Redzes spēks, kas pārsniedz cilvēka acs spējas

Dažādās krāsas, ko mēs varam redzēt, ir balstītas uz dažādiem gaismas viļņu garumiem. Cilvēka acs var noteikt un atšķirt viļņu garumus trīs joslās (sarkanā, zaļā un zilā), kas aptver diapazonu no 450 līdz 650 nanometriem, taču mēs nevaram redzēt gaismu no simtiem citu gaismas joslu, kas pastāv ārpus šī diapazona. Ir tehnoloģija, ko sauc par hiperspektrālo attēlveidošanu, kas var sniegt labāku priekšstatu par to, kas notiek apkārtējā pasaulē. Ir specializētas kameras, kas atdala līdz 300 gaismas joslām ar prizmām un pēc tam digitalizē enerģiju, ko tās nosaka, pamatojoties uz viļņa garumu. Šīm kamerām ir milzīgs iespējamo lietojumu klāsts. Piemēram, tos var izmantot, lai uzraudzītu siltumnīcefekta gāzu emisijas, noteiktu atšķirību starp jauktu caurspīdīgu plastmasu vai mērītu augļu gatavību uz iepakošanas līnijas.

Ir vairāki šo hiperspektrālo kameru ražotāji, taču vismaz pagaidām tās ir diezgan dārgas – sākot no aptuveni 20,000 XNUMX USD. Kamerai paredzēto programmatūru, ko viņi izmanto, nav tik viegli integrēt ar citām sistēmām. Otrs izaicinājums, kas saistīts ar šo paplašināto pasaules skatījumu, ir saistīts ar datu apjomu — šīs kameras ģenerē aptuveni vienu gigabitu datu sekundē!

Ir uzņēmums Metaspectral, kas cenšas paplašināt hiperspektrālās attēlveidošanas potenciālu, piedāvājot aparatūras un programmatūras kombināciju, lai padarītu šo datu avotu lietotājam draudzīgāku. Tie izmanto “ierīču agnostiskas” malas ierīces, kurās darbojas saspiešanas algoritmi, kuras var savienot ar jebkuru hiperspektrālo kameru un pārvērst tās datu izvadi pārvaldāmā plūsmā. Viņu patentēto Fusion AI platformu var izmantot, lai saskartos ar pazīstamu lietotāja programmatūru, vadītu robotiku vai barotu mākslīgo intelektu un dziļās mācīšanās sistēmas.

Metaspectral nesen piesaistīja 4.7 miljonus USD sākuma finansējuma kārtā no SOMA Capital, Acequia Capital, Kanādas valdības un eņģeļu investoriem, tostarp Džūda Gomila un Alana Ratledža. Uzņēmuma līdzdibinātāji bija Francis Doumet (izpilddirektors) un Migel Tissera (CTO). Tissera savu piedāvājumu apraksta šādi: “Mēs esam izstrādājuši jaunus datu saspiešanas algoritmus, kas ļauj labāk un ātrāk pārsūtīt hiperspektrālos datus gan no orbītas uz zemi, gan virszemes tīklos. Mēs to apvienojam ar mūsu dziļās mācīšanās sasniegumiem, lai veiktu apakšpikseļu līmeņa analīzi, ļaujot mums iegūt vairāk ieskatu nekā parastā datorredze, jo mūsu datos ir vairāk informācijas par spektrālo dimensiju.

Patiešām, hiperspektrālo attēlveidošanu var izmantot ļoti dažādos mērogos. Piemēram, viens no visattīstītākajiem Metaspectral sistēmas lietojumiem ir tuvplāna kameras uz jaukta pārstrādes materiāla šķirošanas līnijām, kur tās var atšķirt caurspīdīgas plastmasas pēc ķīmiskā sastāva, lai tās varētu šķirot ārkārtīgi tīrās plūsmās, kas nepieciešamas atkārtotai apstrādei. .

Lielākais Kanādas atkritumu pārstrādātājs tagad izmanto šo sistēmu. Ir arī citi tuvplāna pielietojumi kvalitātes nodrošināšanai montāžas līnijās vai augļu šķirošanā.

Otrā galējā gadījumā kamera var ģenerēt datus no satelīta, kur katrs attēla pikselis ir 30 m x 30 m kvadrāts (900 kvadrātmetri). Kanādas Kosmosa aģentūra izmanto šo pieeju, lai izsekotu siltumnīcefekta gāzu emisijām un pat novērtētu augsnes oglekļa sekvestrāciju lauksaimniecības vai meža zemēs, salīdzinot plūsmas ātrumu laika gaitā. Tehnoloģija ir paredzēta arī turpmākai izvietošanai Starptautiskajā kosmosa stacijā. Meža ugunsgrēku riska novērtējumi ir vēl viens potenciāls pielietojums, lai vadītu tādas darbības kā preskriptīvi apdegumi.

Vēl viena iespēja, kas būtu īpaši noderīga lauksaimniecībai, ir izvietot kameras ar droniem, kas lido 50-100 metru augstumā. Tādā gadījumā katrs datu pikselis var attēlot 2 cm x 2 cm platību, un iespēja uzraudzīt tik daudz dažādu viļņu garumu varētu ļaut laikus atklāt invazīvas nezāles, kukaiņu aktivitāti, sēnīšu infekcijas stadijās, pirms tās ir redzamas cilvēkiem, agrīnas ūdens pazīmes. vai barības vielu deficīts, vai ražas brieduma parametri, lai vadītu ražas novākšanas laiku. Varētu būt iespējams izsekot siltumnīcefekta gāzu vai amonjaka emisijām no lauksaimniecības augsnēm, lai labāk izprastu, kā tos ietekmē īpašas lauksaimniecības metodes, piemēram, samazināta augsnes apstrāde, zemkopība, mainīgas devas mēslojums vai “kontrolēta riteņu satiksme”. Pašlaik ir nepieciešams veikt daudz “patiesības noteikšanas” pētījumu, lai savienotu attēlveidošanas datus ar attiecīgo mainīgo lielumu mērījumiem, taču tas būs daudz vienkāršāk, izmantojot Metaspectral pieejamās datu saspiešanas un saskarnes iespējas.

Viena cerība ir tāda, ka daudzveidīgie hiperspektrālās attēlveidošanas pielietojumi, ko veicina Metaspectral platforma, radīs pietiekamu pieprasījumu pēc kamerām, lai padarītu ražošanu vēl zemāku izmaksu mācīšanās līknē.