革新食品安全：高光谱成像实现快速精准价值可视化

全球食品检验行业需更新、更精准工具满足严格政府法规。从特色作物到海鲜、肉类、禽类，食品安全检测市场 2021 年达 195 亿美元，预计 2026 年达 286 亿美元¹。高光谱成像（HSI）可缓解繁琐劳动密集型任务，为历史上主观评级应用带来新一致性水平。

HSI 最初为飞机卫星遥感影像开发，现已成先进机器视觉应用商业可行技术。HSI 传感器如数千万光谱仪，提供图像每像素反射光化学特征。Headwall 传感器可调谐至人眼无法分辨的波长范围：从紫外可见（UV/VIS）到近红外（VNIR、NIR、SWIR）。

高光谱成像传感器能区分人眼和常规彩色成像无法捕捉的光谱特征。这些特征可检测潜在有害异物，提供分拣分级手段，如食品价值常系于人眼因疲劳或咖啡摄入量变化等主观因素难以稳定测量的特征²。

HSI 系统工业部署因需处理海量原始数据、光谱分类模型开发相对复杂而面临重大障碍。但较新 HSI 平台如 Headwall Hyperspec® MV.X 成像系统，将高性能成像光谱仪与强大嵌入式计算和软件结合，快速创建光谱分类模型，实时提取可执行结果并经局域网发送指令采取行动或收集监控数据。

观察事物的不同方式

人眼虽强，只能检测 400-700 nm 可见光谱图像。此范围仅三宽 RGB（红绿蓝）区域，每人色彩敏感度和感知差异大。然而食品检验业数百年依赖人眼和 RGB 传感器检测问题、分级产品。包括收获早期遗漏异物、甚至难检测疾病状况，传统方法大多不可见。赌注高：消费者偏好、满足新法规、股东价值皆系于检验精度有效性。

“光谱成像”传感器分两类。多光谱传感器含少量光谱带（四到几十），高光谱传感器提供更细粒度（高光谱分辨率）视图，可同时捕获数百光谱带。两者远超传统 RGB 范式，提供更完整食品检验图景。

人眼将颜色视为红(1)、绿(2)、蓝(3)在极小电磁波谱区组合。增至波段 4、5 为多光谱示例，捕获分析 3 个以上光谱区。高光谱成像利用数百光谱带而非寥寥几个。这使点测量光谱仪高性能在每像素实现，图像可含百万像素。

“先进”机器视觉系统可含一个或多个光谱成像传感器、合适光源、收集图像数据并与下游机器人通信的计算机。传感器实时呈现图像数据给计算机，再送机器人系统。机器人系统解读图像，基于算法指令立即知晓动作。或仅抓取剔除异物（通过/失败）；或按特定色泽分流产品进一步加工（产品“分级”）；回收应用中高速线上分类外观相似的不同塑料。

高光谱传感器非独立设备，而是整个先进机器视觉系统中重要且高精度一环。据估计³，机器视觉仅用于潜在有用应用不足 20%。因此有必要讨论这项强大成像技术如何让检验流程更好、更经济高效。

“推扫”式高光谱传感器通过狭缝逐行扫描捕获图像（左），每行含保存被测对象光谱特征的像素（中）。随传感器相对被扫区域/物体移动，数据集建立（右）。结果数据集可视为堆栈，每层代表特定“波段”（小波长范围）。像素拼接形成图像，每像素含不只是常规 RGB 值，而是传感器波长范围内数百值。

高光谱传感器基本功能：通过物理狭缝（推扫设计）捕获入射场景单个切片，将每切片分解为离散波长分量呈现给焦平面阵列（FPA）。衍射光栅管理将图像切片色散为离散波长分量。光栅设计精确槽廓，维持一维空间相干性（图像狭缝长度），使空间信息（狭缝宽度，微米）衍射。此衍射（色散）过程让光谱内容横向穿越至传感器已知波长通道。

Headwall 用全反射推扫光谱线扫描技术，每“帧”捕获一光谱线（X 空间、Z 光谱）。连续帧构建 Y 空间维度。推扫设计因提供极高空间光谱分辨率下低畸变而首选。高通量意味高信噪比和极低杂散光。全反射设计消除色散问题。

透过高光谱传感器狭缝看，只见狭缝允许的空间条带。相当于一列像素。仍可见图像空间细节，但一次仅一条。每狭缝含多种颜色。HSI 系统将每空间像素光分解为该像素不同颜色。每次相机拍摄狭缝，获得每像素全帧光谱数据。随跨越场景堆叠每狭缝光谱图像，构建高光谱数据立方。传感器左移右扫过场景，先进高光谱处理软件可拍摄一组图并拼接获完整“数据立方”。

光谱成像特性之一使其完美适配先进机器视觉：运动。因传感器逐帧捕获图像数据，自然依赖运动发生。传感器需移动越过视场（如遥感应用挂载无人机/飞机），或视场需移动穿过传感器（如先进机器视觉部署）。

精准农业社区采用高光谱和多光谱传感器作无人机/飞机载荷飞越农田。这些传感器捕获大量关键农业数据，涉及 NDVI、PRI、WBI、红边比率等指数。作物活力、施肥灌溉效果、入侵物种和疾病早期迹象均可在 400-1000 nm 可见近红外（VNIR）传感器数百波段中看到。

高光谱传感器可置于生产线连接机器人，基于嵌入式处理器实时分析采取相应动作。

高速传送带上同样能收集同等水平有意义数据积极影响检验过程。帧率和视场特性使传感器足以监控宽幅高速线。HSI 高辨识度意味着难区分异常也能被看见管理。草莓地里蓝莓易发现，但同一作物内或外观相似回收材料中微小颜色化学差异？仅高光谱能区分这些不可能看见的差异。

HSI 传感器设计

进入推扫高光谱传感器狭缝的光线像彩虹一样被分离成光谱，此处由极细槽全息光栅完成。光谱落在 2D 光敏传感器上。软件将每光敏像素信号电平转换为相对被扫描物体移动时每图像像素光谱曲线。

虽 HSI 传感器有时称“相机”，实则是光谱仪与相机结合。Headwall 传感器基于全反射设计，无运动部件或潜在问题透射光学件。通过全息衍射光栅管理穿过图像狭缝的入射光。光栅不仅极精密，且小巧轻便，使仪器本身小巧轻便易于任意部署。

Headwall 是唯一自制衍射光栅的光谱传感器制造商。每个光栅为“母版级”，即给定应用槽廓完全一致。因传感器基本光学性能函数是光栅，此能力为真正差异化。高光谱传感器设计并“调谐”至特定光谱范围。每范围内真正收集数百光谱带，给予极精准高分辨率视图……无论光谱还是空间。

可见近红外（VNIR）覆盖 400-1000 nm，扩展 VNIR 550-1700 nm。近红外（NIR）900-1700 nm，短波红外（SWIR）900-2500 nm。因材料在特定波长“反射光”，首要定义特征签名。然后通过算法，传感器可表征材料或检测任何非精确定义为“良品”项，不仅针对异物，也针对莓果间、坚果间难区分“分级”差异。这是高光谱成像极有价值特性，其特异性远超传统 RGB 传感器。

光照很重要

因 HSI 传感器测量分析反射光，照明是重要考量。总目标：为传感器视场提供极均匀、一致、同时鲁棒经济的照明形式。

VNIR 光谱范围，石英钨卤（QTH）为一种照明技术，较新 LED 光源可视为另一但不成熟替代。捆绑光纤也提供均匀光源。食品检验业关注许多“反射”在可见光外侧，可见光截止约 700 nm。所以覆盖该点两侧光源至关重要。

除尽可能冷、鲁棒、均匀外，光源需完整覆盖检验线宽度。这种边缘到边缘能力利用传感器宽视场，让被检产品不仅在传感器正下方、也在边缘被看见。高速食品检验线无规律，产品可能到处……沿边缘或堆叠传送带上。光源寿命也重要，因许多食品检验线全天候运行。

因传感器逐片构建数据“立方”，照明本身极薄条带，关注区域（“狭缝图像”）是需照明部分。白色反射靶用于实际操作前校准传感器。此步骤关键，因传感器收集图像数据供下游机器人系统（真空、气刀、拾取爪）分离“良品”与“次品”。目标始终在正确位置、正确强度呈现正确光。也重要：文档提供投射视场波长强度、光均匀性、标准距离衰减。以便确定传感器相对生产线确切定位，若线架构需调整可据此决定。

机器人

机器人子系统是许多先进机器视觉加工线应用自然元素。辨识剔除能力取决于传感器和机器人系统快速忠实实时通信能力。Hyperspec® 传感器可跑数百帧/秒，从运营和经济角度适配高速线和嵌入式机器人系统。

机器视觉业理解：将广泛子系统集成成无缝连续运行线要求通信协议行业标准且快。千兆以太网常用于数据流串联一切。HSI 系统和管理数据计算机均用千兆以太网，也用 CameraLink 等极快通信链路。

数据收集与处理

检验坚果浆果等特色作物涉及外观极似、微小变异度项。因此将信号或图像分成数百高光谱“通道”利于行业。

因易用性至上、陡峭但快速学习曲线必要，Headwall 软件直观，含允许用户根据传感器所见修改调整检验流程的功能。基于算法过程定位用户可能遇到的光谱特征。例：RGB 分析下虫蛀杏仁与“良品”杏仁近乎不可分。但同场景用 HSI 分类会标出受损者，可被下游机器人剔除。

创新传感器、软件、工作流结合让越来越多用户获得真正利用光谱数据不仅检测污染、还能“分级”产品的 HSI 解决方案，减少浪费、更多转化为收入。高光谱成像在机器视觉业解锁此可能性。

参考文献

1. “Food Safety Testing Market by Target Tested (Pathogens, Pesticides, GMOs, Mycotoxin, and Allergens), Technology (Traditional and Rapid), Food Tested (Meat, Poultry, Seafood, Dairy, Processed Foods, and Fruits & Vegetables), and Region - Forecast to 2026”，Markets and Markets，2021 年 5 月发布
2. “The effect of caffeine on the color-discriminating function of the retina in volunteers”，Ovanesov KB. Vliianie. Eksp Klin Farmakol. 1998 Nov-Dec; 61(6):17-9. PMID: 9929810
3. “Multispectral vs Hyperspectral Imagery explained”，GISGeography，2018 年 2 月 16 日
4. “Handbook of Machine Vision”，Alexander Hornberg，Wiley-VCH，p. 694，2006。ISBN 978-3-527-40584-8

本文由 Christian Felsheim（Headwall Photonics EMEA 总监）和 Dr. Will Rock（Headwall Photonics 高级应用工程师，马萨诸塞州 Bolton）撰写。更多信息请访问 here.