ImSpector系列成像光譜儀，是高光譜成像技術Specim公司推出的高性能光譜儀，專為VIS（380-800nm）、VNIR（400-1000nm）和NIR（900-1700nm）波段設計。ImSpector成像光譜儀為世界各地的集成商和機器制造商提供了一種簡單的、高性能的、高性價比的集成方法，當它與科學灰度CCD/CMOS相機或InGaAs傳感器相結合時，即組成了一個線掃描光譜成像設備，應用于日常使用的各種檢查、分類和其他機器視覺解決方案。

ImSpector成像光譜儀優化了每個模組的光譜分辨率、探測器尺寸、空間分辨率和成像速度，可提供市場上ZG光學性能的無失真圖像，以滿足苛刻的應用要求。

可選前置光學鏡頭：

ü 標準系列：OL8、OL12、OL17、OL23、OL35用于2/3英寸或更小探測器

ü 增強系列：OLE9、OLE18.5、OLE23、OLE140用于2/3英寸或更大探測器

ü 其他系列：OLES15、OLES22.5、OLES30、OLES56用于N17E

可選配件：

ü 機械快門（增強系列）

ü 收集光纖

ü 帶阻濾波器，OBF 570(矩形14×12mm或圓形20mm ?和17mm ?)，用于V10和V10E

ü 用于光源監測的光纖漫射輻照度傳感器FODIS(增強系列)

技術參數：

注：

*1 可在探測器窗口前安裝帶阻濾波器

*2 系統光譜和空間分辨率還取決于探測器的離散成像特性和透鏡質量

應用案例一：黃曲霉毒素B1自然污染的花生分類

南京財經大學食品科學與工程學院Xueming He等研究人員，使用ImSpector V10e光譜儀+EMCCD相機組成400-1000nm高光譜成像系統，提取并整合光譜、顏色和紋理特征，并采用酶聯免疫吸附試驗（ELISA）方法測定參考AFB1水平，用以實現一種基于非破壞性高光譜成像方法來區分正常和自然黃曲霉毒素B1（AFB1）污染的花生。

圖1-1：高光譜成像系統示意圖（左）；花生樣品RGB及分割處理圖像（右）：(a1)- (a4)依次為AFB1含量小（0.1 ppb）的花生分割前RGB圖像、ROI二值圖像、分割后RGB圖像和分割后灰度圖像；(b1)-(b4)為AFB1含量ZG（599.21 ppb）的花生對應圖像

對全光譜進行了不同的預處理，線性判別分析（LDA）結果表明，先進行Savitzky-Golay平滑（SGS），然后進行標準正態變換（SNV）可以實現ZJ判別，對校準集和驗證集的準確率分別為90%和92%。ZH，將偏小二乘判別分析（PLS-DA）和支持向量機（SVM）的性能與LDA進行了比較，帶有RBF核的支持向量機對校準集和驗證集的準確率分別為93%和94%，結果。

圖1-2：（a） 所有150個花生樣品的原始光譜和（b）SGS+SNV光譜

本研究展示了高光譜成像在花生AFB1污染直接分類中的應用潛力，并證明紋理和光譜特征的結合可以改善建模結果。

應用案例二：葡萄籽無損快速品種識別和可視化表達

浙江大學生物系統工程與食品科學學院Yong He等研究人員，使用ImSpector N17E光譜儀+ Xeva 992相機組成HSI系統，分別采集了三個葡萄品種的14015、14300和15042顆葡萄種子在874-1734nm光譜范圍內的高光譜圖像。通過小波變換對像素級光譜進行預處理，然后提取每個葡萄籽的光譜。對高光譜圖像進行主成分分析（PCA），使用前六個PCs的分數用于定性識別不同品種之間的模式，前六個PCs的載荷用于識別有效波長（EWs）。

圖2-1：左：對前六個主成分（PCs）的圖像進行評分：（a）PC1；（b） PC2；（c） PC3；（d） PC4；（e） PC5；和（f）PC6。右：前六個主成分的載荷：（a）PC1；（b） PC2；（c） PC3；（d） PC4；（e） PC5；和（f）PC6

使用支持向量機（SVM）建立基于EWs的光譜判別模型。結果表明，該方法能夠準確地識別出每種葡萄籽的品種，驗證精度為94.3%，預測精度為88.7%。使用每個品種的外部驗證圖像來評估所提出的模型，并形成分類圖，其中每個單個葡萄籽被正確識別為屬于不同的品種。

圖2-2：（a）-（f）以此為品種I-Ⅲ的原始灰度圖像和相應分類圖

總體結果表明，高光譜成像（HSI）技術結合多元分析可以作為一種有效的工具，用于葡萄籽的無損快速品種識別和可視化表達，該方法在開發多光譜成像系統以供實際應用方面具有很大潛力。

參考文獻：

[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-.