Гиперспектральная визуализация (HSI) является полезным методом для комплексной и неинвазивной оценки качества продукции. В отличие от обычных методов визуализации, HSI использует накопление спектральных сигнатур каждого пространственного местоположения в сотнях узких полос. Объединяя эти обширные пространственные и спектральные данные, HSI создает гиперкубы.
Эти гиперкубы предоставляют соответствующую качественную и количественную информацию, которая может быть использована для определения химического состава, материальных качеств и других физических характеристик каждого объекта на изображении. Следовательно, HSI имеет большие перспективы в различных областях применения, в том числе в сельском хозяйстве, медицинской визуализации и геологии.
Несмотря на огромные преимущества, высокая стоимость, обширные и сложные данные, низкое пространственное разрешение, чувствительность к окружающей среде, меньшая портативность и низкая скорость формирования изображений делают HSI недоступным для некоторых приложений, что ограничивает ее практическое применение.
Группа исследователей из Университета Иллинойса в Урбане-Шампейне разработала метод реконструкции гиперспектральных изображений из стандартных изображений RGB с использованием глубокого машинного обучения. Этот метод может значительно упростить аналитический процесс и потенциально произвести революцию в оценке продукции в сельскохозяйственной отрасли.
«Для получения гиперспектральных изображений требуется дорогостоящее оборудование. Если мы можем использовать RGB-изображения, полученные с помощью обычной камеры или смартфона, мы можем использовать недорогое портативное устройство для прогнозирования качества продукта», — сказал ведущий автор исследования доктор Тукир Ахмед.
Ахмед - докторант кафедры сельскохозяйственной и биологической инженерии (ABE), входящей в Колледж сельскохозяйственных, потребительских и экологических наук и Инженерный колледж Грейнджера в Иллинойсе.
Исследователи проверили свой метод, проанализировав химический состав батата. В одном исследовании (опубликованном в журнале Journal of Food Engineering) они сосредоточились на содержании растворимых твердых веществ, а во втором исследовании (опубликованном в Results in Engineering) — на сухом веществе. Эти важные характеристики влияют на вкус, пищевую ценность, товарность и пригодность батата к переработке.
Используя модели глубокого обучения, они преобразовали информацию из RGB-изображений в гиперспектральные изображения.
«С помощью изображений RGB вы можете обнаружить только видимые атрибуты, такие как цвет, форма, размер и внешние дефекты; вы не можете обнаружить никаких химических параметров. В изображениях RGB у вас есть длины волн от 400 до 700 нанометров и три канала — красный, зеленый и синий. Но с гиперспектральными изображениями у вас есть много каналов и длин волн от 700 до 1000 нм. С помощью методов глубокого обучения мы можем картировать и реконструировать этот диапазон, так что теперь мы можем определять химические атрибуты на изображениях RGB», — сказал Мохаммед Камруззаман, доцент кафедры ABE и автор-корреспондент обеих статей.
Гиперспектральная визуализация захватывает подробную спектральную сигнатуру в пространственных точках в сотнях узких полос, объединяясь для формирования гиперкубов. Применяя передовые алгоритмы на основе глубокого обучения, Камруззаман и Ахмед смогли создать модель для реконструкции гиперкубов из изображений RGB, чтобы предоставить соответствующую информацию для анализа продукта.
Они откалибровали спектральную модель с помощью реконструированных гиперспектральных изображений батата, достигнув более 70% точности в прогнозировании содержания растворимых твердых веществ и 88% точности в прогнозировании содержания сухого вещества, что является значительным улучшением по сравнению с предыдущими исследованиями.
В третьей статье, опубликованной в Smart Agricultural Technology, исследовательская группа применила методы глубокого обучения для реконструкции гиперспектральных изображений для прогнозирования смертности куриных эмбрионов, что имеет применение в яичной и инкубаторной промышленности. Они изучили различные методы и дали рекомендации по наиболее точному подходу.
«Наши результаты открывают большие перспективы для революционного изменения оценки качества сельскохозяйственной продукции. Восстанавливая подробную химическую информацию из простых изображений RGB, мы открываем новые возможности для доступного и недорогого анализа. Хотя остаются проблемы с масштабированием этой технологии для промышленного использования, потенциал трансформации контроля качества во всем сельскохозяйственном секторе делает это начинание по-настоящему захватывающим», - заключил Камруззаман.
Источник и фото: College of Agricultural, Consumer and Environmental Sciences at the University of Illinois Urbana-Champaign. Автор: Марианна Штайн. На фото - доктор Тукир Ахмед, докторант Иллинойсского университета в Урбане-Шампейне, делает фотографию батата с помощью гиперспектральной камеры.
