قدرت دیدن فراتر از توانایی های چشم انسان

رنگ های مختلفی که می توانیم ببینیم بر اساس طول موج های مختلف نور است. چشم انسان می تواند طول موج ها را در سه باند (قرمز، سبز و آبی) تشخیص دهد و از هم متمایز کند که محدوده 450 تا 650 نانومتر را پوشش می دهد، اما ما نمی توانیم نور را از صدها باند نوری دیگر که خارج از این محدوده وجود دارند، ببینیم. فناوری ای به نام تصویربرداری فراطیفی وجود دارد که می تواند دید بهتری از آنچه در دنیای اطراف ما می گذرد ارائه دهد. دوربین های تخصصی وجود دارند که تا 300 باند نور را با منشور جدا می کنند و سپس انرژی را که تشخیص می دهند بر اساس طول موج خاص دیجیتالی می کنند. این دوربین ها دارای طیف وسیعی از کاربردهای بالقوه هستند. برای مثال، می‌توان از آنها برای نظارت بر انتشار گازهای گلخانه‌ای، تفاوت بین پلاستیک‌های شفاف مخلوط یا اندازه‌گیری رسیده بودن میوه در خط بسته‌بندی استفاده کرد.

چندین تولید کننده از این دوربین های ابرطیفی وجود دارد، اما حداقل در حال حاضر، آنها بسیار گران هستند - از حدود 20,000 دلار شروع می شود. نرم افزار مخصوص دوربینی که آنها استفاده می کنند به راحتی با سیستم های دیگر ادغام نمی شوند. چالش دیگری که با این دید گسترده از جهان پیش می آید مربوط به حجم داده است – این دوربین ها حدود یک گیگابیت داده در ثانیه تولید می کنند!

شرکتی به نام Metaspectral وجود دارد که به دنبال گسترش پتانسیل تصویربرداری فراطیفی با ارائه ترکیبی از سخت افزار و نرم افزار برای کاربرپسندتر کردن این منبع داده است. آنها از دستگاه‌های لبه‌ای «آگنوستیک دستگاه» استفاده می‌کنند که الگوریتم‌های فشرده‌سازی را اجرا می‌کنند که می‌توانند به هر دوربین ابرطیفی متصل شوند و خروجی داده‌های آن را به یک جریان قابل مدیریت تبدیل کنند. پلت فرم اختصاصی Fusion AI آنها را می توان برای ارتباط با نرم افزار کاربر آشنا، هدایت رباتیک، یا تغذیه سیستم های هوش مصنوعی و یادگیری عمیق استفاده کرد.

Metaspectral اخیراً 4.7 میلیون دلار سرمایه اولیه از SOMA Capital، Acequia Capital، دولت کانادا و سرمایه گذاران فرشته از جمله جود گومیلا و آلن راتلج جمع آوری کرده است. این شرکت توسط Francis Doumet (مدیرعامل) و Migel Tissera (CTO) تأسیس شد. تیسرا پیشنهاد خود را اینگونه توصیف می‌کند: «ما الگوریتم‌های فشرده‌سازی داده جدیدی را توسعه داده‌ایم که به ما امکان می‌دهد داده‌های ابرطیفی را بهتر و سریع‌تر انتقال دهیم، چه از مدار به زمین و چه در شبکه‌های زمینی. ما آن را با پیشرفت‌های خود در یادگیری عمیق برای انجام تجزیه و تحلیل سطح زیر پیکسل ترکیب می‌کنیم و به ما این امکان را می‌دهد که بینش بیشتری نسبت به بینایی رایانه‌ای معمولی استخراج کنیم، زیرا داده‌های ما حاوی اطلاعات بیشتری در مورد بعد طیفی است.

در واقع، تصویربرداری فراطیفی را می توان در مقیاس های بسیار متفاوتی به کار برد. به عنوان مثال، یکی از توسعه یافته ترین کاربردهای سیستم متاسکترال، دوربین های نزدیک روی خطوط مرتب سازی برای مواد بازیافتی مخلوط است که می تواند پلاستیک های شفاف را با ترکیب شیمیایی متمایز کند تا بتوان آنها را در جریان های بسیار خالص مورد نیاز برای پردازش مجدد طبقه بندی کرد. .

بزرگترین شرکت بازیافت زباله کانادا اکنون از این سیستم استفاده می کند. کاربردهای نزدیک دیگری برای تضمین کیفیت در خطوط مونتاژ یا دسته بندی میوه ها وجود دارد.

از سوی دیگر، دوربین می‌تواند داده‌ها را از یک ماهواره تولید کند که در آن هر پیکسل تصویر 30 متر در 30 متر مربع (900 متر مربع) را نشان می‌دهد. آژانس فضایی کانادا از این رویکرد برای ردیابی انتشار گازهای گلخانه ای و حتی برای تخمین ترسیب کربن خاک در زمین های کشاورزی یا جنگلی با مقایسه نرخ شار در طول زمان استفاده می کند. این فناوری همچنین برای استقرار آینده در ایستگاه فضایی بین المللی در نظر گرفته شده است. ارزیابی خطر آتش‌سوزی جنگل یکی دیگر از کاربردهای بالقوه برای هدایت اقداماتی مانند سوختگی تجویزی است.

گزینه دیگری که برای کشاورزی کاربرد خاصی دارد، استقرار دوربین ها با پهپادهایی است که در فاصله 50 تا 100 متری پرواز می کنند. در آن صورت، هر پیکسل داده می تواند مساحتی به ابعاد 2 سانتی متر در 2 سانتی متر را نشان دهد و توانایی نظارت بر طول موج های مختلف می تواند به تشخیص زودهنگام علف های هرز مهاجم، فعالیت حشرات، عفونت های قارچی در مراحل قبل از قابل مشاهده شدن برای انسان، و نشانه های اولیه آب کمک کند. یا کمبود مواد مغذی، یا پارامترهای بلوغ محصول برای هدایت زمان برداشت. ممکن است بتوان انتشار گازهای گلخانه‌ای یا آمونیاک از خاک‌های کشاورزی را ردیابی کرد تا درک بهتری از نحوه تأثیرپذیری آن‌ها از شیوه‌های کشاورزی خاص مانند کاهش خاک‌ورزی، کشت پوششی، کوددهی با نرخ متغیر یا «ترافیک چرخ‌های کنترل‌شده» داشته باشد. در حال حاضر، آنچه مورد نیاز است، تحقیقات "واقعیت زمینی" خوبی برای اتصال داده های تصویربرداری با اندازه گیری متغیرهای مورد نظر است، اما این کار با فشرده سازی داده ها و قابلیت های رابط موجود از Metaspectral بسیار آسان تر خواهد بود.

یک امید این است که کاربردهای متنوع تصویربرداری فراطیفی که توسط پلتفرم فراطیفی تسهیل می‌شود، تقاضای کافی برای دوربین‌ها ایجاد کند تا تولید را به سمت پایین‌تر از منحنی یادگیری هزینه سوق دهد.