Grundlagen der Hyperspektralbildgebung
Spektroskopie ist die Untersuchung der Wechselwirkung von Materie mit elektromagnetischer Strahlung in Abhängigkeit von der Frequenz der Strahlung. Unterschiedliche Materialien absorbieren oder reflektieren diese Strahlung aufgrund ihrer chemischen und physikalischen Eigenschaften und erzeugen so eine einzigartige spektrale Signatur. Da jedes Material eine unterschiedliche spektrale Signatur aufweist, können diese Daten nicht nur spezifische Materialien voneinander trennen (qualitative Spektroskopie), sondern auch quantitative Aussagen über das analysierte Objekt ermöglichen.
Spektrometer waren ursprünglich eindimensionale Punktsensoren, aber durch jüngste Entwicklungen, hat sich die Spektroskopie von einem Punkt zu einem Pixel erweitert, was die spektrale Bildgebung ermöglicht, und uns erlaubt, die räumliche Verteilung chemischer Komponenten, Materialien oder Mengenunterschiede zu untersuchen.
Bildgebung ist die Methode, mit der die Form eines Objekts reproduziert wird. In der spektralen Bildgebung wird diese Methode verwendet, um mithilfe mehrerer Kanäle über das elektromagnetische Spektrum hinweg ein Bild aus der gleichzeitigen Messung von Spektren und räumlichen Informationen zu erstellen. Die spektralen Kanäle, die zur Erstellung der Bilder verwendet werden, können entweder diskret oder kontinuierlich sein. Die Verwendung diskreter Kanäle zur Bilderstellung wird als multispektrale Bildgebung bezeichnet; die Verwendung kontinuierlicher Kanäle wird als hyperspektrale Bildgebung oder einfach als spektrale Bildgebung bezeichnet und erzeugt ein Bild mit sehr hoher spektraler Auflösung.
Hyperspektrale Bildgebung, auch bekannt als Imaging-Spektroskopie, erfasst gleichzeitig Bilder in einer hohen Anzahl von Spektralkanälen, sodass für jedes Pixel des resultierenden Bildes ein kontinuierliches Reflexionsspektrum abgeleitet werden kann. Die Ergebnisse dieser Messungen werden in spektralen Datenwürfeln gesammelt und dienen als Eingaben für Datenverarbeitung, Modellierung oder maschinelle Lernalgorithmen.
Traditionell lag der Fokus der hyperspektralen Bildgebung allein auf der Anzahl der Spektralkanäle, die für die Datenanalyse zur Verfügung stehen. Heute werden jedoch weitaus mehr Anforderungen an hyperspektrale Bildgebungssysteme gestellt, darunter Portabilität, Flexibilität, Echtzeitzugriff auf Daten und Analysen sowie Videospektroskopie. Diese Merkmale prägen die aktuellen Treiber der Imaging-Spektroskopie. Unsere Mission bei Cubert ist es, diese technischen Eigenschaften in ein erfolgreiches Benutzererlebnis umzuwandeln und spektrale Produkte zu entmystifizieren.
Hyperspektraler Vorteil – Wenn Qualität der treibende Faktor ist
Seit den 1980er Jahren hat die hyperspektrale Bildgebung die Entwicklung einer Vielzahl von Schmalbandindizes und Methoden zur Anpassung spektraler Merkmale ermöglicht, die zur Bestimmung verschiedener Eigenschaften verwendet werden. Diese Indizes ermöglichen die Gewinnung spezifischer Informationen, wie z. B. Vitalitätsstatus, Chlorophyllgehalt, Wassergehalt, Trockenmasse oder Blattflächenindex—um nur einige der für die Landwirtschaft oder Forstwirtschaft wertvollen Parameter zu nennen. Die meisten dieser Indizes basieren auf Studien zu spezifischen Problemen und verwenden daher eine breite Palette verschiedener Wellenlängen.
Eine hyperspektrale Kamera kann jedoch mehrere Analysen gleichzeitig durchführen, anstatt sich wie multispektrale Kameras auf einen Index, wie z.B. NDVI, zu konzentrieren. Diese Fähigkeit ermöglicht es unseren Kunden, eine Vielzahl von Anwendungen mit derselben Kamera durchzuführen.
Heute können maschinelle Lernalgorithmen mit hyperspektralen oder multispektralen Datensätzen trainiert werden. Diese Algorithmen sind darauf ausgelegt, die spezifischen Unterschiede in den spektralen Signaturen verschiedener Materialien zu finden. Da hyperspektrale Datensätze weitaus detailliertere spektrale Informationen bieten, profitieren maschinelle Lernalgorithmen erheblich von diesen Datensätzen, was zu einer deutlich erhöhten Spezifität des Klassifikators führt.
Die für jede Klassifikation angegebene Kreuzkorrelationsmatrix, zeigt einen maximalen Fehler von 33 % für die multispektrale Bildgebung, während die hyperspektrale Bildgebung einen maximalen Fehler von 4,3 % aufweist. Cubert ist der einzige Anbieter weltweit, der hyperspektrale Videospektrometer liefert, die vollständige Datenwürfel kontinuierlicher Spektren in weniger als einer Millisekunde erfassen.
Wenn Kosten der treibende Faktor sind
Hyperspektrale Bildgebung ist mittlerweile ein unverzichtbares Werkzeug für eine wachsende Anzahl von Anwendungen sowie für Forschung und Entwicklung. Eine Vielzahl von Anwendungen profitiert von der erhöhten Spezifität der Wellenlängendiskriminierung der Bildgebungssysteme und der großen Anzahl möglicher Anwendungen, die nur ein einziges Gerät abdecken kann. Handelsübliche hyperspektrale Bildgebungsgeräte bieten eine sehr kosteneffiziente Lösung für jede Anwendung, bei der nur eine geringe Anzahl von Kameras benötigt wird. Aber gibt es eine kostengünstigere Lösung, wenn die Anwendung Dutzende oder Hunderte von Kameras erfordert?
Die übliche Antwort auf dieses Problem ist der Einsatz handelsüblicher multispektraler Bildgebungskameras aufgrund ihrer geringeren Kosten. Aber wir sind überzeugt, dass diese Antwort falsch ist. Handelsübliche multispektrale Bildgeber bieten entweder nicht die erforderliche spektrale Auflösung oder haben verfügbare Kanäle bei der falschen Wellenlänge. Ebenso sind die Toleranzen der spektralen Mittelposition aufgrund des komplizierten Herstellungsprozesses zu hoch, um eine reibungslose Integration einer großen Anzahl von Kameras in eine Lösung zu gewährleisten.
Mit der Lichtfeld-Hyperspektralbildgebung ist es jedoch möglich, die genaue Position der kritischen Kanäle zu bestimmen und sie in einem angepassten System bereitzustellen, das den Anforderungen an Preis, räumlicher und spektraler Auflösung entspricht.
Über den Autor
Dr. Matthias Locherer ist seit 2017 Sales Director bei Cubert GmbH. Mit einem PhD in Erdbeobachtung von der Ludwig-Maximilians-Universität München bringt er umfangreiche Expertise in der Fernerkundung, spektraler Bildgebung und Datenanalyse mit. Matthias hat an verschiedenen Forschungsprojekten und Publikationen mitgewirkt, insbesondere im Bereich der multisaisonalen Überwachung biophysikalischer und biochemischer Parameter mit hyperspektralen Satellitenmissionen. Seine fundierten Kenntnisse in optischer Messtechnik und physikalischer Modellierung machen ihn zu einem wichtigen Treiber für die Weiterentwicklung innovativer hyperspektraler Technologien bei Cubert.
