-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
2026-09-04
L’imagerie hyperspectrale, initialement utilisée au milieu des années 1980 pour la télédétection, s’est étendue à de nombreux domaines de recherche au cours des deux dernières décennies, notamment dans les domaines de l’agriculture et de l’alimentation, où elle est utilisée pour collecter des données supplémentaires sur les propriétés visuelles et chimiques des objets étudiés. L'imagerie hyperspectrale combine l'imagerie traditionnelle avec des technologies spectrales telles que la spectroscopie infrarouge, la spectroscopie Raman et la fluorescence pour former une structure de données tridimensionnelle appelée hypercube, qui intègre l'imagerie numérique bidimensionnelle et la dimension spectrale des données. Chaque pixel est associé à un spectre reflétant les caractéristiques optiques de la région qu'il représente ; bien qu'il soit influencé par les pixels voisins, le spectre peut servir de caractéristique unique pour identifier les substances. Dans le domaine de l’évaluation de la qualité des fruits, légumes et champignons, l’imagerie hyperspectrale est confrontée à des défis tels que la disponibilité des données et la fiabilité des modèles. Les recherches existantes manquent pour la plupart d'applications pratiques, et il faut prêter attention à la reproductibilité et à la traduction des paramètres de recherche en paramètres industriels pour parvenir à une évaluation non destructive de la qualité, réduire le gaspillage alimentaire et garantir la sécurité alimentaire.
L’intégration de l’intelligence artificielle et de l’imagerie hyperspectrale est essentielle. Les algorithmes d'intelligence artificielle, principalement les techniques d'apprentissage automatique et d'apprentissage profond, sont capables de traiter efficacement des données d'imagerie hyperspectrale de grande dimension et à grande échelle, fournissant ainsi une extraction et une classification précises des caractéristiques. Ils démontrent des performances exceptionnelles dans le traitement de grands ensembles de données, le débruitage, l'analyse en temps réel et l'amélioration de la précision des tâches, ce qui les rend inestimables pour les applications dépendantes des données hyperspectrales telles que l'agriculture et la télédétection. À mesure que la technologie de l'intelligence artificielle progressera, son intégration avec l'imagerie hyperspectrale deviendra encore plus étroite, le traitement en temps réel sera réalisé et la combinaison avec de nouvelles technologies élargira le champ d'application et stimulera l'innovation industrielle. Malgré les défis liés aux données et à l’informatique, les perspectives restent optimistes. Cette revue discutera en détail du rôle clé de l’intelligence artificielle dans l’application de l’imagerie hyperspectrale, des problèmes existants et des perspectives de développement futur.
Le mécanisme de l’imagerie hyperspectrale et les problèmes associés
L'imagerie hyperspectrale fonctionne en capturant et en traitant les informations spectrales, surmontant ainsi les limites de l'imagerie traditionnelle, qui ne collecte des données que dans quelques bandes spectrales. Le processus commence par éclairer la scène cible avec une source de lumière. Une fois que la lumière interagit avec les matériaux d'une scène, un capteur hyperspectral, utilisant des éléments optiques tels qu'un prisme ou un réseau de diffraction, décompose la lumière collectée en différentes longueurs d'onde, puis le réseau de capteurs enregistre l'intensité lumineuse à chaque longueur d'onde, formant ainsi un cube de données hyperspectral avec de riches informations spectrales, couvrant deux dimensions spatiales et une dimension spectrale. Les méthodes de collecte de données comprennent le balayage ponctuel, le balayage linéaire, le balayage spectral et les caméras instantanées. Après la collecte des données, un étalonnage est nécessaire pour corriger la réponse du capteur, l'éclairage et les effets atmosphériques, suivi de techniques avancées de traitement des données telles que la décomposition spectrale, la classification, l'extraction de caractéristiques et la réduction de dimensionnalité.
Les données d'imagerie hyperspectrale se caractérisent par une dimensionnalité et une complexité élevées : chaque pixel contient des centaines de bandes spectrales, ce qui entraîne d'énormes ensembles de données, des exigences de calcul et de stockage élevées et le problème de la redondance des données. Dans le même temps, les données sont soumises à des interférences sonores et sensibles aux conditions environnementales, ce qui nécessite des techniques de prétraitement complexes telles que la réduction du bruit, la correction atmosphérique et l'étalonnage. L'intelligence artificielle peut résoudre ces problèmes : ses technologies d'apprentissage automatique et d'apprentissage profond sont excellentes dans le traitement de données complexes, peuvent apprendre automatiquement les caractéristiques spectrales, réduisant ainsi la quantité de construction manuelle de caractéristiques et présentent des avantages significatifs dans le traitement des données multidimensionnelles, le débruitage, l'analyse en temps réel et l'amélioration de la précision des tâches, jouant un rôle important dans l'analyse des données hyperspectrales.
Figure 1. Schéma des principaux composants d'un système d'imagerie hyperspectrale
Types d'imagerie hyperspectrale
Balayage ponctuel : un pixel est capturé à la fois, la caméra construit progressivement une image au fur et à mesure qu'elle scanne l'échantillon, chaque pixel contient des informations spectrales complètes, la résolution spectrale est élevée, mais l'acquisition d'image prend beaucoup de temps, ce qui ne convient pas aux scénarios d'acquisition de données rapides ; Généralement utilisé pour l’analyse spectrale en laboratoire.
Line Scan : mesure ligne par ligne d'un spectre continu, largement utilisée dans le contrôle et la surveillance de la qualité industrielle. Malgré la perte de lumière due à la fente d'entrée du spectromètre, un équilibre est atteint entre vitesse et résolution spectrale, ce qui convient à la surveillance et à l'analyse en temps réel.
Spectroscopie à transformée de Fourier : peut mesurer un spectre continu, combine un capteur d'image monochromatique et un interféromètre, le rendement lumineux est supérieur à celui des systèmes de balayage push-pull, l'efficacité et la précision de la collecte de données spectrales sont élevées, adaptées aux applications avec des exigences élevées de sensibilité et de précision, capables de fonctionner dans une large gamme de longueurs d'onde, largement utilisées dans des domaines tels que l'analyse chimique.
Balayage spectral : permet de collecter toutes les informations spatiales à certaines longueurs d'onde, le traitement est effectué séquentiellement pour chaque longueur d'onde. Bien que la collecte d’une seule image soit relativement rapide, le processus global est ralenti par la nécessité de changer de longueur d’onde. Joue un rôle important dans les applications qui nécessitent une résolution spatiale élevée à des longueurs d'onde spécifiques, telles que la microscopie à fluorescence, et peut également être optimisé pour se concentrer sur des domaines d'intérêt spécifiques.
Caméras instantanées hyperspectrales : capables de capturer des vidéos hyperspectrales, adaptées à la capture d'objets en mouvement, la collecte de données est rapide et efficace, mais la résolution spectrale et spatiale est limitée par rapport aux autres technologies. Ils ont des applications importantes dans l’imagerie hyperspectrale en temps réel, comme le diagnostic médical.
L’imagerie hyperspectrale haute résolution est essentielle pour détecter les changements spectraux dans des cibles complexes, mais le coût élevé des équipements haute résolution existants limite son application et sa diffusion. Le dispositif peu coûteux développé par Stewart et d'autres chercheurs ouvre une nouvelle voie pour résoudre ce problème et présente de bonnes performances en matière de surveillance minéralogique de l'environnement.
Tableau 1. Caractéristiques des méthodes de numérisation utilisées en imagerie hyperspectrale.
Interaction synergique entre intelligence artificielle et imagerie hyperspectrale
L’imagerie hyperspectrale contient des centaines de bandes spectrales, les données sont de grande dimension et il existe des problèmes de redondance, de bruit et de « malédiction de la dimensionnalité » que les méthodes d’analyse traditionnelles ont du mal à résoudre. Les algorithmes d’intelligence artificielle, en particulier les modèles d’apprentissage automatique et d’apprentissage profond, peuvent résoudre efficacement ces problèmes.
Les algorithmes d'apprentissage supervisé utilisent des données étiquetées pour entraîner des modèles de classification ou d'analyse. Par exemple, les machines à vecteurs de support conviennent à la classification de données de grande dimension et de petits ensembles d'entraînement ; les forêts aléatoires sont très robustes et capables de traiter des données bruitées ; le procédé des k voisins les plus proches effectue une classification sur la base de la proximité du spectre de pixels par rapport aux données étiquetées ; les réseaux neuronaux tels que les perceptrons multicouches peuvent être utilisés pour la classification pixel par pixel.
Les algorithmes d'apprentissage non supervisé sont capables de découvrir des modèles cachés dans les données sans étiquettes prédéfinies, telles que le regroupement de k-moyennes, l'analyse en composantes principales et autres ; Les réseaux de neurones convolutifs et les réseaux de neurones récurrents parmi les réseaux de neurones peuvent apprendre des représentations de données complexes ; Les algorithmes d’apprentissage par renforcement conviennent aux environnements dynamiques ; une analyse indépendante des composants est utilisée pour la séparation aveugle des sources ; Les encodeurs automatiques sont utilisés pour l'extraction de caractéristiques et la réduction de dimensionnalité non supervisées. Il existe également de nouvelles méthodes, telles que DiffSpectralNet, qui intègrent diverses technologies pour améliorer les performances de classification.
Les technologies d'apprentissage profond utilisent des réseaux de neurones profonds pour apprendre automatiquement les fonctionnalités, évitant ainsi la construction manuelle de fonctionnalités. Les réseaux adverses génératifs peuvent être utilisés pour augmenter les données et à d’autres fins. Dans les réseaux neuronaux convolutifs, les couches convolutives extraient des caractéristiques via des connexions de champs récepteurs locaux et, lorsqu'elles sont combinées avec des technologies telles que les couches de pooling, elles améliorent la capacité de généralisation du modèle, démontrant des résultats exceptionnels lors du traitement de données complexes de haute dimension.
La décomposition spectrale utilise souvent des techniques de factorisation matricielle non négative et de codage clairsemé. Les modèles hybrides qui combinent des informations spatiales et spectrales améliorent les performances sur des tâches telles que la classification, telles que les réseaux neuronaux convolutifs spatio-spectraux et les réseaux convolutifs graphiques. Les algorithmes de traitement du langage naturel aident également l’intelligence artificielle à comprendre et à générer du langage, facilitant ainsi le développement de tâches intelligentes dans de nombreux domaines.
Dans les applications pratiques, les caméras hyperspectrales améliorées par l’IA peuvent améliorer la vitesse de traitement du signal et l’immunité au bruit, fournissant ainsi une reconstruction spectrale précise. Les algorithmes de super-résolution pilotés par l’IA peuvent améliorer la résolution spatiale des images, facilitant ainsi une cartographie et une détection précises. Dans les tâches de classification, les technologies d'apprentissage automatique et d'apprentissage profond sont capables de traiter des données spectrales multidimensionnelles, mettant en œuvre la classification de matériaux ou d'objets. Les algorithmes d'IA peuvent conserver des informations clés lors du débruitage, combler les parties manquantes lors de la reconstruction d'images et utiliser des informations spectrales pour améliorer la précision de la détection d'objets et de la segmentation d'images, jouant ainsi un rôle important dans divers domaines.
Figure 3. a) Schéma simplifié d'une caméra à codage aléatoire hyperspectral à large bande basée sur le deep learning : la caméra fonctionne en mode actif (en haut) ou en mode passif (en bas) selon la position du codage spectral. b) Aperçu de la reconstruction spectrale basée sur un réseau neuronal profond : un réseau neuronal profond traite les données brutes de caméra monochromatiques pour générer un cube de données hyperspectrales 3D reconstruit. c, d) Profils spectraux d'un faisceau laser à bande étroite : dans le cas c, le réseau de neurones profonds est entraîné sur des données « précises », et dans le cas d, sur des données « générales ». e) Profils spectraux de deux pics aux longueurs d'onde 598,0 nm et 603,2 nm, la distance entre les pics est indiquée en noir.
Tableau 2. Caractéristiques des différents algorithmes utilisés dans l'interaction de l'intelligence artificielle et de l'imagerie hyperspectrale.
Application de l'interaction synergique de l'intelligence artificielle et de l'imagerie hyperspectrale en agriculture
Surveillance de la croissance des cultures : Grâce à l’intelligence artificielle et à l’imagerie hyperspectrale, les images hyperspectrales des cultures à différents stades de croissance peuvent être analysées avec précision. En reconnaissant des changements subtils dans les caractéristiques spectrales des cultures, leur état de santé est déterminé, par exemple, si elles ont été affectées par des ravageurs et des maladies, s'il existe des carences nutritionnelles, etc. Par exemple, les modèles d'apprentissage profond peuvent analyser la réflectance spectrale des feuilles des cultures dans des images hyperspectrales, en distinguant les feuilles saines des feuilles malades, aidant ainsi les agriculteurs à prendre des mesures proactives de prévention et de contrôle pour améliorer les rendements et la qualité des cultures.
Évaluation de la qualité des produits agricoles : des contrôles non destructifs des fruits, légumes et autres produits agricoles sont effectués. Sur la base de ses empreintes spectrales uniques, combinées à des algorithmes d'intelligence artificielle, des indicateurs tels que la maturité, la douceur et la qualité interne des produits agricoles sont déterminés avec précision, ce qui facilite le tri, la sélection et la commercialisation précise des produits agricoles.
Figure 4. Intelligence artificielle et imagerie hyperspectrale utilisées pour l'analyse de la qualité des aliments
Zone de télédétection
Classification et surveillance de la couverture terrestre : l'imagerie hyperspectrale de vastes zones de la surface terrestre est possible. Les algorithmes d'intelligence artificielle traitent les données pour distinguer avec précision les différents types de couverture terrestre, tels que les forêts, les prairies, les terres cultivées, les plans d'eau, les structures urbaines, etc., et permettent de suivre en temps réel les changements d'utilisation des terres tels que l'expansion urbaine, la déforestation et le déclin des zones humides, fournissant ainsi un support d'informations fiable pour la gestion des terres et la protection de l'environnement.
Exploration des ressources minérales : étant donné que différents minéraux ont des caractéristiques spécifiques d'absorption spectrale et de réflectance, la combinaison de l'intelligence artificielle et de la technologie d'imagerie hyperspectrale peut identifier les zones potentielles de distribution de minéraux dans l'imagerie de télédétection, augmentant ainsi l'efficacité de l'exploration et réduisant les coûts d'exploration.
Portée de la surveillance environnementale
Surveillance de la pollution de l'eau : en analysant les données hyperspectrales des plans d'eau, l'intelligence artificielle est capable de déterminer les types et les concentrations de polluants dans l'eau, par exemple en reconnaissant si la teneur en métaux lourds dans l'eau dépasse les normes établies, la présence de polluants organiques, etc., en assurant une surveillance dynamique de la qualité du milieu aquatique.
Figure 5. Système d'imagerie hyperspectrale à distance monté sur un véhicule aérien sans pilote appelé méduse robotique, qui peut être équipé d'un filet pour collecter de gros plastiques ou microplastiques sur diverses surfaces d'eau.
Analyse de la composition atmosphérique : l'imagerie hyperspectrale capture les signatures spectrales de diverses molécules de gaz dans l'atmosphère et applique des algorithmes d'intelligence artificielle pour déterminer la teneur et la répartition des gaz à effet de serre, des polluants et d'autres composants dans l'atmosphère, ce qui contribue à lutter contre la pollution atmosphérique et à la recherche sur le changement climatique.
Domaine médical
Diagnostic des maladies : par exemple, dans le domaine du diagnostic des maladies de la peau, l'imagerie hyperspectrale est utilisée pour obtenir des images spectrales des zones affectées de la peau, des modèles d'intelligence artificielle analysent ces images, aidant ainsi les médecins à déterminer le type et la gravité de la lésion, etc., augmentant ainsi la précision et l'efficacité du diagnostic.
Figure 9. Schéma de l'hémodynamique périphérique d'un adulte en bonne santé au repos, montrant l'oxyhémoglobine, l'hémoglobine et la saturation en oxygène du sang.
Analyse histopathologique : L'imagerie hyperspectrale de coupes pathologiques est réalisée, sur la base d'algorithmes d'intelligence artificielle, les informations spectrales qui y sont intégrées sont extraites, ce qui aide à reconnaître les caractéristiques microstructurales telles que les cellules cancéreuses et les tissus affectés, fournissant ainsi une base de référence pour un traitement précis des maladies.
Zone industrielle
Contrôle qualité des produits : dans l'industrie manufacturière, l'imagerie hyperspectrale des produits sur la chaîne de production est réalisée, les algorithmes d'intelligence artificielle peuvent détecter rapidement les défauts de surface des produits, les défauts structurels internes et d'autres problèmes de qualité, fournissant un contrôle qualité automatisé et très précis.
Identification et analyse des matériaux : Pour une variété de matériaux industriels, l'imagerie hyperspectrale combinée à l'intelligence artificielle permet de déterminer rapidement et précisément le type et la composition des matériaux, ainsi que d'évaluer la conformité de leurs caractéristiques aux exigences établies, ce qui facilite la sélection des matières premières et le contrôle qualité des produits.
L’interaction synergique de l’intelligence artificielle et de l’imagerie hyperspectrale représente des avancées significatives dans les technologies de traitement des données et d’identification des matériaux. À mesure que les technologies évoluent continuellement, leur intersection a le potentiel de stimuler davantage l’innovation, élargissant continuellement leur champ d’application dans la recherche et les scénarios pratiques. L'avenir de cette interaction synergique a le potentiel de révolutionner de nombreuses industries, en repoussant les limites des technologies existantes, en fournissant des solutions précises, efficaces et polyvalentes inaccessibles par les méthodes traditionnelles et en ouvrant de toutes nouvelles opportunités de développement et de transformation pour diverses industries.
