Учёные создали инновационный подход к обработке гиперспектральных снимков, которые позволяют распознавать химический состав объектов по их взаимодействию со светом. Такие изображения широко применяются для мониторинга посевов, оценки экологии и контроля качества продуктов, ведь они показывают особенности, невидимые обычным глазом, например уровень влаги или питательных веществ в листьях растений. Об этом «Жуковский.Life» рассказали в пресс-службе Российского научного фонда.
Новый метод основан на случайном отборе ключевых спектральных данных, что помогает искусственному интеллекту точнее анализировать информацию и снижает ошибки примерно на 15%.
Гиперспектральные изображения содержат не только цветовые, но и спектральные характеристики, которые отражают химический состав объектов. Однако большой объем таких данных затрудняет их обработку: компьютерные алгоритмы могут пропускать важные сигналы или учитывать избыточную и нерелевантную информацию. Это осложняет применение данных для реального контроля экосистем, обнаружения загрязнений и оценки состояния растений.
Специалисты Южного федерального университета предложили метод предобработки под названием Random Reflectance, который выделяет основную тенденцию в спектральных профилях. В его основе — смешение «плохих» шумовых профилей с «хорошими», отражающими реальное состояние объекта, что позволяет получить более точные усредненные данные — близкие к среднему арифметическому, медианному или модальному профилю.
Применение этой предобработанной информации в алгоритмах машинного обучения повышает точность диагностики состояния растений.
Такой подход сравним с выбором ключевых фотографий из альбома вместо просмотра всей коллекции, что упрощает анализ и снижает количество ошибок. В экспериментах новый метод увеличил точность обработки гиперспектральных данных на 15% и позволил значительно упростить сложную информацию без потерь важных данных.
Переработаны растительные отходы для создания палладиевых катализаторов. Это делает разработку перспективной для производства высокотехнологичных продуктов, включая лекарства, красители и пестициды.