Moć viđenja izvan mogućnosti ljudskog oka

Različite boje koje možemo vidjeti temelje se na različitim talasnim dužinama svjetlosti. Ljudsko oko može otkriti i razlikovati valne dužine u tri pojasa (crvena, zelena i plava) koji pokrivaju raspon od 450 do 650 nanometara, ali ne možemo vidjeti svjetlost iz stotina drugih svjetlosnih traka koje postoje izvan tog raspona. Postoji tehnologija koja se zove hiperspektralna slika koja može dati poboljšani pogled na ono što se dešava u svijetu oko nas. Postoje specijalizovane kamere koje prizmama razdvajaju do 300 svetlosnih traka, a zatim digitalizuju energiju koju detektuju na bazi specifičnoj za talasnu dužinu. Ove kamere imaju ogroman raspon potencijalnih primjena. Na primjer, mogu se koristiti za praćenje emisija stakleničkih plinova, razlikovanje između miješane prozirne plastike ili mjerenje zrelosti voća na liniji za pakovanje.

Postoji nekoliko proizvođača ovih hiperspektralnih kamera, ali su barem za sada prilično skupe – počevši od oko 20,000 dolara. Softver specifičan za kameru koji koriste nije tako lako integrisati sa drugim sistemima. Drugi izazov koji dolazi s ovim proširenim pogledom na svijet odnosi se na količinu podataka – ove kamere generiraju oko jedan gigabit podataka u sekundi!

Postoji kompanija pod nazivom Metaspectral koja nastoji da proširi potencijal hiperspektralnog snimanja nudeći kombinaciju hardvera i softvera kako bi ovaj izvor podataka učinio lakšim za korisnike. Oni koriste rubne uređaje koji su „agnostički zavisni od uređaja“ koji pokreću algoritme kompresije koji se mogu povezati sa bilo kojom hiperspektralnom kamerom i pretvoriti njen izlaz podataka u tok kojim se može upravljati. Njihova vlasnička Fusion AI platforma može se koristiti za povezivanje sa poznatim korisničkim softverom, pogon robotike ili hranjenje umjetnom inteligencijom i sistemima dubokog učenja.

Metaspectral je nedavno prikupio 4.7 miliona dolara u osnovnom krugu finansiranja od SOMA Capitala, Acequia Capitala, Vlade Kanade i anđeoskih investitora, uključujući Judea Gomilu i Alana Rutledgea. Kompaniju su suosnivali Francis Doumet (CEO) i Migel Tissera (CTO). Tissera opisuje njihovu ponudu na sljedeći način: „Razvili smo nove algoritme za kompresiju podataka koji nam omogućavaju bolje i brže prebacivanje hiperspektralnih podataka, bilo od orbite do zemlje ili unutar zemaljskih mreža. Kombiniramo to s našim napretkom u dubokom učenju kako bismo izvršili analizu na nivou podpiksela, što nam omogućava da izvučemo više uvida od konvencionalnog kompjuterskog vida jer naši podaci sadrže više informacija o spektralnoj dimenziji.”

Zaista, hiperspektralna slika može se koristiti u vrlo različitim razmjerima. Na primjer, jedna od najrazvijenijih primjena Metaspectralovog sistema je kamera za krupni plan na linijama za sortiranje miješanog materijala za reciklažu gdje može razlikovati prozirnu plastiku po hemijskom sastavu tako da se može sortirati u izuzetno čiste tokove potrebne za ponovnu obradu. .

Najveća kanadska kompanija za reciklažu otpada sada koristi ovaj sistem. Postoje i druge aplikacije izbliza za osiguranje kvaliteta u montažnim linijama ili sortiranju voća.

S druge strane, kamera može generirati podatke sa satelita gdje svaki piksel slike predstavlja 30m x 30m kvadratnih (900 kvadratnih metara). Kanadska svemirska agencija koristi taj pristup za praćenje emisija stakleničkih plinova, pa čak i za procjenu sekvestracije ugljika u zemljištu u obrađenom ili šumskom zemljištu upoređujući stope protoka tokom vremena. Tehnologija je također predviđena za buduću primjenu na Međunarodnoj svemirskoj stanici. Procjene rizika od šumskih požara su još jedna potencijalna primjena za usmjeravanje akcija kao što su propisane opekotine.

Druga opcija koja bi bila od posebne koristi za poljoprivredu je postavljanje kamera sa dronovima koji lete na 50-100 metara. U tom slučaju, svaki piksel podataka može predstavljati površinu 2 cm x 2 cm, a mogućnost praćenja toliko različitih valnih dužina mogla bi omogućiti rano otkrivanje invazivnih korova, aktivnosti insekata, gljivičnih infekcija u fazama prije nego što budu vidljive ljudima, rane indikacije vode ili nedostatke hranljivih materija, ili parametre zrelosti useva koji bi odredili vreme žetve. Možda bi bilo moguće pratiti emisije stakleničkih plinova ili amonijaka iz obrađenih tla kako bi se bolje razumjelo kako na njih utječu specifične poljoprivredne prakse kao što su smanjena obrada tla, pokrivni usjevi, gnojidba s promjenjivom dozom ili „kontrolisani promet kotača“. U ovom trenutku ono što je potrebno je dobar dio istraživanja “ispravnosti na zemlji” kako bi se podaci o slici povezali sa mjerenjima dotičnih varijabli, ali to će biti mnogo lakše sa kompresijom podataka i mogućnostima interfejsa dostupnih od Metaspectrala.

Jedna nada je da će različite primjene hiperspektralnog snimanja koje omogućava Metaspectral platforma stvoriti dovoljnu potražnju za kamerama da potisnu proizvodnju dalje niz krivulju učenja o troškovima.