La combinació de càmeres hiperespectrals i intel·ligència artificial està canviant de dalt a baix la manera com veiem i analitzem el món material. Ja no es tracta només d'obtenir imatges boniques, sinó de descobrir informació química i estructural que, literalment, és invisible per a l'ull humà i les càmeres tradicionals.
Gràcies a sensors optoelectrònics miniaturitzats, espectròmetres integrats en xip i algorismes d'IA cada cop més potents, és possible detectar defectes, classificar materials, analitzar cultius o guiar cirurgies en temps real i amb una precisió que fa uns anys sonava amb ciència ficció. I el millor: molts d'aquests sistemes comencen a sortir del laboratori per integrar-se a línies de producció, explotacions agrícoles o quiròfans reals.
Què és una càmera hiperespectral amb intel·ligència artificial
Una càmera hiperespectral és, en essència, un sistema d'imatge que captura desenes o centenars de bandes espectrals per a cada punt de l'escena, normalment des del visible fins a l'infraroig proper, amb resolucions típiques entre 4 i 10 nm segons el disseny del sensor. Mentre una càmera RGB assigna tres valors de color per píxel, un sistema hiperespectral genera un vector espectral complet per píxel, cosa que permet identificar materials per la seva signatura espectral única.
Quan a aquest tipus de càmera se li incorpora un mòdul de intel·ligència artificial capaç de seleccionar, interpretar i classificar aquesta informació s'obté una eina d'anàlisi extremadament potent: és possible reconèixer propietats químiques, estructurals o organolèptiques sense contacte i de manera no invasiva, amb resultats automatitzats que es poden integrar directament en processos industrials, agrícoles o clínics.
Projectes com OASYS, desenvolupats en centres de referència en microsistemes fotònics, es recolzen en sensors optoelectrònics avançats i espectròmetres integrats que registren les característiques espectrals de cada punt del producte o material inspeccionat. D'aquesta manera, es revelen propietats químiques impossibles de percebre amb càmeres convencionals, cosa que facilita la detecció primerenca de defectes en aliments, plàstics o tèxtils.
Fins fa poc, el principal fre per a aquestes tecnologies eren la seva mida, complexitat tècnica i cost. Les càmeres compactes basades en IA, combinades amb espectròmetres en xip de molt baix consum, canvia l'escenari i obre la porta a solucions integrables en màquines de producció, sistemes mòbils i fins i tot dispositius de mà.
Un enfocament especialment interessant és el proposat per l'Institut Fraunhofer per a Microsistemes Fotònics, que combina una càmera 2D convencional amb un sensor espectral i un mòdul d'IA. El sistema adquireix primer una imatge clàssica de l'escena, identifica les regions rellevants mitjançant algoritmes de visió artificial i només en aquestes regions aplica l'anàlisi hiperespectral detallada. Així es minimitza el volum de dades sense renunciar a la precisió química.
Reducció de dades i avantatges tècnics de la IA aplicada
Una de les barreres més grans per a l'ús massiu d'imatge hiperespectral és la enorme quantitat de dades generades per un hipercub (la representació tridimensional que combina amplada, alçada i longituds d'ona). Analitzar espectralment cada píxel d'una escena completa pot ser prohibitiu en termes d'emmagatzematge, processament i consum energètic si es vol treballar en temps real.
Els sistemes híbrids que integren IA resolen aquesta limitació mitjançant una selecció intel·ligent de regions d'interès. En aplicacions industrials típiques, aquest enfocament permet reduir el volum de dades espectrals entre un 70 i un 85% en comparació amb un sistema d'escombrada completa. Dit d'una altra manera: es captura detall hiperespectral només on és necessari i s'ignora el que és irrellevant.
Aquesta reducció de dades es tradueix directament a menys necessitat de memòria, menys consum d'energia i temps de processament compatibles amb línies de producció que poden manejar diverses desenes dobjectes per segon. La IA actua com a filtre previ i com a cervell de decisió, avaluant si un producte compleix les especificacions o si un material pertany a una categoria determinada.
A nivell quantitatiu, quan es combinen resolucions espectrals fines amb models de classificació basats en xarxes neuronals o altres algorismes d'aprenentatge automàtic, es poden assolir taxes d'encert superiors al 95% en tasques d'identificació de materials, sempre que el conjunt de dades utilitzat per a l'entrenament representi bé les variacions reals de l'entorn de treball.
A més, la miniaturització dels espectròmetres, amb superfícies actives per sota d'1 mm² i resolucions espectrals inferiors a 10 nm, permet dissenyar càmeres molt més compactes. Alguns prototips d'espectròmetres en xip assistits per IA, descrits en literatura científica publicada a plataformes com arXiv, ja són capaços d'operar fins a longituds d'ona properes a 1100 nm consums inferiors als 100 mW, el que els fa aptes per a dispositius portàtils o sistemes alimentats per bateria.
Aquest avenç no només redueix mida i consum, sinó que també millora la robustesa del conjunt, en eliminar elements òptics voluminosos i parts mòbils. Les arquitectures modulars, molt presents en catàlegs de fabricants de visió artificial industrial, faciliten adaptar aquests mòduls hiperespectrals intel·ligents a diferents sectors productius amb mínims canvis.
Control de qualitat industrial: aliments, plàstics i tèxtils
Un dels camps on més clarament es veu el potencial d'aquestes solucions és el control de qualitat automatitzat a la indústria. A la indústria alimentària, per exemple, la imatge hiperespectral permet detectar danys interns, alteracions en la composició o contaminació superficial que no són evidents en una fotografia convencional.
En analitzar la signatura espectral de cada punt de l'aliment, un algorisme d'IA entrenat pot identificar productes defectuosos, cossos estranys o nivells de maduració inadequats. Això ajuda a reduir tant el malbaratament innecessari com el risc que els productes no conformes arribin al consumidor, i alhora manté altes velocitats d'inspecció a la línia d'envasament.
En sectors com el plàstic i el tèxtil, les càmeres hiperespectrals compactes amb IA tenen la capacitat de reconèixer tipus específics de polímers o barreges de materials que visualment semblen iguals. Això és crític en processos de reciclatge automatitzat, on separar correctament els diferents materials influeix de manera directa en la qualitat del producte final i en la rendibilitat del procés.
La discriminació espectral permet diferenciar, per exemple, plàstics que comparteixen color i textura però que pertanyen a famílies químiques diferents. A través de models de classificació entrenats, la IA pot dirigir automàticament els materials a la cadena de reciclatge adequada o rebutjar aquells que no compleixin els requisits, sense necessitat de marcadors físics ni etiquetats addicionals.
En el cas de tèxtils, aquesta tecnologia facilita detectar barreges no desitjades de fibres, tractaments superficials o contaminants que poden afectar la qualitat, la durabilitat o el comportament davant del foc d'un teixit. Els sensors optoelectrònics desenvolupats en projectes com OASYS, juntament amb espectròmetres integrats, permeten registrar informació espectral detallada fins i tot en moviments ràpids, una mica clau en línies de producció de teixits o en processos d'acabat.
L'ecosistema industrial ja comença a incorporar aquests sistemes a catàlegs tècnics i solucions comercials. Fabricants especialitzats en visió artificial i companyies centrades en connectivitat i electrònica industrial, com Phoenix Contact amb el seu dossier de connectors orientats a l'assemblatge SMT automatitzat, estan alineant els seus productes perquè les càmeres hiperespectrals s'integrin en xarxes de dades industrials de forma senzilla i estandarditzada.
Agricultura de precisió i projectes com SCOUT
L'agricultura és un altre dels àmbits on la combinació d'hiperespectral i IA està fent un salt qualitatiu. Les firmes espectrals de les plantes permeten avaluar-ne estat fisiològic, estrès hídric, deficiències nutricionals o presència de malalties molt abans que els símptomes siguin visibles a simple vista.
Un exemple destacable és el projecte SCOUT, centrat en lanàlisi de oliva de taula mitjançant firmes multiespectrals. Per a aquesta aplicació es fa servir un prototip de dispositiu de mà, dissenyat per ser operat per una sola persona, equipat amb sensors que cobreixen el rang de 400 a 1000 nm, abastant les bandes rellevants per a l'estudi de les característiques del fruit.
Aquest dispositiu portàtil se centra, després d'una anàlisi prèvia, en aquelles longituds d'ona que presenten més correlació amb els paràmetres a mesurar, com el grau de maduresa o determinades propietats organolèptiques. En treballar només amb les bandes més significatives, es redueix dràsticament la mida i el cost de l'equip, mantenint un nivell de funcionalitat molt alt per al pagès.
A més del dispositiu de mà, SCOUT incorpora un sistema mòbil que recull imatges multiespectrals des d'una càmera embarcada en una tirolina sobre la plantació. Aquestes imatges permeten analitzar el context del cultiu, extraient informació sobre la verdor, la densitat de la vegetació i la salut global de l'oliverar mitjançant índexs com l'NDVI (índex de vegetació de diferència normalitzada).
La informació recollida per tots dos sistemes -el de mà i el mòbil- es processa mitjançant tècniques d'intel·ligència artificial basades en xarxes neuronals profundes (Deep Learning). Els models s'entrenen amb dades de camp etiquetades, de manera que, un cop desplegades, poden oferir recomanacions expertes al pagès: moment òptim de collita, zonificació de parcel·les, detecció primerenca de problemes o estimacions de rendiment.
Aquesta arquitectura dóna lloc a un autèntic sistema ciberfísic orientat a la presa de decisions agronòmiques, on els sensors, els algorismes d'IA i les plataformes digitals interactuen de manera contínua. La Unió Europea impulsa iniciatives d'aquest tipus a través de fons com ara Next Generation EU, que financen projectes d'R+D en intel·ligència artificial i tecnologies digitals integrades en cadenes de valor agràries i agroindustrials.
Plataformes digitals, interfície web i app mòbil
Perquè les càmeres hiperespectrals amb IA resultin realment útils fora del laboratori, no n'hi ha prou amb el maquinari i els algorismes; és imprescindible comptar amb plataformes digitals que presentin els resultats de forma clara tècnics, operaris o agricultors. En el cas de SCOUT i de sistemes similars, l'arquitectura programari es recolza en una aplicació web i una app mòbil que actuen com a cara visible del sistema.
L'aplicació web funciona com panell principal de control i anàlisi. S'hi accedeix a través d'un navegador i ofereix des de visualització de dades i mapes fins a la configuració de paràmetres de negoci rellevants per a cada usuari (per exemple, llindars de qualitat, definició de lots o criteris de classificació). Aquesta interfície es comunica dinàmicament amb una API REST que centralitza lintercanvi dinformació amb la capa de backend i amb els dispositius de camp.
L'app mòbil, per part seva, té una doble funció: per una banda, permet consultar informació clau sobre l'estat de cultius o lots en qualsevol moment i lloc; de l'altra, és l'eina que intermèdia entre el dispositiu de mà i el núvol, utilitzant la connectivitat Bluetooth del terminal on està instal·lada per sincronitzar dades de camp.
Aquest tipus darquitectura fa possible que tant personal tècnic com usuaris finals sense perfil tecnològic avançat puguin interactuar amb models de IA complexos sense necessitat de coneixements profunds en visió hiperespectral o algorismes daprenentatge profund. Només cal capturar les dades seguint un flux guiat i deixar que el sistema processi, analitzi i presenti resultats en un llenguatge comprensible.
A escenaris industrials, la mateixa filosofia s'aplica mitjançant integracions amb sistemes MES, ERP o plataformes de supervisió SCADA, on les càmeres hiperespectrals intel·ligents es converteixen en un node més de la xarxa industrial. La compatibilitat amb estàndards de comunicació habituals simplifica que els resultats de classificació o mesura s'integrin en decisions automàtiques de rebuig, reencaminament de producte o ajustament de paràmetres de procés.
Imatge química i interpretació d'hipercubs
Una de les aproximacions més interessants per traduir les dades hiperespectrals a una cosa intuïtiva per a l'usuari és la denominada imatge química. Empreses especialitzades en visió hiperespectral, com INSPECTRA amb la seva tecnologia CHP® (Chemical image Processing), combinen visió artificial amb espectroscòpia a l'infraroig per generar imatges RGB on cada color representa informació química rellevant.
El concepte d'imatge química parteix d'un hipercub on cada voxel (l'equivalent tridimensional al píxel, afegint-hi l'eix espectral) té associada una signatura espectral pròpia. Mitjançant programari d'interpretació, s'entrenen models que relacionen aquestes firmes amb determinades classes de materials, contaminants o paràmetres d'interès. A partir d'aquí, es construeix una imatge RGB on, per exemple, s'assignen tons verds als productes que es volen acceptar i tons vermells a contaminants o cossos estranys.
El gran avantatge daquest enfocament és que, a partir dun mateix hipercub, es poden generar múltiples imatges químiques en paral·lel, cadascuna dissenyada per ressaltar un paràmetre qualitatiu diferent: tipus de material, presència de defectes, distribució d'humitat, etc. Això multiplica el valor de l'adquisició hiperespectral, ja que s'extreuen d'un únic escaneig diverses capes d'informació visualment interpretables.
La tecnologia CHP® il·lustra bé com la IA s'integra al flux: els models que converteixen dades espectrals en imatges químiques no són estàtiques, sinó que s'ajusten i reentrenen per adaptar-se a nous productes, canvis en el procés o variacions en les condicions d'il·luminació. D'aquesta manera, el sistema manté la seva fiabilitat al llarg del temps i es pot desplegar en diferents línies sense necessitat de redissenyar completament el maquinari.
Aquesta capacitat de traduir informació complexa en visualitzacions senzilles també és crucial en entorns mèdics, on els cirurgians necessiten prendre decisions ràpides sobre la marxa. En aquest context, que una zona tumoral o un teixit sa apareguin codificats amb colors ben diferenciats en temps real, pot marcar la diferència en l'estratègia quirúrgica.
Aplicacions mèdiques: imatge hiperespectral en cirurgia
A l'àmbit sanitari, la captura, el processament i la visualització d'imatges hiperespectrals s'estan consolidant com una eina de suport no invasiva en procediments quirúrgics. Un cas especialment rellevant és el seu ús en neurocirurgia per delimitar tumors cerebrals durant la intervenció.
Mitjançant càmeres mòbils que cobreixen rangs com 665-975 nm, amb al voltant de 25 bandes espectrals i resolucions espacials de l'ordre de 2045 x 1085 píxels (equivalents a 409 x 217 en configuracions específiques), és possible adquirir hipercubs del camp operatori. Cadascuna de les bandes recull informació diferent sobre la interacció de la llum amb els teixits, el que permet distingir entre teixit tumoral, teixit sa i estructures crítiques.
Els algorismes d'anàlisi processen aquests hipercubs i generen mapes que ajuden el cirurgià a delimitar amb precisió els marges del tumor, reduint el volum de teixit sa que s'extirpa i minimitzant complicacions posteriors. En millorar la definició dels límits tumorals, es poden reduir tant els temps de cirurgia com els de recuperació i disminuir la probabilitat de recaigudes.
A la pràctica, aquesta tecnologia contribueix a millorar de forma tangible la qualitat de vida del pacient, en permetre intervencions més conservadores sense perdre eficàcia oncològica. A més, s'explora la seva aplicació en altres branques mèdiques, com ara cirurgia vascular, dermatologia o monitorització de ferides, on les diferències espectrals entre teixit sa i alterat ofereixen informació molt valuosa.
La convergència entre visió hiperespectral, IA i sistemes de guiatge quirúrgic planteja un escenari on el quiròfan es converteix en un entorn altament digitalitzat, on el cirurgià compta amb capes d'informació funcional i química superposades a la imatge convencional, facilitant decisions difícils que fins ara es basaven en gran mesura en lexperiència subjectiva.
Tot plegat, les càmeres hiperespectrals amb intel·ligència artificial estan passant de ser eines de nínxol a convertir-se en actors clau en indústries tan diverses com l'alimentària, la tèxtil, la del reciclatge, l'agricultura de precisió o la medicina avançada. La reducció de mida i consum, l'ús de models d'IA capaços de seleccionar i analitzar només la informació rellevant i l'aparició de plataformes digitals amigables fan que la seva implantació en entorns reals sigui cada cop més factible, oferint un nivell de control, traçabilitat i eficiència que encaixa a la perfecció amb les exigències de la indústria i la societat actuals.
