-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
04/09/2026
A imagem hiperespectral, originalmente usada em meados da década de 1980 para sensoriamento remoto, expandiu-se para vários campos de pesquisa nas últimas duas décadas, especialmente na agricultura e na ciência alimentar, onde é usada para coletar dados adicionais sobre as propriedades visuais e químicas dos objetos em estudo. A imagem hiperespectral combina imagens tradicionais com tecnologias espectrais, como espectroscopia infravermelha, espectroscopia Raman e fluorescência para formar uma estrutura de dados tridimensional chamada hipercubo, que integra imagens digitais bidimensionais e a dimensão espectral dos dados. Cada pixel está associado a um espectro que reflete as características ópticas da região que representa; embora seja influenciado por pixels vizinhos, o espectro pode servir como uma característica única para a identificação de substâncias. No campo da avaliação da qualidade de frutas, vegetais e cogumelos, a imagem hiperespectral enfrenta desafios como a disponibilidade de dados e a confiabilidade do modelo. A investigação existente carece principalmente de aplicações práticas, e é necessário prestar atenção à reprodutibilidade e tradução dos parâmetros de investigação em parâmetros industriais para alcançar uma avaliação de qualidade não destrutiva, reduzir o desperdício alimentar e garantir a segurança alimentar.
A integração da inteligência artificial e da imagem hiperespectral é crítica. Algoritmos de inteligência artificial, principalmente técnicas de aprendizado de máquina e aprendizado profundo, são capazes de processar com eficiência dados de imagens hiperespectrais de alta dimensão e grande escala, fornecendo extração e classificação precisas de recursos. Eles demonstram excelente desempenho no processamento de grandes conjuntos de dados, remoção de ruído, análise em tempo real e melhoria da precisão das tarefas, tornando-os inestimáveis para aplicações dependentes de dados hiperespectrais, como agricultura e sensoriamento remoto. À medida que a tecnologia de inteligência artificial avança, a sua integração com imagens hiperespectrais tornar-se-á ainda mais estreita, o processamento em tempo real será realizado e a combinação com novas tecnologias expandirá o âmbito de aplicação e estimulará a inovação da indústria. Apesar dos desafios associados aos dados e à computação, as perspectivas permanecem optimistas. Esta revisão discutirá detalhadamente o papel fundamental da inteligência artificial na aplicação de imagens hiperespectrais, os problemas existentes e as perspectivas de desenvolvimento futuro.
O mecanismo de imagem hiperespectral e problemas relacionados
A imagem hiperespectral funciona capturando e processando informações espectrais, superando as limitações da imagem tradicional, que coleta dados apenas em algumas bandas espectrais. O processo começa iluminando a cena alvo com uma fonte de luz. Depois que a luz interage com os materiais em uma cena, um sensor hiperespectral, usando elementos ópticos como um prisma ou uma rede de difração, decompõe a luz coletada em diferentes comprimentos de onda, então o conjunto de sensores registra a intensidade da luz em cada comprimento de onda, formando assim um cubo de dados hiperespectral com informações espectrais ricas, abrangendo duas dimensões espaciais e uma dimensão espectral. Os métodos de coleta de dados incluem varredura pontual, varredura linear, varredura espectral e câmeras instantâneas. Após a coleta de dados, a calibração é necessária para corrigir a resposta do sensor, a iluminação e os efeitos atmosféricos, seguida por técnicas avançadas de processamento de dados, como decomposição espectral, classificação, extração de recursos e redução de dimensionalidade.
Os dados de imagens hiperespectrais são caracterizados por alta dimensionalidade e complexidade: cada pixel contém centenas de bandas espectrais, resultando em enormes conjuntos de dados, altos requisitos computacionais e de armazenamento e o problema de redundância de dados. Ao mesmo tempo, os dados estão sujeitos a interferências de ruído e são sensíveis às condições ambientais, o que requer técnicas complexas de pré-processamento, como redução de ruído, correção atmosférica e calibração. A inteligência artificial pode resolver esses problemas: suas tecnologias de aprendizado de máquina e aprendizado profundo são excelentes no processamento de dados complexos, podem aprender automaticamente recursos espectrais, reduzindo a quantidade de construção manual de recursos e têm vantagens significativas no processamento de dados multidimensionais, remoção de ruído, análise em tempo real e melhoria da precisão das tarefas, desempenhando um papel importante na análise de dados hiperespectrais.
Figura 1. Diagrama dos principais componentes de um sistema de imagem hiperespectral
Tipos de imagem hiperespectral
Varredura pontual: um pixel é capturado por vez, a câmera constrói gradualmente uma imagem à medida que varre a amostra, cada pixel contém informações espectrais completas, a resolução espectral é alta, mas a aquisição da imagem leva muito tempo, o que não é adequado para cenários rápidos de aquisição de dados; Normalmente usado para análise espectral de laboratório.
Line Scan: Medição linha por linha de um espectro contínuo, amplamente utilizada em controle e monitoramento de qualidade industrial. Apesar da perda de luz devido à fenda de entrada do espectrômetro, é alcançado um equilíbrio entre velocidade e resolução espectral, que é adequado para monitoramento e análise em tempo real.
Espectroscopia por transformada de Fourier: pode medir um espectro contínuo, combina um sensor de imagem monocromático e um interferômetro, a saída de luz é maior que a dos sistemas de varredura push-pull, a eficiência e a precisão da coleta de dados espectrais são altas, adequadas para aplicações com alta sensibilidade e requisitos de precisão, capazes de operar em uma ampla gama de comprimentos de onda, amplamente utilizados em áreas como análise química.
Varredura espectral: permite coletar todas as informações espaciais em determinados comprimentos de onda, o processamento é realizado sequencialmente para cada comprimento de onda. Embora a coleta de uma única imagem seja relativamente rápida, o processo geral é retardado pela necessidade de mudar os comprimentos de onda. Desempenha um papel significativo em aplicações que exigem alta resolução espacial em comprimentos de onda específicos, como microscopia de fluorescência, e também pode ser otimizado para focar em áreas específicas de interesse.
Câmeras de instantâneo hiperespectral: Capazes de capturar vídeo hiperespectral, adequadas para capturar objetos em movimento, a coleta de dados é rápida e eficiente, mas a resolução espectral e espacial é limitada em comparação com outras tecnologias. Eles têm aplicações importantes em imagens hiperespectrais em tempo real, como diagnósticos médicos.
A imagem hiperespectral de alta resolução é crítica para detectar alterações espectrais em alvos complexos, mas o alto custo dos equipamentos de alta resolução existentes limita sua aplicação e disseminação. O dispositivo de baixo custo desenvolvido por Stewart e outros pesquisadores abre um novo caminho para resolver esse problema e apresenta bom desempenho no monitoramento ambiental mineralógico.
Tabela 1. Características dos métodos de varredura utilizados em imagens hiperespectrais.
Interação sinérgica entre inteligência artificial e imagem hiperespectral
A imagem hiperespectral contém centenas de bandas espectrais, os dados são de alta dimensão e há problemas de redundância, ruído e a “maldição da dimensionalidade” que os métodos de análise tradicionais consideram difícil de lidar. Algoritmos de inteligência artificial, especialmente modelos de aprendizado de máquina e aprendizado profundo, podem resolver esses problemas com eficácia.
Algoritmos de aprendizagem supervisionada usam dados rotulados para treinar modelos de classificação ou análise, por exemplo, máquinas de vetores de suporte são adequadas para classificar dados de alta dimensão e pequenos conjuntos de treinamento; florestas aleatórias são altamente robustas e capazes de processar dados ruidosos; o método dos k-vizinhos mais próximos realiza a classificação com base na proximidade do espectro de pixels com os dados rotulados; redes neurais, como perceptrons multicamadas, podem ser usadas para classificação pixel por pixel.
Algoritmos de aprendizagem não supervisionados são capazes de descobrir padrões ocultos em dados sem rótulos predefinidos, como agrupamento k-means, análise de componentes principais e outros; Redes neurais convolucionais e redes neurais recorrentes entre redes neurais podem aprender representações de dados complexos; Algoritmos de aprendizagem por reforço são adequados para ambientes dinâmicos; a análise de componentes independentes é usada para separação cega de fontes; Autoencoders são usados para extração não supervisionada de recursos e redução de dimensionalidade. Existem também novos métodos, como o DiffSpectralNet, que integram diversas tecnologias para melhorar o desempenho da classificação.
As tecnologias de aprendizagem profunda usam redes neurais profundas para aprender recursos automaticamente, evitando a construção manual de recursos. Redes adversárias generativas podem ser usadas para aumento de dados e outros fins. Em redes neurais convolucionais, as camadas convolucionais extraem recursos por meio de conexões de campos receptivos locais e, quando combinadas com tecnologias como camadas de pooling, melhoram a capacidade de generalização do modelo, demonstrando excelentes resultados no processamento de dados complexos de alta dimensão.
A decomposição espectral geralmente usa fatoração de matriz não negativa e técnicas de codificação esparsa. Modelos híbridos que combinam informações espaciais e espectrais melhoram o desempenho em tarefas como classificação, como redes neurais convolucionais espacial-espectrais e redes convolucionais de gráficos. Algoritmos de processamento de linguagem natural também ajudam a inteligência artificial a compreender e gerar linguagem, facilitando o desenvolvimento de tarefas inteligentes em muitos campos.
Em aplicações práticas, as câmeras hiperespectrais aprimoradas por IA podem melhorar a velocidade de processamento de sinal e a imunidade a ruído, fornecendo reconstrução espectral precisa. Algoritmos de super-resolução orientados por IA podem melhorar a resolução espacial das imagens, facilitando o mapeamento e a detecção precisos. Nas tarefas de classificação, as tecnologias de aprendizado de máquina e aprendizado profundo são capazes de processar dados espectrais multidimensionais, implementando a classificação de materiais ou objetos. Os algoritmos de IA podem reter informações importantes na remoção de ruído, preencher partes faltantes na reconstrução de imagens e usar informações espectrais para melhorar a precisão na detecção de objetos e segmentação de imagens, desempenhando um papel importante em vários campos.
Figura 3. a) Diagrama simplificado de uma câmera de codificação de banda larga aleatória hiperespectral baseada em aprendizado profundo: a câmera opera em modo ativo (superior) ou modo passivo (inferior) dependendo da posição da codificação espectral. b) Visão geral da reconstrução espectral baseada em redes neurais profundas: Uma rede neural profunda processa dados brutos de câmeras monocromáticas para gerar um cubo de dados hiperespectrais 3D reconstruído. c, d) Perfis espectrais de um feixe de laser de banda estreita: no caso c, a rede neural profunda é treinada em dados “precisos”, e no caso d, em dados “gerais”. e) Perfis espectrais de dois picos nos comprimentos de onda 598,0 nm e 603,2 nm, a distância entre os picos é mostrada em preto.
Tabela 2. Características dos diversos algoritmos utilizados na interação de inteligência artificial e imagem hiperespectral.
Aplicação de interação sinérgica de inteligência artificial e imagem hiperespectral na agricultura
Monitoramento do crescimento das culturas: Usando inteligência artificial e imagens hiperespectrais, imagens hiperespectrais de culturas em diferentes estágios de crescimento podem ser analisadas com precisão. Ao reconhecer mudanças subtis nas características espectrais das culturas, o seu estado de saúde é determinado, por exemplo, se foram afectadas por pragas e doenças, se existem deficiências nutricionais, e assim por diante. Por exemplo, os modelos de aprendizagem profunda podem analisar a refletância espectral das folhas das culturas em imagens hiperespectrais, distinguindo entre folhas saudáveis e doentes, ajudando os agricultores a tomar medidas proativas de prevenção e controlo para melhorar o rendimento e a qualidade das culturas.
Avaliação da qualidade dos produtos agrícolas: são realizados testes não destrutivos de frutas, vegetais e outros produtos agrícolas. Com base nas suas impressões digitais espectrais únicas, combinadas com algoritmos de inteligência artificial, indicadores como maturação, doçura e qualidade interna dos produtos agrícolas são determinados com precisão, o que facilita a classificação, seleção e comercialização precisa dos produtos agrícolas.
Figura 4. Inteligência artificial e imagens hiperespectrais utilizadas para análise de qualidade alimentar
Área de sensoriamento remoto
Classificação e monitoramento da cobertura do solo: é possível obter imagens hiperespectrais de grandes áreas da superfície terrestre. Os algoritmos de inteligência artificial processam os dados para distinguir com precisão entre diferentes tipos de cobertura do solo, tais como florestas, pastagens, terras agrícolas, massas de água, estruturas urbanas, etc., e permitem o acompanhamento em tempo real das mudanças no uso do solo, como a expansão urbana, a desflorestação e o declínio das zonas húmidas, fornecendo suporte de informações fiáveis para a gestão do solo e a proteção ambiental.
Exploração de recursos minerais: Como diferentes minerais têm características específicas de absorção espectral e refletância, a combinação de inteligência artificial e tecnologia de imagem hiperespectral pode identificar zonas potenciais de distribuição mineral em imagens de sensoriamento remoto, aumentando a eficiência da exploração e reduzindo os custos de exploração.
Escopo do monitoramento ambiental
Monitoramento da poluição hídrica: Ao analisar dados hiperespectrais de corpos d'água, a inteligência artificial é capaz de determinar os tipos e concentrações de poluentes na água, por exemplo, reconhecendo se o teor de metais pesados na água excede os padrões estabelecidos, a presença de poluentes orgânicos, e assim por diante, proporcionando monitoramento dinâmico da qualidade do ambiente aquático.
Figura 5. Sistema remoto de imagem hiperespectral montado em um veículo aéreo não tripulado denominado água-viva robótica, que pode ser equipado com uma rede para coletar grandes plásticos ou microplásticos de várias superfícies de água.
Análise da Composição Atmosférica: A imagem hiperespectral captura as assinaturas espectrais de várias moléculas de gás na atmosfera e aplica algoritmos de inteligência artificial para determinar o conteúdo e a distribuição de gases de efeito estufa, poluentes e outros componentes na atmosfera, o que ajuda a combater a poluição do ar e a pesquisa sobre mudanças climáticas.
Área médica
Diagnóstico de doenças: Por exemplo, no campo do diagnóstico de doenças de pele, a imagem hiperespectral é usada para obter imagens espectrais de áreas afetadas da pele, modelos de inteligência artificial analisam essas imagens, ajudando os médicos a determinar o tipo e a gravidade da lesão, e assim por diante, aumentando a precisão e eficiência do diagnóstico.
Figura 9. Diagrama da hemodinâmica periférica de um adulto saudável em repouso, mostrando oxiemoglobina, hemoglobina e saturação de oxigênio no sangue.
Análise histopatológica: É realizada imagem hiperespectral de cortes patológicos, com base em algoritmos de inteligência artificial, é extraída a informação espectral neles incorporada, o que ajuda a reconhecer características microestruturais como células cancerígenas e tecidos afetados, fornecendo uma base de referência para o tratamento preciso de doenças.
Área industrial
Controle de qualidade do produto: Na indústria de manufatura, é realizada imagem hiperespectral dos produtos na linha de produção, algoritmos de inteligência artificial podem detectar rapidamente defeitos na superfície do produto, falhas estruturais internas e outros problemas de qualidade, fornecendo controle de qualidade automatizado e altamente preciso.
Identificação e análise de materiais: Para uma variedade de materiais industriais, a imagem hiperespectral aliada à inteligência artificial permite determinar com rapidez e precisão o tipo e a composição dos materiais, bem como avaliar a conformidade de suas características com os requisitos estabelecidos, o que facilita a seleção de matérias-primas e o controle de qualidade do produto.
A interação sinérgica da inteligência artificial e da imagem hiperespectral representa avanços significativos nas tecnologias de processamento de dados e identificação de materiais. À medida que as tecnologias evoluem continuamente, a sua intersecção tem o potencial de estimular novas inovações, expandindo continuamente o seu âmbito de aplicação em investigação e cenários práticos. O futuro desta interacção sinérgica tem o potencial de revolucionar muitas indústrias, ultrapassando os limites das tecnologias existentes, fornecendo soluções precisas, eficientes e versáteis inatingíveis pelos métodos tradicionais, e abrindo oportunidades completamente novas de desenvolvimento e transformação para várias indústrias.
