Гиперспектральная съемка помогает определить местоположение и распределение различных видов деревьев в ландшафте, показывая ценную информацию для управления деревьями и лесами. Например, гиперспектральные изображения с использованием инновационных методов машинного обучения могут быть использованы для классификации доминирующих видов деревьев в смешанном лесу.

Окончательная классификация аэрофотоснимков Пустоши 1 (слева) и Пустоши 2 (справа).

Гиперспектральные изображения, полученные с воздуха, позволяют оценить поражения ясеня (Hymenoscyphus fraxineus) отдельных деревьев ясеня в условиях живой изгороди. Отдельные кроны деревьев выделялись из живой изгороди с точностью 89%. Индексы узкополосной растительности, рассчитанные на основе гиперспектральных изображений, были применены для классификации наличия отмирания с общей точностью 87%.

Пример анализа поражения ясеня вдоль линий электропередач с использованием воздушных гиперспектральных снимков для определения местоположения отдельных деревьев, а также их вида, высоты и состояния. Все эти данные могут быть объединены для создания окончательной карты риска.

Усовершенствованные гиперспектральные камеры облегчают сбор данных с высоким разрешением, что позволяет определять отдельные кроны деревьев на больших площадях. Воспользовавшись этим значительным преимуществом, на основе гиперспектральных данных в масштабе кроны отдельных деревьев, можно получить конкретные показатели для управления и мониторинга лесной среды.

Метод гиперспектральной визуализации способен одновременно визуализировать локализацию и биохимическую информацию леса. Таким образом, она обеспечивает прочную основу для принятия решений на основе данных или разработки стратегий управления в лесном секторе.

Карта деревьев с указанием высоты деревьев на участке заповедника The Lodge RSPB

В статье, опубликованной группой международных учёных, исследуется возможность раннего выявления вируса мраморности листьев винограда (GVCV) с помощью гиперспектральной съёмки и методов глубокого обучения. GVCV — это новый ДНК-вирус, представляющий серьёзную угрозу для виноградников, особенно в США. Традиционные методы диагностики, такие как визуальный осмотр или ПЦР-тесты, требуют много времени и не подходят для оперативного мониторинга больших площадей. В ходе эксперимента на тестовом участке в Миссури учёные с помощью гиперспектральной камеры SPECIM IQ (диапазон 400–1000 нм) получали изображения здоровых и заражённых растений винограда на разных стадиях развития, чтобы найти спектральные различия ещё до появления видимых симптомов болезни.

Основные выводы

Исследование подтвердило, что гиперспектральная съёмка позволяет обнаруживать заражение GVCV на ранних, бессимптомных стадиях. Анализ спектров отражения выявил ключевые диапазоны для диагностики: через 30 дней после посева наиболее информативной была ближняя инфракрасная область (900–940 нм), а через 90 дней — весь видимый диапазон (400–700 нм). Наибольшую значимость для классификации показали индексы, связанные с пигментацией, старением и водным стрессом растений (NPQI, FRI1, PSRI). Среди методов машинного обучения лучшие результаты продемонстрировал классификатор Random Forest, а применение трёхмерных свёрточных нейросетей (3D-CNN) для анализа гиперспектральных «кубов» оказалось эффективным даже при ограниченном количестве образцов.

Читать исследование полностью

В статье представлено исследование, направленное на оценку возможности использования гиперспектральной аэрофотосъёмки для мониторинга и прогнозирования ключевых показателей качества твёрдой пшеницы — урожайности зерна (GY) и содержания белка в зерне (GPC). Работа проводилась на двух опытных полях в Мексике (общей площадью 43 га) с использованием регулярной еженедельной съёмки в диапазоне 400–850 нм на протяжении всего цикла роста культуры. Учёные применили комплекс методов анализа, включая спектральные индексы (NDSI, RSI), временной анализ главных компонент (tPCA) и оценку интегральных показателей (AUC), чтобы сопоставить динамику спектральных сигнатур растений с данными лабораторного анализа зерна, полученными перед уборкой урожая.

Основные выводы

Исследование подтвердило высокий потенциал гиперспектральной съёмки для прогнозирования урожайности пшеницы (GY). Наиболее информативной для этого оказалась комбинация данных в ближнем инфракрасном диапазоне (750–840 нм) и красной области спектра (720–736 нм). В то же время, прогнозирование содержания белка в зерне (GPC) оказалось более сложной задачей из-за высокой естественной вариабельности этого показателя, и результаты корреляции были скромнее (R² ≤ 0,21). Применение методов многовременного анализа (tPCA, AUC) позволило определить оптимальные периоды съёмки (активный рост и цветение) для получения наиболее точных прогнозов и подтвердило преимущество комплексной оценки данных за длительный период. Исследование демонстрирует, что гиперспектральные технологии могут служить эффективным инструментом поддержки принятия решений в точном земледелии, помогая выделять зоны с разной продуктивностью и оптимизировать управление ресурсами, хотя для надёжного прогноза содержания белка требуются дальнейшие разработки с учётом региональных особенностей.

Читать исследование полностью

В статье представлена новая методология, разработанная для точного определения видов растений и их сортов на основе гиперспектральных данных. Исследователи предложили использовать комбинацию последовательных алгоритмов предварительной спектральной обработки (SPPA), применяемых в несколько шагов (k-шагов). Это позволяет значительно усилить различия в спектральных сигнатурах, которые могут быть незаметны при использовании какого-то одного метода обработки. Для поиска оптимальной последовательности таких алгоритмов был применён генетический алгоритм. Эффективность метода проверялась на 9 сортах вики и 9 сортах чечевицы, причём измерения проводились на разных стадиях вегетации, чтобы учесть изменчивость спектров во времени.

Основные выводы

Исследование показало, что предложенная многошаговая методология способна достичь 100% точности в различении не только видов, но и отдельных сортов растений. В то время как использование одиночных методов предобработки давало точность не выше 83%, комбинация из двух или трёх последовательных алгоритмов позволила безошибочно идентифицировать все образцы. Ключевым первым шагом во всех успешных комбинациях оказалось преобразование Фурье (амплитуда). Это доказывает, что для надёжной идентификации близкородственных сортов необходим не один, а тщательно подобранный каскад методов обработки спектральных данных. Разработанный подход открывает возможности для создания автоматизированных систем мониторинга, способных с высокой точностью картировать сортовой состав сельскохозяйственных культур и дикорастущих видов, что важно как для агрономии, так и для экологии.

Читать исследование полностью

В этой работе учёные оценили потенциал спутниковых гиперспектральных данных (с европейского спутника CHRIS-PROBA) для картирования ключевых свойств почвы на сельскохозяйственных полях — содержания глины, песка и органического вещества. Исследование проводилось на двух полях в Италии. Спектральные данные со спутника сопоставлялись с результатами детального лабораторного анализа образцов почвы, отобранных по регулярной сетке. На основе этих данных с помощью регрессионного анализа (метод частичных наименьших квадратов, PLSR) были построены модели для оценки свойств почвы по спутниковым снимкам. Затем, используя полученные карты почвенных характеристик, авторы смоделировали разные стратегии орошения в программе CropWat, чтобы понять, как учёт внутриполевой изменчивости может повлиять на эффективность использования воды.

Основные выводы

Исследование показало, что спутниковые гиперспектральные данные позволяют с приемлемой точностью картировать содержание глины и песка в пахотном слое (значения RPD > 1,4, RMSE для глины 3,7–5,2%). Оценка содержания органического вещества оказалась менее успешной, что авторы связывают с его низкой пространственной изменчивостью на изучаемых полях. Ключевой практический вывод был получен на этапе моделирования: использование карт почвенных зон, составленных по гиперспектральным данным, для планирования дифференцированного (переменного) орошения позволяет значительно сократить потери воды на глубокую фильтрацию по сравнению с традиционным подходом, когда полив рассчитывается исходя из средних по полю характеристик почвы. Таким образом, исследование подтверждает, что гиперспектральная съёмка — это не только инструмент для анализа состояния культур, но и мощный метод для экономически эффективного картирования почвенной неоднородности, что является основой для внедрения многих технологий точного земледелия, включая оптимизацию полива и внесения удобрений.

Читать исследование полностью

На экспериментальном участке озимой пшеницы, включающем 40 различных сортов и зоны с обработкой фунгицидами, проводилась регулярная гиперспектральная съёмка в течение вегетационного периода. На снимках слева представлены изображения с наложением индекса NDVI (нормализованный вегетационный индекс — индикатор живой зелёной биомассы), полученные в разные даты.

Что показывает анализ:

• С течением времени часть сортов, не обладающих устойчивостью к патогенам, поражаются заболеваниями
• На картах NDVI это проявляется как снижение индекса — потеря зелёной окраски и переход в зоны стресса
• Чётко визуализируются различия между обработанными фунгицидами участками и контрольными зонами
• Сорта с генетической устойчивостью сохраняют высокие значения NDVI на протяжении всего сезона

В рамках исследовательского проекта BigApple были проведены гиперспектральные измерения на тестовых деревьях в фруктовом саду KOB (Kompetenzzentrum Obstbau-Bodensee) в Бавендорфе, недалеко от Боденского озера, на юге Германии.. В центре внимания измерений были два класса, т.е. яблоня и листва. Данные спектральных измерений являются основой для определения физиологических параметров роста/плода, которые рассматриваются в виде индексов в моделировании и анализе.

Гиперспектральные измерения проводились в лаборатории в контролируемых условиях измерения. Кроме того, измерительные кампании проводились во фруктовом саду. Для этих целей использовалась гиперспектральная камера с диапазоном длин волн 450 - 950 нм.

Измерительная установка показывает гиперспектральную камеру S185 и мобильную систему обработки данных для сбора и хранения результатов измерений.

В этом обзоре, подготовленном группой малайзийских учёных, рассматривается проблема борьбы с сорняками на рисовых полях и анализируется потенциал гиперспектральных технологий для её решения. Сорняки представляют серьёзную угрозу для сельского хозяйства Малайзии, где рис является одной из основных культур, а из-за нехватки рабочей силы широко применяется метод прямого посева, который особенно уязвим к засорению. Авторы провели систематический анализ научной литературы, чтобы понять, как современные методы дистанционного зондирования, особенно с использованием беспилотных летательных аппаратов (БПЛА), могут помочь в раннем и точном обнаружении сорняков и их отделении от культурных растений по спектральным характеристикам.

Основные выводы

Обзор подтверждает, что гиперспектральная съёмка является ценным инструментом для обнаружения сорняков, так как она способна улавливать тонкие различия в спектрах отражения разных видов растений. Ключевой вывод заключается в том, что для успешного применения этой технологии необходимо решить задачу точного разделения культурных растений и сорняков на видовом уровне. Это достигается с помощью различных алгоритмов классификации гиперспектральных изображений и методов моделирования. Развитие платформ для съёмки — от спутников до БПЛА — делает технологию более доступной и позволяет получать данные с нужным пространственным и временным разрешением. Внедрение таких методов может значительно повысить эффективность борьбы с сорняками, минимизировать потери урожая и снизить зависимость от ручного труда, что особенно актуально для стран с интенсивным рисосеянием.

Читать исследование полностью

В этой работе китайские учёные разработали метод бесконтактной оценки того, как быстро и успешно восстанавливаются растения кукурузы после полегания (например, из-за тайфунов или сильных дождей). Они использовали гиперспектральную камеру, установленную на беспилотник, для регулярной съёмки полей с разными типами полегания на протяжении 28 дней. Собранные данные позволили оценивать ключевые параметры растений: высоту (CH), проективное покрытие (CC), содержание хлорофилла в листьях (LCC) и содержание влаги (PWC). На основе этих параметров авторы рассчитали два комплексных индекса — индекс структуры кроны (CSI) и индекс физиологической активности (PAI), а затем классифицировали степень восстановления растений.

Основные выводы

Исследование подтвердило, что гиперспектральная съёмка с БПЛА позволяет эффективно и неразрушающе отслеживать процесс восстановления кукурузы после полегания. Модели машинного обучения, основанные на спектральных данных, показали хорошую точность в оценке агрономических параметров (R² до 0,75 для высоты растений и 0,69 для проективного покрытия). Наиболее важным практическим результатом стало создание метода классификации растений по степени восстановления (GRG) на основе рассчитанных индексов CSI и PAI, который достиг общей точности 77,68%. Это означает, что технология позволяет не просто фиксировать факт полегания, а количественно оценивать динамику возвращения растений к нормальному состоянию, что критически важно для принятия решений о необходимости повторного сева, корректировки обработок или прогнозирования конечной урожайности. Предложенный подход даёт агрономам объективный инструмент для мониторинга последствий природных стрессов и управления восстановлением посевов.

Читать исследование полностью

В статье подробно рассматривается, как гиперспектральная съёмка, в частности с использованием спутников нового поколения (например, аппаратов компании Pixxel), позволяет выявлять различные типы стресса у растений на ранних стадиях. В отличие от традиционных мультиспектральных методов, гиперспектральные датчики регистрируют отражённый свет в сотнях узких спектральных диапазонов (вплоть до 250 каналов). Это позволяет получать уникальную спектральную «подпись» каждого растения и фиксировать малейшие отклонения от нормы, вызванные неблагоприятными факторами. Авторы классифицируют стресс на четыре основные группы: биотический (болезни, вредители), абиотический (погодные условия), физический (засуха, заболачивание) и химический (загрязнения, дефицит питательных веществ).

Основные выводы

Главный вывод статьи заключается в том, что гиперспектральная съёмка является мощнейшим инструментом для ранней диагностики стресса растительности, позволяя обнаруживать проблемы задолго до появления видимых симптомов. Это достигается за счёт анализа изменений в спектральных сигнатурах культур на разных стадиях развития. Технология позволяет не только констатировать факт стресса, но и определить его природу (например, отличить поражение насекомыми от дефицита воды). Это открывает возможности для своевременного и точечного вмешательства: оптимизации полива, внесения удобрений или обработки пестицидами только на тех участках, где это действительно необходимо. Внедрение таких методов, подкреплённое примерами (оценка старения сои в Айове), способно повысить устойчивость сельского хозяйства, снизить потери урожая и сделать процесс принятия решений более обоснованным и эффективным.

Читать исследование полностью

На основе измерений был проведен анализ спектральных характеристик искомых классов (рис. ниже) и определены индивидуальные различия между спектральными кривыми классов. Ручная количественная оценка этих различий не подходит из-за высокой информационной плотности гиперспектральных измерений.

Поэтому для анализа данных в рамках проекта было использовано несколько известных методов классификации под наблюдением (например, k-Nearest-Neighbour, Support Vector Machine, Random Forest, Neural Networks) и их комбинации. Используя обширные обучающие данные, полученные в результате измерений, можно было автоматически определить желаемые классы.

Отобранные образцы для классов в примере измерения в KOB. Соответствующие кривые спектра/отражения для соответствующих классов. (яблоко = красное, лист = синий, фон: ствол дерева = зеленый, фон: черный материал = розовый)

На экспериментальных полях клубники применялись различные агротехнические обработки: варьировались режимы орошения и составы удобрений. Справа представлены два типа изображений одного и того же участка:

Верхний ряд — снимок в естественном цвете (RGB):

• Показывает только внешний вид растений
• Различия в состоянии между участками с разной обработкой практически неразличимы для глаза

Нижний ряд — карта индекса хлорофилла:

• Цветовая шкала отображает концентрацию хлорофилла в листьях
• Тёплые тона (красный, жёлтый) — высокое содержание хлорофилла, здоровые растения
• Холодные тона (синий, фиолетовый) — низкое содержание, стресс, угнетение

Что иллюстрируют карты:

• Чётко видна различная реакция роста растений клубники в зависимости от условий произрастания
• Участки с оптимальным сочетанием орошения и удобрения выделяются высокими значениями хлорофилла
• Зоны с недостаточным или избыточным увлажнением, несбалансированным питанием проявляются как области пониженных значений

Результаты классификаций показывают хорошее визуальное соответствие по сравнению с панхроматическим изображением. Количественная оценка результата классификации для искомых объектов проводилась по общей точности (OA), точности производителя (PA) и точности пользователя (UA). На рисунке 9 показана матрица путаницы и связанная с ней точность отдельных классов. Из-за путаницы между зеленым яблоком и зеленым листом, UA составляет 75,2 %. Точность для других классов составляет от 93,4 % до 97,1 %. Кроме того, общая точность показывает высокое значение 93,5%, что указывает на очень хороший результат классификации.

Панхроматическое изображение (слева) и пример классификации измерений 01.08.2018. (яблоко = светло-зеленое, лист = темно-зеленый, фон: ствол дерева = фиолетовый, фон: черный материал = коричневый)

На основе результатов классификации могут быть созданы различные параметры роста/плодов. В качестве примера здесь приведен параметр соотношение листьев и плодов. Этот параметр предназначен для предоставления информации о посевной нагрузке яблонь, которая ранее была определена ручным или деструктивным методом. На основе этих результатов и измерений, проведенных в разное время роста, можно определить средние значения роста плодов.

В рамках проекта классификация яблок и листьев может быть успешно проведена с помощью гиперспектральной камеры. Кроме того, из классификации могут быть определены различные параметры/индексы, которые используются для модели наших партнеров по проекту для оценки оптимального хранения яблок.

Распределение материала в забое рудника обычно варьируется в мелком масштабе и в пределах ежедневных сегментов добычи. Эти изменения не всегда можно определить визуально, но они имеют отношение к качеству руды из извлеченной руды и для корректировки последующих этапов обработки. Сведение к минимуму неправильной классификации или ложного распределения материалов позволит свести к минимуму энергоемкую повторную обработку материалов. Спектроскопия изображений может помочь идентифицировать и оценить соответствующие минералы или геологические материалы конкретных месторождений до их добычи.

Были сгруппированы геохимические данные (ICP-ES и анализ углерода и серы) 36 проб с участка. Он выявил семь различных групп материалов. Эти группы были подтверждены путем оценки спектральных отпечатков образцов и доминирующей минералогии (XRD). Спектральная библиотека для конкретных участков (рис. 1) показывает один спектр на кластер и была собрана в лаборатории из 36 образцов поверхности с использованием приборов VNIR и SWIR.

Для классификации забоя входные параметры, используемые для анализа, были сокращены до шести кластеров за счет исключения кластера, в котором преобладает гипс. Полученная карта показывает расположение штокверковой зоны, а также вкрапленные и выветренные сульфидные руды. Здесь каждый кластер представляет собой отдельную зону внутри рудника, например, минерализованные подушечные лавы, смектито-хлоритовую зону или хлоритовую штокверковую зону.

Ожидаемая зональность забоев рудника (Antivachis, 2015). B: Гиперспектральное картирование забоя рудника Аплики (Koerting 2020, в стадии подготовки) с помощью алгоритма двоичной подгонки (Mielke et al, в стадии подготовки).

Визуализация SWIR и LWIR обеспечивает быстрый инструмент минералогического картирования для геологических исследований в микро и макро масштабе с разрешением от 30 мкм до 2 мм.

Гиперспектральную карту можно визуализировать на 3D-моделях, созданных с помощью Structure-for-Motion (SfM) или путем реализации точного LiDAR-моделирования (рис. 20). Эти модели помогают при распределении материала на месте. Области, например, с высоким содержанием гидроксида алюминия (AlOH), могут быть дополнительно нанесены на карту с помощью картирования минимальной длины волны для характеристики AlOH. Этот тип анализа помогает в выявлении участков с более высоким уровнем загрязнения (например, глины) для корректировки обработки извлеченного здесь материала.

Этот пример показывает потенциал гиперспектральной визуализации как инструмента для геологических и горнодобывающих приложений. Его использование позволяет точно идентифицировать полезные ископаемые и материалы где угодно, от разведки и добычи до обработки и производства.

3D-модель, созданная SfM, наложенная на гиперспектральную классификацию (вверху) и центральную карту распределения длин волн для конкретных характеристик поглощения.

Выходы серицита (красный цвет = наилучшее соответствие) распределяются на южном краю средней и северной части субвулканического тела, а также на восточном краю. Бордовыми точками обозначены известные урановые участки. Красный > желтый = уменьшающаяся урановая минерализация, связанная с обнажением серицита. Фиолетовый - низкая вероятность серицита (аномальные неправильные чешуйки). Сиреневый - карбонат. Голубой - эпидот.

На глубине от 2500 до 5000 м в осадочных бассейнах можно наблюдать следующие последовательности минералов: каолинит → дикит, детритовые слюды → каолинит и/или дикит и детритовые полевые шпаты → дикит (Cassagnabère 1998).

Данные из песчаников Северного моря указывают на то, что морфология дикита имеет отношение к глубине захоронения. Дикит образуется либо из каолина в осадке, либо из изменения обломочного полевого шпата и слюды. Дикит становится более блочным и упорядоченным с глубиной и устойчив к глубинам захоронения не менее 5000 м.

Градационные границы слюдистого песчаника в зоне дикита и за ее пределами наводят на мысль о фациальных вариациях. Большинство осадочных последовательностей, содержащих дикит, изученных в австралийских буровых кернах NVCL, представляют собой крупнозернистые, высокопроницаемые породы. Действительно, "трансформация [каолинит>дикит] обычно более распространена в песчаниках с высокой проницаемостью, чем в песчаниках с низкой проницаемостью" (Cassagnabere, 1998). Снижение проницаемости (наоборот) благоприятствует каолиниту. Так что дело не только в том, чтобы быть палеогеотермометром.

Распределение влаги - важный атрибут многих пищевых продуктов, который влияет на текстуру и условия, благоприятные для микробной активности. Влага может измениться в течение срока хранения и, следовательно, связана со свежестью продукта. Распределение не всегда равномерно, но это трудно обнаружить без технологии визуализации.

На рисунке ниже показано распределение влаги в свежем ломтике белого хлеба. Сначала была построена калибровка, а затем эта модель была применена к реальным образцам. Фиолетовый и синий цвета на изображении указывают на низкое содержание влаги, а желтый и красный цвет - на высокое содержание влаги. Легко увидеть, что уровень влажности быстро увеличивается к центру хлеба, в то время как внешняя корка имеет очень низкий уровень влажности.

Поскольку гиперспектральная визуализация обеспечивает попиксельную информацию об образце, она идеально подходит для составления карт составов многокомпонентных продуктов. Определенные характеристики качества, такие как жир, влажность или кристаллическая сахароза, имеют четкие спектральные характеристики в диапазоне SWIR. Путем калибровки по эталонным образцам можно проводить количественные измерения.

На рисунке показаны карты трех полос поглощения. Полоса для CH2 обычно связана с различиями в содержании жира, другая полоса характерна для присутствия кристаллической сахарозы, а полоса поглощения OH обычно связана с различиями в содержании влаги.

Области с высоким содержанием жира показаны красным цветом, а кристаллическая сахароза и влага - зеленым и синим, соответственно. Комбинации компонентов показаны смешанными цветами. Орехи затеняются красным цветом, указывая на высокое содержание жира, карамель - синим или фиолетовым, указывая на высокое содержание влаги при различном содержании жира. Шоколад отображается зеленым, желтым или оранжевым цветом, указывая на различные комбинации жира и кристаллической сахарозы; видно, что они различаются между этими коммерческими продуктами.

При употреблении морепродуктов повышенный уровень гистамина может вызвать отравление скомброидом - чаще всего из-за употребления в пищу рыбы, принадлежащей к семейству Scombridae, - тунца и скумбрии, но также и от других рыб, таких как голубая рыба и тд. Образование гистамина напрямую связано с разложением, чаще всего в результате плохого контроля температуры при хранении, и может использоваться как индикатор свежести.

Гиперспектральная визуализация (HSI) помогает получить ценную информацию без необходимости отбора проб или контакта с продуктом. Сочетание спектроскопии отражения в реальном времени с визуализацией позволяет переработчикам морепродуктов быстро и многократно оценивать уровень гистамина в рыбных продуктах.

В примере образцы измельченного тунца были проанализированы с использованием системы Hyperspecral, работающей в диапазоне VNIR (400–1000 нм). Контрольные значения для каждого из образцов были получены с использованием набора для иммуноферментных тестов. На основе этих образцов была разработана модель классификации гиперспектральных данных с различным цветом, присвоенным каждому уровню гистамина.

Используя эту классификационную модель, несколько филе тунца были просканированы системой гиперспектральной визуализации, рисунки ниже дают визуальную индикацию общего уровня гистамина и пространственного распределения гистамина в каждом образце.

Орегано часто смешивают с другими похожими на вид, но более дешевыми ингредиентами, такими как оливковое масло и мирт. Исследования, проведенные в последние годы на молотом орегано, продаваемом в магазинах, показали, что почти четверть образцы содержали ингредиенты, не относящиеся к орегано. Было обнаружено, что масштаб фальсификации находится в диапазоне от 30% до 70% по весу.

Черника и другие мелкие фрукты особенно чувствительны к обращению и хранению, а параметры качества имеют тенденцию быстро ухудшаться, если с продуктом не обращаться осторожно. HSI можно использовать для оценки внешних атрибутов, таких как цвет, текстура, твердость, повреждение поверхности, синяки, дефекты и загрязнения в ягодах и других мелких фруктах. Данные HSI также можно сопоставить с результатами WLA для определения внутренних параметров питания без повреждения продукта. Типичные параметры, подходящие для анализа HSI, включают вкус, аромат, содержание влаги, сухое вещество, общее содержание растворимых твердых веществ, антоцианин, кислотность, pH, содержание сахара и витамин С. Для этого исследования свежую чернику с гнилыми участками сканировали. Полная система покрывает спектральный диапазон от 400 до 2500 нм и работает на высоких скоростях, совместимых с большинством систем транспортировки и сортировки. Рабочее расстояние было установлено 30 см от ягод с использованием специально разработанных линз для крупного плана для достижения разрешения 52 мкм и 250 мкм соответственно.

Хотя гнилые участки на чернике трудно обнаружить на высоких скоростях при визуальном осмотре или в режиме RGB, гнилые пятна легко обнаружить с помощью гиперспектральной системы.

Гиперспектральная визуализация с высоким разрешением в сочетании с хемометрическими методами - эффективный инструмент для обнаружения ранней гнили ягод. Кроме того, описанный здесь анализ может быть применен к другим продуктам, а также к другим показателям качества.

В этом примере один API смешан в разных соотношениях с тремя разными наполнителями с похожими характеристиками. Четыре чистых образца, две неизвестные порошковые смеси и один набор фармацевтических таблеток, также содержащих смесь тех же компонентов, были получены с помощью гиперспектральной камеры. Данные были проанализированы для оценки количества и распределения API в смесях и таблетках. Хотя все вещества кажутся идентичными в видимом диапазоне, все они демонстрируют спектральную структуру в спектральном диапазоне SWIR. Подпись API особенно легко отличить из-за ее уникальных характеристик поглощения. Спектральные различия между фармацевтическими вспомогательными веществами меньше, как и следовало ожидать от компонентов с аналогичной химической структурой.

Слева: изображение в условных цветах на основе SWIR, содержащее чистые образцы. В центре: Спектральная классификация образцов. Сплошной цвет в классах означает чистоту и однородность образца. Справа: характерные спектры всех чистых веществ.

Данные чистых образцов были использованы для создания библиотеки спектральных эталонов. Благодаря возможности спектрального разделения в программном обеспечении для анализа, можно количественно оценить соотношение различных компонентов в смесях, используя спектральную библиотеку в качестве входных данных. Эта функция спектрального разделения позволяет решать задачи количественной оценки без необходимости использования всеобъемлющего калибровочного набора.

Моментальный снимок гиперспектрального изображения человеческого мозга при управляемой хирургии: камера HSI установлена на операционном микроскопе.

Кожа - самый универсальный орган. Он служит барьером для внешнего мира, защитой от влияний окружающей среды и берет на себя важные функции в области обмена веществ и иммунологии. Он состоит из трех слоев: эпидермиса, дермы и подкожной клетчатки (или гиподермы).

На рисунке показывает запись кожи. Эпидермис узнаваем в верхнем правом углу, дерма расположена непосредственно под ним, а в нижнем левом углу изображена подкожная клетчатка. В этой записи было выбрано несколько точек. Для этих проблем было измерено, сколько света отражается на требуемой длине волны. Справа представлен ряд графиков, каждый из которых предназначен для выбранных областей. Эти графики описывают коэффициент отражения и спектральные отклонения в диапазоне 450-750 нм.

Как компонент диагностических инструментов, гиперспектральная визуализация имеет множество преимуществ:

- Сама по себе это неинвазивная процедура
- Его относительно легко настроить из-за компактности гиперспектральных камер нового поколения.

Хорошо задокументированные диагностические варианты использования гиперспектральных камер связаны с их способностью определять насыщение кислородом . Это позволяет создавать двухмерные карты насыщения тканей кислородом кровью.

Таким образом, вы можете использовать гиперспектральную визуализацию в широком спектре клинических областей, таких как:

- картирование мозговой активности
- мониторинг заживления ран
- офтальмологическая диагностика заболеваний глаз и головного мозга
- обнаружение следов крови

Коллаген - это группа белков природного происхождения, встречающихся в организме человека и животных. В организме человека содержание коллагена составляет более 30% от общей массы всех белков. Это очень важный компонент соединительной ткани и кожи.

На рисунке вы можете увидеть программный интерфейс. Справа - запись коллагена. Для обнаружения каждого пикселя, показывающего коллаген на этом изображении, была выбрана одна характерная точка, которая была идентифицирована как коллаген. После этого программа сможет автоматически определять похожие спектры. Все эти пиксели отмечены красным на этом изображении.