ImSpectorLa serie di spettrometri di imaging è uno spettrometro ad alte prestazioni di Specim, leader mondiale nella tecnologia di imaging ad alto spettro, progettato appositamente per le bande VIS (380-800nm), VNIR (400-1000nm) e NIR (900-1700nm). Gli spettrometri di imaging ImSpector forniscono agli integratori e ai costruttori di macchine di tutto il mondo un approccio di integrazione semplice, ad alte prestazioni e ad alto rapporto qualità-prezzo che, quando combinato con una fotocamera CCD/CMOS in scala di grigio scientifica o un sensore InGaAs, costituisce un dispositivo di imaging spettrale di scansione a linea per una varietà di ispezioni, classificazioni e altre soluzioni di visione automatica utilizzate quotidianamente.

ImSpectorGli spettrometri di imaging ottimizzano la risoluzione spettrale, le dimensioni del rilevatore, la risoluzione spaziale e la velocità di imaging di ogni modulo per fornire immagini senza distorsione con le più alte prestazioni ottiche sul mercato per soddisfare le esigenze delle applicazioni più esigenti.

Obiettivo ottico anteriore opzionale:

ü Serie standard: OL8, OL12, OL17, OL23, OL35 per rilevatori da 2/3 pollici o meno

ü Serie migliorata: OLE9, OLE18.5, OLE23, OLE140 per rilevatori da 2/3 pollici o più grandi

ü Altre serie: OLES15, OLES22.5, OLES30, OLES56 per N17E

Accessori opzionali:

ü Apritori meccanici (serie migliorata)

ü Raccolta di fibre ottiche

ü Filtro a banda, OBF 570 (rettangolo 14 x 12 mm o rotondo 20 mm Ø e 17 mm Ø) per V10 e V10E

ü Sensore di radiazione diffusa in fibra ottica FODIS per il monitoraggio delle fonti luminose

Parametri tecnici:

Nota:

*1 Possibilità di installare filtri a banda davanti alla finestra del rilevatore

*2 La risoluzione spettrale e spaziale del sistema dipende anche dalle caratteristiche di imaging discreto del rilevatore e dalla qualità dell'obiettivo.

Caso di applicazione 1: Classificazione delle arachidi per l'inquinamento naturale con la trombocitossina B1

Ricercatori come Xueming He, della Scuola di Scienze e Ingegneria Alimentari della Nanjing University of Finance e Economics, hanno utilizzato lo spettrometro ImSpector V10e + la fotocamera EMCCD per formare un sistema di imaging ad alto spettro 400-1000 nm, estrarre e integrare caratteristiche spettrali, colore e texture e misurare i livelli di AFB1 di riferimento utilizzando il metodo ELISA (Enzyme-Linked Immunoadsorption Test) per realizzare un metodo di imaging ad alto spettro non distruttivo per distinguere le arachidi contaminate con la tromicina B1 (AFB1) normale e naturale.

Figura 1-1: schema del sistema di imaging ad alto spettro (a sinistra); (a1)-(a4) immagini RGB pre-partizione di arachidi con il contenuto minimo di AFB1 (0,1 ppb), immagini secondarie ROI, immagini RGB post-partizione e immagini in scala di grigio post-partizione; (b1)-(b4) le immagini corrispondenti alle arachidi con il più alto contenuto di AFB1 (599,21 ppb)

Differenti pretrattamenti sono stati effettuati sullo spettro intero e i risultati dell'analisi discriminatoria lineare (LDA) hanno dimostrato che la discriminazione ottimale può essere ottenuta prima con la lisciatura di Savitzky-Golay (SGS) e poi con la trasformazione normale standard (SNV), con precisioni rispettivamente del 90% per i set di calibrazione e del 92% per i set di convalida. Infine, le prestazioni dell'analisi discriminativa parziale minima due volte (PLS-DA) e della macchina vettoriale di supporto (SVM) sono state confrontate con LDA e la macchina vettoriale di supporto con il nucleo RBF ha ottenuto i migliori risultati con precisioni rispettivamente del 93% e del 94% per i set di calibrazione e di convalida.

Figura 1-2: (a) lo spettro originale per tutti i 150 campioni di arachidi e (b) lo spettro SGS+SNV

Questo studio ha dimostrato il potenziale di applicazione dell'imaging ad alto spettro nella classificazione diretta dell'inquinamento AFB1 di arachidi e ha dimostrato che la combinazione di strutture e caratteristiche spettrali può migliorare i risultati di modellazione.

Caso di applicazione 2: riconoscimento rapido e visualizzazione delle varietà senza danni per i semi di uva

Ricercatori come Yong He della Scuola di Ingegneria dei Biosistemi e Scienze Alimentari dell'Università di Zhejiang utilizzano lo spettrometro ImSpector N17E+ Xeva 992La fotocamera, che compone il sistema HSI, ha raccolto immagini ad alto spettro di 14.015, 14.300 e 15.042 semi di uve di tre varietà, rispettivamente, nell'intervallo spettrale 874-1734 nm. Lo spettro a livello di pixel viene pre-trattato con una trasformazione a piccole onde e quindi estratto lo spettro di ciascun seme di uva. L'analisi dei componenti principali (PCA) delle immagini ad alto spettro è stata effettuata utilizzando la frazione dei primi sei PC per identificare qualitativamente i modelli tra le diverse varietà e il carico dei primi sei PC per identificare le lunghezze d'onda effettive (EW).

Figura 2-1: a sinistra: valutare le immagini dei primi sei componenti principali (PC): （a）PC1； （b） PC2； （c） PC3； （d） PC4； （e） PC5； e f) PC6. A destra: carico dei primi sei componenti principali: （a）PC1； （b） PC2； （c） PC3； （d） PC4； （e） PC5； e (f) PC6

Creare un modello di discriminazione spettrale basato su EWs utilizzando una macchina vettoriale supportata (SVM). I risultati hanno dimostrato che il metodo era in grado di identificare con precisione ogni varietà di semi d’uva, con una precisione di verifica del 94,3% e una precisione di previsione dell’88,7%. Utilizzando immagini di convalida esterna per ciascuna varietà per valutare il modello proposto e formare un diagramma di classificazione in cui ogni singolo seme di uva è correttamente identificato come appartenente a una varietà diversa.

Figura 2-2: a)-(f) Immagine in scala di grigio originale delle varietà I-III e mappa di classificazione corrispondente

I risultati complessivi dimostrano che la tecnologia di imaging ad alto spettro (HSI) in combinazione con l'analisi multispettrale può essere utilizzata come uno strumento efficace per il riconoscimento rapido e la visualizzazione senza danni delle varietà di semi di uva, un metodo che ha un grande potenziale nello sviluppo di sistemi di imaging multispettrale per applicazioni pratiche.

Riferimenti:

[1] He X , Yan C , Jiang X , et al. Classification of aflatoxin B1 naturally contaminated peanut using visible and near-infrared hyperspectral imaging by integrating spectral and texture features[J]. Infrared Physics & Technology, 2021:103652.

[2] Yiying Z , Chu Z , Susu Z , et al. Non-Destructive and Rapid Variety Discrimination and Visualization of Single Grape Seed Using Near-Infrared Hyperspectral Imaging Technique and Multivariate Analysis[J]. Molecules, 2018, 23(6):1352-.