高光譜成像技術是近些年來迅速發(fā)展起來的、一種全新的影像分析檢測技術,它是集圖像傳感器、精密光學，精密機械、計算機信息處理技術于一體的綜合性技術。在高光譜數(shù)據(jù)采集過程中,成像光譜儀以納米級的光譜分辨率,以幾十或幾百個波段對檢測目標成像,形成海量數(shù)據(jù)的數(shù)字影像集（也稱數(shù)據(jù)立方體Data Cube），實現(xiàn)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域具有巨大的應用價值和廣闊的發(fā)展前景。

高光譜成像相比傳統(tǒng)的影像技術有以下的優(yōu)點

在相應的光譜范圍內(nèi)，具有上百個光譜通道的影像數(shù)據(jù)，影像上每一個像元的灰度值，按照波長排列都可以得到一條相應的光譜曲線,真正實現(xiàn)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分析成為可能。海量的光譜數(shù)據(jù)，配合以特定光譜分析算法，可實現(xiàn)傳統(tǒng)影像分析技術無法達及的分析結果。

當前,高光譜成像及其應用呈現(xiàn)如下發(fā)展態(tài)勢:成像光譜范圍從最初的可見光向近紅外、中紅外和熱紅外波段范圍拓展,其應用領域從最初的礦物識別、環(huán)境監(jiān)視、植被分類、精準農(nóng)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、法庭科學等領域拓展。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(xù)、圖譜合一的特性,為復雜目標分類識別和精細分析提供了可能。

高光譜成像技術想要在工業(yè)領域應用存在諸多的門檻，比如高光譜數(shù)據(jù)的獲得方式，以及三維影像立方體的海量數(shù)據(jù)，對分析算法、過程控制、計算機性能都有很高的要求，導致多年來高光譜成像技術多局限于實驗室的應用。眾所周知，機器視覺領域常用的黑白、彩色相機以及3D相機，它們都能實現(xiàn)對檢測目標的實時分析和分類。但是，這對于具有海量信息的高光譜數(shù)據(jù)來講，無論是從它的數(shù)據(jù)傳輸，還是從它的分析算力方面，都是巨大的挑戰(zhàn)。

美國Headwall Photonics公司首次將光譜成像技術與機器視覺應用結合起來，MV.C 實時分類的高光譜成像儀（如下圖）是美國Headwall公司專為生產(chǎn)流水線的實時動態(tài)高光譜檢測應用，打造的一套完整的解決方案。

通過MV.C 內(nèi)置的機器學習算法，用戶可先采集檢測樣品的高光譜數(shù)據(jù)，與檢測樣品對應的理化指標建立對應的關系，并對各類檢測樣本進行訓練學習，以交互的方式獲得監(jiān)督分類模型后，上傳分類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上的產(chǎn)品進行快速的實時分析和分類。

在產(chǎn)業(yè)制造領域，MV.C 實時分類的高光譜成像儀將會開拓出嶄新的應用市場，并為中國工業(yè)制造4.0添磚加瓦。

MV.C高光譜實時分類系統(tǒng)具有如下優(yōu)勢

1)   像差校正型的凸面反射光柵，反射式光學設計，完全消色差，是高質量光譜數(shù)據(jù)的保障；2)   嵌入式計算機系統(tǒng)，內(nèi)置高性能中央處理器(CPU)和圖形處理器 (GPU)，系統(tǒng)集成各個復雜功能于一體，配備專有的機器學習及實時分類軟件，將復雜的原始影像立方體，轉化為可操作的數(shù)據(jù)，配有雙網(wǎng)線接口可直接共享數(shù)據(jù)；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(wěn)定性。4)   Gig-E接口，Web UI，支持遠程部署，可通過局域網(wǎng)共享分類模型。

以下是MV.C機器視覺高光譜成像儀在實際生產(chǎn)過程中的應用

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

在線監(jiān)測不同含糖量的柑橘

示例二：組氨酸含量過高魚類，被食用后會導致中毒，所以在線檢測魚類中組氨酸的含量并加以區(qū)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進行檢測后建立的模型，將該分類模型導入MV.C中后，即可對傳送帶上的大量魚肉進行在線檢測和分類。

示例三：化妝品攪拌調和程度的過程監(jiān)控

圖中綠色光譜范圍是化妝品配方比例正確時的光譜區(qū)間，紅色譜線是正在攪拌中的化妝品配方比例反演的曲線，通過將測得的結果進行實時動態(tài)的反饋，不斷調控不同化學成分添加的比例，當紅色的光譜曲線落入綠色的光譜范圍內(nèi)時，即是配方比例正確的時候。

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