MV.C機器視覺(jué)高光譜成像系統及其應用

高光譜成像技術(shù)是近些年來(lái)迅速發(fā)展起來(lái)的、一種全新的影像分析檢測技術(shù),它是集圖像傳感器、精密光學(xué)，精密機械、計算機信息處理技術(shù)于一體的綜合性技術(shù)。在高光譜數據采集過(guò)程中,成像光譜儀以納米級的光譜分辨率,以幾十或幾百個(gè)波段對檢測目標成像,形成海量數據的數字影像集（也稱(chēng)數據立方體Data Cube），實(shí)現了目標的光譜信息、空間信息及輻射信息的同步獲取,因而在目標檢測和目標識別領(lǐng)域具有巨大的應用價(jià)值和廣闊的發(fā)展前景。

高光譜成像相比傳統的影像技術(shù)有以下的優(yōu)點(diǎn)

在相應的光譜范圍內，具有上百個(gè)光譜通道的影像數據，影像上每一個(gè)像元的灰度值，按照波長(cháng)排列都可以得到一條相應的光譜曲線(xiàn),真正實(shí)現了圖譜合一。較高的光譜分辨率，可反映目標細微的光譜特征,使得對目標的定量分析和化學(xué)分析成為可能。海量的光譜數據，配合以特定光譜分析算法，可實(shí)現傳統影像分析技術(shù)無(wú)法達及的分析結果。

當前,高光譜成像及其應用呈現如下發(fā)展態(tài)勢:成像光譜范圍從最初的可見(jiàn)光向近紅外、中紅外和熱紅外波段范圍拓展,其應用領(lǐng)域從最初的礦物識別、環(huán)境監視、植被分類(lèi)、精準農業(yè)、軍事偵察逐漸向星球探測、天體物理以及食品安全、文物保護、法庭科學(xué)等領(lǐng)域拓展。高光譜圖像包含了豐富的光譜、空間和輻射等信息,且具有光譜接近連續、圖譜合一的特性,為復雜目標分類(lèi)識別和精細分析提供了可能。

高光譜成像技術(shù)想要在工業(yè)領(lǐng)域應用存在諸多的門(mén)檻，比如高光譜數據的獲得方式，以及三維影像立方體的海量數據，對分析算法、過(guò)程控制、計算機性能都有很高的要求，導致多年來(lái)高光譜成像技術(shù)多局限于實(shí)驗室的應用。眾所周知，機器視覺(jué)領(lǐng)域常用的黑白、彩色相機以及3D相機，它們都能實(shí)現對檢測目標的實(shí)時(shí)分析和分類(lèi)。但是，這對于具有海量信息的高光譜數據來(lái)講，無(wú)論是從它的數據傳輸，還是從它的分析算力方面，都是巨大的挑戰。

美國Headwall Photonics公司首次將光譜成像技術(shù)與機器視覺(jué)應用結合起來(lái)，MV.C 實(shí)時(shí)分類(lèi)的高光譜成像儀（如下圖）是美國Headwall公司專(zhuān)為生產(chǎn)流水線(xiàn)的實(shí)時(shí)動(dòng)態(tài)高光譜檢測應用，打造的一套完整的解決方案。

通過(guò)MV.C 內置的機器學(xué)習算法，用戶(hù)可先采集檢測樣品的高光譜數據，與檢測樣品對應的理化指標建立對應的關(guān)系，并對各類(lèi)檢測樣本進(jìn)行訓練學(xué)習，以交互的方式獲得監督分類(lèi)模型后，上傳分類(lèi)模型到高光譜儀的模型庫中，MV.C 高光譜儀便能利用已有模型對流水線(xiàn)上的產(chǎn)品進(jìn)行快速的實(shí)時(shí)分析和分類(lèi)。

在產(chǎn)業(yè)制造領(lǐng)域，MV.C 實(shí)時(shí)分類(lèi)的高光譜成像儀將會(huì )開(kāi)拓出嶄新的應用市場(chǎng)，并為中國工業(yè)制造4.0添磚加瓦。

MV.C高光譜實(shí)時(shí)分類(lèi)系統具有如下優(yōu)勢

1)   像差校正型的凸面反射光柵，反射式光學(xué)設計，完全消色差，是高質(zhì)量光譜數據的保障；2)   嵌入式計算機系統，內置高性能中央處理器(CPU)和圖形處理器 (GPU)，系統集成各個(gè)復雜功能于一體，配備專(zhuān)有的機器學(xué)習及實(shí)時(shí)分類(lèi)軟件，將復雜的原始影像立方體，轉化為可操作的數據，配有雙網(wǎng)線(xiàn)接口可直接共享數據；3)   擁有IP67防護等級，能適應嚴苛的工業(yè)環(huán)境，具有更高的可靠性和穩定性。4)   Gig-E接口，Web UI，支持遠程部署，可通過(guò)局域網(wǎng)共享分類(lèi)模型。

以下是MV.C機器視覺(jué)高光譜成像儀在實(shí)際生產(chǎn)過(guò)程中的應用

示例一：如下圖，先進(jìn)行對樣本的學(xué)習，建立分類(lèi)模型。然后導入分類(lèi)模型后，把不同含糖量的柑橘用不同顏色標記。

在線(xiàn)監測不同含糖量的柑橘

示例二：組氨酸含量過(guò)高魚(yú)類(lèi)，被食用后會(huì )導致中毒，所以在線(xiàn)檢測魚(yú)類(lèi)中組氨酸的含量并加以區分就顯得非常重要。如下圖，是我們對一些含不同含量組氨酸的樣本魚(yú)進(jìn)行檢測后建立的模型，將該分類(lèi)模型導入MV.C中后，即可對傳送帶上的大量魚(yú)肉進(jìn)行在線(xiàn)檢測和分類(lèi)。

示例三：化妝品攪拌調和程度的過(guò)程監控

圖中綠色光譜范圍是化妝品配方比例正確時(shí)的光譜區間，紅色譜線(xiàn)是正在攪拌中的化妝品配方比例反演的曲線(xiàn)，通過(guò)將測得的結果進(jìn)行實(shí)時(shí)動(dòng)態(tài)的反饋，不斷調控不同化學(xué)成分添加的比例，當紅色的光譜曲線(xiàn)落入綠色的光譜范圍內時(shí)，即是配方比例正確的時(shí)候。

根據不同的應用需求，我們可建立各類(lèi)的學(xué)習模型，如：肉制品評級，藥品組份比例，高分子材料分析分類(lèi)，煙草品質(zhì)評級等模型，以及中藥劑攪拌混合的過(guò)程控制等。