I de seneste år er der opnået en anerkendt succes med brugen af RGB-kameraer til detektion af røg og ild. Ikke desto mindre forbliver antallet af falske alarmer stadig højt nok til at hæmme løsningerne skalérbarhed. Her kommer brugen af hyperspektral information ind i billedet, da det har potentiale til at forbedre præcisionen i brandidentifikation. Målet med denne undersøgelse er at analysere og evaluere forskellige teknikker til spektral rekonstruktion for at vurdere i hvilken grad hyperspektrale billeder kan rekonstrueres ud fra RGB-billeder.

Der er blevet udviklet tre forskellige metoder til at syntetisere hyperspektrale billeder baseret på sparsomme spektrale data, der er knyttet til RGB-billeder. Disse metoder omfatter kombinationer af tre grundlæggende teknikker: lineær regression, clustering og neurale netværk. Den enkleste metode er en direkte regression, som giver hurtigere køretider, mens den mest komplekse tilgang involverer et Multi-Layer Perceptron (MLP) neuralt netværk, der gav den bedste præstation, men også krævede højere beregningsressourcer. Endelig kombinerer en metode MLP med clustering for at opnå en omkostningseffektiv løsning uden væsentligt tab af præstation.

De udførte indledende dataanalyser brugte faktoranalyse til at afsløre de underliggende datakonstruktioner og deres dimensioner, hvilket gav indsigt i, hvordan den lavdimensionelle RGB-plads kan kortlægges til den højdimensionelle hyperspektrale dataplads. Ved at bruge en kontinuerlig spektral distribution opnået gennem disse metoder forventedes det, at brandidentifikationens nøjagtighed ville blive forbedret, hvilket dermed ville forbedre den samlede præstation af branddetektionsalgoritmer. Denne tilgang kan være en vigtig ekstraktionsfase for efterfølgende detektionsfaser, især i systemer, der bruger lavpris RGB-kameraer.

Hyperspektral analyse giver mulighed for en dybere forståelse af brandens spektrale signaturer og kan markant forbedre branddetektering. Traditionelle RGB-billeder, der kun fanger lys i tre bredbåndede farvekanaler (rød, grøn og blå), kan ikke give tilstrækkelig information om det materiale, der brænder, eller de underliggende processer som flammernes temperaturændringer og emission af termisk stråling. Hyperspektrale billeder, derimod, fanger data over mange smalle og sammenhængende spektralbånd, der strækker sig fra det synlige lysområde (VIS) til nær-infrarød (NIR), kort infrarød (SWIR) og lang infrarød (LWIR), hvilket giver en langt mere præcis og detaljeret forståelse af materialernes interaktion med elektromagnetisk stråling.

Brandens spektrale signaturer er unikke og gør det muligt at adskille ild fra andre kilder, der emitterer elektromagnetisk stråling med et lignende RGB-farvespektrum. Hyperspektral estimering, som er en proces, der rekonstruerer hyperspektrale data fra begrænsede spektrale oplysninger som dem fra RGB-billeder, benytter statistiske metoder og matematiske modeller. Målet er at forudsige de spektrale egenskaber for hver pixel i scenen, baseret på de data, der er tilgængelige, og ved hjælp af kendte spektrale biblioteker.

En stor udfordring ved at hente hyperspektral information fra RGB-billeder er, at det er et dårligt defineret problem. Det handler om at estimere høj-dimensionelle data fra et lav-dimensionelt rum, hvilket potentielt kan føre til et uendeligt antal løsninger. Ikke desto mindre er det muligt at finde løsninger, hvis visse betingelser er opfyldt, og en af de vigtigste er, at de spektrale signaturer skal kunne beskrives på et reduceret-dimensional manifold i det multidimensionelle rum.

En af fordelene ved hyperspektral billedbehandling er, at den kan bruges til at forbedre nøjagtigheden af branddetektion, særligt i tilfælde, hvor RGB-baseret detektion er utilstrækkelig. Dette betyder, at hyperspektral analyse ikke kun hjælper med at identificere ild mere præcist, men også giver en ekstra dimension i forståelsen af brandens natur, som kan forbedre både spatial og tidsmæssig analyse i brandovervågningssystemer.

Det er vigtigt at forstå, at integrationen af hyperspektral analyse i branddetekteringssystemer ikke blot er en teknologisk forbedring, men også en måde at håndtere de udfordringer, der opstår, når traditionelle metoder baseret på RGB-kameraer ikke er tilstrækkelige. Mens RGB-kameraer er billige og lette at implementere, giver de kun et begrænset billede af det, der sker i brændingszonen. Hyperspektral teknologi tilbyder mulighed for langt mere præcise målinger af temperatur og materialernes sammensætning under brandforløbet, hvilket gør det muligt at få en bedre forståelse af brandens dynamik og dermed forebygge og reagere hurtigere.

En effektiv integration af hyperspektral estimering med RGB-baseret analyse kan således åbne op for nye muligheder i branddetektering, hvor de enkelte teknologier komplementerer hinanden. I sidste ende er det ikke bare et spørgsmål om at udvikle en enkeltstående løsning, men at finde måder at optimere kombinationen af forskellige teknologier, så vi opnår den bedste præstation på tværs af både hastighed, omkostninger og nøjagtighed.

Hvordan hyperspektral billedbehandling kan forbedre diagnosen af latent tuberkuloseinfektion (LTBI)

Omkring to milliarder mennesker verden over anslås at have latent tuberkuloseinfektion (LTBI), som er en forløber for udviklingen af aktiv tuberkulose (TB), en af de ledende dødsårsager blandt personer, der lever med HIV/AIDS. Den mest udbredte metode til diagnosticering af LTBI i lav- og mellemindkomstlande er tuberkulin hudtesten (TST). Denne test, der har været i klinisk brug i mere end et århundrede, anvender Mantoux-metoden til at måle diameteren af den induration (hævelse), der dannes 48–72 timer efter injektionen af tuberkulin – et antigen, der forårsager en immunrespons hos personer med LTBI.

Mantoux-metoden involverer brug af en pen og lineal til at måle indurationens diameter. Imidlertid er denne metode subjektiv, da den afhænger af teknikken og erfaringen hos den kliniker, der udfører målingen. Ydermere er Mantoux-metoden manuel og mangler et datatransparensformat, der kunne muliggøre gentagen analyse, fortolkning, visualisering og validering af resultaterne efter testens gyldighedsperiode er udløbet. Desuden kan brugen af en kuglepen til at markere indurationen forårsage ubehag hos nogle patienter. Derfor er der et stigende behov for en kontaktløs, digital, præcis, standardiseret og automatiseret metode til at opfange TST-indurationer.

Optisk medicinsk billedbehandling tilbyder disse funktioner og muliggør en mere præcis metode til at indfange indurationsinformation og reducere subjektiviteten af Mantoux-læsning. Denne teknologi anvender synligt og nær-infrarødt lys (VNIR) i spektret fra 380 til 1000 nm for at opfange billeder af kroppens væv. Den største udfordring ved brugen af optisk billedbehandling til at analysere indurationer ligger dog i, at disse kan være meget subtile, især hos personer med mørk hud, hvilket kan føre til fejldiagnoser.

I optisk billedbehandling anvendes de tre brede bølgelængder af synligt lys, nemlig rød, grøn og blå (RGB). Men RGB-billedbehandling kan have svært ved at fange betydelige optiske oplysninger under melaninniveauet i huden. Endvidere forårsager administrationen af tuberkulin erytem (rødme) på injektionsstedet, uanset om LTBI er til stede eller ej. Erytem opstår på grund af dilatation og irritation af de superficielle kapillærer, hvilket kunne føre til en falsk positiv diagnose i et billedbaseret system, da denne metode ikke kan skelne mellem induration, erytem og normal hud.

Brugen af RGB-optisk billedbehandling til LTBI-diagnostik er blevet undersøgt i nogle studier. Forsøgene har dog primært anvendt smartphone-imaging på simulerede indurationer og har ikke været i stand til at generere entydige segmenteringer eller klassifikationer, når de blev anvendt på virkelige TST-indurationer. I modsætning hertil har brugen af medicinsk termisk billedbehandling, også kaldet termografi, været undersøgt som et alternativ. Termografi bruger den lange infrarøde bølgelængde (8–14 µm) til at opfange varmesignaturer fra kroppens væv. Selvom termografi viser sig at være lovende, har den kun været brugt til TST-indurationer i et enkelt betydeligt studie, hvor forskerne segmenterede områder, der menes at være indurationer, fra erytemområder. Denne tilgang har dog ikke været fuldt valideret, og den kan muligvis ikke præcist afbilde indurationerne, som ligger tæt på hudens overflade, da varmesignaturerne ikke altid afspejler subdermale strukturer.

Hyperspektral billedbehandling (HSI) er en ny tilgang, der er blevet introduceret indenfor dermatologi, især til hudkræft og sårbehandling. Denne metode fanger den reflektede lysintensitet over et kontinuerligt spektrum af bølgelængder i VNIR-området og muliggør en langt mere præcis og detaljeret optisk indfangning af hudens biologiske og strukturelle egenskaber. I modsætning til RGB, som kun kan fange brede bølgelængder, giver HSI mulighed for at fange spektral information i et kontinuum, hvilket muliggør en langt mere detaljeret analyse af vævets sammensætning og tilstand.

Hypotesen er, at de spektrale signaturer af normal hud, hud med erytem og hud med indurationer, som er begravet i erytem, vil være betydeligt forskellige. Denne forskel i spektral signatur kan muliggøre præcise segmenteringer af indurationer, adskilt fra erytem og normal hud, hvilket kan føre til en automatiseret og objektiv diagnose af LTBI. Der er dog stadig ikke gennemført betydelige optiske billedbehandlingsstudier af virkelige TST-indurationer, hvilket betyder, at HSI for LTBI-diagnose stadig er på et eksperimentelt stadium.

Det er vigtigt at forstå, at den potentiale effektivitet af hyperspektral billedbehandling er afhængig af at kunne adskille de meget subtile forskelle mellem erytem og indurationer, som begge kan være til stede på injektionsstedet. Yderligere forskning og udvikling er nødvendig for at kunne validere og optimere teknologien til klinisk anvendelse. Selvom der er lovende resultater, er det ikke udelukket, at nye teknologier som HSI vil kunne revolutionere diagnostikken af LTBI og muligvis erstatte de ældre metoder på sigt.

Hvordan kan hyperspektrale billeder (HSI) anvendes effektivt i industrien?

Anvendelsen af hyperspektrale billeder (HSI) i industrien, især til kvalitets- og sikkerhedsinspicering af fødevarer, står overfor flere udfordringer. Selvom HSI-teknologi har vist sig at være lovende i laboratoriemiljøer, er overgangen til praktisk industriel brug hæmmet af visse barrierer, som ikke kun omfatter den store datamængde, men også de tekniske krav til behandling og analyse i realtid. For at forstå, hvordan HSI kan anvendes effektivt på industriel skala, er det nødvendigt at undersøge de udfordringer og løsninger, der er blevet foreslået og afprøvet i denne sammenhæng.

En af de mest markante udfordringer i HSI-analyse er den høje beregningskraft og lagringskrav, som den store mængde data medfører. For at løse dette problem anvendes avancerede metoder som parallelle og distribuerede arkitekturer samt højtydende computere, som hjælper med at reducere de nødvendige beregningstider. Selvom sådanne løsninger kan effektivisere behandlingen, er det stadig et problem, at den krævede databehandling og analyse tager tid, hvilket gør realtidsanvendelse i industrielle processer vanskelig.

En anden væsentlig problemstilling er HSI-modellernes manglende fortolkelighed. De "black-box"-karakteristika, der følger med dybe læringsmodeller (DLT), gør det vanskeligt at forstå og analysere de processer, der ligger til grund for træningen af disse modeller. Denne kompleksitet kan være en barriere for beslutningstagning i designfasen af en model, da det er svært at forstå, hvorfor en model træffer en bestemt beslutning. Denne manglende transparens er en væsentlig svaghed, især når der tages beslutninger baseret på de resultater, som en model genererer i industrielle applikationer.

Når det kommer til regression, er et vigtigt skridt at definere matrixen X til kalibreringen af modellen. Denne matrix skal indeholde alle de spektrale informationer, der er nødvendige for at kvantificere de parametre, der skal måles. For at opnå præcise resultater anvendes forskellige metoder, herunder beregning af det gennemsnitlige spektrum for hele billedet, beregning af spektrale data fra specifikke interesseområder (ROI), eller forberedelse af kunstige prøveprøver, der kan bruges til at estimere de ønskede parametre. Det er vigtigt at tage højde for forholdet mellem bulk-koncentration og pixel-koncentration i modellen, da ikke alle pixel repræsenterer de samme forhold. Dette kan føre til problemer med præcisionen i forudsigelserne, især når der er variation i de fysiske og kemiske egenskaber af forskellige områder i produktet, som for eksempel i fødevarer med varierende tekstur og porøsitet.

Endnu en udfordring i udviklingen af regression-modeller er valideringen af modellen. For at sikre, at en model er præcis, er det nødvendigt at validere den med nye prøver, som ikke er blevet brugt i træningen. Dette kaldes ekstern validering, og det kan være en kompleks proces. Modellen skal kunne forudsige specifikke parametre i de nye prøver, og resultatet af denne validering afhænger i høj grad af den metode, der anvendes. Det er derfor nødvendigt at anvende flere valideringsmetoder for at få et pålideligt resultat. Når validering udføres, skal man ikke kun stole på den metode, der giver de bedste resultater, men også analysere afvigelserne mellem forskellige metoder for at sikre pålideligheden af modellen.

I forhold til industrielle applikationer af HSI, har forskningen i stor grad været begrænset til laboratorieforsøg. Mange af de udfordringer, der er blevet identificeret, omhandler ikke kun behovet for mere realistiske industrielle testbetingelser, men også den teknologiske begrænsning i behandlingen af de enorme mængder data, som HSI genererer. For at gøre HSI mere anvendelig på industriel skala har der været en tendens til at bruge mere praktiske løsninger, såsom multispektral billedbehandling, som kræver mindre databehandling og kan implementeres i realtid. Dette reducerer ikke kun den nødvendige behandlingstid, men gør det også muligt at bruge teknologien i industrielle miljøer med høje hastigheder og strenge tidskrav.

Det er også nødvendigt at overveje, at HSI-applikationer i industrien ikke kan implementeres universelt. Der mangler standardiserede designmuligheder og konfigurationer for specifikke opgaver eller produkter, hvilket gør det vanskeligt at anvende teknologien i stor skala. Der skal derfor gøres en indsats for at skabe generelle retningslinjer for, hvordan HSI-teknologi kan implementeres effektivt i forskellige industrielle kontekster, som tager højde for ikke-ideelle forhold og de nødvendige hastigheder for databehandling.

Udover de nævnte udfordringer er det vigtigt at bemærke, at HSI-teknologi i fødevareindustrien har stor potentiale for at forbedre både kvalitetssikring og sikkerhed. Når teknologien er korrekt implementeret og kalibreret, kan den give præcise og pålidelige målinger af parametre som fugtindhold, tekstur og kemisk sammensætning i fødevarer. Det er dog afgørende, at forskningen og udviklingen fortsætter med at adressere de tekniske udfordringer for at kunne udnytte HSI's fulde potentiale i industrielle applikationer.

Hvordan hyperspektral billedbehandling transformerer landbrugsdiagnostik
Hvordan håndteres overvågning og fare i ukendt terræn?
Hvordan skaber man psykologisk tryghed og tillid i professionelle relationer?
Hvordan tilføjer man EF Core-understøttelse til en GraphQL-implementation?