仝賡，西北工業(yè)大學(xué)機(jī)電學(xué)院微機(jī)電系統(tǒng)及納米技術(shù)專業(yè)博士研究生，導(dǎo)師虞益挺教授。主要從事光電成像領(lǐng)域，碩博期間發(fā)表SCI論文12篇，申請(qǐng)發(fā)明專*12項(xiàng)，獲西北工業(yè)大學(xué)一等學(xué)業(yè)獎(jiǎng)學(xué)金、西北工業(yè)大學(xué)優(yōu)秀研究生，法士特齒輪獎(jiǎng)學(xué)金、互聯(lián)網(wǎng)+省金獎(jiǎng)等榮譽(yù)獎(jiǎng)勵(lì)。

第37期高光譜課堂榮幸邀請(qǐng)到西北工業(yè)大學(xué)—仝賡做線上講座報(bào)告，以《看見不可見：高光譜成像的跨域應(yīng)用探索》為題，本報(bào)告聚焦光譜成像技術(shù)在多領(lǐng)域的創(chuàng)新應(yīng)用。針對(duì)水質(zhì)檢測(cè)，提出基于偏振多維特征的富營(yíng)養(yǎng)化參數(shù)反演模型，顯著提升復(fù)雜水體抗干擾能力；在圖像處理層面，構(gòu)建偏振與高光譜數(shù)據(jù)融合框架，突破單一模態(tài)信息瓶頸；面向國(guó)防與安全，利用高光譜成像，實(shí)現(xiàn)對(duì)偽*目標(biāo)的精準(zhǔn)非監(jiān)督式探測(cè)；在農(nóng)業(yè)領(lǐng)域，開發(fā)基于光譜特征遷移的水果糖度與含水量分級(jí)系統(tǒng)。相關(guān)研究發(fā)表SCI論文12篇，授權(quán)發(fā)明專*12項(xiàng)，為光電成像技術(shù)在環(huán)境、安防及農(nóng)業(yè)領(lǐng)域的實(shí)用化提供了新范式。

為什么在常規(guī)的高光譜信息之外，還需要引入偏振信息？偏振光譜相比普通光譜最大的優(yōu)勢(shì)在哪里？

維度提升與解混能力：普通高光譜主要提供“物質(zhì)成分"信息，而偏振光譜額外提供了“微觀幾何形態(tài)（如粗糙度、晶體取向）"的信息。兩者結(jié)合可以實(shí)現(xiàn)光譜-偏振聯(lián)合解混，解決單一維度無(wú)法區(qū)分的問題（例如區(qū)分光譜相似但表面結(jié)構(gòu)不同的人造材料）。抗干擾能力強(qiáng)：偏振態(tài)對(duì)光照條件、大氣散射的敏感度與普通光強(qiáng)不同，在復(fù)雜背景（如云霧、水面）下能更好地提取目標(biāo)信號(hào)。

在開展跨域應(yīng)用（例如從實(shí)驗(yàn)室遙感探測(cè)轉(zhuǎn)向工業(yè)檢測(cè)或生物醫(yī)學(xué)成像）時(shí)，偏振光譜技術(shù)面臨的最大挑戰(zhàn)是什么？

數(shù)據(jù)獲取的信噪比（SNR）瓶頸：偏振信號(hào)通常非常微弱（往往只占總量的一小部分），在非受控環(huán)境（如自然光照下的工業(yè)現(xiàn)場(chǎng)）中，極易被環(huán)境雜散光淹沒。

標(biāo)定與幾何校正復(fù)雜：正如前面提到的，偏振對(duì)觀測(cè)角度極度敏感?？缬驊?yīng)用時(shí)，每次換場(chǎng)景都需要重新進(jìn)行嚴(yán)格的幾何標(biāo)定和去噪，算法的泛化能力是目前最大的工程難點(diǎn)。

設(shè)備成本與便攜性（現(xiàn)實(shí)門檻）：成本高昂，高精度的偏振探測(cè)通常需要搭載像旋轉(zhuǎn)波片、特種偏振分光棱鏡等高精度光學(xué)元件，加上需要嚴(yán)格標(biāo)定和同步采集的多通道探測(cè)器，整套系統(tǒng)的硬件成本遠(yuǎn)高于普通的RGB或高光譜相機(jī)。體積龐大，為了保證光路的穩(wěn)定性和測(cè)量的準(zhǔn)確性，傳統(tǒng)偏振光譜儀往往需要復(fù)雜的機(jī)械轉(zhuǎn)動(dòng)部件和嚴(yán)格的減震環(huán)境，導(dǎo)致設(shè)備體積大、重量沉，難以集成到無(wú)人機(jī)、機(jī)械臂或便攜式檢測(cè)終端上。所以才開展了相關(guān)光譜重建以及微小化系統(tǒng)研究，致力于降低成本和采集效率。

結(jié)合目前AI大模型的發(fā)展趨勢(shì)，“偏振光譜"與“人工智能"結(jié)合的*具潛力的研究方向是什么？

端到端的智能反演，利用深度學(xué)習(xí)直接從高維的偏振光譜數(shù)據(jù)立方體中，挖掘出人類難以直觀理解的物理特征，實(shí)現(xiàn)目標(biāo)分類或參數(shù)反演，減少人工特征工程的依賴。物理可解釋性AI，將物理定律（如輻射傳輸模型）嵌入神經(jīng)網(wǎng)絡(luò)，讓AI不僅能“擬合"數(shù)據(jù)，還能像物理學(xué)家一樣理解偏振產(chǎn)生的底層邏輯，從而在數(shù)據(jù)稀缺的場(chǎng)景下也能保持高精度。

目前光譜成像應(yīng)用中存在哪些難題？

便攜性與實(shí)時(shí)性的矛盾。傳統(tǒng)的高光譜設(shè)備為了保證精度，往往需要復(fù)雜的分光和機(jī)械掃描結(jié)構(gòu)，導(dǎo)致設(shè)備體積龐大、成本高昂，且成像速度較慢。如果追求小型化和低成本（如做成便攜設(shè)備或裝到無(wú)人機(jī)上），往往就得犧牲光譜分辨率或成像幀率。如果要滿足工業(yè)流水線上高速、實(shí)時(shí)的檢測(cè)需求，傳統(tǒng)的推掃式設(shè)備又往往力不從心。如何在空間分辨率、光譜分辨率和時(shí)間分辨率之間找到完*的平衡，是硬件設(shè)計(jì)的難題。不過目前隨著AI的發(fā)展，AI+硬件是解決這一問題的趨勢(shì)。

泛化能力與跨域融合的挑戰(zhàn)。光譜數(shù)據(jù)極度依賴特定的光照、觀測(cè)角度和物理環(huán)境。一套在實(shí)驗(yàn)室標(biāo)定的完*模型，一旦換個(gè)場(chǎng)景（比如換了種水果、換個(gè)工廠流水線），往往因?yàn)楣庹兆兓虮尘案蓴_而失效。此外，單一依靠光譜信息有時(shí)難以完*確定目標(biāo)，如何將光譜信息與空間幾何信息、偏振信息等進(jìn)行深度的多模態(tài)跨域融合，并建立具有*大泛化能力的通用模型，是真正走向產(chǎn)業(yè)化落地的關(guān)鍵門檻。

目前多項(xiàng)實(shí)驗(yàn)來(lái)看，光譜成像檢測(cè)不能很好推廣還是受限于精度問題，定性檢測(cè)可以有很好的結(jié)果，但定量檢測(cè)還是收環(huán)境影響較大，這方面需要進(jìn)一步結(jié)合大模型來(lái)進(jìn)行優(yōu)化迭代。