Näkemisen voima ihmissilmän kykyjä pidemmälle

Eri värit, joita voimme nähdä, perustuvat valon eri aallonpituuksiin. Ihmissilmä voi havaita ja erottaa aallonpituuksia kolmella kaistalla (punainen, vihreä ja sininen), jotka kattavat alueen 450–650 nanometriä, mutta emme voi nähdä valoa sadoista muista valokaistaleista, jotka ovat tämän alueen ulkopuolella. On olemassa hyperspektraalinen kuvantaminen, joka voi antaa paremman kuvan siitä, mitä ympärillämme tapahtuu. On olemassa erikoiskameroita, jotka erottavat prismoilla jopa 300 valokaistaa ja digitoivat sitten havaitsemansa energian aallonpituuskohtaisesti. Näillä kameroilla on valtava valikoima potentiaalisia sovelluksia. Niillä voidaan esimerkiksi seurata kasvihuonekaasupäästöjä, tehdä ero kirkkaiden sekoitettujen muovien välillä tai mitata hedelmien kypsymistä pakkauslinjalla.

Näitä hyperspektrikameroita on useita valmistajia, mutta ainakin toistaiseksi ne ovat melko kalliita - alkaen noin 20,000 XNUMX dollarista. Heidän käyttämänsä kamerakohtaiset ohjelmistot eivät ole niin helppoja integroida muihin järjestelmiin. Toinen tämän laajennetun maailmankuvan mukanaan tuoma haaste liittyy datan määrään – nämä kamerat tuottavat noin yhden gigabitin dataa sekunnissa!

On olemassa yritys nimeltä Metaspectral, joka pyrkii laajentamaan hyperspektrisen kuvantamisen mahdollisuuksia tarjoamalla laitteiston ja ohjelmiston yhdistelmän, joka tekee tästä tietolähteestä käyttäjäystävällisemmän. He käyttävät "laiteagnostisia" reunalaitteita, jotka käyttävät pakkausalgoritmeja, jotka voidaan liittää mihin tahansa hyperspektrikameraan ja muuntaa sen datan hallittavaksi virtaukseksi. Heidän omalla Fusion AI -alustalla voidaan liittää tuttuihin käyttäjäohjelmistoihin, ohjata robotiikkaa tai syöttää tekoälyä ja syväoppimisjärjestelmiä.

Metaspectral keräsi äskettäin 4.7 miljoonan dollarin siemenrahoituksen SOMA Capitalilta, Acequia Capitalilta, Kanadan hallitukselta ja enkelisijoittajilta, mukaan lukien Jude Gomila ja Alan Rutledge. Yrityksen perustivat Francis Doumet (toimitusjohtaja) ja Migel Tissera (CTO). Tissera kuvailee tarjontaansa seuraavasti: ”Olemme kehittäneet uusia tiedonpakkausalgoritmeja, joiden avulla voimme siirtää hyperspektristä dataa paremmin ja nopeammin, olipa se sitten kiertoradalta maahan tai maanpäällisten verkkojen sisällä. Yhdistämme sen edistykseemme syväoppimisessa tehdäksemme alipikselitason analyysiä, mikä antaa meille mahdollisuuden saada enemmän oivalluksia kuin tavallinen tietokonenäkö, koska tietomme sisältävät enemmän tietoa spektriulottuvuudesta.

Itse asiassa hyperspektristä kuvantamista voidaan käyttää hyvin eri mittakaavassa. Esimerkiksi yksi Metaspectralin järjestelmän kehittyneimmistä sovelluksista on lähikuvakamerat sekakierrätysmateriaalien lajittelulinjoilla, joissa se pystyy erottamaan kirkkaat muovit kemiallisen koostumuksen perusteella, jotta ne voidaan lajitella uudelleenkäsittelyssä tarvittaviin erittäin puhtaisiin virtoihin. .

Kanadan suurin jätteiden kierrättäjä käyttää nyt tätä järjestelmää. On muitakin lähikuvasovelluksia laadunvarmistukseen kokoonpanolinjoilla tai hedelmien lajittelussa.

Toisessa ääripäässä kamera voi tuottaa dataa satelliitista, jossa jokainen kuvan pikseli edustaa 30m x 30m neliötä (900 neliömetriä). Kanadan avaruusjärjestö käyttää tätä lähestymistapaa kasvihuonekaasupäästöjen seuraamiseen ja jopa maaperän hiilen sitomisen arvioimiseen viljellyssä tai metsässä vertaamalla vuonopeuksia ajan kuluessa. Tekniikka on myös suunniteltu käytettäväksi tulevaisuudessa kansainvälisellä avaruusasemalla. Metsäpalojen riskiarvioinnit ovat toinen mahdollinen sovellus ohjaamaan toimia, kuten ohjeellisia palovammoja.

Toinen vaihtoehto, joka olisi erityisen hyödyllinen maataloudelle, on ottaa käyttöön kamerat 50-100 metrin korkeudessa lentävien droonien kanssa. Siinä tapauksessa jokainen datapikseli voi edustaa 2 cm x 2 cm aluetta, ja kyky tarkkailla niin monia eri aallonpituuksia voisi mahdollistaa haitallisten rikkakasvien, hyönteisten toiminnan, sieni-infektioiden varhaisen havaitsemisen vaiheissa ennen kuin ne näkyvät ihmisille, varhaiset merkit vedestä. tai ravinteiden puutteet tai sadon kypsyysparametrit, jotka ohjaavat sadonkorjuun ajoitusta. Voi olla mahdollista seurata viljellyn maan kasvihuonekaasu- tai ammoniakkipäästöjä ymmärtääkseen paremmin, miten tietyt viljelykäytännöt, kuten alennettu maanmuokkaus, peittoviljely, vaihtelevaannoksinen lannoitus tai "hallittu pyöräliikenne" vaikuttavat niihin. Tällä hetkellä tarvitaan paljon "maatotuustutkimusta" kuvantamistietojen yhdistämiseksi kyseessä olevien muuttujien mittauksiin, mutta tämä on paljon helpompaa Metaspectralin saatavilla olevien tietojen pakkaus- ja liitäntäominaisuuksien ansiosta.

Yksi toivo on, että Metaspectral-alustan mahdollistamat monipuoliset hyperspektrisen kuvantamisen sovellukset luovat kameroille riittävästi kysyntää työntämään valmistusta edelleen alaspäin kustannus-oppimiskäyrällä.