人工知能とハイパースペクトルイメージングの相乗的相互作用 

ハイパースペクトル イメージングは、もともと 1980 年代半ばにリモート センシングに使用されていましたが、過去 20 年にわたって数多くの研究分野、特に農業や食品科学の分野に拡大し、研究対象の物体の視覚的および化学的特性に関する追加データを収集するために使用されています。ハイパースペクトル イメージングは​​、従来のイメージングと赤外分光法、ラマン分光法、蛍光などのスペクトル技術を組み合わせて、2 次元デジタル イメージングとデータのスペクトル次元を統合するハイパーキューブと呼ばれる 3 次元データ構造を形成します。各ピクセルは、それが表す領域の光学特性を反映するスペクトルに関連付けられています。スペクトルは隣接するピクセルの影響を受けますが、物質を識別するための固有の特徴として機能します。果物、野菜、キノコの品質評価の分野では、ハイパースペクトル イメージングは​​データの可用性やモデルの信頼性などの課題に直面しています。既存の研究にはほとんど実用化が欠けており、非破壊的な品質評価を達成し、食品廃棄物を削減し、食品の安全性を確保するには、再現性と研究パラメータを産業パラメータに変換することに注意を払う必要があります。

人工知能とハイパースペクトル イメージングの統合は重要です。主に機械学習と深層学習技術である人工知能アルゴリズムは、高次元かつ大規模なハイパースペクトル イメージング データを効率的に処理でき、正確な特徴抽出と分類を実現します。これらは、大規模なデータセットの処理、ノイズ除去、リアルタイム分析、タスク精度の向上において優れたパフォーマンスを発揮するため、農業やリモートセンシングなどのハイパースペクトルデータに依存するアプリケーションにとって非常に貴重です。人工知能技術が進歩するにつれて、ハイパースペクトルイメージングとの統合がさらに緊密になり、リアルタイム処理が実現され、新技術との組み合わせにより適用範囲が拡大し、業界の革新が促進されるでしょう。データとコンピューティングに関連する課題にもかかわらず、見通しは依然として楽観的です。このレビューでは、ハイパースペクトル イメージングの応用における人工知能の重要な役割、既存の問題、将来の開発の見通しについて詳しく説明します。

ハイパースペクトルイメージングのメカニズムと関連する問題

ハイパースペクトル イメージングは、スペクトル情報を取得して処理することで機能し、少数のスペクトル帯域のデータのみを収集する従来のイメージングの制限を克服します。このプロセスは、ターゲット シーンを光源で照らすことから始まります。光がシーン内のマテリアルと相互作用した後、プリズムや回折格子などの光学素子を使用するハイパースペクトル センサーが収集した光をさまざまな波長に分解し、センサー アレイが各波長での光の強度を記録します。これにより、2 つの空間次元と 1 つのスペクトル次元にまたがる豊富なスペクトル情報を含むハイパースペクトル データ キューブが形成されます。データ収集方法には、ポイント スキャン、ライン スキャン、スペクトル スキャン、およびスナップショット カメラが含まれます。データ収集後は、センサーの応答、照明、大気の影響を補正するためのキャリブレーションが必要であり、その後、スペクトル分解、分類、特徴抽出、次元削減などの高度なデータ処理技術が必要になります。

ハイパースペクトル イメージング データは、高次元性と複雑性を特徴としています。各ピクセルには数百のスペクトル バンドが含まれており、その結果、膨大なデータ セット、高い計算量とストレージ要件、およびデータの冗長性の問題が発生します。同時に、データはノイズ干渉を受けやすく、環境条件の影響を受けやすいため、ノイズ低減、大気補正、キャリブレーションなどの複雑な前処理技術が必要です。人工知能はこれらの問題を解決できます。人工知能の機械学習および深層学習テクノロジーは、複雑なデータの処理に優れており、スペクトル特徴を自動的に学習して手動による特徴構築の量を削減できます。また、多次元データ処理、ノイズ除去、リアルタイム分析、タスク精度の向上において大きな利点があり、ハイパースペクトル データ分析で重要な役割を果たします。