Ученые разработали новый подход к работе с гиперспектральными изображениями — снимками, которые позволяют «увидеть» химический состав объектов на основе их взаимодействия со светом. Гиперспектральные изображения используются для мониторинга состояния полей, экологических исследований и контроля за качеством пищевых продуктов. Такие снимки могут показывать, например, содержание влаги или определенных веществ в листьях растений. Предложенный подход, основанный на случайном отборе ключевых спектральных данных из гиперспектральных изображений, помогает искусственному интеллекту точнее анализировать данные, а также на 15% снижает вероятность ошибок. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале AgriEngineering.
Гиперспектральные изображения — это фотографии, на которых видны не только цвета, но и спектральные характеристики объектов, такие как наличие воды, хлорофилла, уровень органических и минеральных веществ. Так, объекты с разным химическим составом по-разному отражают свет, а потому их гиперспектральные изображения оказываются индивидуальными. Проще говоря, такие изображения помогают увидеть то, что невидимо для человеческого глаза, например различия в химическом составе почвы или листьев растений. Однако спектральные данные слишком объемны, поэтому компьютеры зачастую не справляются с их обработкой: могут пропустить важные сигналы, например, наличие питательных веществ в почве или признаки стресса у растений или, наоборот, найти дублированную и нерелевантную информацию. Это затрудняет использование гиперспектральных данных в реальных задачах, например, для изучения состояния лесов и природных экосистем и обнаружения загрязнений, утечек нефти и других токсичных веществ в почве.
Исследователи из Южного федерального университета (Ростов-на-Дону) предложили новый метод предобработки спектральных данных Random Reflectance («Случайное отражение»). Его суть заключается в том, что исходная гиперспектральная информация обрабатывается в соответствии с одноименным алгоритмом, который позволяет более четко выделить центральную тенденцию в спектральных характеристиках растений.
В рамках такого метода «плохие» спектральные профили, представляющие собой шум, смешиваются с «отличными» спектральными профилями, отражающими истинное спектральное состояние объекта. В результате исследователи получают «хорошие» спектральные профили, которые оказываются наиболее близки к среднему арифметическому, модальному или медианному спектральному профилю.
Использование предобработанной таким образом спектральной информации в алгоритмах машинного и глубокого машинного обучения позволяет существенно повысить точность оценки состояния растений. Этот подход можно сравнить с просмотром фотоальбома: вместо того, чтобы изучать каждую фотографию, можно, используя статистический подход, выбрать только те, что содержат ключевые моменты.
Предложенный метод помогает снизить вероятность ошибок. Так, в экспериментах при его использовании точность анализа данных выросла на 15% по сравнению с другими спектральными методами обработки данных. Преимущество нового подхода объясняется тем, что метод Random Reflectance эффективно снижает сложность гиперспектральной информации почти без потери данных, используемых для анализа.
Благодаря новому подходу аграрии смогут точнее определять, какие участки поля требуют удобрений или полива, что приведет к более эффективному использованию ресурсов и повышению урожайности. Экологи смогут обнаруживать загрязнения в воде и почве, а производители продуктов — следить за качеством сырья и готовой продукции, что может повысить стандарты безопасности и удовлетворенность потребителей. Кроме того, в геологии метод может применяться для обнаружения минералов и руд и картографирования местности с целью определения химического состава почвы, а в медицине — для диагностики кожных заболеваний и изучения биологических материалов.
«Мы планируем дальнейшее тестирование метода Random Reflectance на различных алгоритмах машинного обучения и при решении различных практических задач — для оценки стресса растений, классификации фенологических состояний хвойных деревьев, выявления видов, занимающих новые, не свойственные для них территории, определения влажности семян подсолнечника и других сельскохозяйственных культур. Гиперспектральные технологии имеют огромный потенциал, и наша разработка вносит вклад в их развитие»,— рассказывает руководитель проекта, поддержанного грантом РНФ, Борис Козловский, кандидат биологических наук, старший научный сотрудник Академии биологии и биотехнологии Южного федерального университета.
***
Больше результатов исследований грантополучателей Российского научного фонда и актуальных новостей из мира науки доступны в социальных сетях РНФ Вконтакте и Телеграм