-
+86-551-62240026
- leonnn410@gmail.com
+86-551-62240026
04-09-2026
Pencitraan hiperspektral, yang awalnya digunakan pada pertengahan tahun 1980-an untuk penginderaan jarak jauh, telah diperluas ke berbagai bidang penelitian selama dua dekade terakhir, terutama di bidang pertanian dan ilmu pangan, yang digunakan untuk mengumpulkan data tambahan mengenai sifat visual dan kimia dari objek yang diteliti. Pencitraan hiperspektral menggabungkan pencitraan tradisional dengan teknologi spektral seperti spektroskopi inframerah, spektroskopi Raman, dan fluoresensi untuk membentuk struktur data tiga dimensi yang disebut hypercube, yang mengintegrasikan pencitraan digital dua dimensi dan dimensi spektral data. Setiap piksel dikaitkan dengan spektrum yang mencerminkan karakteristik optik wilayah yang diwakilinya; meskipun dipengaruhi oleh piksel tetangganya, spektrumnya dapat berfungsi sebagai fitur unik untuk mengidentifikasi zat. Di bidang penilaian kualitas buah-buahan, sayuran dan jamur, pencitraan hiperspektral menghadapi tantangan seperti ketersediaan data dan keandalan model. Penelitian yang ada sebagian besar masih kurang dalam penerapan praktis, dan perhatian perlu diberikan pada reproduktifitas dan penerjemahan parameter penelitian ke dalam parameter industri untuk mencapai penilaian kualitas yang tidak merusak, mengurangi limbah makanan, dan memastikan keamanan pangan.
Integrasi kecerdasan buatan dan pencitraan hiperspektral sangatlah penting. Algoritme kecerdasan buatan, terutama pembelajaran mesin dan teknik pembelajaran mendalam, mampu memproses data pencitraan hiperspektral berdimensi tinggi dan berskala besar secara efisien, sehingga menghasilkan ekstraksi dan klasifikasi fitur yang akurat. Mereka menunjukkan kinerja luar biasa dalam memproses kumpulan data besar, denoising, analisis real-time, dan meningkatkan akurasi tugas, menjadikannya sangat berharga untuk aplikasi yang bergantung pada data hiperspektral seperti pertanian dan penginderaan jarak jauh. Seiring kemajuan teknologi kecerdasan buatan, integrasinya dengan pencitraan hiperspektral akan menjadi lebih erat, pemrosesan real-time akan terwujud, dan kombinasi dengan teknologi baru akan memperluas cakupan penerapan dan merangsang inovasi industri. Meskipun terdapat tantangan yang terkait dengan data dan komputasi, prospeknya tetap optimis. Tinjauan ini akan membahas secara rinci peran kunci kecerdasan buatan dalam penerapan pencitraan hiperspektral, permasalahan yang ada, dan prospek pengembangan di masa depan.
Mekanisme pencitraan hiperspektral dan masalah terkait
Pencitraan hiperspektral bekerja dengan menangkap dan memproses informasi spektral, mengatasi keterbatasan pencitraan tradisional, yang hanya mengumpulkan data dalam beberapa pita spektral. Prosesnya dimulai dengan menerangi adegan target dengan sumber cahaya. Setelah cahaya berinteraksi dengan material dalam suatu pemandangan, sensor hiperspektral, menggunakan elemen optik seperti prisma atau kisi difraksi, menguraikan cahaya yang dikumpulkan menjadi panjang gelombang yang berbeda, kemudian susunan sensor mencatat intensitas cahaya pada setiap panjang gelombang, sehingga membentuk kubus data hiperspektral dengan informasi spektral yang kaya, mencakup dua dimensi spasial dan satu dimensi spektral. Metode pengumpulan data meliputi pemindaian titik, pemindaian garis, pemindaian spektral, dan kamera snapshot. Setelah pengumpulan data, kalibrasi diperlukan untuk mengoreksi respons sensor, pencahayaan, dan efek atmosfer, diikuti dengan teknik pemrosesan data tingkat lanjut seperti dekomposisi spektral, klasifikasi, ekstraksi fitur, dan reduksi dimensi.
Data pencitraan hiperspektral dicirikan oleh dimensi dan kompleksitas yang tinggi: setiap piksel berisi ratusan pita spektral, sehingga menghasilkan kumpulan data yang sangat besar, persyaratan komputasi dan penyimpanan yang tinggi, serta masalah redundansi data. Pada saat yang sama, data tersebut rentan terhadap gangguan kebisingan dan sensitif terhadap kondisi lingkungan, sehingga memerlukan teknik pra-pemrosesan yang rumit seperti pengurangan kebisingan, koreksi atmosfer, dan kalibrasi. Kecerdasan buatan dapat mengatasi masalah ini: teknologi pembelajaran mesin dan pembelajaran mendalamnya sangat baik dalam memproses data yang kompleks, dapat secara otomatis mempelajari fitur spektral, mengurangi jumlah konstruksi fitur manual, dan memiliki keunggulan signifikan dalam pemrosesan data multidimensi, denoising, analisis real-time dan meningkatkan akurasi tugas, memainkan peran penting dalam analisis data hiperspektral.
Gambar 1. Diagram komponen utama sistem pencitraan hiperspektral
Jenis Pencitraan Hiperspektral
Pemindaian titik: satu piksel diambil pada satu waktu, kamera secara bertahap membuat gambar saat memindai sampel, setiap piksel berisi informasi spektral lengkap, resolusi spektral tinggi, tetapi perolehan gambar memerlukan waktu lama, yang tidak cocok untuk skenario akuisisi data cepat; Biasanya digunakan untuk analisis spektral laboratorium.
Pemindaian Garis: Pengukuran spektrum kontinu baris demi baris, banyak digunakan dalam pengendalian dan pemantauan kualitas industri. Meskipun kehilangan cahaya karena celah masuk spektrometer, keseimbangan tercapai antara kecepatan dan resolusi spektral, yang cocok untuk pemantauan dan analisis waktu nyata.
Spektroskopi transformasi Fourier: dapat mengukur spektrum kontinu, menggabungkan sensor gambar monokromatik dan interferometer, keluaran cahaya lebih tinggi daripada sistem pemindaian dorong-tarik, efisiensi dan keakuratan pengumpulan data spektral tinggi, cocok untuk aplikasi dengan persyaratan sensitivitas dan akurasi tinggi, mampu beroperasi dalam berbagai panjang gelombang, banyak digunakan di berbagai bidang seperti analisis kimia.
Pemindaian spektral: memungkinkan Anda mengumpulkan semua informasi spasial pada panjang gelombang tertentu, pemrosesan dilakukan secara berurutan untuk setiap panjang gelombang. Meskipun pengumpulan satu gambar relatif cepat, keseluruhan proses diperlambat karena kebutuhan untuk mengganti panjang gelombang. Memainkan peran penting dalam aplikasi yang memerlukan resolusi spasial tinggi pada panjang gelombang tertentu, seperti mikroskop fluoresensi, dan juga dapat dioptimalkan untuk fokus pada bidang minat tertentu.
Kamera Snapshot Hiperspektral: Mampu menangkap video hiperspektral, cocok untuk menangkap objek bergerak, pengumpulan data cepat dan efisien, namun resolusi spektral dan spasial terbatas dibandingkan teknologi lainnya. Mereka memiliki aplikasi penting dalam pencitraan hiperspektral real-time, seperti diagnostik medis.
Pencitraan hiperspektral resolusi tinggi sangat penting untuk mendeteksi perubahan spektral pada target yang kompleks, namun tingginya biaya peralatan resolusi tinggi yang ada membatasi penerapan dan penyebarannya. Perangkat berbiaya rendah yang dikembangkan oleh Stewart dan peneliti lain membuka cara baru untuk memecahkan masalah ini dan menunjukkan kinerja yang baik dalam pemantauan lingkungan mineralogi.
Tabel 1. Karakteristik metode pemindaian yang digunakan dalam pencitraan hiperspektral.
Interaksi sinergis antara kecerdasan buatan dan pencitraan hiperspektral
Pencitraan hiperspektral mengandung ratusan pita spektral, data berdimensi tinggi, dan terdapat masalah redundansi, noise, dan “kutukan dimensi” yang sulit diatasi oleh metode analisis tradisional. Algoritme kecerdasan buatan, khususnya pembelajaran mesin dan model pembelajaran mendalam, dapat memecahkan masalah ini secara efektif.
Algoritme pembelajaran yang diawasi menggunakan data berlabel untuk melatih model klasifikasi atau analisis, misalnya, mesin vektor pendukung cocok untuk mengklasifikasikan data berdimensi tinggi dan set pelatihan kecil; hutan acak sangat kuat dan mampu memproses data yang berisik; metode k-nearest neighbours melakukan klasifikasi berdasarkan kedekatan spektrum piksel dengan data berlabel; jaringan saraf seperti perceptron multilayer dapat digunakan untuk klasifikasi piksel demi piksel.
Algoritme pembelajaran tanpa pengawasan mampu menemukan pola tersembunyi dalam data tanpa label yang telah ditentukan sebelumnya, seperti pengelompokan k-means, analisis komponen utama, dan lain-lain; Jaringan saraf konvolusional dan jaringan saraf berulang di antara jaringan saraf dapat mempelajari representasi data yang kompleks; Algoritme pembelajaran penguatan cocok untuk lingkungan yang dinamis; analisis komponen independen digunakan untuk pemisahan sumber buta; Autoencoder digunakan untuk ekstraksi fitur tanpa pengawasan dan pengurangan dimensi. Ada juga metode baru, seperti DiffSpectralNet, yang mengintegrasikan berbagai teknologi untuk meningkatkan kinerja klasifikasi.
Teknologi pembelajaran mendalam menggunakan jaringan saraf dalam untuk mempelajari fitur secara otomatis, menghindari pembuatan fitur manual. Jaringan permusuhan generatif dapat digunakan untuk augmentasi data dan tujuan lainnya. Dalam jaringan saraf konvolusional, lapisan konvolusional mengekstrak fitur melalui koneksi bidang reseptif lokal, dan bila dikombinasikan dengan teknologi seperti lapisan penggabungan, lapisan tersebut meningkatkan kemampuan generalisasi model, menunjukkan hasil luar biasa saat memproses data kompleks berdimensi tinggi.
Dekomposisi spektral sering kali menggunakan faktorisasi matriks non-negatif dan teknik pengkodean renggang. Model hibrid yang menggabungkan informasi spasial dan spektral meningkatkan kinerja pada tugas-tugas seperti klasifikasi, seperti jaringan saraf konvolusional spektral spasial dan jaringan konvolusional grafik. Algoritme pemrosesan bahasa alami juga membantu kecerdasan buatan memahami dan menghasilkan bahasa, memfasilitasi pengembangan tugas cerdas di banyak bidang.
Dalam aplikasi praktisnya, kamera hiperspektral yang disempurnakan dengan AI dapat meningkatkan kecepatan pemrosesan sinyal dan kekebalan kebisingan, sehingga menghasilkan rekonstruksi spektral yang akurat. Algoritme resolusi super yang digerakkan oleh AI dapat meningkatkan resolusi spasial gambar, memfasilitasi pemetaan dan deteksi yang tepat. Dalam tugas klasifikasi, teknologi pembelajaran mesin dan pembelajaran mendalam mampu memproses data spektral multidimensi, mengimplementasikan klasifikasi bahan atau objek. Algoritme AI dapat menyimpan informasi penting dalam denoising, mengisi bagian yang hilang dalam rekonstruksi gambar, dan menggunakan informasi spektral untuk meningkatkan akurasi dalam deteksi objek dan segmentasi gambar, sehingga memainkan peran penting dalam berbagai bidang.
Gambar 3. a) Diagram sederhana dari kamera pengkodean pita lebar acak hiperspektral berdasarkan pembelajaran mendalam: kamera beroperasi dalam mode aktif (atas) atau mode pasif (bawah) tergantung pada posisi pengkodean spektral. b) Ikhtisar rekonstruksi spektral berbasis jaringan saraf dalam: Jaringan saraf dalam memproses data kamera monokromatik mentah untuk menghasilkan kubus data hiperspektral 3D yang direkonstruksi. c, d) Profil spektral sinar laser pita sempit: dalam kasus c, jaringan saraf dalam dilatih pada data “akurat”, dan dalam kasus d, pada data “umum”. e) Profil spektral dua puncak pada panjang gelombang 598,0 nm dan 603,2 nm, jarak antar puncak ditunjukkan dengan warna hitam.
Tabel 2. Karakteristik berbagai algoritma yang digunakan dalam interaksi kecerdasan buatan dan pencitraan hiperspektral.
Penerapan interaksi sinergis kecerdasan buatan dan pencitraan hiperspektral di bidang pertanian
Pemantauan pertumbuhan tanaman: Dengan menggunakan kecerdasan buatan dan pencitraan hiperspektral, gambar hiperspektral tanaman pada berbagai tahap pertumbuhan dapat dianalisis secara akurat. Dengan mengenali sedikit perubahan pada karakteristik spektral tanaman, status kesehatan tanaman dapat ditentukan, misalnya apakah tanaman terkena hama dan penyakit, apakah terdapat kekurangan nutrisi, dan sebagainya. Misalnya, model pembelajaran mendalam dapat menganalisis pantulan spektral daun tanaman dalam gambar hiperspektral, membedakan antara daun yang sehat dan yang sakit, membantu petani mengambil tindakan pencegahan dan pengendalian proaktif untuk meningkatkan hasil dan kualitas tanaman.
Menilai kualitas produk pertanian: pengujian non-destruktif terhadap buah-buahan, sayuran dan produk pertanian lainnya dilakukan. Berdasarkan sidik jari spektralnya yang unik, dikombinasikan dengan algoritme kecerdasan buatan, indikator seperti kematangan, kemanisan, dan kualitas internal produk pertanian ditentukan secara akurat, sehingga memudahkan penyortiran, pemilihan, dan pemasaran produk pertanian secara akurat.
Gambar 4. Kecerdasan buatan dan pencitraan hiperspektral yang digunakan untuk analisis kualitas makanan
Daerah penginderaan jauh
Klasifikasi dan pemantauan tutupan lahan: pencitraan hiperspektral pada area permukaan bumi yang luas dapat dilakukan. Algoritme kecerdasan buatan memproses data untuk secara akurat membedakan berbagai jenis tutupan lahan, seperti hutan, padang rumput, lahan pertanian, badan air, struktur perkotaan, dll., dan memungkinkan pelacakan perubahan penggunaan lahan seperti perluasan kota, penggundulan hutan, dan penurunan lahan basah secara real-time, sehingga memberikan dukungan informasi yang dapat diandalkan untuk pengelolaan lahan dan perlindungan lingkungan.
Eksplorasi sumber daya mineral: Karena mineral yang berbeda memiliki karakteristik penyerapan dan reflektansi spektral yang spesifik, kombinasi kecerdasan buatan dan teknologi pencitraan hiperspektral dapat mengidentifikasi zona distribusi mineral potensial dalam citra penginderaan jauh, sehingga meningkatkan efisiensi eksplorasi dan mengurangi biaya eksplorasi.
Ruang lingkup pemantauan lingkungan
Pemantauan pencemaran air: Dengan menganalisis data hiperspektral badan air, kecerdasan buatan mampu menentukan jenis dan konsentrasi polutan dalam air, misalnya mengenali apakah kandungan logam berat dalam air melebihi standar yang ditetapkan, adanya polutan organik, dan sebagainya, memberikan pemantauan dinamis terhadap kualitas lingkungan perairan.
Gambar 5. Sistem pencitraan hiperspektral jarak jauh yang dipasang pada kendaraan udara tak berawak yang disebut robot ubur-ubur, yang dapat dilengkapi jaring untuk mengumpulkan plastik besar atau mikroplastik dari berbagai permukaan air.
Analisis Komposisi Atmosfer: Pencitraan hiperspektral menangkap ciri spektral berbagai molekul gas di atmosfer, dan menerapkan algoritme kecerdasan buatan untuk menentukan kandungan dan distribusi gas rumah kaca, polutan, dan komponen lain di atmosfer, yang membantu memerangi polusi udara dan penelitian perubahan iklim.
Bidang medis
Diagnosis penyakit: Misalnya, dalam bidang diagnosis penyakit kulit, pencitraan hiperspektral digunakan untuk mendapatkan gambar spektral dari area kulit yang terkena, model kecerdasan buatan menganalisis gambar-gambar ini, membantu dokter menentukan jenis dan tingkat keparahan lesi, dan seterusnya, sehingga meningkatkan akurasi dan efisiensi diagnosis.
Gambar 9. Diagram hemodinamik perifer orang dewasa sehat saat istirahat, menunjukkan saturasi oksihemoglobin, hemoglobin, dan oksigen darah.
Analisis histopatologis: Pencitraan hiperspektral pada bagian patologis dilakukan, berdasarkan algoritma kecerdasan buatan, informasi spektral yang tertanam di dalamnya diekstraksi, yang membantu mengenali fitur mikrostruktur seperti sel kanker dan jaringan yang terkena, memberikan dasar referensi untuk pengobatan penyakit yang tepat.
Kawasan industri
Kontrol kualitas produk: Dalam industri manufaktur, pencitraan hiperspektral produk di lini produksi dilakukan, algoritme kecerdasan buatan dapat dengan cepat mendeteksi cacat permukaan produk, cacat struktural internal, dan masalah kualitas lainnya, sehingga memberikan kontrol kualitas otomatis dan sangat akurat.
Identifikasi dan analisis material: Untuk berbagai material industri, pencitraan hiperspektral yang dikombinasikan dengan kecerdasan buatan memungkinkan Anda menentukan jenis dan komposisi material dengan cepat dan akurat, serta menilai kesesuaian karakteristiknya dengan persyaratan yang ditetapkan, yang memfasilitasi pemilihan bahan baku dan pengendalian kualitas produk.
Interaksi sinergis antara kecerdasan buatan dan pencitraan hiperspektral mewakili kemajuan signifikan dalam pemrosesan data dan teknologi identifikasi material. Seiring dengan terus berkembangnya teknologi, titik temu keduanya berpotensi merangsang inovasi lebih lanjut, dan terus memperluas cakupan penerapannya dalam penelitian dan skenario praktis. Masa depan interaksi sinergis ini berpotensi merevolusi banyak industri, mendorong batas-batas teknologi yang ada, memberikan solusi yang akurat, efisien, dan serbaguna yang tidak dapat dicapai dengan metode tradisional, dan membuka peluang baru untuk pengembangan dan transformasi di berbagai industri.
