仝賡，西北工業大學機電學院微機電系統及納米技術專業博士研究生，導師虞益挺教授。主要從事光電成像領域，碩博期間發表SCI論文12篇，申請發明專*12項，獲西北工業大學一等學業獎學金、西北工業大學優秀研究生，法士特齒輪獎學金、互聯網+省金獎等榮譽獎勵。

第37期高光譜課堂榮幸邀請到西北工業大學—仝賡做線上講座報告，以《看見不可見：高光譜成像的跨域應用探索》為題，本報告聚焦光譜成像技術在多領域的創新應用。針對水質檢測，提出基于偏振多維特征的富營養化參數反演模型，顯著提升復雜水體抗干擾能力；在圖像處理層面，構建偏振與高光譜數據融合框架，突破單一模態信息瓶頸；面向國防與安全，利用高光譜成像，實現對偽*目標的精準非監督式探測；在農業領域，開發基于光譜特征遷移的水果糖度與含水量分級系統。相關研究發表SCI論文12篇，授權發明專*12項，為光電成像技術在環境、安防及農業領域的實用化提供了新范式。

為什么在常規的高光譜信息之外，還需要引入偏振信息？偏振光譜相比普通光譜最大的優勢在哪里？

維度提升與解混能力：普通高光譜主要提供“物質成分"信息，而偏振光譜額外提供了“微觀幾何形態（如粗糙度、晶體取向）"的信息。兩者結合可以實現光譜-偏振聯合解混，解決單一維度無法區分的問題（例如區分光譜相似但表面結構不同的人造材料）。抗干擾能力強：偏振態對光照條件、大氣散射的敏感度與普通光強不同，在復雜背景（如云霧、水面）下能更好地提取目標信號。

在開展跨域應用（例如從實驗室遙感探測轉向工業檢測或生物醫學成像）時，偏振光譜技術面臨的最大挑戰是什么？

數據獲取的信噪比（SNR）瓶頸：偏振信號通常非常微弱（往往只占總量的一小部分），在非受控環境（如自然光照下的工業現場）中，極易被環境雜散光淹沒。

標定與幾何校正復雜：正如前面提到的，偏振對觀測角度極度敏感?？缬驊脮r，每次換場景都需要重新進行嚴格的幾何標定和去噪，算法的泛化能力是目前最大的工程難點。

設備成本與便攜性（現實門檻）：成本高昂，高精度的偏振探測通常需要搭載像旋轉波片、特種偏振分光棱鏡等高精度光學元件，加上需要嚴格標定和同步采集的多通道探測器，整套系統的硬件成本遠高于普通的RGB或高光譜相機。體積龐大，為了保證光路的穩定性和測量的準確性，傳統偏振光譜儀往往需要復雜的機械轉動部件和嚴格的減震環境，導致設備體積大、重量沉，難以集成到無人機、機械臂或便攜式檢測終端上。所以才開展了相關光譜重建以及微小化系統研究，致力于降低成本和采集效率。

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

端到端的智能反演，利用深度學習直接從高維的偏振光譜數據立方體中，挖掘出人類難以直觀理解的物理特征，實現目標分類或參數反演，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）嵌入神經網絡，讓AI不僅能“擬合"數據，還能像物理學家一樣理解偏振產生的底層邏輯，從而在數據稀缺的場景下也能保持高精度。

目前光譜成像應用中存在哪些難題？

便攜性與實時性的矛盾。傳統的高光譜設備為了保證精度，往往需要復雜的分光和機械掃描結構，導致設備體積龐大、成本高昂，且成像速度較慢。如果追求小型化和低成本（如做成便攜設備或裝到無人機上），往往就得犧牲光譜分辨率或成像幀率。如果要滿足工業流水線上高速、實時的檢測需求，傳統的推掃式設備又往往力不從心。如何在空間分辨率、光譜分辨率和時間分辨率之間找到完*的平衡，是硬件設計的難題。不過目前隨著AI的發展，AI+硬件是解決這一問題的趨勢。

泛化能力與跨域融合的挑戰。光譜數據極度依賴特定的光照、觀測角度和物理環境。一套在實驗室標定的完*模型，一旦換個場景（比如換了種水果、換個工廠流水線），往往因為光照變化或背景干擾而失效。此外，單一依靠光譜信息有時難以完*確定目標，如何將光譜信息與空間幾何信息、偏振信息等進行深度的多模態跨域融合，并建立具有*大泛化能力的通用模型，是真正走向產業化落地的關鍵門檻。

目前多項實驗來看，光譜成像檢測不能很好推廣還是受限于精度問題，定性檢測可以有很好的結果，但定量檢測還是收環境影響較大，這方面需要進一步結合大模型來進行優化迭代。