人类获取的信息83%都来自视觉，由听觉、触觉和其他的渠道获取信息的占比仅有17%，所以视觉对于人类的重要性溢于言表。而机器视觉作为机器人的“高精密眼睛”，其之于机器人的作用就像视觉之于人类一样重要。

近日，中国工程院院士王耀南在2022世界VR产业大会关键共性技术主题论坛上围绕“高光谱机器视觉感知技术应用及发展趋势”发表演讲。他指出，高光谱机器视觉技术正在迅速普及，在制药行业的产品检测、食品生产的安全识别、建筑材料的质量控制、医学成像等场景中广泛应用，但距离真正实现“高精准、看得清、更好用”仍面临挑战。

智能机器人的“高精密眼睛”

在日常生活中，人们通常是通过视觉器官（眼睛）获取信息，再通过大脑来分析、处理这些信息，从而识别出物体。而高光谱成像的目标是获得包括从可见光到长波、红外光谱的精细光谱“指纹”，精确反映物质独特的光谱特性。作为智能机器人的“高精密眼睛”，高光谱机器视觉的发展对机器人的控制具有重要作用。

受不同生物的感光细胞具有差异启发，高光谱成像与感知可将丰富的、不同波段的图像信号映射到数字世界，是机器智能的重要支撑技术。“高光谱图像能够精准反应出物质特征的光谱信息，这是它最大的优势，”王耀南表示，“近几年，高光谱的发展非常迅速。过去高光谱主要是在摇杆应用里面，今天我们把高光谱用到机器视觉，使机器人装上了明亮精准的眼睛，可以感知到可见光、红外光。”

据了解，机器人的高光谱视觉研究主要包含两部分内容，一部分是成像感知，另一部分是自动的光谱信息分析。成像技术实质上是感光元件把光信息转化为数字图像信息，最早的光谱成像来自感光设备，目前低成本、小体积、高速率、低功耗的感光元件成为发展趋势。近年来高光谱机器视觉的发展态势从感知智能进入到了认知智能，从过去的 RGB 图像变成今天的光谱图像，已然进入到一个计算智能成像的时代。目前高光谱相机及其相关技术已成为智能机器视觉领域研究的前沿方向。

高光谱机器视觉仍面临挑战

分析与认知能力是机器人能否对环境中的有效信息加以处理与理解的重要标志，是智能化发展的必经途径。王耀南认为，高光谱机器视觉分析与认知面临着三大挑战，主要涉及图像特征提取、语义知识理解和自主适应学习。

“首先要突破图像特征的提取，过去我们主要是像素特征的提取，今天扩展至边缘、纹理、光谱等空间几何等方面；第二，它已经走向了图像的推理，涉及语义知识的理解、语义的描述、高维的图像特征等技术的突破。第三，要突破自适应的学习，传感器要具有学习性、能感知，还要能理解、能分析，让人工智能真正融入到机器视觉里。”王耀南说道。

近年来，通过大量研究，高光谱视觉传感器的发展突破了两项关键技术。第一项技术面向成像系统，成像系统围绕复杂的目标，能够解决在多空间、大尺度下的成像问题，可以同时捕捉三维空间和光谱维度的成像。第二项技术面向三维光谱数据分析，比如空间-光谱联合分析、大数据分析和处理等。快速突破这两项关键技术，有助于实现高光谱机器视觉技术的广泛应用。   

“高光谱广泛装载在机器视觉以后，不仅能应用到工业、农业，还能应用到无人驾驶、机器人、新药研发、新产品质量检测等领域。”王耀南表示。比如为了加速工业检测速度，我们开发了高光谱图像处理的硬件系统，研制了工业高光谱仪器，包括高光谱的成像，成像仪器的处理特征识别等。再比如，高光谱机器视觉也被用在异物检测方面，应用于疫苗生产的柔性智能化工厂。而不同的应用场景对高光谱成像的复杂性、多样性提出了更大的挑战。

未来首先要解决数据传输与处理问题

王耀南指出：“随着科学技术的进步，未来高光谱机器视觉的发展首先需要解决的，也是最重要的一个问题，就是数据传输与处理。”比如，高光谱仪器是联网的，如此庞大规模的光谱图像信息怎么同时传输，这就是一个需要解决的难题。

第二是光谱成像高分辨率问题。高光谱最大的弱点就是分辨率比较低，不像可见光成像的分辨率比较高。合成孔径雷达图像的分辨率也比较低，但是它的探测精度比较高。每一种传感器都有优点和缺点，因此未来一个重要的研究方向就是新的成像方法和机理探索。

第三个是所有的高光谱成像仪器都向小型化和高可靠性转变，要能够装载在不同的设备上，从单一的传感器进入到多传感器信息融合，从数据处理方面到光谱数据处理，从模型驱动向数据驱动、知识驱动的方向发展。