<meter id="pryje"><nav id="pryje"><delect id="pryje"></delect></nav></meter>
          <label id="pryje"></label>

          新聞中心

          EEPW首頁 > 測試測量 > 設計應用 > MV.C機器視覺高光譜成像系統及其應用

          MV.C機器視覺高光譜成像系統及其應用

          作者:時間:2024-02-29來源:中國機器視覺網收藏

          高光譜成像技術是近些年來迅速發展起來的、一種全新的影像分析技術,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。在高光譜數據采集過程中,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目標成像,形成海量數據的數字影像集(也稱數據立方體Data Cube),實現了目標的光譜信息、空間信息及輻射信息的同步獲取,因而在目標和目標識別領域具有巨大的應用價值和廣闊的發展前景。

          本文引用地址:http://www.ex-cimer.com/article/202402/455855.htm

          高光譜成像相比傳統的影像技術有以下的優點

          在相應的光譜范圍內,具有上百個光譜通道的影像數據,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。海量的光譜數據,配合以特定光譜分析算法,可實現傳統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如下發展態勢: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、環境監視、植被分類、精準農業、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、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領域應用存在諸多的門檻,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據來講,無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公司專為生產流水線的實時動態高光譜檢測應用,打造的一套完整的解決方案。

          通過MV.C 內置的機器學習算法,用戶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系,并對各類檢測樣本進行訓練學習,以交互的方式獲得監督分類模型后,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品進行快速的實時分析和分類。

          在產業制造領域,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,并為中國工業制造4.0添磚加瓦。

          MV.C高光譜實時分類系統具有如下優勢

          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,轉化為可操作的數據,配有雙網線接口可直接共享數據;3)   擁有IP67防護等級,能適應嚴苛的工業環境,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,可通過局域網共享分類模型。

          以下是高光譜成像儀在實際生產過程中的應用

          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。

          4.jpg

          在線監測不同含糖量的柑橘

          5.jpg

          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。

          6.jpg

          示例三:化妝品攪拌調和程度的過程監控

          7.jpg

          圖中綠色光譜范圍是化妝品配方比例正確時的光譜區間,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時,即是配方比例正確的時候。

          根據不同的應用需求,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。




          評論


          相關推薦

          技術專區

          關閉
          看屁屁www成人影院,亚洲人妻成人图片,亚洲精品成人午夜在线,日韩在线 欧美成人 (function(){ var bp = document.createElement('script'); var curProtocol = window.location.protocol.split(':')[0]; if (curProtocol === 'https') { bp.src = 'https://zz.bdstatic.com/linksubmit/push.js'; } else { bp.src = 'http://push.zhanzhang.baidu.com/push.js'; } var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(bp, s); })();