Tirez toute l’information pertinente de vos images grâce aux méthodes d’analyse d’images hyperspectrales
Vous souhaitez optimiser l’analyse d’images hyperspectrales?
Voici quelques questions que vous vous posez si vous commencez à vous intéresser au traitement de vos images multispectrales.
- Comment traiter des données hyperspectrales ?
- Avec quelles méthodes de Machine Learning puis-je les analyser?
- Par quel biais puis-je valider mon modèle ? Comment l’interpréter ?
- Quelle est la meilleure combinaison de prétraitements ?
- Quels outils de traitements d’images sont utiles en amont pour l’imagerie hyperspectrale ?
- Pourquoi et comment choisir sa caméra hyperspectrale ?
Quelles que soient les questions que vous vous posez sur l’analyse d’images hyperspectrales, contactez nous !
Nous vous accompagnons dans la réalisation de vos études de faisabilité.
Lorsque l’on travaille sur des données d’imagerie multispectrale ou hyperspectrale, que ce soit de l’imagerie hyperspectrale proche infrarouge, infrarouge ou Raman, plusieurs questions se posent sur le choix de l’équipement, sa mise en œuvre, le traitement des images et des spectres, la gestion des données 3D, l’optimisation des modèles… Vient ensuite le point clef des méthodes d’analyse d »images hyperspectrales.
Vous souhaitez :
Interpréter
vos données hyperspectrales
Développer
des modèles sur des images hyperspectrales précis et robustes
Transférer
vos modèles et vos bases de données spectrales et hyperspectrales de manière efficace
L’analyse de données spectrales et hyperspectrales est au cœur du métier d’Ondalys. Nous réalisons des études de faisabilité afin de vous aider à trouver la meilleure chaîne de mesure pour votre problématique spécifique.
Membre des associations du domaine HélioSPIR (Réseau scientifique de Spectroscopie Proche InfraRouge) et GFSV (Groupement Français de Spectroscopie Vibrationnelle), Ondalys a une connaissance approfondie de l’ensemble des équipements de spectroscopie et de caméras hyperspectrales existants sur le marché.
Visionnez notre webinaire
» Comment bien analyser les images hyperspectrales ? »
animé par notre Data scientist Julien Boyer et notre partenaire Mathieu Marmion de la société Specim Imaging
sur le logiciel SOLO+MIA d’Eigenvector Research Inc.
L’imagerie hyperspectrale
L’imagerie hyperspectrale est une technique qui combine l’imagerie et la spectroscopie vibrationnelle (proche-infrarouge, visible, Raman, UV..) : dans chaque pixel de l’image, au lieu de 3 plans RVB, un spectre entier est mesuré à diverses longueurs d’onde. Ainsi, on obtient un cube de données (données en 3D : coordonnée X * coordonnée Y * spectre). Ce cube contient à la fois des informations spatiales et spectrales. Chaque échantillon étant un cube, la quantité et la complexité des données sont rapidement plus importantes qu’en spectroscopie classique.
En imagerie hyperspectrale, l’objectif est généralement d’élaborer des modèles de classification non supervisée (ACP, clustering, CAH, Carte de Kohonen, etc.) ou de discrimination, par des méthodes supervisées (SIMCA, PLS-DA, SVM, ANN). En effet, il est beaucoup plus aisé d’assigner une catégorie à un pixel pour répondre à des problématiques d’identification (Pattern recognition) plutôt qu’une quantité chimique.
Plus rarement, la problématique peut être une quantification (PLS, SVM, ANN); notamment s’il est possible de connaitre la mesure de référence (concentration) pour un groupe de pixels. Une stratégie de segmentation et de moyenne de zones homogènes est souvent nécessaire afin de bâtir le modèle de calibration ; ce modèle est ensuite appliqué afin d’obtenir une image en « fausse couleur », la couleur donnant le niveau de concentration.
Les méthodes de Chimiométrie et de Machine Learning pour l’analyse d’images hyperspectrales.
Ainsi, bien que les méthodes de Chimiométrie et Machine Learning soient similaires à celles appliquées aux spectres, des stratégies d’analyses spécifiques à l’imagerie sont à appliquer. Il s’agit de techniques telles que le détourage/segmentation des zones d’intérêt (ROI Region Of Interest), l’assignation des références aux pixels. De même le moyennage de pixels, le dépliage du cube pour construire les modèles spectroscopiques à l’aide d’outils de Machine Learning, le repliage du cube pour l’interprétation peuvent éventuellement être utilisés.
Pour traiter et interpréter ces données complexes, Ondalys peut vous accompagner en utilisant les outils de Chimiométrie et de Machine Learning les plus adaptés aux objectifs d’imagerie hyperspectrale.
De plus, nous sommes qualifiés pour l’application de traitements d’image classiques, notamment pour la détection de la zone d’intérêt (ROI) et l’exclusion du background par des méthodes de segmentation ou d’analyses multivariées, ou encore pour la détection d’objets et l’extraction de leurs caractéristiques.
Les images hyperspectrales peuvent être utilisées dans de nombreuses applications :
- Homogénéité spatiale de la composition chimique de produits (poudres, granulés, farines, etc.)
- Contrôle de l’uniformité des produits (comprimés, lyophilisats)
- Détection des corps étrangers pour le suivi de procédé
- Tri d’échantillons (exemple : recyclage de déchets)
- Détection de contrefaçons (sur hétérogénéité spatiale chimique)
- Contrôle qualité produit à plus haute cadence qu’en spectroscopie classique (exemple : sélection de la compositions graine à graine)
- Suivi de récoltes (maladies, maturité, etc..)
Implémentation logicielle
Nous développons les modèles à partir de données d’imagerie hyperspectrale à l’aide de divers logiciels du marché (MIA_Toolbox® , SOLO+MIA) , mais aussi les logiciels libres (R, Python…).
Notre expertise au service de l’analyse de vos images
Fort d’une expérience de plus de 15 ans dans l’analyse de données (chimiométrie), en particulier appliquée aux mesures spectroscopiques, analytiques et sensorielles, les experts de nos équipes vous accompagnent à chaque étape de vos projets.
Ils en parlent
« Dans le traitement des données multivariées, Ondalys est le partenaire obligatoire »
Qu’il est agréable de pouvoir affronter la complexité dans la bonne humeur et avec le sens de la mesure ! C’est ce plaisir que j’ai personnellement toujours eu au contact de l’équipe d’Ondalys lors de nos collaborations.
