Participez à notre webinaire :
Comment bien analyser les images hyperspectrales ?
Au cours de ce webinaire, Julien Boyer d’Ondalys et Mathieu Marmion de Specim, fabricant de solutions d’imagerie hyperspectrale, vous présenteront tout ce qu’il faut savoir pour optimiser l’acquisition des images hyperspectrales et leur analyse.
Vous découvrirez pas à pas toute la méthodologie d’analyse d’images hyperspectrales, de leur acquisition, à l’application des méthodes de chimiométrie / Machine Learning aux images, en passant par les méthodes de traitement d’images pour leur segmentation.
Au programme de ce webinaire :
- Qu’est-ce qu’une image hyperspectrale ?
- Préconisation pour l’acquisition d’images
- Méthodologie d’analyse des images hyperspectrales
- Exemple d’application pour la prédiction quantitative
- Questions / Réponses
Venez rencontrer les experts en Machine Learning et imagerie hyperspectrale d’Ondalys et de Specim lors de ce webinaire :
Julien Boyer – Ondalys et Mathieu Marmion – Specim
accompagnés d’Alice Croguennoc et Jordane Poulain – Ondalys
Ce webinaire sera illustré par un cas pratique de traitement d’images hyperspectrales réalisé à l’aide du logiciel SOLO+MIA de notre partenaire Eigenvector Research Inc.
L’exemple d’application présenté provient de notre collaboration sur le projet VINIoT SUDOE porté par l’INRAE et l’Institut français de la vigne et du vin (IFV).
Ondalys est distributeur des logiciels de chimiométrie et de Machine Learning et d’analyse d’images hyperspectrales d’Eigenvector Research Inc..
Si vous êtes intéressé par le logiciel d’analyse d’images MIA_Toolbox ou le package logiciel SOLO+MIA, contactez-nous.
Pour aller plus loin… Qu’est ce que l’analyse d’images hyperspectrales ou multispectrales et en quoi le Machine Learning est intéressant dans le traitement de ces images ?
Un imageur hyperspectral (ou multispectral) est un système d’imagerie permettant d’acquérir des images dont chaque pixel contient des données représentant un large spectre électromagnétique (par exemple spectre proche infrarouge, infrarouge, Raman). Contrairement à l’imagerie traditionnelle qui enregistre seulement trois bandes spectrales (rouge, vert et bleu) et permet uniquement une analyse spatiale de la couleur, l’imagerie hyperspectrale enregistre des centaines de longueurs d’onde spectroscopiques, ce qui permet une analyse chimique des produits. C’est pourquoi, l’imagerie hyperspectrale est aussi appelée imagerie chimique.
Ainsi, si vous souhaitez recueillir la même information chimique que celle d’un spectromètre proche infrarouge mais spatialisée, alors un imageur hyperspectral proche infrarouge est le capteur adapté ! Car elle permet d’obtenir une information chimique spatiale, bien utile dans le cas d’échantillons hétérogènes (échantillons solides hétérogènes, poudres, mélanges, etc.).
Cette technique trouve des applications dans de nombreux domaines industriels tels que l’agriculture, le secteur pharmaceutique, chimique, la télédétection, et la recherche scientifique. Par exemple, dans le domaine de l’agriculture, l’analyse d’images hyperspectrales permet de détecter les maladies des cultures, d’optimiser l’utilisation des engrais et de surveiller la croissance des plantes. Dans l’industrie pharmaceutique, notamment dans le contrôle qualité des matières premières et des produits finis, l’imagerie hyperspectrale permet de caractériser l’homogénéité des poudres et de détecter la présence agglomérats, vérifier l’intégrité des lyophilisats de produits biotechnologiques, prouver la conformité des comprimés. Dans le domaine de la surveillance environnementale et de la télédétection, elle permet de détecter et de surveiller la pollution de l’eau, de l’air et du sol.
L’analyse d’images hyperspectrales présente de nombreux avantages par rapport aux techniques d’imagerie traditionnelles. Elle permet une identification plus précise des produits basée sur leur composition chimique, une meilleure discrimination entre des produits similaires visuellement, et une détection plus sensible à des changements subtils tels que la granulométrie ou la composition moléculaire. Cependant, l’analyse manuelle de ces images peut être longue et fastidieuse, nécessite une expertise approfondie et est parfois tout simplement impossible ! C’est là que les méthodes de chimiométrie et le Machine Learning appliquées à la spectroscopie et à l’imagerie interviennent pour permettre cette analyse et fournir des résultats de classification (par exemple, comprimé conforme ou non conforme) ou des résultats de quantification (par exemple, la distribution de la concentration en sucre dans les grains d’une grappe de raisin).
