Hiperspektrinis vaizdavimas yra nuotolinio stebėjimo technologija, kuri renka duomenis visame elektromagnetiniame spektre, kad gautų spektrinius duomenis kiekvienam scenos pikseliui. Tai leidžia nenaikinamuoju būdu rinkti duomenis medžiagų identifikavimui, objektų aptikimui ir kitiems su medžiagų analize susijusiems uždaviniams spręsti. Viena iš tyrimų krypčių hiperspektrinio vaizdavimo srityje yra medžiagų ir jų kiekių nustatymas, kuris apjungia vieną arba kelis algoritmus, kurie išgauna medžiagų informaciją iš atskirų pikselių hiperspektriniame vaizde. Šiame tyrime daugiausia dėmesio skiriama trijų pagrindinių problemų, susijusių su medžiagų ir jų kiekių nustatymo hiperspektriniuose vaizduose, sprendimui: nepakankamas viešai prieinamų hiperspektrinių duomenų rinkinių, surinktų naudojant BO, kiekis; standartizuoto medžiagų ir jų kiekių nustatymo algoritmų testavimo nebuvimas; ribotas tyrimų kiekis apie medžiagų nustatymo metodus, taikomus hiperspektriniams duomenims, surinktiems BO pagalba. Sukurtas ir paskelbtas atviras BO surinktas hiperspektrinių duomenų rinkinys. Pasiūlyta lyginamosios analizės metodika, skirta naudoti vertinant naujus ir esamus medžiagų ir jų kiekių nustatymo hiperspektriniuose vaizduose algoritmus. Sukurtas naujas giliojo neuroninio tinklo modelis, pagrįstas „U-Net“ architektūra, kuris vidutiniškai pasiekė 12 % geresnį medžiagų ir jų kiekių nustatymo našumą, lyginant su pažangiausiu transformatorių pagrindu sukurtu neuroninio tinklo modeliu.

Hyperspectral imaging is a remote sensing technique that collects data across the entire electromagnetic spectrum to obtain spectral data for each pixel in a scene. This enables a non-destructive method for gathering data for material identification from spectral signatures, object detection, and other tasks related to material analysis. With the growing popularity of hyperspectral imaging being used on UAVs, the need for improved hyperspectral analysis algorithms increases. One of the research areas in the hyperspectral imaging field is hyperspectral unmixing, which combines one or multiple algorithms that extract material information from individual pixels in the hyperspectral image. This study focuses on solving the three main problems of hyperspectral unmixing: lack of available open UAV-gathered hyperspectral datasets; absence of standardised testing for hyperspectral unmixing algorithms; paucity of research on hyperspectral unmixing methods for hyperspectral data gathered by UAVs. An open UAV-gathered hyperspectral unmixing dataset was created and published for use in further study. A benchmarking methodology was proposed for use in the evaluation of new and existing hyperspectral unmixing algorithms. A new U-Net-based deep neural network model was created that achieved, on average, a 12% better hyperspectral unmixing performance compared to the state-of-the-art transformer-based neural network model.