【觀點】高光譜機器視覺感知技術普及應用的可能性

（王耀南——中國工程院院士，機器人技術與智能控制專家）

高光譜技術，被譽爲“未來視覺感知的颠覆性技術”。那麽，高光譜機器視覺感知技術可以普及應用嗎？本文結合現有資料和論壇發言，進行瞭(le)簡單(dān)總結。

人類獲取的信息83%都來自視覺，由聽覺、觸(chù)覺和其他的渠道獲取信息的占比僅有17%，所以視覺對於(yú)人類的重要性溢於(yú)言表。而機器視覺作爲機器人的“高精密眼睛”，其之於(yú)機器人的作用就像視覺之於(yú)人類一樣重要。

2022年底，中國工程院院士王耀南在2022世界VR産(chǎn)業大會關鍵共性技術主題論壇上圍繞“高光譜機器視覺感知技術應用及發展趨勢”發表演講。他指出，高光譜機器視覺技術正在迅速普及，在制藥行業的産(chǎn)品檢測(cè)、食品生産(chǎn)的安全識别、建築材料的質量控制、醫學成像等場景中廣泛應用，但距離真正實現“高精準、看得清、更好用”仍面臨挑戰。

智能機器人的“高精密眼睛”

在日常生活中，人們通常是通過視覺器官（眼睛）獲取信息，再通過大腦來分析、處理這些信息，從而識别出物體。而高光譜成像的目标是獲得包括從可見光到長(zhǎng)波、紅外光譜的精細光譜“指紋”，精確(què)反映物質獨特的光譜特性。作爲智能機器人的“高精密眼睛”，高光譜機器視覺的發展對機器人的控制具有重要作用。

受不同生物的感光細胞具有差異啓發，高光譜成像與感知可将豐富的、不同波段的圖像信号映射到數字世界，是機器智能的重要支撐(chēng)技術。“高光譜圖像能夠精準反應出物質特征的光譜信息，這是它最大的優勢，”王耀南表示，“近幾年，高光譜的發展非常迅速。過去高光譜主要是在搖杆應用裏面，今天我們把高光譜用到機器視覺，使機器人裝上瞭(le)明亮精準的眼睛，可以感知到可見光、紅外光。”

據瞭(le)解，機器人的高光譜視覺研究主要包含兩部分内容，一部分是成像感知，另一部分是自動的光譜信息分析。成像技術實質上是感光元件把光信息轉化爲數字圖像信息，最早的光譜成像來自感光設備(bèi)，目前低成本、小體積、高速率、低功耗的感光元件成爲發展趨勢。近年來高光譜機器視覺的發展态勢從感知智能進入到瞭(le)認知智能，從過去的 RGB 圖像變成今天的光譜圖像，已然進入到一個計算智能成像的時代。目前高光譜相機及其相關技術已成爲智能機器視覺領域研究的前沿方向。

高光譜機器視覺仍面臨挑戰

分析與認知能力是機器人能否對環境中的有效信息加以處(chù)理與理解的重要标志，是智能化發展的必經途徑。王耀南認爲，高光譜機器視覺分析與認知面臨著(zhe)三大挑戰，主要涉及圖像特征提取、語義知識理解和自主适應學習。

“首先要突破圖像特征的提取，過去我們主要是像素特征的提取，今天擴展至邊(biān)緣、紋理、光譜等空間幾何等方面；第二，它已經走向瞭(le)圖像的推理，涉及語義知識的理解、語義的描述、高維的圖像特征等技術的突破。第三，要突破自适應的學習，傳感器要具有學習性、能感知，還要能理解、能分析，讓人工智能真正融入到機器視覺裏。”王耀南說道。

近年來，通過大量研究，高光譜視覺傳感器的發展突破瞭(le)兩項關鍵技術。第一項技術面向成像系統，成像系統圍繞複雜的目标，能夠解決在多空間、大尺度下的成像問題，可以同時捕捉三維空間和光譜維度的成像。第二項技術面向三維光譜數據分析，比如空間-光譜聯合分析、大數據分析和處理等。快速突破這兩項關鍵技術，有助於(yú)實現高光譜機器視覺技術的廣泛應用。

“高光譜廣泛裝載在機器視覺以後，不僅能應用到工業、農業，還能應用到無人駕駛、機器人、新藥研發、新産品質量檢測等領域。”王耀南表示。比如爲瞭(le)加速工業檢測速度，我們開發瞭(le)高光譜圖像處理的硬件系統，研制瞭(le)工業高光譜儀器，包括高光譜的成像，成像儀器的處理特征識别等。再比如，高光譜機器視覺也被用在異物檢測方面，應用於(yú)疫苗生産的柔性智能化工廠。而不同的應用場景對高光譜成像的複雜性、多樣性提出瞭(le)更大的挑戰。

未來首先要解決數據傳輸與處理問題

王耀南指出：“随著(zhe)科學技術的進步，未來高光譜機器視覺的發展首先需要解決的，也是最重要的一個問題，就是數據傳輸與處(chù)理。”比如，高光譜儀器是聯網的，如此龐大規模的光譜圖像信息怎麽同時傳輸，這就是一個需要解決的難題。

第二是光譜成像高分辨率問題。高光譜最大的弱點就是分辨率比較低，不像可見光成像的分辨率比較高。合成孔徑雷達圖像的分辨率也比較低，但是它的探測(cè)精度比較高。每一種傳(chuán)感器都有優點和缺點，因此未來一個重要的研究方向就是新的成像方法和機理探索。

第三個是所有的高光譜成像儀器都向小型化和高可靠性轉變(biàn)，要能夠裝載在不同的設備(bèi)上，從單一的傳感器進入到多傳感器信息融合，從數據處理方面到光譜數據處理，從模型驅動向數據驅動、知識驅動的方向發展。