiperespectrales de grandes áreas de la superficie terrestre. Los algoritmos de inteligencia artificial procesan los datos para distinguir con precisión entre diferentes tipos de cobertura terrestre, como bosques, pastizales, tierras de cultivo, masas de agua, estructuras urbanas, etc., y permiten el seguimiento en tiempo real de los cambios en el uso de la tierra, como la expansión urbana, la deforestación y la disminución de los humedales, proporcionando información confiable para la gestión de la tierra y la protección ambiental.
Exploración de recursos minerales: debido a que diferentes minerales tienen características específicas de absorción y reflectancia espectral, la combinación de inteligencia artificial y tecnología de imágenes hiperespectrales puede identificar zonas potenciales de distribución de minerales en imágenes de detección remota, lo que aumenta la eficiencia de la exploración y reduce los costos de exploración.
Alcance del monitoreo ambiental
Monitoreo de la contaminación del agua: Al analizar datos hiperespectrales de cuerpos de agua, la inteligencia artificial es capaz de determinar los tipos y concentraciones de contaminantes en el agua, por ejemplo, reconociendo si el contenido de metales pesados en el agua excede los estándares establecidos, la presencia de contaminantes orgánicos, etc., proporcionando un monitoreo dinámico de la calidad del medio ambiente acuático.
Figura 5. Sistema remoto de imágenes hiperespectrales montado en un vehículo aéreo no tripulado llamado medusa robótica, que puede equiparse con una red para recolectar plásticos o microplásticos de gran tamaño de diversas superficies de agua.
Análisis de la composición atmosférica: las imágenes hiperespectrales capturan las firmas espectrales de varias moléculas de gas en la atmósfera y aplican algoritmos de inteligencia artificial para determinar el contenido y la distribución de gases de efecto invernadero, contaminantes y otros componentes en la atmósfera, lo que ayuda a combatir la contaminación del aire y la investigación del cambio climático.
campo medico
Diagnóstico de enfermedades: por ejemplo, en el campo del diagnóstico de enfermedades de la piel, las imágenes hiperespectrales se utilizan para obtener imágenes espectrales de las áreas afectadas de la piel, los modelos de inteligencia artificial analizan estas imágenes, ayudando a los médicos a determinar el tipo y la gravedad de la lesión, etc., aumentando la precisión y eficiencia del diagnóstico.
Figura 9. Diagrama de hemodinámica periférica de un adulto sano en reposo, que muestra oxihemoglobina, hemoglobina y saturación de oxígeno en sangre.
Análisis histopatológico: se realizan imágenes hiperespectrales de secciones patológicas, basadas en algoritmos de inteligencia artificial, se extrae la información espectral incrustada en ellas, lo que ayuda a reconocer características microestructurales como células cancerosas y tejidos afectados, proporcionando una base de referencia para el tratamiento preciso de enfermedades.
Zona industrial
Control de calidad del producto: en la industria manufacturera, se llevan a cabo imágenes hiperespectrales de los productos en la línea de producción, los algoritmos de inteligencia artificial pueden detectar rápidamente defectos en la superficie del producto, fallas estructurales internas y otros problemas de calidad, proporcionando un control de calidad automatizado y altamente preciso.
Identificación y análisis de materiales: para una variedad de materiales industriales, las imágenes hiperespectrales combinadas con inteligencia artificial permiten determinar de manera rápida y precisa el tipo y composición de los materiales, así como evaluar el cumplimiento de sus características con los requisitos establecidos, lo que facilita la selección de materias primas y el control de calidad del producto.
La interacción sinérgica de la inteligencia artificial y las imágenes hiperespectrales representa avances significativos en las tecnologías de procesamiento de datos e identificación de materiales. A medida que las tecnologías evolucionan continuamente, su intersección tiene el potencial de estimular una mayor innovación, ampliando continuamente su alcance de aplicación en escenarios prácticos y de investigación. El futuro de esta interacción sinérgica tiene el potencial de revolucionar muchas industrias, ampliando los límites de las tecnologías existentes, proporcionando soluciones precisas, eficientes y versátiles inalcanzables con los métodos tradicionales y abriendo oportunidades completamente nuevas de desarrollo y transformación para diversas industrias.
