以光速可视化价值

全球食品检验行业需要更新、更精确的工具来满足严格的政府法规。从特种作物到海鲜、肉类和家禽，2021 年仅食品安全检测市场的价值就达到惊人的 195 亿美元，预计到 2026 年将达到 286 亿美元 ¹ .这是一个例子，其中高光谱成像 (HSI) 代表了一种工具，可以减轻繁琐和劳动密集型的任务，并为一些历史上的主观分级应用带来新的一致性水平。

HSI 最初是为涉及飞机和卫星图像的遥感应用而开发的，此后已成为先进机器视觉应用的商业可行技术。 HSI 传感器就像数以千计或数百万个光谱仪一样，提供图像每个像素处反射光的化学特征。 Headwall 的传感器可以调整到超出人眼识别能力的波长范围，从紫外和可见光（UV 和 VIS）到近红外（VNIR、NIR 和 SWIR）波长范围。

高光谱成像传感器可以区分人眼和传统彩色成像无法识别的光谱特征。这些功能可以检测潜在有害的异物，并提供一种对材料进行分类和分级的方法，例如食品，其价值通常与特征相关，这些特征通常由 HSI 系统测量得比疲劳或疲劳的人更好、更一致。像每天不同量的咖啡这样简单的事情的影响 2.

由于需要处理相对大量的原始数据并解决光谱分类模型开发的相对复杂性，使用 HSI 的系统在工业部署中面临重大障碍。然而，诸如 Headwall 的 Hyperspec® MV.X 成像系统等较新的 HSI 平台将高性能成像光谱仪与强大的嵌入式计算和软件相结合，以快速创建光谱分类模型，以实时提取可操作的结果，并通过本地网络将指令发送到采取行动或收集监控数据。

看待事物的不同方式

人眼虽然有能力，但只能检测到 400 nm 到 700 nm 可见光谱范围内的图像。在这个范围内只有三种颜色属于广泛的 RGB（红色、绿色或蓝色）区域，每个人的颜色敏感度和感知度都有很大差异。尽管如此，食品检验行业几个世纪以来一直依赖人类和 RGB 传感器来检测问题和对产品进行分级。其中包括在收获过程早期遗漏的异物，甚至是这些传统方法中的任何一种都可能在很大程度上不可见的难以检测的疾病状况。风险很高：消费者偏好、满足新政府法规的能力以及企业股东价值都可能取决于如何在食品行业的各个方面实施检查的准确性和有效性。

“光谱成像”传感器可细分为两类。多光谱传感器包含少量光谱带，从四个到几十个不等，而高光谱传感器提供更精细（即高光谱分辨率）的外观，因为它们一次可以捕获数百个光谱带。两者都提供了更完整的受检食品图片，因为它们远远超出了如此普遍和传统使用的简单 RGB 范例。

人类将颜色视为电磁光谱非常小的区域中的红色 (1)、绿色 (2) 和蓝色 (3) 的组合。添加波段 4 和 5 代表了一个多光谱示例，其中捕获和分析了超过 3 个光谱区域。高光谱成像利用了数百个光谱波段，而不仅仅是几个波段。这可以实现点测量光谱仪的高性能，但在可能包含数百万像素的图像的每个像素上。

用于本讨论目的的“高级”机器视觉系统可能由一个或多个光谱成像传感器、合适的照明源和收集图像数据同时与下游机器人通信的计算机组成。传感器将图像数据实时呈现给计算机，然后将图像数据发送到机器人系统。机器人系统解释图像并根据算法和指令立即了解要做什么。在某些情况下，它可能会简单地抓取并删除一块异物（通过/失败）。在其他情况下，它会将产品的某些颜色引导到另一条生产线进行进一步处理（产品“分级”）。对于回收应用，它可以沿高速生产线对不同但外观相似的塑料进行分类。

高光谱传感器不是一个独立的设备，而是整个先进机器视觉系统的重要且非常准确的部分。一个估计 ³ , 机器视觉在可能有用的应用中被使用的不到 20%。因此，讨论这种强大的成像技术可以使检测过程更好、更经济、更高效的方法是明智的。

HSI 传感器可以被认为是一种“新的眼睛”，充当检查线的哨兵，无论典型的生产周期持续多久。它与系统的其他元素“对话”的能力是高光谱传感被视为行业新工具的关键原因，它具有远远超过 RGB 单元的能力。

“推扫式”高光谱传感器通过狭缝（左）逐行扫描来捕获图像，每行包含保存对象光谱特征的像素（中）。当传感器相对于被扫描的区域或对象移动时，就会建立一个数据集（右图）。生成的数据集可以被认为是一个堆栈，其中每一层代表一个特定的“波段”（小范围的波长）。将像素拼接在一起形成图像，其中每个像素不仅包含传统的 RGB 值，还包含传感器波长范围内的数百个值。

高光谱传感器的基本功能是在“推扫式”设计的情况下通过物理狭缝捕获进入场景的各个切片，并将每个切片分解为离散的波长分量，然后呈现给焦平面阵列 (FPA) .衍射光栅负责将图像切片分散成离散波长分量的任务。光栅设计有精确的凹槽轮廓，以保持一维的空间相干性（图像狭缝的长度）并导致空间信息（狭缝的宽度，以微米为单位）发生衍射。这种衍射（色散）过程允许光谱内容横穿传感器上的已知波长通道。

Headwall 使用的全反射推扫式光谱线扫描技术在每个“帧”中捕获一条光谱线（X 空间和 Z 光谱）。连续帧构建了 Y 空间维度。推扫式设计因其在非常高的空间和光谱分辨率下提供低失真的能力而受到青睐。高通量意味着高信噪比和极低的杂散光。因为它是全反射设计，所以消除了色散问题。

当通过高光谱传感器的狭缝观察时，我们所看到的只是狭缝通过的空间条。这相当于一列像素。您仍然可以看到图像中的空间细节，但一次只能看到一条。在每一个狭缝中，都有许多颜色。 HSI 系统将每个空间像素中的光分离为该像素中的不同颜色。每次相机拍摄狭缝的照片时，它都会获得每个像素的全帧光谱数据。当我们穿过场景时堆叠狭缝的每个光谱图像，我们建立了高光谱数据立方体。随着传感器在场景中从左向右移动，高级高光谱处理软件可以拍摄一组照片并将它们拼接在一起以获得完整的“数据立方体”。

光谱成像使其非常适合高级机器视觉应用的一个特征是运动。由于传感器逐帧捕获图像数据，它们自然依赖于运动的发生。传感器要么需要在视野范围内移动（就像在遥感应用中连接到无人机或飞机时那样），要么视野需要在传感器下方移动（就像在高级机器视觉部署中那样） )。

精准农业社区已采用高光谱和多光谱传感器作为无人机和飞机在农田上空飞行的有效载荷。这些传感器捕获了大量重要的农业数据，包括 NDVI、PRI、WBI、红边比等指标。作物活力、施肥和灌溉效果以及入侵物种和疾病的早期迹象都可以在“看到” 400 nm 和 1000 nm 之间的可见近红外 (VNIR) 传感器的数百个波段内看到。

高光谱传感器可以沿着生产线放置并连接到机器人，机器人根据传感器系统本身的嵌入式处理器中执行的实时分析采取适当的行动。

沿着高速传送带，可以收集相同级别的有意义的数据，从而对检查过程产生积极影响。帧速率和视场特性使得传感器能够监测高速运行的宽线。 HSI 提供的高度区分意味着即使是难以区分的异常也会被看到和管理。草莓地里的蓝莓很容易辨认，但在同一种作物或外观相似的回收材料中，细微的颜色或化学差异又如何呢？只有高光谱才能区分这些看不见的差异。

HSI 传感器设计

进入推扫式高光谱传感器狭缝的光线被分成彩虹般的颜色光谱，在这种情况下，通过非常细凹槽的全息光栅。光谱落在二维光传感器上。当传感器相对于被扫描物体移动时，软件将每个感光像素处的信号电平转换为图像每个像素处的光谱曲线。

尽管 HSI 传感器有时被称为“相机”，但它们实际上是光谱仪和相机的结合。 Headwall 的传感器基于全反射设计，没有移动部件或潜在的透射光学元件。这是通过使用管理穿过图像狭缝的入射光的全息衍射光栅来实现的。光栅不仅非常精确，而且又小又轻。这使得仪器本身体积小、重量轻，便于在任何地方部署。

Headwall 是唯一一家也制造自己的衍射光栅的光谱传感器制造商。每个光栅都是“主质量”，这意味着对于给定的应用，从一个到下一个相同的凹槽轮廓。由于传感器的基本光学性能是光栅的函数，因此这种能力代表了真正的差异化。高光谱传感器的设计和“调整”到特定的光谱范围。在每个范围内，实际上都收集了数百个光谱带，从而为沿检测线移动的所有物体提供了非常精确和高分辨率的视图……无论是光谱上还是空间上。

可见近红外范围 (VNIR) 覆盖 400 nm 至 1000 nm，扩展 VNIR 范围覆盖 550 nm 至 1700 nm。近红外范围 (NIR) 收集 900 nm 至 1700 nm 的图像数据，而短波红外范围 (SWIR) 覆盖 900 nm 至 2500 nm。由于材料在这些范围内的某些点“反射光”，因此首先定义特征本身很重要。然后，通过算法，传感器可以表征材料或检测任何未被精确定义为“好”的东西，不仅是关于异物，而且还可以区分一种浆果与另一种浆果或一种坚果与一种坚果之间的难以区分的“分级”差异。其他。这是高光谱成像的一个非常有价值的特性，因为它的特异性水平远远超出了更传统的 RGB 传感器。

光问题

由于 HSI 传感器测量和分析反射光，因此照明是一个重要的考虑因素。总体目标是为传感器的视场提供极其均匀、一致的照明形式，同时既坚固又经济。

对于 VNIR 光谱范围，石英钨卤素 (QTH) 代表了一种此类照明技术，而较新的 LED 光源可能被视为另一种虽然不太成熟的替代方案。成束的光纤也呈现出均匀的光源。食品检验行业感兴趣的大部分“反射”在可见范围之外，在 700 nm 左右截止。因此，让光源覆盖这一点的任一侧至关重要。

除了尽可能凉爽、坚固和均匀之外，光源还需要完全穿过检测线的宽度。这种边缘到边缘的能力利用了传感器的宽视场，不仅可以直接看到传感器本身的下方，还可以看到被检测产品的边缘。高速食品检测线没有任何管制，因为产品可能无处不在……沿着边缘或在传送带上聚集在一起。光源的使用寿命也很重要，因为许多食品检验线全天候运行。

由于传感器一次一个切片构建图像数据的“立方体”，并且照明本身是一个非常薄的条带，因此需要照亮感兴趣的区域（“狭缝图像”）。白色反射率目标用于在实际操作之前校准传感器。这是至关重要的一步，因为传感器正在收集下游机器人系统（例如真空、气刀、采摘爪）将用来区分“好”和“坏”的图像数据。目标始终是呈现正确的类型以适当的强度点亮，正好在需要的地方。此外，重要的是有文档提供跨投影场的光的波长和强度、光的均匀性以及跨标准距离的退化。这样，如果需要对线路架构进行一些调整，就可以确定传感器相对于线路的准确定位。

机器人

机器人子系统是许多高级机器视觉处理线应用的自然元素。区分和消除的能力取决于传感器和机器人系统快速、忠实地实时通信的能力。 Hyperspec® 传感器每秒可以运行数百帧，这意味着从运营和经济角度来看，它们非常适合与高速生产线和嵌入其中的机器人系统一起使用。

机器视觉行业明白，要将各种子系统集成到无缝且持续运行的生产线中，需要具备行业标准且快速的通信协议。从数据流的角度来看，千兆以太网通常用于将所有内容联系在一起。管理传入数据的 HSI 系统和计算机都可以使用千兆以太网，也可以使用其他非常快速的通信链路，例如 CameraLink。

数据收集和处理

检查坚果和浆果等特种作物需要查看外观非常相似但变化程度很小的物品。因此，将信号或图像分成数百个高光谱“通道”对行业来说是一大利好。

由于易用性是最重要的，并且需要陡峭但快速的学习曲线，Headwall 的软件非常直观，并且包含允许用户根据传感器看到的内容修改和调整其检测过程的功能。基于算法的过程可以精确定位用户可能遇到的光谱特征。例如，在 RGB 分析下，虫害杏仁与“好”杏仁几乎无法区分。但是使用 HSI 分类的同一场景会引起对受损场景的注意，这可以被下游机器人系统消除。

创新传感器、软件和工作流程的结合使越来越多的用户能够通过真正的解决方案访问 HSI，这些解决方案不仅使用光谱数据检测污染，而且还对产品进行“分级”，从而减少浪费，更多地转化为收入。高光谱成像在机器视觉行业开启了这种可能性。

资源

1. “按目标检测（病原体、农药、转基因生物、霉菌毒素和过敏原）、技术（传统和快速）、检测食品（肉类、家禽、海鲜、乳制品、加工食品和水果）的食品安全检测市场和蔬菜）和地区 - 预测到 2026 年 ”，Markets and Markets，食品安全检测市场，2021 年 5 月发布
2. “咖啡因对志愿者视网膜颜色辨别功能的影响 ”，奥瓦内索夫 KB。维利亚涅。 Eksp 克林 Farmakol。 1998 年 11 月至 12 月； 61 (6):17-9。 PMID：9929810
3. “多光谱与高光谱图像解释 ”，GISGeography，2018 年 2 月 16 日
4. “机器视觉手册 ”，亚历山大·霍恩伯格，Wiley-VCH。页。 694, 2006. ISBN 978-3-527-40584-8

本文由 Headwall Photonics EMEA 总监 Christian Felsheim 和 Headwall Photonics（马萨诸塞州博尔顿）高级应用工程师 Will Rock 博士撰写。欲了解更多信息，请访问 这里 .