使用高光谱数据增强机器视觉中的检测率

如果识别物体不依赖于形状，还可以怎么做？高光谱成像给出了答案：看“材质”。在果园里，叶片和果实的光谱完全不同，即使果实被树叶遮挡只露出一小块表面，这片区域的光谱信息依然足够清晰可辨。这种方法本质上改变了检测的逻辑——从猜测形状转向验证物质本身。

机器视觉问题

传统的RGB成像硬件不足以实现可靠的机器感知：

· 在RGB图像上训练的机器学习模型需要极其庞大的数据集和繁琐的标注。

· 先进的算法 ，例如YOLO需要大量的计算能力。

· 检测算法很大程度上依赖于形状信息，经常无法识别被遮挡的物体。

· RGB计算机视觉存在明显的领域限制，因为他仅能实现类人视觉感知。

Living Optics数据驱动解决方案

高光谱成像（HIS）是一种被动感知技术，可以比传统（RGB）相机看到更多波长的颜色。由于同时具备空间信息和光谱信息，因此有可能根据物体的固有材质特性来识别它们。

将Living Optics的尖端专有技术与数据驱动的方法相结合，可提供各种指标的性能，并使以前不可能实现的应用成为可能。检测的不仅仅是广泛的物体类别。

高光谱数据允许：

· 物体特定子类别的检测。

· 使用少量的训练数据构建模型。

· 计算成本显著降低。

· 区分肉眼看不见的类别。

· 定位以前无法识别的异常

· 识别场景中仅占据单个像素的对象或材质。

· 有机材料物理和化学性质的相关性——基于我们对世界的理解。

RGB VS LO HIS比较

在果园中检测水果，尤其是在动态照明条件和严重遮挡的情况下，是一项具有挑战性的任务。传统的RGB成像方法，即使使用了像YOLO这样的先进模型，在这种条件下往往也难以胜任。相比之下，高光谱成像(HSI)提供了一个优越的替代方案，它在效率和准确性方面都表现出色。

以下是性能比较，突出了LivingOptics光谱检测技术相对于SOTA目标检测技术的优势。