-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
09.04.2026 ж
Алғашында 1980-ші жылдардың ортасында қашықтықтан зондтау үшін қолданылған гиперспектрлік бейнелеу соңғы екі онжылдықта көптеген зерттеу салаларына кеңейді, әсіресе ауыл шаруашылығы мен тамақ ғылымында зерттелетін объектілердің көрнекі және химиялық қасиеттері туралы қосымша деректерді жинау үшін қолданылады. Гиперспектрлік бейнелеу дәстүрлі бейнелеуді инфрақызыл спектроскопия, Раман спектроскопиясы және флуоресценция сияқты спектрлік технологиялармен біріктіріп, екі өлшемді цифрлық кескінді және деректердің спектрлік өлшемін біріктіретін гиперкуб деп аталатын үш өлшемді деректер құрылымын құрайды. Әрбір пиксель ол көрсететін аймақтың оптикалық сипаттамаларын көрсететін спектрмен байланысты; оған көрші пикселдер әсер еткенімен, спектр заттарды анықтаудың бірегей ерекшелігі ретінде қызмет ете алады. Жемістердің, көкөністердің және саңырауқұлақтардың сапасын бағалау саласында гиперспектрлік бейнелеу деректердің қолжетімділігі және модель сенімділігі сияқты қиындықтарға тап болады. Қолданыстағы зерттеулер негізінен практикалық қолдануда жетіспейді, сондықтан бұзбайтын сапаны бағалауға қол жеткізу, тамақ қалдықтарын азайту және азық-түлік қауіпсіздігін қамтамасыз ету үшін зерттеу параметрлерін қайта өндіруге және өнеркәсіптік параметрлерге аударуға назар аудару қажет.
Жасанды интеллект пен гиперспектральды бейнелеуді біріктіру өте маңызды. Жасанды интеллект алгоритмдері, негізінен машиналық оқыту және терең оқыту әдістері, мүмкіндіктерді дәл алуды және жіктеуді қамтамасыз ете отырып, жоғары өлшемді және ауқымды гиперспектральды бейнелеу деректерін тиімді өңдеуге қабілетті. Олар үлкен деректер жиынын өңдеуде, деноизизацияда, нақты уақыттағы талдауда және тапсырмалардың дәлдігін арттыруда тамаша өнімділікті көрсетеді, бұл оларды ауыл шаруашылығы және қашықтықтан зондтау сияқты гиперспектральды деректерге тәуелді қолданбалар үшін баға жетпес етеді. Жасанды интеллект технологиясы дамыған сайын оның гиперспектрлік бейнелеумен интеграциясы бұрынғыдан да тығыз болады, нақты уақыт режимінде өңдеу жүзеге асырылады және жаңа технологиялармен біріктіру қолдану аясын кеңейтеді және салалық инновацияларды ынталандырады. Деректер мен есептеулерге байланысты қиындықтарға қарамастан, болжам оптимистік болып қала береді. Бұл шолуда жасанды интеллекттің гиперспектрлік бейнелеуді қолданудағы негізгі рөлі, бар проблемалар мен болашақ даму перспективалары егжей-тегжейлі талқыланады.
Гиперспектрлік бейнелеу механизмі және онымен байланысты мәселелер
Гиперспектрлік бейнелеу спектрлік ақпаратты түсіру және өңдеу арқылы жұмыс істейді, дәстүрлі бейнелеудің шектеулерін еңсереді, ол деректерді бірнеше спектрлік жолақтарда ғана жинайды. Процесс мақсатты көріністі жарық көзімен жарықтандырудан басталады. Жарық көріністегі материалдармен әрекеттескеннен кейін, призма немесе дифракциялық тор сияқты оптикалық элементтерді пайдалана отырып, гиперспектрлік сенсор жиналған жарықты әртүрлі толқын ұзындығына ыдыратады, содан кейін сенсорлық массив әрбір толқын ұзындығындағы жарық қарқындылығын жазады, осылайша бай спектрлік ақпараты бар гиперспектрлік деректер текшесін құрады, екі спектрлік өлшемді және кең ауқымды. Деректерді жинау әдістеріне нүктелік сканерлеу, сызықты сканерлеу, спектрлік сканерлеу және суретке түсіру камералары жатады. Деректерді жинағаннан кейін сенсордың жауабын, жарықтандыруды және атмосфералық әсерлерді түзету үшін калибрлеу қажет, содан кейін спектрлік декомпозиция, жіктеу, мүмкіндіктерді алу және өлшемді азайту сияқты кеңейтілген деректерді өңдеу әдістері.
Гиперспектрлік бейнелеу деректері жоғары өлшемділігімен және күрделілігімен сипатталады: әрбір пиксельде жүздеген спектрлік жолақтар бар, нәтижесінде үлкен деректер жиыны, жоғары есептеу және сақтау талаптары және деректердің артықтығы мәселесі туындайды. Сонымен қатар, деректер шудың кедергілеріне ұшырайды және қоршаған орта жағдайларына сезімтал, бұл шуды азайту, атмосфералық түзету және калибрлеу сияқты күрделі алдын ала өңдеу әдістерін қажет етеді. Жасанды интеллект бұл мәселелерді шеше алады: оның машиналық оқыту және терең оқыту технологиялары күрделі деректерді өңдеуде тамаша, спектрлік мүмкіндіктерді автоматты түрде меңгере алады, функцияларды қолмен құрастыру көлемін азайтады және көп өлшемді деректерді өңдеуде, деноизизацияда, нақты уақыттағы талдауда және тапсырмалардың дәлдігін арттыруда маңызды артықшылықтарға ие, гиперспектрлік деректерді талдауда маңызды рөл атқарады.
Сурет 1. Гиперспектрлік бейнелеу жүйесінің негізгі компоненттерінің диаграммасы
Гиперспектральды бейнелеудің түрлері
Нүктелі сканерлеу: бір уақытта бір пиксель түсіріледі, камера үлгіні сканерлеген кезде суретті бірте-бірте құрастырады, әрбір пикселде толық спектрлік ақпарат бар, спектрлік ажыратымдылық жоғары, бірақ кескінді алу ұзақ уақыт алады, бұл деректерді жылдам алу сценарийлері үшін қолайлы емес; Әдетте зертханалық спектрлік талдау үшін қолданылады.
Line Scan: Өнеркәсіптік сапаны бақылау мен мониторингте кеңінен қолданылатын үздіксіз спектрді сызық бойынша өлшеу. Спектрометрдің кіреберіс саңылауына байланысты жарықтың жоғалуына қарамастан, нақты уақыт режимінде бақылау және талдау үшін қолайлы жылдамдық пен спектрлік рұқсат арасында тепе-теңдікке қол жеткізіледі.
Фурье түрлендіру спектроскопиясы: үздіксіз спектрді өлшей алады, монохроматикалық кескін сенсоры мен интерферометрді біріктіреді, жарық шығаруы push-pull сканерлеу жүйелеріне қарағанда жоғары, спектрлік деректерді жинаудың тиімділігі мен дәлдігі жоғары, жоғары сезімталдық пен дәлдік талаптары бар қолданбалар үшін қолайлы, кең ауқымды толқын ұзындығында жұмыс істей алады, химиялық талдау сияқты кең аумақтарда жұмыс істей алады.
Спектрлік сканерлеу: белгілі бір толқын ұзындықтарында барлық кеңістіктік ақпаратты жинауға мүмкіндік береді, өңдеу әрбір толқын ұзындығы үшін дәйекті түрде жүзеге асырылады. Бір кескінді жинау салыстырмалы түрде жылдам болғанымен, жалпы процесс толқын ұзындығын ауыстыру қажеттілігіне байланысты баяулайды. Флуоресцентті микроскопия сияқты белгілі бір толқын ұзындықтарында жоғары кеңістіктік ажыратымдылықты қажет ететін қолданбаларда маңызды рөл атқарады және сонымен қатар қызығушылықтың белгілі бір аймақтарына назар аудару үшін оңтайландырылуы мүмкін.
Гиперспектрлік суретке түсіретін камералар: Гиперспектрлік бейнені түсіруге қабілетті, қозғалатын нысандарды түсіруге жарамды, деректерді жинау жылдам және тиімді, бірақ басқа технологиялармен салыстырғанда спектрлік және кеңістіктік ажыратымдылық шектеулі. Олардың медициналық диагностика сияқты нақты уақыттағы гиперспектральды бейнелеуде маңызды қолданбалары бар.
Ажыратымдылығы жоғары гиперспектрлік бейнелеу күрделі нысандардағы спектрлік өзгерістерді анықтау үшін өте маңызды, бірақ жоғары ажыратымдылығы бар жабдықтың жоғары құны оны қолдану мен таратуды шектейді. Стюарт және басқа зерттеушілер жасаған арзан құрылғы бұл мәселені шешудің жаңа жолын ашып, қоршаған ортаны минералогиялық бақылауда жақсы көрсеткіштерді көрсетеді.
Кесте 1. Гиперспектрлік бейнелеуде қолданылатын сканерлеу әдістерінің сипаттамалары.
Жасанды интеллект пен гиперспектральды бейнелеу арасындағы синергетикалық өзара әрекеттесу
Гиперспектрлік бейнелеуде жүздеген спектрлік жолақтар бар, деректер жоғары өлшемді және дәстүрлі талдау әдістерімен күресу қиынға түсетін артықшылық, шу және «өлшемділіктің қарғысы» проблемалары бар. Жасанды интеллект алгоритмдері, әсіресе машиналық оқыту және терең оқыту үлгілері бұл мәселелерді тиімді шеше алады.
Бақыланатын оқыту алгоритмдері жіктеу немесе талдау үлгілерін үйрету үшін таңбаланған деректерді пайдаланады, мысалы, тірек векторлық машиналар жоғары өлшемді деректерді және шағын оқу жиындарын жіктеу үшін жарамды; кездейсоқ ормандар өте берік және шулы деректерді өңдеуге қабілетті; k-ең жақын көршілер әдісі таңбаланған деректерге пиксельдік спектрдің жақындығына негізделген жіктеуді орындайды; көпқабатты перцептрондар сияқты нейрондық желілерді пиксель бойынша жіктеу үшін пайдалануға болады.
Бақыланбайтын оқыту алгоритмдері алдын ала анықталған белгілерсіз деректердегі жасырын үлгілерді ашуға қабілетті, мысалы, k-орталарды кластерлеу, негізгі компоненттерді талдау және т.б.; Нейрондық желілер арасындағы конволюционды нейрондық желілер және қайталанатын нейрондық желілер күрделі деректердің көріністерін біле алады; Оқытуды күшейту алгоритмдері динамикалық орталар үшін қолайлы; көзді соқыр бөлу үшін тәуелсіз құрамдас талдау қолданылады; Автокодерлер бақыланбайтын мүмкіндіктерді шығару және өлшемді азайту үшін қолданылады. Сондай-ақ жіктеу өнімділігін жақсарту үшін әртүрлі технологияларды біріктіретін DiffSpectralNet сияқты жаңа әдістер бар.
Терең оқыту технологиялары мүмкіндіктерді қолмен құруды болдырмай, мүмкіндіктерді автоматты түрде үйрену үшін терең нейрондық желілерді пайдаланады. Генеративті қарсылас желілер деректерді көбейту және басқа мақсаттар үшін пайдаланылуы мүмкін. Конволюционды нейрондық желілерде конволюционды қабаттар жергілікті қабылдағыш өрістердің қосылымдары арқылы мүмкіндіктерді шығарады және қабаттарды біріктіру сияқты технологиялармен біріктірілгенде, күрделі жоғары өлшемді деректерді өңдеу кезінде тамаша нәтижелерді көрсете отырып, модельдің жалпылау қабілетін жақсартады.
Спектрлік ыдырау жиі теріс емес матрицалық факторизацияны және сирек кодтау әдістерін пайдаланады. Кеңістіктік және спектрлік ақпаратты біріктіретін гибридті модельдер кеңістіктік-спектральды конволюциялық нейрондық желілер және графиктік конволюциялық желілер сияқты жіктеу сияқты тапсырмалардағы өнімділікті жақсартады. Табиғи тілді өңдеу алгоритмдері жасанды интеллектке тілді түсінуге және жасауға көмектеседі, бұл көптеген салаларда интеллектуалды тапсырмаларды әзірлеуге көмектеседі.
Практикалық қолданбаларда AI-жақсартылған гиперспектрлік камералар дәл спектрлік қайта құруды қамтамасыз ете отырып, сигналды өңдеу жылдамдығын және шу иммунитетін жақсарта алады. Жасанды интеллектпен басқарылатын аса ажыратымдылық алгоритмдері кескіндердің кеңістіктік ажыратымдылығын арттыра отырып, дәл карталау мен анықтауды жеңілдетеді. Жіктеу тапсырмаларында машиналық оқыту және терең оқыту технологиялары материалдардың немесе объектілердің жіктелуін жүзеге асыра отырып, көп өлшемді спектрлік деректерді өңдеуге қабілетті. Жасанды интеллект алгоритмдері деносизация кезінде негізгі ақпаратты сақтай алады, кескінді қайта құру кезінде жетіспейтін бөліктерді толтырады және әртүрлі салаларда маңызды рөл атқара отырып, объектіні анықтау мен кескінді сегменттеуде дәлдікті жақсарту үшін спектрлік ақпаратты пайдалана алады.
Сурет 3. а) Терең оқытуға негізделген гиперспектрлі кездейсоқ кең жолақты кодтау камерасының жеңілдетілген диаграммасы: камера спектрлік кодтау орнына байланысты белсенді режимде (жоғарғы) немесе пассивті режимде (төменгі) жұмыс істейді. b) Терең нейрондық желіге негізделген спектрлік қайта құруға шолу: Терең нейрондық желі қайта құрылған 3D гиперспектрлік деректер текшесін жасау үшін өңделмеген монохроматикалық камера деректерін өңдейді. в, г) Тар жолақты лазер сәулесінің спектрлік профильдері: с жағдайында терең нейрондық желі «дәл» деректерге, ал d жағдайында «жалпы» деректерге үйретіледі. д) 598,0 нм және 603,2 нм толқын ұзындығындағы екі шыңның спектрлік профильдері, шыңдар арасындағы қашықтық қара түспен көрсетілген.
Кесте 2. Жасанды интеллект пен гиперспектральды бейнелеудің өзара әрекеттесуінде қолданылатын әртүрлі алгоритмдердің сипаттамалары.
Ауыл шаруашылығында жасанды интеллект пен гиперспектральды бейнелеудің синергетикалық өзара әрекеттесуін қолдану
Өсімдіктердің өсуін бақылау: Жасанды интеллект пен гиперспектральды бейнелеуді пайдалана отырып, әртүрлі өсу кезеңдеріндегі дақылдардың гиперспектрлік кескіндерін дәл талдауға болады. Ауылшаруашылық дақылдарының спектрлік сипаттамаларындағы нәзік өзгерістерді тану арқылы олардың денсаулық жағдайы, мысалы, зиянкестер мен аурулар әсер етті ме, қоректік заттардың жетіспеушілігі бар ма және т.б. Мысалы, терең оқыту үлгілері гиперспектрлік кескіндердегі дақыл жапырақтарының спектрлік шағылысуын талдай алады, сау және ауру жапырақтарды ажырата алады, фермерлерге дақылдардың өнімділігі мен сапасын жақсарту үшін белсенді профилактикалық және бақылау шараларын қабылдауға көмектеседі.
Ауыл шаруашылығы өнімдерінің сапасын бағалау: жеміс-жидек, көкөніс және басқа да ауыл шаруашылығы өнімдерін бұзбайтын тексеру жүргізіледі. Оның бірегей спектрлік саусақ іздері негізінде жасанды интеллект алгоритмдерімен біріктірілген ауыл шаруашылығы өнімдерінің піскендігі, тәттілігі және ішкі сапасы сияқты көрсеткіштер нақты анықталады, бұл ауыл шаруашылығы өнімдерін сұрыптауды, іріктеуді және нақты нарыққа шығаруды жеңілдетеді.
Сурет 4. Тамақ сапасын талдау үшін қолданылатын жасанды интеллект және гиперспектральды бейнелеу
Қашықтан зондтау аймағы
Жер жамылғысының жіктелуі және мониторингі: жер бетінің үлкен аумақтарын гиперспектрлік бейнелеу мүмкін. Жасанды интеллект алгоритмдері ормандар, шабындықтар, егістік алқаптар, су объектілері, қалалық құрылымдар және т.б. сияқты жер жамылғысының әртүрлі түрлерін дәл ажырату үшін деректерді өңдейді және жерді басқару мен қоршаған ортаны қорғауға сенімді ақпараттық қолдау көрсете отырып, қаланың кеңеюі, ормандардың жойылуы және сулы-батпақты жерлердің азаюы сияқты жер пайдаланудағы өзгерістерді нақты уақытта бақылауға мүмкіндік береді.
Пайдалы қазбаларды барлау: Әртүрлі минералдардың спектрлік сіңіру және шағылысу ерекшеліктері болғандықтан, жасанды интеллект пен гиперспектральды бейнелеу технологиясының үйлесімі қашықтан зондтау кескіндерінде пайдалы қазбалардың әлеуетті таралу аймақтарын анықтауға, барлау тиімділігін арттыруға және барлау шығындарын азайтуға мүмкіндік береді.
Қоршаған орта мониторингінің көлемі
Судың ластануының мониторингі: Су объектілерінің гиперспектрлік деректерін талдай отырып, жасанды интеллект судағы ластаушы заттардың түрлері мен концентрацияларын анықтауға қабілетті, мысалы, судағы ауыр металдар мөлшерінің белгіленген нормалардан асып кетуін, органикалық ластағыштардың болуын және т.б., су ортасының сапасын динамикалық бақылауды қамтамасыз етеді.
Сурет 5. Әртүрлі су беттерінен үлкен пластиктерді немесе микропластиктерді жинауға арналған тормен жабдықталуы мүмкін робот-медуза деп аталатын ұшқышсыз ұшатын аппаратқа орнатылған қашықтан гиперспектральды бейнелеу жүйесі.
Атмосфералық композицияны талдау: Гиперспектрлік бейнелеу атмосферадағы әртүрлі газ молекулаларының спектрлік белгілерін түсіреді және атмосферадағы парниктік газдардың, ластаушы заттардың және басқа компоненттердің мазмұны мен таралуын анықтау үшін жасанды интеллект алгоритмдерін қолданады, бұл ауаның ластануымен күресуге және климаттың өзгеруін зерттеуге көмектеседі.
Медицина саласы
Ауруды диагностикалау: Мысалы, тері ауруларын диагностикалау саласында гиперспектральды бейнелеу терінің зақымдалған аймақтарының спектрлік кескіндерін алу үшін қолданылады, жасанды интеллект модельдері бұл кескіндерді талдайды, дәрігерлерге зақымдану түрі мен ауырлығын анықтауға көмектеседі және т.б. диагностиканың дәлдігі мен тиімділігін арттырады.
Сурет 9. Дені сау ересек адамның оксигемоглобин, гемоглобин және қанның оттегімен қанығуын көрсететін перифериялық гемодинамикасының диаграммасы.
Гистопатологиялық талдау: Жасанды интеллект алгоритмдеріне негізделген патологиялық кесінділердің гиперспектрлік кескіні орындалады, оларға енгізілген спектрлік ақпарат алынады, бұл рак клеткалары мен зақымдалған тіндер сияқты микроқұрылымдық белгілерді тануға көмектеседі, ауруларды дәл емдеу үшін анықтамалық негіз береді.
Өнеркәсіптік аймақ
Өнім сапасын бақылау: Өңдеу өнеркәсібінде өндіріс желісіндегі өнімдерді гиперспектрлік кескіндеу жүзеге асырылады, жасанды интеллект алгоритмдері өнімнің бетіндегі ақауларды, ішкі құрылымдық кемшіліктерді және басқа да сапа мәселелерін жылдам анықтай алады, автоматтандырылған және жоғары дәлдік сапаны бақылауды қамтамасыз етеді.
Материалды анықтау және талдау: Әртүрлі өнеркәсіптік материалдар үшін жасанды интеллектпен біріктірілген гиперспектрлік бейнелеу материалдардың түрі мен құрамын тез және дәл анықтауға, сондай-ақ олардың сипаттамаларының белгіленген талаптарға сәйкестігін бағалауға мүмкіндік береді, бұл шикізатты таңдауды және өнімнің сапасын бақылауды жеңілдетеді.
Жасанды интеллект пен гиперспектральды бейнелеудің синергетикалық өзара әрекеттесуі деректерді өңдеу және материалдарды сәйкестендіру технологияларындағы елеулі жетістіктерді білдіреді. Технологиялар үздіксіз дамып келе жатқанда, олардың қиылысуы зерттеулер мен практикалық сценарийлерде қолдану аясын үздіксіз кеңейте отырып, одан әрі инновацияларды ынталандыру мүмкіндігіне ие. Бұл синергетикалық өзара іс-қимылдың болашағы көптеген салаларда төңкеріс жасауға, қолданыстағы технологиялардың шекарасын ығыстыруға, дәстүрлі әдістермен қол жеткізуге болмайтын дәл, тиімді және жан-жақты шешімдерді ұсынуға және әртүрлі салалар үшін даму мен трансформацияға мүлдем жаңа мүмкіндіктер ашуға мүмкіндік береді.
