인공지능과 초분광 이미징의 시너지 상호작용 

원래 1980년대 중반에 원격 감지를 위해 사용되었던 초분광 이미징은 지난 20년 동안 수많은 연구 분야, 특히 농업 및 식품 과학 분야로 확장되어 연구 대상 물체의 시각적 및 화학적 특성에 대한 추가 데이터를 수집하는 데 사용되었습니다. 초분광 이미징은 전통적인 이미징과 적외선 분광학, 라만 분광학 및 형광과 같은 스펙트럼 기술을 결합하여 2차원 디지털 이미징과 데이터의 스펙트럼 차원을 통합하는 하이퍼큐브라고 하는 3차원 데이터 구조를 형성합니다. 각 픽셀은 그것이 나타내는 영역의 광학적 특성을 반영하는 스펙트럼과 연관되어 있습니다. 스펙트럼은 인접한 픽셀의 영향을 받지만 물질을 식별하는 고유한 특징으로 작용할 수 있습니다. 과일, 야채, 버섯의 품질 평가 분야에서 초분광 이미징은 데이터 가용성 및 모델 신뢰성과 같은 과제에 직면해 있습니다. 기존 연구는 대부분 실제 적용이 부족하며, 비파괴 품질 평가를 달성하고 음식물 쓰레기를 줄이며 식품 안전을 보장하기 위해서는 재현성과 연구 매개변수를 산업 매개변수로 변환하는 데 주의를 기울여야 합니다.

인공지능과 초분광 이미징의 통합이 중요합니다. 머신러닝과 딥러닝 기법을 주로 사용하는 인공지능 알고리즘은 고차원, 대규모 초분광 영상 데이터를 효율적으로 처리할 수 있어 정확한 특징 추출 및 분류를 제공합니다. 대규모 데이터 세트 처리, 노이즈 제거, 실시간 분석 및 작업 정확도 향상에 뛰어난 성능을 보여 농업 및 원격 감지와 같은 초분광 데이터 의존 애플리케이션에 매우 유용합니다. 인공지능 기술이 발전함에 따라 초분광 이미징과의 통합이 더욱 긴밀해지고 실시간 처리가 실현되며 신기술과의 결합으로 응용 범위가 확대되고 산업 혁신이 촉진될 것입니다. 데이터 및 컴퓨팅과 관련된 과제에도 불구하고 전망은 여전히 ​​낙관적입니다. 이 리뷰에서는 초분광 이미징 적용에서 인공 지능의 주요 역할, 기존 문제 및 향후 개발 전망에 대해 자세히 논의할 것입니다.

초분광 이미징의 메커니즘과 관련 문제

초분광 이미징은 스펙트럼 정보를 캡처하고 처리하여 소수의 스펙트럼 대역에서만 데이터를 수집하는 기존 이미징의 한계를 극복합니다. 이 과정은 광원으로 대상 장면을 비추는 것으로 시작됩니다. 빛이 장면의 물질과 상호 작용한 후 프리즘이나 회절 격자와 같은 광학 요소를 사용하는 초분광 센서가 수집된 빛을 서로 다른 파장으로 분해한 다음 센서 어레이가 각 파장의 빛 강도를 기록하여 두 개의 공간 차원과 하나의 스펙트럼 차원에 걸쳐 풍부한 스펙트럼 정보를 갖춘 초분광 데이터 큐브를 형성합니다. 데이터 수집 방법에는 포인트 스캐닝, 라인 스캐닝, 스펙트럼 스캐닝 및 스냅샷 카메라가 포함됩니다. 데이터 수집 후에는 센서 반응, 조명, 대기 효과를 보정하기 위한 보정이 필요하며 스펙트럼 분해, 분류, 특징 추출, 차원 축소 등의 고급 데이터 처리 기술이 필요합니다.

초분광 이미징 데이터는 높은 차원성과 복잡성을 특징으로 합니다. 각 픽셀에는 수백 개의 스펙트럼 대역이 포함되어 있어 거대한 데이터 세트, 높은 계산 및 저장 요구 사항, 데이터 중복 문제가 발생합니다. 동시에 데이터는 소음 간섭을 받기 쉽고 환경 조건에 민감하므로 소음 감소, 대기 보정, 보정과 같은 복잡한 전처리 기술이 필요합니다. 인공 지능은 이러한 문제를 해결할 수 있습니다. 기계 학습 및 딥 러닝 기술은 복잡한 데이터 처리에 탁월하고, 스펙트럼 특징을 자동으로 학습할 수 있으며, 수동 특징 구성의 양을 줄이고, 다차원 데이터 처리, 노이즈 제거, 실시간 분석 및 작업 정확도 향상에 상당한 이점을 가지며 초분광 데이터 분석에서 중요한 역할을 합니다.