技术,它是集图像传感器、精密光学，精密机械、计算机信息处理技术于一体的综合性技术。在高光谱数据采集过程中,成像光谱仪以纳米级的光谱分辨率,以几十或几百个波段对目标成像,形成海量数据的数字影像集（也称数据立方体Data Cube），实现了目标的光谱信息、空间信息及辐射信息的同步获取,因而在目标

　　在相应的光谱范围内，具有上百个光谱通道的影像数据，影像上每一个像元的灰度值，按照波长排列都可以得到一条相应的光谱曲线,真正实现了图谱合一。较高的光谱分辨率，可反映目标细微的光谱特征,使得对目标的定量分析和化学分析成为可能。海量的光谱数据，配合以特定光谱分析算法，可实现传统影像分析技术无法达及的分析结果。

　　当前,高光谱成像及其应用呈现如下发展态势:成像光谱范围从最初的可见光向近红外、中红外和热红外波段范围拓展,其应用领域从最初的矿物识别、环境监视、植被分类、精准农业、军事侦察逐渐向星球探测、天体物理以及食品安全、文物保护、法庭科学等领域拓展。高光谱图像包含了丰富的光谱、空间和辐射等信息,且具有光谱接近连续、图谱合一的特性,为复杂目标分类识别和精细分析提供了可能。

　　高光谱成像技术想要在工业领域应用存在诸多的门槛，比如高光谱数据的获得方式，以及三维影像立方体的海量数据，对分析算法、过程控制、计算机性能都有很高的要求，导致多年来高光谱成像技术多局限于实验室的应用。众所周知，机器视觉领域常用的黑白、彩色相机以及3D相机，它们都能实现对检测目标的实时分析和分类。但是，这对于具有海量信息的高光谱数据来讲，无论是从它的数据传输，还是从它的分析算力方面，都是巨大的挑战。

　　美国Headwall Photonics公司首次将光谱成像技术与机器视觉应用结合起来，MV.C 实时分类的高光谱成像仪（如下图）是美国Headwall公司专为生产流水线的实时动态高光谱检测应用，打造的一套完整的解决方案。

　　通过MV.C 内置的机器学习算法，用户可先采集检测样品的高光谱数据，与检测样品对应的理化指标建立对应的关系，并对各类检测样本进行训练学习，以交互的方式获得监督分类模型后，上传分类模型到高光谱仪的模型库中，MV.C 高光谱仪便能利用已有模型对流水线上的产品进行快速的实时分析和分类。

　　在产业制造领域，MV.C 实时分类的高光谱成像仪将会开拓出崭新的应用市场，并为中国工业制造4.0添砖加瓦。

　　1) 像差校正型的凸面反射光栅，反射式光学设计，完全消色差，是高质量光谱数据的保障；2) 嵌入式计算机系统，内置高性能中央处理器(CPU)和图形处理器 (GPU)，系统集成各个复杂功能于一体，配备专有的机器学习及实时分类软件，将复杂的原始影像立方体，转化为可操作的数据，配有双网线防护等级，能适应严苛的工业环境，具有更高的可靠性和稳定性。4) Gig-E接口，Web UI，支持远程部署，可通过局域网共享分类模型。

　　示例一：如下图，先进行对样本的学习，建立分类模型。然后导入分类模型后，把不同含糖量的柑橘用不同颜色标记。

　　示例二：组氨酸含量过高鱼类，被食用后会导致中毒，所以在线检测鱼类中组氨酸的含量并加以区分就显得非常重要。如下图，是我们对一些含不同含量组氨酸的样本鱼进行检测后建立的模型，将该分类模型导入MV.C中后，即可对传送带上的大量鱼肉进行在线检测和分类。

　　图中绿色光谱范围是化妆品配方比例正确时的光谱区间，红色谱线是正在搅拌中的化妆品配方比例反演的曲线，通过将测得的结果进行实时动态的反馈，不断调控不同化学成分添加的比例，当红色的光谱曲线落入绿色的光谱范围内时，即是配方比例正确的时候。

　　根据不同的应用需求，我们可建立各类的学习模型，如：肉制品评级，药品组份比例，高分子材料分析分类，烟草品质评级等模型，以及中药剂搅拌混合的过程控制等。

jinnian金年会官方网站入口
上一篇：短波红外台式高光谱成像系统（SCI-T6100） 下一篇：一种基于扩散模型的傅里叶单像素成像高分辨率迭代重建