高光谱成分分析

高光谱图像是将成像技术和光谱技术相结合的多维信息检测技术，它能够同时探测目标的二维几何空间与一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。我们可以根据获得的高光谱数据，分析得到具有诊断性意义的物质光谱特征，建立代表物质特性的“指纹光谱”（每种物质都有的自己独特的光谱特征），接着便可以针对高光谱图像中每个像元的光谱反射率曲线，基于光谱匹配与特征分析，利用光谱信息直接识别目标物质。文物中，消失的文字、脱落的颜料，由于他们拥有自己独特的光谱特征，而高光谱图像的特点在于极高的光谱分辨率和空间分辨率，只要其留有微弱的信号，我们就可以根据光谱特征将其探测出来、并标明在什么位置；在政策的推动下，我国文物修复工作取得了明显突破，一批质量上乘的科学分析仪器被运用到了修复工作中。高光谱拥有着可捕获物质的“指纹光谱”这一特性，在文物修复过程中发挥着越来越重要的作用。本文将介绍一些美国SOC系列文物高光谱成像系统在国外文物保护领域的一些典型应用范例。一、毕加索名画“Blue Room”涂料成分分析英文名称：Reflectance imaging spectroscopy and synchrotron radiation X?ray fluorescence mapping used in a technical study of The Blue Room by Pablo Picasso美国菲利普斯收藏馆 / 美国阿姆斯特丹国立博物馆自然保护部图1 毕加索名画“Blue Room”平面图图2 毕加索名画“Blue Room”斜面纹理图图3 a为1500-1650nm处显示的隐藏图像；b为2100-2400nm处纹理特性图4 Prussian blue, ultramarine blue, lead white, zinc white, viridian green, and vermilion red等不同色素灰度图像图4 Prussian blue, ultramarine blue, lead white, zinc white, viridian green, and vermilion red等不同色素灰度图像二、梵高名画鸢尾花与玫瑰”(Van Gogh: Irises and Roses) 材料分析研究英文名称：Van Gogh’s Irises and Roses: the contribution of chemical analyses and imaging to the assessment of color changes in the red lake pigments美国纽约大都会艺术博物馆画作简介：文森特梵高：《鸢尾花》(Irises)(1890)；尺寸：73.7x92.1 cm，纽约大都会艺术博物馆馆藏；文森特梵高：《玫瑰》(Roses)(1890)；尺寸：93 x 74 cm，纽约大都会艺术博物馆馆藏。 图1 《鸢尾花》 图2 《玫瑰》图3 《鸢尾花》平面图(a)；基于荧光光谱的 Pb (b)、Zn (c)、Co (d)、and Br (e)等元素的图像分割图4 《玫瑰》平面图(a)；基于荧光光谱的 Pb (b)、Zn (c)、Co (d)、and Br (e)等元素的图像分割图5 a、b、c、d分别展示不同区域的细节成分与对应漫反射光谱三、毕加索名画“Harlequin Musician”《丑角音乐家》与TheTragedy《悲剧》材料鉴别分析英文名称：Visible and Infrared Reflectance Imaging Spectroscopy of Paintings: Pigment Mapping and Improved Infrared Reflectography美国华盛顿区国家画廊 / 美国陆军夜视和电子传感器理事会画作简介：Harlequin Musician《丑角音乐集》 作者：（西班牙）巴勃罗鲁伊斯毕加索创作年代：1924年The Tragedy《悲剧》 作者：（西班牙）巴勃罗鲁伊斯毕加索创作年代：1903年 布面油画 【规格】105.4 ×69cm 收藏地：美国华盛顿区国家画廊 画作《悲剧》创作于1903年，是毕加索忧郁时期的作品。当时，毕加索的画卖不出去，生活异常艰苦。生活的不顺使毕加索心情低落，也表现在他的画作之中。《悲剧》一画描绘的是一家三口的生活困苦、无家可归的悲剧。这是西班牙乃至整个欧洲社会动荡生活贫穷落后的悲剧，是世纪交替时期一代人痛苦沉沦的象征。图1 Harlequin Musician《丑角音乐家》 The Tragedy《悲剧》图2 Harlequin Musician《丑角音乐家》可见光到短波红外高光谱立方体3D显示 图3 Harlequin Musician《丑角音乐家》高光谱成像数据与光纤光谱仪数据对比图4 The Tragedy《悲剧》三个不同部位基于特征波段的假彩色合成图 左侧 人体：1000, 1150, 1200 nm 中部 马: 1300, 1350, 1400 nm 右侧 草图：1600, 1625, 1660 nm四、毕加索名画“Harlequin Musician”《丑角音乐家》材料鉴别分析英文名称：Visible and Infrared Imaging Spectroscopy of Picasso’s Harlequin Musician: Mapping and Identification of Artist Materials in Situ美国国家美术馆科学研究部画作简介：Harlequin Musician《丑角音乐集》 作者：（西班牙）巴勃罗鲁伊斯毕加索创作年代：1924年图1 Harlequin Musician《丑角音乐家》RGB图像、高光谱3D图像显示、光谱曲线、分类结果图图2 Harlequin Musician《丑角音乐家》 A：假彩色700, 750, 800 nm； B：基于中值滤波的影像提取；C：可见光参考图像；D：基于SAM的影像提取表1 不同涂料的成分配置图图3 白色涂料的不同种类分类提取结果图4 基于高光谱与荧光光谱的微弱差异涂料成分的鉴别分析五、毕加索名画“Picasso’s Peonies”《牡丹》材料鉴别分析英文名称：Visible and infrared imaging spectroscopy of paintings and improved reflectography美国国家美术馆科学研究部画作简介：Picasso’ s Peonies《牡丹》 作者：（西班牙）巴勃罗鲁伊斯毕加索 创作年代：1901年图1 a：Picasso’ s Peonies《牡丹》彩色图；b：不同涂料的分类提取图；c：不同涂料的反射光谱图图2 a：Picasso’ s Peonies《牡丹》彩色图；b：800, 750, and 700 nm 假彩色图像；c：不同标记点的光谱图3：Madonna and Child with Four Angels 画像处理目前文物鉴定的传统方法中很多是有损或微损的，需取样才能分析；而且，有损测试的分析结果只局限于测试点或取样点，而不能完全代表未测试部位的信息。高光谱成像技术能同时提供待测物整体的图像和光谱信息，可以对目标物进行高光谱识别和分类；其具有快速测量、能进行精细分类与识别等优点，且对文物无损伤，在文物分析领域具有广阔的应用前景。SOC710CR高光谱文物成像系统具有独特的内置推扫技术、双CCD可预览、一键式测量等特点，可提供实验室暗箱、实验室平台及显微测量等多种操作模式。后期光谱提取与特征提取等技术可最大程度上满足用户的需求，在文物保护、修复、真伪识别等方面具有重要作用。

检测地点：青岛森泉光电有限公司上周我们收到很多客户邮寄过来的样品，给大家分享几个用高光谱成像系统测试的结果：一、测试人体手掌我们用波长的光源来测试人体手掌在高光谱相机下的图像。从下图的高光谱图像中，可以很清晰地看到皮下脂肪组织和血管分布情况。同时，图4中食指被项圈紧扎5分钟后，在高光谱图像中可以明显看出食指血管已充血。图1.常规相机图像 图2.高光谱图像图3.530NM波长时高光谱图像图4.900NM波长时，食指紧扎5分钟项圈时的高光谱图像二、测试不同品牌矿泉水分别用可见-近红外和近红外高光谱相机测试两种不同品牌的矿泉水。如下图所示，通过比较发现这两种矿泉水在500nm以下、720nm~950nm的特征曲线差异明显。该装置有望应用于户外水质检测领域中。三、测试肉铺食品如下图所示可以用用高光谱成像系统测试出肉脯中的昆虫、塑料、金属等。四、测试药品用近红外高光谱相机来测试胶囊和片剂药物成品，从右下图片中可以很清晰的看出药物样品的颜色和外观形状，而且不同药品的光谱曲线是完全不一样的。五、测试不同种类的玉米种子从下面左图中可以很清晰的看到这两种玉米种子的外观图像，右图是其中一类玉米种子的灰度图。经比较发现，肉眼看起来外观近似一样的样品，其实其在光谱图中的某些特征峰位置是有明显的差异性的。通过这些细微的差别，我们可以很好的对不同种类的谷物进行分类、根据仪器上显示的某成分含量分布情况，可以很好地对谷物营养成分进行分级处理。六、测试蔬菜、水果用可见-近红外高光谱相机测试洋葱、梨、土豆，下面左图是在785.37nm波长下洋葱、梨、土豆的高光谱图像。右图是这四种样品的光谱曲线图，通过比较图片中的曲线可以发现每种样品的光谱是完全不同的。之后，用近红外高光谱相机测试洋葱、梨、土豆，下面左图是在1274.13nm波长下洋葱、梨、土豆的高光谱图像。右图是这四种样品的光谱曲线图，通过比较图片中的曲线可以发现每种样品的特征峰存在差异。另外，我们用可见-近红外高光谱相机测试洋葱，通过574.98nm的高光谱图像可以很清晰的看出洋葱轮廓和洋葱外皮，其在400nm~1000nm的光谱曲线的特征峰是有差别的。上图为在574.98nm波长时洋葱的高光谱图像 & 洋葱和洋葱皮的光谱曲线洋葱的主成分分析图像Camlin工程师 John Gilchrist还分享了多种应用案例，如下图是用近红外高光谱相机来识别废弃聚烯烃、聚苯乙烯、聚氯乙烯这种塑料，该设备可以应用在垃圾分选系统中。Camlin一套完整的桌面式高光谱扫描系统装置，包括：光谱相机、扫描台、样品架、照明系统、聚焦目标、数据采集和分析软件等。（如下图所示）再次欢迎您送检或者来森泉与我们共同探讨高光谱成像系统的应用。森泉为您的科研事业添砖加瓦：1） 激光控制：激光电流源、激光器温控器、激光器控制、伺服设备与系统等等2） 探测器：光电探测器、单光子计数器、单光子探测器、CCD、光谱分析系统等等3） 定位与加工：纳米定位系统、微纳运动系统、多维位移台、旋转台、微型操作器等等4） 光源：半导体激光器、固体激光器、单频激光器、单纵模激光器、窄线宽激光器、光通讯波段激光器、CO2激光器、中红外激光器、染料激光器、飞秒超快激光器等等5） 光机械件：用于光路系统搭建的高品质无应力光机械件，如光学调整架、镜架、支撑杆、固定底座等等6） 光学平台：主动隔振平台、气浮隔振台、实验桌、刚性工作台、面包板、隔振、隔磁、隔声综合解决方案等等7） 光学元件：各类晶体、光纤、偏转镜、反射镜、透射镜、半透半反镜、滤光片、衰减片、玻片等等8） 染料：激光染料、荧光染料、光致变色染料、光致发光染料、吸收染料等等

应用案例分享[高光谱成像技术]面粉无损检测 背景面粉(小麦粉)是中国北方大部分地区的主食，用面粉制成的食物品种多样，如：面条、馒头、水饺等。生活中我们都是依据外包装上的高筋粉、中筋粉、低筋粉、全麦面粉等信息进行采购。很多人在购买面粉的时候会误以为"高筋面粉=高精面粉"，其实"高精"的意思简单说就是高级精制，它只表示小麦的加工工艺，并不能说明面粉的筋度，其蛋白质的含量，决定面粉的“筋度”，即高筋、中筋、低筋。同时，面粉中蛋白质、淀粉、脂肪、矿物质的含量会直接影响面粉的等级。高光谱成像技术不仅有样品图像的信息，并且还可以获得图像上每个点的光谱数据，光谱可以反映特定波长的特征信息，从而获得更全面、更可靠的结果，以及更精确的信息，如糖、脂肪和蛋白质等等。随着生活水平的提高及食品产业规模化，食品品质的提高和改良倍受关注。传统的化学检测手段、精度、效率都不高。亟需建立一种新的能够应用于面粉质量分级的快速无损检测方法。实验设置基于漫反射方式采集面粉的高光谱数据，我们用Camlin型号VNIR-HR(光谱范围400-1000nm)和NIR-HR+(光谱范围900-1700nm)范围内反射光谱，建数学模型，分析面粉种类、颜色、淀粉、蛋白质、脂肪含量等指标，实现对面粉品质的无损检测。(1)VNIR高光谱相机下的测试结果主成分分析图像通过测试用的是VNIR高光谱相机(波长范围400-1000nm)从光谱图中可以看到在580nm附近有特征峰。(2) NIR高光谱相机下的测试结果主成分分析图像通过测试用的是NIR高光谱相机(波长范围900-1700nm)从光谱图中可以看到在970nm、1300nm附近有特征峰。高光谱成像技术在本应用中的独特优点：可以同时获取样品图像和光谱信息，该方法具有不破坏样本原貌，不使用化学试剂、检测快速等优点，避免了人工鉴别方法易受主观因素影响，属于在线快速检测和全检，实用性强，性价比高。1. 无损快速检测2. 全波段测试3. 支持集成、二次开发下表中涂黄部分是此次测试过程中使用的高光谱相机的产品参数:SpectralVNIR-SVNIR-HRNIR-HRNIR-HR+UnitsSpectral Range400 to 1000900 to 1700nmSpectral Resolution810.731.5nmSpectral Bands*892 / 446 / 223830 / 415 / 208250500-Spatial pixels14001600320640pixMaximum line frame rate120120344300lf/sSmile and Keystone errorSub-pixel across the spectrograph output field-InterfaceGiGe- 结论：通过采集面粉的高光谱图像和可见-近红外光谱信息，进一步建模型可分析出面粉中的蛋白质、淀粉、脂肪等的含量，跟国标和常规化学检测方法对比，结果可靠，可实现快速无损检测，且成本低。这能减少整个供应链的浪费，并提高消费者对产品感受的一致性。

随着图像处理及分析相关的硬件和软件的不断进步，高光谱成像系统在各种研究项目中的使用越来越多，并被应用于各种领域。最新的研究报告显示，2023年全球高光谱成像系统市场估计为168亿美元，预计2028年有望达到343亿美元，预测期间复合年增长率为15.4%，市场极具活力！为了更好的展现高光谱技术和应用的创新成果，以及未来的发展趋势，仪器信息网特别策划《高光谱技术创新成果集》网络专题，集中展示高光谱领域的最新成果，包括但不限于仪器、部件、技术、方法、应用等。兰维杰 副教授南京农业大学食品科技学院在仪器信息网主办的“高光谱技术在农业领域的最新应用进展” 网络研讨会议中（相关精彩视频回放点击：https://www.instrument.com.cn/news/20230811/679327.shtml ），南京农业大学兰维杰副教授进行了《高光谱成像技术在苹果内部品质异构性的评价潜力研究》的报告分享。会后，我们再次邀请兰老师分享高光谱技术当前的研究进展及其团队研究成果。一、为什么要依靠高光谱技术来研究食品异构性高光谱成像技术是一种在不同波长范围内获取物体光谱信息的技术，其技术优势在于能够捕捉物体的细微光谱差异，并且集成了成像和光谱学，从而实现对物体内部构成和特性的定量或定性分析。目前，高光谱技术在食品质量检测领域应用广泛，如检测食源性污染物、鉴别真伪、果蔬成熟度及病害程度判断。其中，由于果蔬的内部物理性质（如大小、形状、颜色、位置和温度）和生物性质（如品种、季节、成熟度水平和地理来源）各不相同，造成组织具有较高异构性，影响了光学传播特性和与入射光的相互作用行为，从而降低了质量检测的精度。常规色谱、质谱化学分析方法探究单个水果组织水平上的内部异质性方面既昂贵又耗时，这些内部异质性已经被广泛证实，同时也显著影响了其加工后产品的质量安全与稳定性。目前，凭借空间和光谱信息的结合，高光谱成像技术拥有探究其内部品质异构性的潜力，这不仅为对食物内部异质性的科学研究提供了快速有效表征方法，同时也更为获得稳健、精准的食品品质指标预测模型提供关键指导。二、高光谱技术研究苹果异构性的部分进展本团队以苹果为研究对象，通过常规化学分析测定，证明了单个苹果内部在总糖、单糖、酸度、总酚含量等方面均存在显著空间异构性分布。目前，我们提供了一种基于近红外高光谱的简单高效方法来实现苹果内部化学指标异构分布的快速表型（图1）。首先，我们通过近红外高光谱成像系统获取了布瑞本（Braeburn）、嘎啦（Gala）、史密斯（Granny Smith）和高果树负载量（约200个/棵）与低果树负载量（约150个/棵）下的金冠（Golden Delicious）苹果的片状组织，获取了超1000个不同部位的待测样本；其次，对所有苹果切片的高光谱信息，采用主成分分析筛选出变异性较大的特征待测区域（共141个），基于每个部位的平均光谱进行PLS模型与机器学期预测模型构建，结果发现PLS模型能够较好实现特征测试样本的总糖（Total sugar）和干物质（DMC）的预测，模型R2与RPD值高于0.81和2.2；最后，通过该模型对全像素下的目标进行预测，成功实现了不同品种及不同位置的苹果内部的总糖及干物质分布的变异性可视化（图2、图3）。综述，该研究成果的优势在于依靠相对小样本测试数据，即可实现高通量的苹果内部品质指标可视化，这为田间及实验室内三维空间的品质表型提供简单可行方案参考。但是，本研究中高光谱技术也展现了评价单糖、总酚等内部品质指标空间分布的局限性。图1 基于近红外高光谱技术表征苹果内部品质异构性的方法图2基于近红外高光谱技术表征苹果内部干物质含量的可视化空间分布图图3 基于近红外高光谱技术表征苹果内部总糖含量的可视化空间分布图三、高光谱技术对水果硬度异构性与泛化预测模型的开发目前，本团队研究了不同“富士”苹果硬度空间异构性，发现其干物质和硬度也存在着较大变异性，并希望通过减少苹果果皮光学信号干扰，建立更加可靠的果肉硬度泛化检测模型。现有结果表明，在构建苹果果实硬度校正模型时，考虑到样品内部异构性（ 10%）可有效提高模型精度和降低样本数量。由此，我们不仅减轻了样品测定的工作量并且保证了模型构建中样本的差异性。希望在后续的苹果硬度模型建立及矫正的过程中开展进一步验证性研究，为点状近红外对苹果硬度检测的泛化模型精度提升提供参考。四、高光谱成像技术探究食品异构性的几点展望目前，限制高光谱成像技术在评价果实内部品质异构性方面的应用依旧存在着以下三个方面：首先，高光谱数据量庞大，急需更有效的数据处理方法、人工智能和机器学习技术从数据中提取有用信息；其次，高精度、小型化的高光谱一起可以提高数据采集的质量和效率，实现食品加工产品在发酵、调配、包埋等过程中内部结构与化学变化的精准控制；最后，明确光在生物物体中传播路径模拟或与生物物体相互作用的机理也是提高模型精度必要的研究方向。这些方法的发展为高光谱成像技术在评价食品异构性的可能性提供了可行性。

近年来,食品安全问题备受关注,人们对果蔬品质与安全标准的要求也越来越高,已成为社会关注的热点。通常,果蔬品质包括了形状、颜色、大小和表面缺陷等外部品质与糖度、酸度、硬度、可溶性固形物含量、淀粉含量、水分和成熟度及其他营养元素的含量等内部品质，其品质好坏是其市场销量的重要因素。传统果蔬品质检测方法如化学法、高效液相色谱法、质谱分析法等通常对待测物具有破坏性，且速度慢。机器视觉和光谱技术具有快速、无损、可靠等优点，近年来广泛用于果蔬品质检测中。其中，机器视觉技术通过提取和分析果蔬形状、大小、颜色及表面缺陷等空间信息进行外部品质检测，而近红外光谱技术主要对果蔬内部品质进行检测。高光谱成像技术将图像与光谱技术相结合，可同时获取反映待测物内外部品质的光谱信息与空间信息，近几年国内外对其在果蔬品质的无损检测中进行了广泛的研究。本文将从高光谱成像技术的基本原理与其在果蔬品质无损检测中的研究与应用等方面，介绍其在该领域的最新研究进展。1、高光谱成像技术原理高光谱系统中的每个像元均可获取同一个光谱区间内几十到几百个连续的窄波段信息，并得到一条平滑而完整的光谱曲线，同时整个成像系统还可获取被测物的空间信息，实现对待测物内部成分与外观特征的同时检测，具有光谱连续与分辨率高等特点。系统获取的高光谱图像可用一段连续波段的光学图像组成的立体三维图像来表示，如图2所示。其中XY平面的二维图像表示物体的空间信息，如形状大小、缺陷等。由于物品外部变化会影响反射光谱，故形状、颜色或缺陷在某一特定的波长下图谱会有变化。λ坐标表示物体的光谱信息，将反映出待测物成分结构等内部品质。本研究应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。2、果蔬外部品质的检测市场上人们对果蔬的直接感受就是其外部品质的好坏，即对颜色、新鲜度、大小、机械损伤、冻伤与腐烂等方面的判断。传统的机器视觉技术在果蔬外部品质的检测中由于精度低、操作复杂，很难区分出机械损伤、冻伤、腐烂及新鲜度等方面外部特征。高光谱成像技术恰好克服了这一缺点，能够实现全方位的无损检测，而且精度高、易于操作，近年来逐步用于果蔬外部品质的检测中。新鲜度是反映果蔬品质的重要指标。刚采摘的果蔬通常需经过储存、运输，最终到达消费者，该过程将影响其新鲜度品质。一般而言，人们对果蔬新鲜度的主观判断是不准确的。分别在失水0、10、24、48小时状态下，利用成像光谱仪采集了小白菜、菠菜、油菜、娃娃菜等四种蔬菜叶片的光谱图像并进行对比分析。其中，小白菜叶片在不同失水时间下的高光谱图像与机器视觉图像的对比分析如图3、4所示。从中可以看出，随着时间的变化两幅图中的叶片状态均有明显变化，但机器视觉图像只能看出失水状态，而高光谱图像通过分析光谱信息的变化发现，叶片在失水过程中其外观形态及内部叶绿素均有变化，叶绿素相对含量值预测模型的相关系数r=0.76,说明高光谱技术可以有效辨别蔬菜叶片的新鲜度。利用高光谱技术和ANN预测模型对苹果冻伤进行了研究，如图5所示。实验采用如图6所示过程，在400-1000 nm波段的冻伤苹果高光谱图像中选择5个主成分波段(717,751,875,960和980 nm)进行ANN模型的建立，其训练集、测试集和验证集的相关系数分别为0.93,0.91和0.92,最终实现了98%以上的识别准确率。对80个苹果样本分别采集4块尺寸为2 cm×2 cm×1.5 cm区域中的高光谱图像，利用偏最小二乘回归法来估算可溶性固形物含量反射数据与近红外光谱数据之间的关系，得到交叉验证系数为0.89,均方根误差0.55%,最后成功绘制出主要波段的高空间分辨率SSC图像，如图7所示。从图中可以看出靠近苹果边缘部分相比于中心部分有着更高的SSC值。结果表明，可用近红外高光谱成像技术测量苹果的可溶性固形物含量。3、结论随着生活水平的提升，人们对健康食品的品质要求越来越高。传统的机器视觉技术和物理化学方法在测量果蔬品质方面操作复杂、破坏性强，难以满足检测需要。高光谱成像技术融合了机器视觉、光谱和图像处理技术，产生的图像是“图谱结合”的三维数据立方体，不仅包含了待测物的空间信息特征，同时还包含了待测物的光谱信息，能够准确、快速、无损的检测出农产品的品质，并且操作简单，近年来广泛应用于果蔬品质的检测中。但是高光谱成像技术在采集和处理图像数据的过程中，受限于仪器性能和处理速度的影响，该技术现目前主要应用于基础性研究，并未广泛应用于工业的在线实时检测中。针对这些问题，为了实现果蔬品质的商业化在线检测，还需要做到如下两点：一是改进并升级高光谱成像技术的相关设备比如成像光谱仪，提升其性能并降低其生产成本，利于高光谱成像技术在果蔬品质检测中的推广；二是针对全波段的、不同品种的果蔬高光谱图像进行特征波长选取，以降低数据冗余量，减少高光谱图像的获取以及处理时间。尽管如此，随着社会发展与科学进步，高光谱成像技术将不断提升和改进，未来在农产品、食品安全领域将具有更加广阔的发展空间和应用前景。

澳洲坚果富含蛋白质、营养素、纤维和健康脂肪，其不饱和脂肪和抗氧化剂有益于代谢和心血管健康。但是容易出现质量缺陷，在收获后加工和处理对延长保质期和保证营养质量至关重要。高水分和湿度会导致霉菌和微生物生长，降低坚果质量和营养成分。由于坚果水分含量因农场和大气条件而异，需在供应链中持续监测水分。目前高光谱成像（HSI）可用于无损测定食品和农业中的物理和化学参数。主要应用于可见光、近红外（Vis/NIR）和短波红外（SWIR）。HSI技术已经应用于肉类、虾、大豆和树叶等复杂食品材料的水分含量，但尚未在澳洲坚果上应用。本次试验样品于2022年的 5 月、7 月和 9 月从位于澳大利亚昆士兰州和新南威尔士州收集，以确保不同品种、生长条件和水分浓度的样品。共收集了 30 袋约 1 公斤的带壳澳洲坚果，并从这些袋子中随机抽取 15 个坚果进行成像。图 1. 流程图坚果仁样本分两个阶段收集。第一阶段是直接从加工线上收集仁，由加工厂的实验室工作人员进行机械破碎，水分含量低于3%。共收集了30袋约150克的坚果仁，并从这些袋子中随机抽取15个单独样品。第二阶段是手动破碎收集的带壳坚果样本（前面所述）中的坚果仁，水分浓度在 3% 到 25% 之间，然后立即进行成像（图 1）。坚果仁采样的第二阶段是特意获取水分浓度3%的坚果仁。本研究使用Resonon Pika XC2高光谱成像仪采集高光谱图像。样品被放置在定制的胶合板托盘上，以消除成像过程中的移动误差。首先，将带壳坚果样品随机放置在托盘上并进行成像（图 2a、b），然后旋转≈180° 并重新成像。对于果仁样品，将坚果以两个方向放置在托盘上以获取图像：1）底部朝上（图 3a、b）和 2) 底部朝下（图 3c、d）方向。图 2. (a) 澳洲坚果的伪 RGB 高光谱图像，红色框表示手动选择的单个坚果的感兴趣区域 (ROI) 的示例(b) 使用机器视觉选择的 (a) 中所示相同坚果的灰度图像，黑色圆圈表示检测到的内外轮廓，内圆表示包含从中提取平均光谱并用于模型开发像素的 ROI。图 3. (a) 澳洲坚果仁的伪 RGB 高光谱图像，底部朝上；(b) 使用机器视觉选择的与 (a) 中相同的坚果的灰度图像；(c) 澳洲坚果仁的伪 RGB 高光谱图像，底部朝下。(a) 和 (c) 中的红色框表示手动选择的单个果仁感兴趣区域 (ROI) 的示例。(b) 和 (d) 中的黑色圆圈表示使用机器视觉为每个单个果仁检测到的轮廓，内圈表示从中提取平均光谱并用于模型开发的 ROI。 图 4. (a) 从图像 1（黄色）和图像 2（红色）方向收集的澳洲坚果带壳平均反射率，以及通过平均合并的图像 1 和 2（黑色）；(b) 图像 1；(c) 图像 2；和 (d) 图像 1 和 2 合并后的带壳坚果的主成分分析得分图；(e) 从底部朝上（黄色）和底部朝下（红色）方向收集的澳洲坚果仁的平均反射率，以及通过平均合并的底部朝上和底部朝下图像（黑色）；(f) 底部朝上；(g) 底部朝下；和 (h) 底部朝上和底部朝下图像合并后的坚果仁的主成分分析得分图。默认情况下，平均相对反射率缩放为 10,000（整数）。由于相似性，图 (a) 中坚果壳图像 2 和图像 1 和 2 的组合的反射数据分别通过添加 200 和 400 个相对反射整数进行了缩放。这项研究表明，可以使用机器视觉从高光谱图像中自动提取反射值，并利用这些值开发回归模型来预测澳洲坚果的水分浓度。使用从两幅图像中提取的数据可以提供更可靠的结果。我们的结果表明，来自不同方向的坚果图像的数据可以提供较高的预测精度，因此，该技术可以应用于坚果在传送带上运输的机械化加工。仅使用10 个波长带开发的 PLSR 模型提供了可使用的预测精度水平，同时降低了模型复杂性和计算需求。这项研究表明，高光谱成像结合机器视觉软件在收获后加工过程中预测澳洲坚果水分浓度具有巨大潜力。

近日，华东师范大学精密光谱科学与技术国家重点实验室曾和平教授与黄坤研究员团队在中红外光谱成像方面取得进展，结合非线性上转换成像与可调谐声光滤波技术，有效提升了空间-波长三维图谱信息的采集速度，实现了超灵敏、大视场、高帧率的中红外高光谱视频成像，可为化学瞬态过程分析、生物原位成像检测、医学实时光谱影像及燃烧场快速诊断等应用提供有力支撑。相关研究成果以“Wide-field mid-infrared hyperspectral imaging beyond video rate”为题发表于Nature Communications期刊。华东师范大学为论文的第一完成单位，博士生方迦南为论文第一作者，曾和平教授和黄坤研究员为共同通讯作者。图1 曾和平教授与黄坤研究员团队在Nature Communications 刊发研究成果高光谱成像是将成像技术与光谱技术相结合的多维信息获取手段，可在百个甚至更多谱段对目标进行非侵入式成像，生成包含空间和光谱信息的图谱数据立方。因此，高光谱图像具有“图谱合一”的重要特征，每个像素都对应一组光谱信息，所含的丰富信息能够对样品的化学成分、含量与分布进行测定与表征。特别地，中红外波段位于分子的指纹光谱区，包含许多官能团的吸收峰，实现该波段的高光谱成像能够对待测目标进行无标记精确识别。因此，中红外高光谱成像技术已被广泛应用于痕量分析、环境监测、生物医药、材料科学等领域。图2 中红外高速高光谱成像原理概念图然而，兼具多谱段与大画幅的红外高光谱成像系统长期以来局限于观测静态样品或低速运动场景，难以用于快速目标测量或动态过程捕捉。一方面，高光谱成像所生成的图谱数据提供了丰富的目标信息，有助于准确分析与识别样品；另一方面，庞大的数据采集量极大限制了高光谱成像速率。例如，传统摆扫式和推扫式高光谱成像系统主要借助光栅、棱镜等器件实现信号色散分光，在空间信息获取上往往需要依赖点扫描或线扫描来实现二维图像覆盖。为了克服冗长的机械扫描，全幅式光谱成像技术应运而生，其采用可调谐窄带光源（如光参量振荡器、量子级联激光器）或波长可调滤波器（如声光、液晶滤波器）进行光谱扫描，有效提升了多像素图像的采集效率。即便如此，中红外高光谱成像速度仍很大程度上受限于该波段焦平面探测阵列的工作帧频（尤其对于大面阵多像素相机），单色光谱图像采集帧率的典型值为50 Hz @ 512×512像素。相应地，采集百个波长通道以上的高光谱成像往往需要数秒甚至更长时间，距离可实时观测的视频帧率还有量级上的差距。当前，实现大视场、多波段、高帧频的中红外高光谱成像仍颇具挑战，需要同时实现高速光谱扫描与高速图像采集。图3 中红外高速高光谱成像装置图为此，研究团队创新结合非线性广角成像技术与高速声光滤波技术，能够同时提升红外图像采集速率与红外光谱切换速率，克服了传统方案在图谱信息获取上的短板，实现了高达百赫兹的三维图谱刷新率，在同等谱段数与像素规模下，比此前记录提升了至少两个数量级。具体地，研究人员采用特殊设计的啁啾极化铌酸锂晶体，实现宽波段非线性光学和频，将超连续谱中红外信号一次性转换至可见光波段。该过程具有大视场空间映射和高保真度光谱转换的特点，可在空间和光谱维度上保留完整的目标图谱信息。为了实现高速率、高精度的波长调控，研究人员采用声光可调滤波技术，获得了微秒级的波长切换速度与纳米级的窄带滤波带宽。滤波后的单色图像由高性能硅基相机捕获，规避了现有红外焦平面探测阵列在灵敏度、像素数、帧率等方面的不足，从而实现大视场、多像素、高帧频的红外图像采集。图4 高帧频中红外高光谱视频成像（A）实验测定的苯与乙醇红外吸收光谱。（B）每个高光谱数据立方包含100个精细谱段，单色图像拍摄时间仅需100 μs。(C-D) 选取不同的光谱通道，可以方便区分显示不同物质成分。（E）对两种液体吸收峰对应的单色图进行RGB色彩合成，可以清晰展示不同介质扩散与融合的动态过程。实验中，所搭建的高光谱成像系统工作波长为2.4-4.1 μm，涵盖多种CH/OH化学键的红外伸缩与振动吸收谱线，是有机物材料鉴别的重要谱段。为了展示高光谱成像在物质鉴别与动态场景中的应用，研究人员选用了乙醇和苯两种化学样品，他们在肉眼下观察均为无色透明，而通过高光谱成像可测量得到迥异红外特征光谱（图4A），利用独特的分子选择性即可实现样品成分的有效甄别。在高光谱三维数据采集中，单波长大视场成像（近百万像素画幅）的积分时间仅为100 μs，获取100个谱段的图谱立方数据则仅需10 ms（图4B），从而实现100 Hz水平的大视场高光谱影像。与传统机械式波长调谐方式不同，声光可调滤波器不受机械惯性限制，可对光谱进行快速动态调控，实现连续不间断的循环波长扫描，为实时光谱视频成像提供了可能。如图4C-4E所示，可根据样品吸收光谱特征，选取多幅单色灰度图像进行RGB填色合成，实现对样品化学差异与浓度分布更直观的可视化。值得一提的是，所发展的上转换光谱成像技术得益于非线性光学混频过程中所需的相位匹配条件，使得不同波长的单色上转换图像具有不同的空间缩放因子，从而形成波长-空间耦合的独特成像效果，结合特定信息编码和计算成像算法，可以从单幅灰度图像恢复出三维图谱信息，进而发展出单发快照式红外高光谱成像，为实现超高速光谱摄影提供了有效途径。此外，该技术可以扩展到长波红外或太赫兹波段，以满足该谱段对于高速光谱成像的迫切需求，可为材料、化学、生物、医学等领域提供具有吸引力的光谱影像分析手段。近年来，曾和平教授与黄坤研究员课题组在中红外多维成像领域开展了系列创新研究，先后发展了中红外非线性广角成像 [Nature Comm. 13, 1077 (2022)]、中红外单光子单像素成像[Nature Comm. 14, 1073 (2023)]、以及中红外单光子三维成像 [Light Sci. Appl. 12, 144 (2023)]等。相关工作得到了科技部、基金委、上海市、重庆市与华东师大的资助。论文链接：https://doi.org/10 . 1038/s41467-024-46274-z

p span style=" font-family: 楷体, 楷体_GB2312, SimKai " /span /p p style=" text-align: center" img src=" http://img1.17img.cn/17img/images/201802/insimg/339dab1f-d9cb-44b9-85bb-0c2609f20835.jpg" title=" 201822573270.jpg" / /p p span style=" font-family: 楷体, 楷体_GB2312, SimKai " 　　《乐舞图》韩休墓中的一幅壁画《乐舞图》，左侧地毯前的男子可以隐约发现改动的痕迹(上图)，经过对高光谱图像的进一步分析发现，左侧地毯前的男子处原先画了一个小孩(下图)，后来被修改成了大人。 /span /p p 　　高光谱成像仪获取的不再是可见光的图像，而是颜色光谱反射率的信息，所以不会产生普通相机在不同光源照射下呈现相同颜色的色差问题，进而完整且真实地还原色彩与壁画的状态。不仅如此，近红外波段到短波红外波段对颜料有穿透能力，这意味着高光谱成像仪可以透视壁画。 /p p 　　1月15日，中国科学院西安光学精密机械研究所(以下简称西安光机所)与陕西历史博物馆正式签订战略合作协议。未来，双方将在古代壁画典型颜料库建设项目和“流动博物馆”两个项目上开展合作。 /p p 　　这次合作的基础建立在西安光机所拥有的光谱成像技术、光学超高分辨率成像等先进的光学技术基础上。这些曾经在军工领域大显身手的前沿技术，在壁画发掘与保护工作中也脱颖而出，成为记录壁画原始信息、辨别颜料成分的“利器”。 /p p 　　 strong 看出颜料成分 /strong /p p 　　在古代，颜料多以矿物质、植物等自然物质为主，经过几千年智慧的积累，同一种颜色可以用不同的物质表达，“比如红色就包括朱砂、赭石、铅丹等物质 黄色则可能是纤铁矿、密陀僧或雌黄等。”陕西历史博物馆壁画基地办公室副主任王佳在接受《中国科学报》记者采访时举例说。所以即便看到同一种颜色，也无法立刻判断到底是哪种物质产生的颜色。“文保工作者看到壁画的第一时间就想知道颜料的成分。因为壁画的价值体现在表达内容上，颜料又是表达内容最重要的手段之一。”王佳补充道。 /p p 　　既然无法通过肉眼观察得到结论，那么仪器分析就必不可少。“我们一直在尝试，通过光学显微镜、X射线荧光、激光拉曼等手段分析，只是精确的仪器往往体积比较庞大，无法带到发掘现场。所以只能从壁画上刮取样品带回去检验。这样的取样化验的方法不可避免会对画作造成损害。”王佳无奈地说。 /p p 　　高光谱成像仪的出现，让这些“无奈”迎刃而解。“高光谱成像仪分析颜料成分时完全不需要刮取颜料，是通过与壁画保持一定距离而进行非接触式扫描实现的。它判断颜料成分的依据是不同矿物质具有的光谱特征不同。可以说，光谱反射率是物质的‘指纹’，可以用来识别物质。”西安光机所副研究员张朋昌告诉《中国科学报》记者。而且，相较于精确度与体积无法“兼得”的大型仪器，高光谱成像仪经过西安光机所的不懈努力，已经可以适应较狭窄的场地，进行现场勘测。这些都为建立颜料库提供了基础。 /p p 　　而在此协议签订之前，我国并没有对古代画作特别是壁画的颜料光谱特征开展过系统的研究。因为与其他文物的修复工作相比，壁画修复的工作起步较晚。“壁画的考古发掘工作从上世纪五六十年代才开始，至今也不过只有六七十年的时间。国内开展颜料测定工作时间更短，所以目前并没有系统的颜料资料库。”王佳解释说。 /p p 　　发现高光谱成像仪可以分辨颜料成分起源于2013年，当时陕西历史博物馆的考古人员正在发掘唐朝宰相韩休的墓葬。韩休墓的发现，与一起盗墓案密不可分。 /p p 　　 strong 记录原始色彩 /strong /p p 　　2006年，陕西省西安市民警破获了一起盗墓案，在查看被收缴的硬盘时，发现了一组壁画的照片。从照片中可以清楚地看出壁画绘制精美，人物神情惟妙惟肖。通过衣着体态和面容形象，专家判断这是盛唐时期的墓室壁画。经过几年的审问，盗墓人终于吐露，这是从位于西安南郊郭辛庄村的一处古墓内拍摄的。 /p p 　　2013年，这一墓葬在西安市长安区大兆街办郭辛庄村被发现。在进行抢救性发掘时，考古人员发现该古墓是唐代官员韩休与夫人合葬之墓。墓葬深约11米，坐北向南，墓道至墓室总长约40米。虽然遭到严重盗扰，但墓葬形制基本保存完整，还出土了鸡、鸭、牛、马、骆驼等陶质文物140余件。更让考古者们惊喜的是墓中的壁画几乎被完整地保留下来且精美绝伦。 /p p 　　墓室内，东壁绘制的是乐舞图，西壁是6幅条屏式的树下高士图，南壁是玄武图，在北壁的东部则发现了山水图。但遗憾的是，西壁的6幅图中有两幅不翼而飞，南壁的玄武图也被破坏殆尽 幸运的是，东壁满绘的乐舞图是近10年来，陕西省发现的最完整的乐舞图，图中男性胡人乐队和女性唐人乐队就像斗舞一般，在春日的闲暇时光里为墓主人表演，“这幅壁画恰巧反映了唐代丝绸之路的繁荣，我国与其他国家的互联互通，为现代‘一带一路’的发展提供了证据”。王佳说。更重要的是，北壁东部发现的山水画也将我国山水画成熟期提前。“以前，专家们一直认为山水画的成熟期是在宋代，但是这幅壁画中山水的画法显示，在唐朝山水画已经进入了成熟期。”王佳说。 /p p 　　为了更好地将壁画完整地记录下来，陕西历史博物馆邀请西安光机所加入到保护壁画的工作中。“因为墓穴打开后，空气会让颜料的成分不稳定，进而产生变化。高光谱成像仪可以第一时间将颜色记录下来。”张朋昌解释说。 /p p 　　 strong 透视涂改痕迹 /strong /p p 　　高光谱成像仪果然不负众望，其可以接近100%复原壁画的被发掘的状态，甚至可以还原壁画曾经修改的部分。这双“慧眼”得益于高光谱成像仪可以覆盖范围更广的光谱。 /p p 　　从原理上讲，光是一种电磁波，但是人眼可见的波段有限，即400nm至760nm波段，普通相机拍出的照片呈现的便是可见光的部分。而在760nm~2500nm的波段，虽然人眼看不到，却可以被仪器捕捉到，比如一些红外相机等就可以呈现一部分波段的图像。 /p p 　　高光谱成像仪则覆盖了光波更广的范围，包括可见光、近红外(760nm~1000nm)和短波红外区域(1000nm~2500nm)。“我们可以再将400nm至2500nm区间的波长划分为宽度为N纳米的区间。对于同一幅场景，我们按波长从小到大依次用每一个区间波长的光去拍摄图像，将得到2500~400/N幅图像，这组图像作为整体被称作高光谱图像。”张朋昌解释说。 /p p 　　正因为高光谱成像仪获取的不再是可见光的图像，而是颜色光谱反射率的信息，所以不会产生普通相机在不同光源照射下呈现相同颜色的色差问题，进而完整且真实地还原色彩与壁画的状态。不仅如此，近红外波段到短波红外波段对颜料有穿透能力，“这意味着我们可以透视壁画”。张朋昌说。 /p p 　　在对乐舞图进行扫描时，张朋昌等人就发现左侧地毯前的男子隐约有改动的痕迹。经过对高光谱图像的进一步分析发现，证实了研究人员的想法：左侧地毯前的男子处原先画了一个小孩，后来被修改成了大人。更有意思的是，墓室壁画中类似的涂改还有多处，比如，在壁画右侧地毯左下角还有一处被涂改掉的兔子。那么，为何墓室的壁画会被涂改，这些被涂改的内容与后来的成人有何关系?高光谱成像仪的发现为后续的研究工作提出了更多的问题。 /p p 　　除了“看到”画中被涂改的痕迹，高光谱成像仪还能够将细小的裂纹完整呈现，“这些细节反映了壁画的健康状况，对后期对其修复和保护工作都能提供思路，如果被忽略则可能错过重要的信息”。张朋昌说。 /p p 　　为了完美地将细节复原，高光谱成像仪对工作环境的要求也是极高的，“首先要摒除一切环境光的干扰”，张朋昌说。所以在工作时，他们会将墓室内的环境光屏蔽，同时打开自己携带的光源，“将无关光源挡住后才能保证高光谱成像仪采集的数据准确。”张朋昌继续解释道。 /p p 　　 strong 效力后续文保 /strong /p p 　　参与韩休墓壁画的发掘工作让张朋昌难忘，因为这是对高光谱成像仪应用领域开拓的尝试，同样将这次经历铭记于心的还有王佳，他说：“这是我第一次进入真正的墓室，之前我一直在博物馆内的文物修复室工作。”他还记得在发掘的不到两年时间内，作为发掘人员，他们经历了地上接近40摄氏度高温，墓葬中却只有十几摄氏度的高温差。“当时是夏天，室外温度极高，但墓室内因为在地下11米的地方，所以温度不高。而且里面空气不新鲜，我们每隔半个小时就要爬到地面上透透气。”王佳说，“计算下来一天的爬上爬下的距离与攀上30层楼相差无几。”而且，很多在实验室可以使用的材料在墓室内却失效了。于是一边开发寻找新的材料，一边抓紧时间进行壁画揭取工作。当王佳看到壁画安全运到博物馆并修复完成后，“觉得吃再多苦都值得”。 /p p 　　壁画的发掘工作的成功也让双方看到了进一步合作的前景。于是就有了签订协议建立颜料库的一幕。“我们将会从馆藏壁画入手，慢慢扩展。”王佳说，“希望最终形成中国古代壁画的颜料库。”目前，我国古代壁画一般被分为三类，包括墓葬壁画、石窟壁画和建筑壁画。但有些壁画因为各种原因无法保留在原地，就会被搬迁到博物馆或其他文保单位进行修复保护，被称为馆藏壁画。“目前，我国陕西地区大部分被发掘的唐代墓葬壁画都在陕西历史唐代墓葬壁画博物馆内。”王佳介绍说。 /p p 　　在发掘现场，韩休墓中的壁画除了一部分被高光谱成像仪扫描过外，还有很大一部分因为较为脆弱，不适宜当场扫描，直接被揭取后收入博物馆进行修复。现在，壁画的修复工作接近完成，接下来又到了高光谱成像仪大显身手的时候。“我们也是边实践边研究，关于算法的研究工作一直在进行。”张朋昌说。 /p p 　　王佳也表示，除了颜料资料库的合作外，还能通过科技进行哪些文保工作需要具体再探讨。“我们将继续与西安光机所召开研讨会，先介绍我们修复的手段和过程，双方再从过程中寻找科技的灵感。” /p

茶是世界上最有价值和最流行的饮品之一，茶叶不仅可以提高机体免疫力，而且可以对抗疾病。红茶在世界茶产品中是主流的消费产品，中国生产的祁门红茶是世界三大高香红茶之一，它具有独特的果香气味，受到很多人的青睐。随着人们对红茶需求的不断增加，红茶的品质越来越受到重视。目前，茶叶市场存在以次充好的现象，但仅凭感官评价正确分辨茶叶品质好坏是比较困难的，而无损检测具有快速、精确和评价标准稳定的特点，因此实现茶叶的快速无损鉴别是十分必要的。本文利用近红外高光谱成像系统(900~1700 nm)对祁门红茶的6个等级进行分类，比较分析了PCA、MDS、t-SNE和Sammon四种不同降维技术，建立SVM和极限学习机(Extreme Learning Machine,ELM)模型并生成高光谱图像像素空间分类图。应用的900-1700nm高光谱相机，可采用杭州彩谱科技有限公司产品FS-15。短波近红外高光谱相机，采集速度全谱段可达200FPS,被广泛应用于成分识别，物质鉴别，机器视觉，农产品品质，屏幕检测等领域。1.2实验方法1.2.1数据采集近红外高光谱采集仪的光谱范围为900~1700 nm,光谱分辨率为3nm,共256个波段。在实验中将茶叶样本均匀的平铺在直径为5cm,高为2cm的圆形容器中，放在前进速度为1.68 cm/s的移动台上进行图像采集，曝光时间为20 ms,镜头与样本之间的距离为32 cm。为避免外部光线影响，高光谱图像的采集过程在暗箱中进行。原始高光谱图像噪声较大，故对其进行图像校正。本文采用黑白校正和最小噪声分离变换(Minimum Noise Fraction,MNF)方法对原始数据进行去噪处理。使用ENVI5.3软件，提取50×50像素中心区域作为感兴趣区域(Region of Interest,ROI),计算其平均光谱作为样本的原始光谱。各等级的茶叶样本按照3:2分为训练集和测试集，训练集包含288个样本，测试集包含192个样本。1.2.2数据处理1.2.2.1数据预处理图像采集过程中受到暗电流噪声、探测器灵敏度和光学传输特性等因素影响，导致采集的图像质量受到影响，需要对采集图片进行黑白校正。在相同的采集条件下，分别采集反射率接近100%的白帧图像和反射率接近为0%的黑帧图像。2结果与分析2.1 样本光谱特征由于卤素灯在初始阶段光照强度不均匀以及仪器噪声影响，为了保证数据的准确性和实验结果的可靠性，剔除900~980 nm和1650~1700 nm,选取光谱范围在980~1650 nm的203条光谱带作为祁门红茶的原始光谱数据。所有样本的原始光谱曲线如图1所示，光谱数据受到随机噪声和散射效应的干扰，需要对其进行预处理。本文对原始光谱分别采用SG平滑滤波(Savitzky-Golay Filtering,SG)、标准正交变换(Standard Normal Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、SG-SNV和SG-MSC等算法对数据进行预处理。SG可以消除或减弱随机噪声，SNV和MSC用来校正散射现象，SG-SNV和SG-MSC对原始算法进行了优化。实验结果表明，SG-SNV预处理效果优于其他算法。该算法有效地修正了光散射引起的光谱基线漂移问题，使光谱的吸收峰位置更加突出，光谱曲线如图2所示。祁门红茶6个等级的平均光谱曲线如图3所示，不同等级的茶叶在三个峰处反射率差别较明显。由此可知，高光谱成像技术可建立分类模型对6个等级的祁门茶叶进行识别。2.2 高维数据可视化利用MDS、Sammon、t-SNE和PCA等算法对高光谱图像进行高维数据的低维可视化。实验结果如图4所示，不同颜色的聚类代表不同的茶叶等级，只有t-SNE可以将6个等级的茶叶明确区分。如图4(a)、图4(b)、图4(d)所示，MDS和PCA不能将G1和G4完全区分开，Sammon不能将G5、G6以及G1、G3完全区分开，主要原因是该样本具有相似的光谱特征。与PCA和MDS相比，Sammon对6个等级祁门红茶的可视化效果较差。由于Sammon映射没有显式地表示转换函数.该算法只是提供了一种度量方法来衡量转换结果，故分离簇的能力不强。PCA和MDS无法保持高维空间的数据结构，因其只利用了远处数据点的信息，所以分离簇能力较弱。如图4(c)所示，与其他算法相比，t-SNE能够捕获数据的非线性和邻域信息，故可呈现较好的可视化效果。由实验结果可知，t-SNE识别最大分离簇数的能力优于PCA、MDS和Sammon。光谱数据进行判别的实验结果。其中，SVM模型惩罚系数c为1.2,核函数系数g为2.8,ELM模型的隐层节点数为5。由实验结果知，SVM和SG-SNV-SVM模型，训练集和测试集的准确率分别为100%。ELM模型的识别效果较差，ELM模型的训练集和测试集准确率分别为90.27%和85.93%,SG-SNV-ELM模型的训练集和测试集识别率分别为98.61%和96.35%。预处理之后的SVM模型分类精度没有发生变化，而经过预处理的ELM模型分类精度显著提高。由此可知，SG-SNV预处理对ELM得到有效应用。图5是不同模型的混淆矩阵结果。图5(a)混淆矩阵结果存在较多识别错误，G2中10个样本和3个样本被分别识别为G1和G4,G3中3个样本被识别为G4,G4中3个样本被识别为G3,G5中1个样本和3个样本被分别识别为G4和G6,G6中4个样本被识别为G5。图5(b)混淆矩阵结果出现少量识别错误，G3中1个样本被识别为G1,G4中4个样本被识别为G2,G6中1个样本被识别为G5。图5(c)和图5(d)的混淆矩阵结果完全正确。为了可视化6个等级祁门红茶的差异，对不同等级茶叶的像素光谱信息建立SVM和ELM识别模型，实验结果如图6示。如图6(a)所示，提取灰度图像，如图6(b)、图6(c),祁门红茶等级分类图由上到下依次为一级、二级、三级、四级、五级和六级。由图6(b)所示，SVM模型将6个等级的祁门红茶识别为各自相应的等级，但也存在一些像素点分类错误，特别是圆形容器边缘的误分类尤为明显。由图6(c)所示，ELM模型的分类图中不仅边缘像素存在误分类，而且各等级之间存在严重误分类。除去边缘分类错误，造成不同等级茶叶误分类的主要原因是光谱的相似性。误分类的另一个原因可能是茶叶的纯度，例如，将低等级的茶叶掺入高等级茶叶中进行混合售卖盈利。SVM模型的识别结果优于ELM模型。因此，SVM有较好的识别效果和性能。3结论本文利用近红外高光谱成像技术，结合SNV-SG、PCA、MDS、Sammon及t-SNE算法，基于光谱特征，分别建立祁门红茶等级快速无损识别的SVM模型和ELM模型。结果显示，t-SNE能更好地分离不同等级的祁门红茶，其高维空间邻近数据点的信息可以保持低维空间中的数据结构。基于光谱特征的SVM模型和ELM模型的测试集识别率分别为100%和96.35%。因此，近红外高光谱成像技术结合机器学习在茶叶产品分类的应用领域具有很大潜力。

油茶果采摘期受环境因素影响较大，不同地区的天气、气候、积温、土壤肥力等条件不同，造成油茶果的成熟期有早有晚，因此油茶果的采摘时间应根据其具体成熟度而定。油茶果采收前的最后一个月是油脂积累的高峰期，这段时间油茶果含油量增幅最为明显，同时伴随着内部营养物质的相互转化。然而在此时期油茶果的外部形态特征如形状大小、鲜果质量、颜色等趋于稳定，无明显变化，从而给茶农判断油茶果的成熟度和最佳采摘期带来一定的困难。故迫切需要提出一种快速准确地检测油茶果成熟度的方法，为油茶果的精准采收作业提供帮助。南京林业大学机械电子工程学院的胡逸磊、姜洪喆、周宏平*等通过高光谱成像技术获取油茶果的高光谱数据并结合化学计量学方法获取油茶果的成熟度参数作为参照，使用分类算法完成对油茶果成熟度的判别，并验证分类模型的正确率，旨在为油茶果最佳采摘期的判断提供科学依据。1、油茶果成熟期理化参数由表1可知，油茶果的果高、果径在整个采摘期内出现些许的递增，但递增幅度很小，因此标准差较低，只有0.43 mm左右；鲜果质量范围在25～30 g之间，鲜籽质量范围在10～15 g之间；油茶果的果壳含水率在采摘期内有下降的趋势，但下降的幅度较小；油茶果出籽率在35%～40%之间波动，油茶果含油率随着采摘时间的推迟而递增，增幅达到59%，其标准差为5.55%，比其他理化参数的标准差高很多，可见若提前采摘油茶果将造成茶油产量的严重损失。并且从采样时间上看，11月10号油茶林中部分油茶果的果壳开裂，油茶果进入全面采收阶段，至11月14号采收工作基本完毕，预留的5 棵茶树上的大部分油茶果的果壳开裂，有的油茶果已脱落在地，符合油茶果过熟期特征，将此时采集的油茶果作为对照组，发现其含油率基本保持稳定，说明11月10号左右油茶果进入完全成熟期，此时采摘可使茶油产量最大化，并且陆续有油茶果果壳开裂并脱落导致难以收集，无法再推迟油茶林的整体采收时间。结合表2给出其成熟度的定量判别标准：采收前30 d左右，且含油率为（22.00±1.00）%的样品作为成熟度I；油茶果采收前23 d左右，且含油率为（24.00±1.00）%的样品作为成熟度II；茶果采收前16 d左右，且含油率为（27.00±2.00）%的样品作为成熟度III；茶果采收前9 d左右，且含油率为（31.50±2.50）%的样品作为成熟度IV；油茶果采收期间，且含油率为（35.00±1.00）%的样品作为成熟度V。成熟度等级I～V的油茶果样品的成熟度依次递增，成熟度V的油茶果为完熟期样品。本实验不包含过熟期样品，因为过熟期的油茶果果壳开裂容易脱落，凭借人眼很容易判别，无需借助高光谱设备。将以上5 种成熟度油茶果样品的高光谱数据作为数据集，用作成熟度的分类。2、基于像素点的油茶果高光谱图像曲率校正图2a是校正前从油茶果中心沿半径方向至边缘处89 个像素点的光谱曲线图，可以看出由于油茶果曲率的影响，不同位置的光谱反射强度差异很大，光谱CV为0.244 0；图2b是相同位置的像素点校正后的光谱曲线图，可以发现每个像素点之间的光谱强度差异变小很多，CV为0.0753。774 nm通道油茶果样品的反射率与背景的反射率差异最大，因此该通道能清晰地显示油茶果样品的灰度图。图3是在774 nm波段校正前后油茶果反射率的伪彩色分布，可以直观地看到校正后油茶果像素点的反射率分布比校正前更均匀，说明均值归一化方法的有效性。3、不同成熟度油茶果光谱特征分析939 个样本曲率校正前后的光谱曲线图见图4，校正后的数据分布更加集中，数据特征更加明显。670 nm处的吸收峰主要与油茶果壳中的花青素和叶绿素有关，970 nm处的吸收峰与果壳中的水分有关。将5 个不同成熟度等级的油茶果光谱数据分别取平均值，得到油茶果的成熟度曲线如图5所示。可以发现，不同成熟度油茶果的光谱强度差异主要体现在500～630 nm和720～970 nm之间。在500～630 nm之间，成熟度I和成熟度II样品的反射强度差别较小，随着采样时间的推迟，成熟度III和成熟度IV样品的反射强度较前者有所降低，成熟度V样品的反射强度降至最低，该波段范围内呈现出油茶果的光谱反射率随成熟度的增加而降低的规律。在720～970 nm之间，成熟度II～V样品的反射强度随成熟度的增加而降低，而从成熟度I～V样品的反射强度经历两次先增高后降低的过程，可能是与果壳中内源激素含量的动态变化有关。在5 个不同的采收时间点，成熟度曲线存在较明显的区别，为成熟度分类提供了理论依据。4、基于全波长的油茶果成熟度分类将5 种不同成熟度等级的油茶果样品赋予类别标签1～5，分别采用KNN、RF、SVM、PLS-DA建立基于全波长光谱信息的油茶果成熟度分类模型，各模型参数设置如表3所示。在对各个模型进行参数寻优后，获得了各模型在最优参数下的分类结果如表3和图6所示。可以发现，SVM相比于其他3 个模型的分类效果最好：训练集的分类正确率为98%，测试集的平均分类正确率为97%，对成熟度I样品的分类正确率最高；其次是RF模型，对油茶果成熟度的平均分类正确率为86%，对成熟度I和成熟度IV样品的分类正确率较高；PLS-DA模型的分类效果一般，测试集的正确率为76%；KNN模型在训练集和测试集上的分类正确率是所有模型中最低。5、基于特征波长的油茶果成熟度分类表4是不同降维方法选择特征变量建立的SVM分类模型结果。可以发现，使用CARS降维后的28 个特征波长的光谱数据建立的SVM模型效果最好：训练集平均正确率为91%，测试集平均正确率为82%，对成熟度IV样品的识别率最高为91%，对成熟度II样品的识别率较低为73%。经SPA和GA降维后建立的分类模型的效果相差不大：训练集上对油茶果的分类正确率为86%左右，测试集上的识别率为80%左右。主成分分析（PCA）-SVM模型的效果最差：训练集上的分类正确率为64%，测试集上的分类正确率只有55%，可见PCA方法将全波段光谱数据转化为7 个PC的过程中即使保留了99%的信息量，结合SVM建立的分类模型的性能还是较差。CARS-SPASVM和GA-SPA-SVM都是经过二次降维之后建立的分类模型，两组数据集下的SVM模型分类效果相当：测试集的正确率为75%左右，并且两个模型均对成熟度V样品的分类正确率最高，对成熟度II和成熟度III样品的分类正确率较低。6、基于图像特征和光谱特征融合的油茶果成熟度分类表5是不同输入特征下的SVM模型分类结果，可以发现，使用单一的颜色特征建立的油茶果成熟度SVM模型测试集正确率为79%，相比使用单一的光谱特征建模的正确率降低了3.7%，并且该模型对成熟度IV和成熟度V样品的识别率较高，分别为92%和95%，对成熟度II和成熟度III样品的识别率较低。使用单一的纹理特征建立的油茶果成熟度SVM分类模型正确率不足50%，说明油茶果的纹理特征参数在油茶果成熟期间没有发生较明显的变化，并且油茶果的表皮光滑，纹理特征并不明显，不能较好地作为油茶果成熟度的表征因子。总体上说，融合颜色特征和光谱特征建立的油茶果成熟度SVM分类模型的效果最优，并且模型对成熟度I、IV、V油茶果样品的识别率普遍高于对成熟度II、III样品的识别率，原因是成熟度I、IV、V油茶果样品之间的特征参数差异性较大，易于分辨，而成熟度II、III样品之间的特征差异相对较小。结 论对利用高光谱成像技术进行油茶果成熟度检测的可行性进行探究，采用实验室内静态测量的方式观察和分析油茶果的光学特性，在此基础上分析利用油茶果的光学特征判断油茶果的成熟度的准确性。目前结合田间动态测量讨论自然环境下光谱检测油茶果成熟度的可行性的田间试验正处于方案论证阶段，将在今年油茶果成熟期（10—11月）进行，为达到油茶先熟先采、后熟后采、随熟随采的智能化采摘新阶段奠定理论基础。主要结论如下：1）分别使用KNN、RF、SVM、PLS-DA建立基于全波段光谱数据的油茶果成熟度判别模型，发现SVM模型的分类正确率最高：训练集正确率为98%，测试集正确率为97%。2）分别使用SPA、CARS、GA、CARS-SPA、GA-SPA对全光谱进行降维，建立基于特征变量的SVM模型，发现经过CARS方法选择的特征波段建立的分类模型正确率最高：训练集分类正确率为91%，测试集的正确率为82%。3）提取油茶果高光谱图像中的颜色特征和纹理特征，分别建立SVM分类模型后发现，融合颜色特征和光谱特征建立的SVM模型的正确率高于使用单一的光谱特征（经CARS降维）建立的模型正确率：训练集分类正确率为95%，测试集正确率为93%。

利用高光谱成像评估水果和蔬菜的成熟度和老化监测和控制食品质量对于追求利润和负责任的食品生产至关重要。特别是对于水果和蔬菜来说，它们比其他食品更加敏感，必须新鲜出售和加工才能更加有价值和更加健康。高光谱成像为自动质量控制系统提供了重要的数据，以确保食品的高质量。 用specim FX10高光谱相机测量李子和番茄的老化食品的生长天数是评价食品新鲜程度时需要量化的一个重要参数。在这样的背景下，水果和蔬菜的成熟度和硬度是需要观察和监测的两个最基本的参数。高光谱相机可以观察水果和蔬菜在整个成熟过程中的光谱变化。在这项研究中，我们使用specim FX10高光谱相机和实验室推扫平台对李子和番茄进行了20天的检查，以评估其老化过程(图1)。specim FX10高光谱相机是一种可见光-近红外波段(VNIR)相机，覆盖光谱范围从400到1000纳米。分析的第一部分着重于样品随时间变化的光谱特征。在此基础上，建立了番茄和李子的老化过程回归模型。图1图2: 3个李子和3个西红柿样本放在lab scanner 40×20推扫平台上，用specim FX10相机测量了20天。样品的照片与高光谱数据一起被拍摄下来。图片显示，李子的新鲜度，尤其是西红柿，随着时间的推移，会逐渐下降(图2)。在一个西红柿和李子的中间开一个小口。它似乎对加速番茄的衰老有实质性的影响，但对李子没有影响。图3: 第1天、第13天、第20天的样品照片。光谱反射率揭示化学变化在每天进行光谱测量时(第1天、第2天、第3天、第6天、第9天、第13天、第14天、第16天、第17天和第20天)对每个李子和番茄进行矩形框选。图4中仅显示了第1天、第13天和第20天的光谱，以简化结果的显示。光谱在选择区域上取平均值。番茄的光谱差异比李子更显著。这在第1天、第13天和第20天拍摄的照片中已经可以看到(图3)。 光谱揭示了水果和蔬菜中随时间发生的化学变化。李子和西红柿在生长初期都是绿色的，因为它们含有叶绿素。但在成熟时，叶绿素会分解成另一种化学物质。对于番茄来说，叶绿素分解成番茄红素，这就解释了它的红色。这种化学变化解释了李子和番茄在550到750nm之间的光谱变化。水果和蔬菜的成熟过程也会影响水分，影响它们在970纳米处的光谱。其他性质(例如，糖含量)也会随着时间的推移而变化，形成反射率光谱。图4:第1天、第2天、第3天、第6天、第9天、第13天、第14天、第16天、第17天和第20天获得的李子和番茄的伪彩图。每个数据集从左(第1天)到右(第20天)被组合成一个单一的数据集(镶嵌图)。每个番茄和李子的平均光谱分别显示在第1天(白色)、第13天(粉色)和第20天(紫色)。 回归模型来量化老化建立回归模型量化李子和番茄的老化(图4)。成像日为实际回归变量。 李子的R2为0.81，而番茄的R2为0.91。这些是根据其他选择计算的，而不是用于训练模型的选择。实际值与预测值的回归图如图5所示。对于李子，该模型是基于将光谱范围从588nm到976nm。对于番茄，该模型基于445nm到993nm之间的光谱波段。图5:三个李子(上)和三个西红柿(下)的回归模型输出。分别于第1天、第2天、第3天、第6天、第9天、第13天、第14天、第16天、第17天、第20天(从左至右)采集数据。热区图的范围从第1天(Min)到第25天(Max)。图6:两个模型的实际值与模型预测值(测量李子和西红柿的老化)。结论Specim FX10高光谱相机适用于测量水果和蔬菜的成熟度和老化，因为它对农产品的新鲜度相关特征很敏感。在建立典型回归模型时，可以将实验室测量值作为开发和验证模型的参考值。FX10高光谱相机在可见-近红外(VNIR)下工作，为监测生鲜食品的产品质量提供了一种有效的工具。与传统的基于点的方法相比，高光谱成像由于其非破坏性的性质，通过图谱合一的检测方式，是一种特别适用于食品分级、分类和分类的方法。在各种工业、农业的应用中，通过高光谱分辨率的光谱信息与成像相结合的无损检测方法，及时提供各种成分、异物检测和质量损伤情况等，形成“征兆图”，供诊断、决策和风险评估等使用。另外，通过广泛实验和实际应用，发现大部分物质成分，在近红外900-1700nm，和短波红外1000-2500nm有较好的吸收反射，在此波段范围光谱特征明显。建议同种应用，不同物质检测需采用合适的波长范围产品。上海昊量光电作为芬兰Specim中国地区的代理商，为您提供专业的选型以及技术服务。更多详情请联系昊量光电/欢迎直接联系昊量光电关于昊量光电：上海昊量光电设备有限公司是光电产品专业代理商，产品包括各类激光器、光电调制器、光学测量设备、光学元件等，涉及应用涵盖了材料加工、光通讯、生物医疗、科学研究、国防、量子光学、生物显微、物联传感、激光制造等；可为客户提供完整的设备安装，培训，硬件开发，软件开发，系统集成等服务。

p style=" text-indent: 2em " 2019年9月16-20日，两年一次的国际近红外大会(ICNIRS)在澳大利亚黄金海岸召开，吸引了来自36个国家的347位代表参加，其中参会的中国学者有30多位。与全球近红外发展相比，中国近红外学科的发展处在急剧上升的阶段，相关的新技术、新应用层出不穷。而且，经过了多年的摸索和沉淀，中国的近红外走过了从质疑到认可的过程，当前在饲料、烟草、石化、粮食等领域都得了很好的应用，并为用户创造了客观的经济价值。不仅如此，中国学者在近红外的前沿研究方面也取得了突出的成果。 /p p style=" text-indent: 2em " 仪器信息网在会议期间特别采访了中国农业大学吉海彦教授，请他谈谈参会感受、对2021年即将在北京召开的国际近红外大会的期待与寄语，以及高光谱成像技术在农业领域的发展前景。 /p p object classid=" clsid:D27CDB6E-AE6D-11cf-96B8-444553540000" codebase=" http://download.macromedia.com/pub/shockwave/cabs/flash/swflash.cab#version=7,0,0,0" width=" 600" height=" 490" id=" cc_914DEB07A6B103CA9C33DC5901307461" param name=" movie" value=" https://p.bokecc.com/flash/single/D9180EE599D5BD46_914DEB07A6B103CA9C33DC5901307461_false_5B1BAFA93D12E3DE_2/player.swf" / param name=" allowFullScreen" value=" true" / param name=" allowScriptAccess" value=" always" / param value=" transparent" name=" wmode" / embed src=" https://p.bokecc.com/flash/single/D9180EE599D5BD46_914DEB07A6B103CA9C33DC5901307461_false_5B1BAFA93D12E3DE_2/player.swf" width=" 600" height=" 490" name=" cc_914DEB07A6B103CA9C33DC5901307461" allowfullscreen=" true" wmode=" transparent" allowscriptaccess=" always" pluginspage=" http://www.macromedia.com/go/getflashplayer" type=" application/x-shockwave-flash" / /object /p p style=" text-indent: 2em " 吉海彦表示，他的团队之前主要做近红外在农业中的应用，近几年开始做高光谱成像技术。而高光谱成像技术未来将是一个很重要的发展方向，在农业方面可以用在很多方面，比如分析叶片成分分布、农药成分分析等。 /p p br/ /p

国外某机构的研究报告显示，2021年全球高光谱成像系统市场规模为134亿美元，预计到2030年该市场将达558亿美元，2022至2030年间的复合年增长率为17.3%。高光谱成像技术在工业领域应用的不断增加，相关创新技术的不断涌现，以及来自公共和私人组织的资金投入激增等都是推动该市场增长的重要因素。目前，高光谱成像技术已被广泛用于科学研究和工业领域，据悉，军事工业产生了超过25%的市场份额。越来越多样化的相关应用，比如用于确定食品中的水分、化学成分、含糖量、温度和脂肪等，以及国防、生物、制药、法医和工业检查等，都会推动高光谱成像系统市场的蓬勃发展。此外，高光谱成像系统的新兴技术也会对市场的发展有明显的贡献。但是，购买成本较高是市场增长的一个主要障碍。不过，不断增加的玩家投资和未开发的市场预计将在未来几年为高光谱成像系统带来新的收入。报告中特别提到，由于其高精确度和清晰度的优势，高光谱成像技术在医疗保健领域的应用越来越多，这为高光谱成像市场将来的增长创造了有利的环境。据介绍，高光谱成像技术被广泛用于眼科、医学成像以及涉及血管系统、胃肠道和组织的诊断程序中。此外，它还被用于细胞生物学、伤口分析和荧光显微分析；用于检测目标肿瘤组织、血管、淋巴结和神经束，其方法是覆盖目标的表面区域并产生图像，其中图像的每个像素包含与不同波长光组有关的数据。在癌症治疗中，高光谱成像系统可以提供连续的信息，有助于了解疾病发展早期阶段发生的组织变化。不仅如此，在制药行业，高光谱成像技术可以被用来进行质量控制，帮助识别药物中存在的外来物质，以及混合假药中的合成物质等。全球高光谱成像系统市场根据产品分为两类：相机和配件。其中相机在2021年占了大部分的市场份额（60%），预计在未来几年将继续如此。此外，报告中还提到，2021年北美在全球高光谱成像系统市场上占据主导地位，占比超过37%，领先于欧洲；预测期内，亚太地区高光谱成像系统市场的复合年增长率超过18%，值得大家关注！报告中提到的高光谱成像系统主要企业包括：Headwall Photonics Inc., Imec, Resonon, Corning Incorporated, Norsk Elektro Optikk AS, Surface Optics Corporation, Bayspec Inc., Chemimage Corporation, Spectral Imaging Ltd., Applied Spectral Imaging, and Telops Inc.

天津工业大学化学工程与技术学院 王瑶 吴德云 石梓彤 赵子贞 （指导教师：卞希慧）2022年11月28-30日，第八届亚洲近红外光谱学术会议（the 8th Asian NIR Symposium，ANS2022）在韩国首尔召开。来自美国、西班牙、韩国、日本、中国、印度、新加坡、泰国以及尼泊尔等10余个国家近百名学者通过ZOOM会议在线上汇聚一堂。韩国汉阳大学的Hoeil Chung教授致辞，对所有参会人员表示热烈欢迎。会议共安排了38场报告和29个墙报，包括农业食品材料（Agricultural Food Material）、高光谱成像（Hyperspectral Imaging）、基础科学与化学计量学（Basic Science and Chemometrics）和先进技术和药物应用（Advanced Technology and Pharmaceutical Application）4个主题。两位特邀专家分享高光谱成像和化学计量学建模方法会议特别邀请了美国农业部（United States Department of Agriculture, USDA）的Moon S. Kim教授和西班牙科尔多瓦大学（University of Cordoba）的Lola Pérez-Marín教授作大会特邀报告（Plenary Presentation）。Moon S. Kim教授作了题为“光谱成像技术在农业领域应用（Spectral imaging technologies for agricultural applications）”的报告。该报告首先阐述了从1999年至今先后发展起来的高光谱荧光和反射成像、高光谱近红外成像、高光谱拉曼成像、短波红外高光谱成像、在线拉曼成像等技术；然后介绍了新鲜水果、蔬菜和家禽在线检验的快速自动化系统；最后介绍了使用高光谱荧光-可见近红外反射成像系统用于评估农产品和食品成分的安全和质量。美国农业部Moon S. Kim教授的大会特邀报告Lola Pérez-Marín教授作了题为“提高近红外光谱预测模型稳健性（Aspects to increase the robustness of NIRs prediction models）”的报告。从校正集的选择、参考值的质量、光谱数据的质量、预测模型的建立和评价四个方面考虑提高模型的稳健性。她改进了采样方法、分析了样品方差的来源。通过实验标准误差（Stand Error of Laboratory）来评价参考值的数据质量。分析了仪器、样品以及实验操作对光谱数据质量的影响。预测模型的建立主要包括预处理方法的选择、判断模型是否过拟合、建模方法的选择。其建议用于建立预测模型的方法应尽可能简单，并且要与建模问题的复杂性相适应。西班牙科尔多瓦大学Lola Pérez-Marín教授的大会特邀报告六位资深专家作主题报告，分享近红外算法、仪器以及应用方面最新研究进展除了上述两位特邀报告，大会还邀请了印度贾达普大学（Jadavpur University）的Rajib Bandyoypadhyay教授、韩国忠南国立大学（Chungnam National University）的Byoung-Kwan Cho教授、日本关西学院大学（Kwansei Gakuin University）的Akifumi Ikehata教授、南开大学的邵学广教授、新加坡南洋理工大学（Nanyang Technological University）的Ying Zhu教授、泰国农业大学（Kasetsart University）的Sirinad Noypitak教授等六位亚洲近红外领域的资深专家作主题报告（Keynote speaker）。印度贾达普大学（Jadavpur University）的Rajib Bandyoypadhyay教授作了题为“利用便携式近红外光谱测定金鸡纳树皮中总生物碱（Estimation of total alkaloids in Cinchona bark using a developed portable NIR）”的报告。该研究设计开发了一种低成本的便携式近红外光谱仪来测定金鸡纳树皮中总生物碱的含量，同时开发了建模软件，包括图形用户界面、预处理和建模程序。韩国忠南国立大学的Byoung-Kwan Cho教授作了题为“高光谱成像在农产品检测中应用（Application of hyperspectral imaging for quality measurement of agricultural materials）”的报告。报告介绍了什么是高光谱成像、为什么进行高光谱成像、以及其课题组利用高光谱反射成像进行梨擦伤检测、食品化学成分检测、种子活力检测、利用高光谱拉曼成像进行小麦粉掺假检测的研究进展。日本关西学院大学的Akifumi Ikehata教授作了题为“反胶束中被限制水的扩展摩尔吸收系数(Extended molar absorption coefficients of confined water in reverse micelles)”的报告。该报告利用近红外光谱技术比较了四种不同极性基团的表面活性剂组成的反胶束内部的水状态。扩展的摩尔吸收系数分析基于浓度差异，能够明确检测到核心水。此外，他们还可以定量分析反胶束吸水率的增强。扩展的摩尔吸收分析对于理解有限环境中的分子行为具有重要意义。南开大学的邵学广教授作了为题为“温控近红外光谱分析中的化学计量学方法研究（Chemometric studies for analyzing temperature-dependent near-infrared spectra）”的报告。报告采用连续小波变换（CWT）将光谱分解为不同频率的光谱分量，然后采用蒙特卡罗无信息变量消去法（MC-UVE）评价变量对温度的依赖性。通过多级同时成分分析（MSCA）方法得到光谱与温度和浓度的定量关系，用互因子分析（MFA）提取不同温度或不同浓度下水的吸收光谱中包含的“共同”光谱特征，采用多维主成分分析（NPCA）、平行因子分析（PARAFAC）和交替三线性分解（ATLD）等高阶化学计量学算法从醇水溶液的光谱中提取结构信息。新加坡南洋理工大学的Ying Zhu教授作了题为“基于化学计量学和深度学习模型的光谱数据分类及其在结肠息肉检测中的应用（Chemometrics and deep learning models for classification of spectroscopic data with application to detection of colon polyps）”的报告。相比需要大量预处理方法的传统机器学习方法相比，卷积神经网络（CNN）将光谱预处理、特征提取和分类结合在一个架构中，可以自动训练对光谱数据进行分类。她构建了1D-CNN模型来区分癌前腺瘤性息肉和增生性息肉，并将分类性能与传统的PC-DA和PLS-DA进行了比较。结果表明所开发的1D-CNN模型能够很好地分类癌前腺瘤性息肉和增生性息肉，并且分类效果优于传统的化学计量学方法。泰国农业大学的Sirinad Noypitak教授作了题为 “一种使用近红外光谱并在智能手机上实时报告数据的便携式水分含量测定仪（A portable moisture content meter using near infrared spectroscopy with real-time data report on a smartphone）”的报告。她开发了一种新型便携式近红外含水率（NIR-MC）测定仪，用于实时测定木材的含水量。该测定仪由一个小型NIR光谱仪和智能手机组成，通过android应用程序操作，以控制NIR光谱仪在智能手机上实时采集、显示和处理光谱数据。报告使用PLSR建立了三个用于确定含水量的预测模型，所得到的R值均大于0.85，表明所开发的含水率测定仪可成为锯木厂实际工作中无损检测水分含量的一种替代方法。大会不仅安排了上述2位专家的特邀报告，6位专家的主题报告，还有30位学者通过口头报告（Oral Presentation）的形式分享了他们在近红外领域的最新成果。总结38位专家学者的报告，化学计量学方法、光谱仪器以及应用是近红外光谱分析技术的三大研究方面。深度学习、高光谱成像以及医学诊断成为本届亚洲近红外光谱学术会议的亮点，这也将是未来近红外光谱技术发展的趋势。深度学习成为化学计量学建模方法的研究热点深度学习在复杂系统光谱特征提取、分类和回归中比传统算法更有优势，成为化学计量学方法的研究热点。除了前面所述新加坡南洋理工大学的Ying Zhu教授的深度学习算法的主题报告外，还有6个关于深度学习算法的口头报告和墙报。韩国江原国立大学（Kangwon National University）的Changyeun Mo教授课题组将高光谱成像技术与CNN相结合，进行多项研究：研究生Seung-WooChun使用荧光高光谱成像技术结合机器学习和深度学习算法，用于快速无损检测受灰霉病感染的草莓。其所建立的VGG-19和Resnet-34模型的训练精度和测试精度都优于传统的PLS-DA，该研究验证了荧光高光谱图像光谱技术在草莓灰霉病发病阶段的适用性；研究生Hong-Gu Lee开发了一个3D-CNN模型，利用蜂群的高光谱成像来识别感染蜜蜂；研究生Nam-Wook Kim开发了基于高光谱成像的CNN算法，根据花青素含量对具有相似颜色和外观的紫色玉米进行分类，该方法可以快速准确分析花青素含量；韩国江原国立大学的Doo-Jin Song使用一维卷积神经网络（1D-CNN）网络建立了苹果中可溶性固体含量（SSC）的预测模型；南开大学段潮舒博士发展了长短记忆（LSTM）的自编码器网络用于近红外光谱定量分析；南开大学刘煦阳博士提出了一种称为Sup-自编码器的高光谱特征提取方法。除了深度学习外，光谱预处理、变量选择、建模方法等化学计量学方法的研究一直是化学计量学的主要内容。散射光的理论分析是光谱预处理的难点，日本北海道大学的Hyeonwoo Na利用分子动力学和电磁波理论对近红外光散射特性进行了数值分析；Yuki Inoue使用时间相关漫反射测量的波长相关干涉效应对脂肪乳剂中光散射的影响进行了研究。印度贾达普大学的研究生Dilip Sing利用便携式光谱仪结合SNV预处理和PLSR模型实现了红茶中茶黄素含量有效、快速的测定。韩国忠南大学（Chungnam National University）的Rahul Joshi博士将变量选择重要性（VIP）与PLSR相结合对标准溶液、芒果汁和牛奶样品中的西维因农药含量进行了定量分析。新加坡南洋理工大学的Soh Chin Gi使用了正则化的逻辑回归模型对橄榄油的产地进行了区分，正则化惩罚增强了模型系数的稀疏性和平滑性，比传统方法更方便解释系数的物理意义。高光谱成像技术是近红外光谱分析发展的趋势高光谱成像（Hyper-spectral imaging system, HSI）集光谱和成像技术的优势于一体，可以同时获得光谱和空间的三维信息，成为光谱分析技术的前沿。韩国忠南国立大学的Byoung-Kwan Cho教授课题组的研究生Rizkiana Aulia利用近红外高光谱成像来预测大豆种子中蛋白质和脂肪含量；Juntae Kim使用短波红外高光谱近红外成像系统预测牛肉胴体脂肪含量和油酸含量，为开发高光谱牛肉胴体分级系统提供了可能；日本名古屋大学（Nagoya University）的Hayato Seki使用近红外高光谱相机和激光位移计对草莓的糖含量成像，用主成分分析（PCA）和图像处理相结合的预处理方法，从果实表面提取高光谱数据，并通过Lambert对数据进行校正，从而建立3D糖含量成像；Bin Li使用一种结合HSI系统和激光分析仪获得受伤苹果的NIR-HSI数据和三维形状数据，并采用了一种基于模型的高度和角度校正方法，以增强低强度区位置的光强度，从而发现苹果早期的瘀伤；泰国朱拉隆功大学（Chulalongkorn University）的Sureerat Makmuang博士采用近红外光谱和高光谱近红外成像技术结合改进的自组织映射（SOMs）对杂草水稻进行了识别。近红外光谱技术在食品、医药和环境监测等领域的应用日趋广泛随着近红外分析仪器以及化学计量学方法的不断发展，近红外光谱分析技术在食品评估、医学诊断、环境监测等复杂体系的应用越来越广。尼泊尔特里布文大学（Tribhuvan University）的Bhupendra Lama研究了使用线性可调谐滤波器MicroNIR光谱仪结合PLS模型快速现场评估鸡肉微生物质量的可行性；韩国忠南大学Semyalo Dennis利用Vis/NIR光谱和C++编程开发了一种快速在线光谱测量和分析鸡蛋中血斑的系统，用于鸡蛋内部质量的无损检测；泰国东方皇家理工大学（Rajamangala University of Technology Isan）的Panuwat Supprung利用傅里叶变换近红外光谱（FT-NIR）、数字近红外光谱（D-NIR）和PLSR模型，快速测定木薯粉中的水分和蛋白质含量；日本名古屋大学的Te Ma利用时间分辨透射光谱法对猕猴桃贮藏过程的光散射变化进行的实验研究，用于监测猕猴桃在贮藏条件下软化过程的质量；尼泊尔加德满都大学（Kathmandu University）的Bijendra Shrestha教授在近红外光谱数据和同步热分析仪测得的参考值之间建立偏最小二乘回归模型，建立了一种基于近红外光谱技术的生物质灰分快速预测方法；泰国先皇理工大学的Suppakit Howvimanporn探讨了扫描和参考方法的重复性和再现性，以表明用于评估天然橡胶医用手套生产过程中交联密度的反射式光纤探针二极管阵列NIR短波光谱仪的精度，以及作为参考方法的甲苯溶胀和预硫化物松弛模量（PRM）测试的精度；韩国汉阳大学Hoeil Chung教授课题组的Eunjin Jang等人采用线性判别分析，通过分析人胆汁的近红外光谱来识别胆囊癌，并采用双道二维相关分析（two-trace two-dimensional correlation analysis , 2T2D）来提高模型的鉴别准确度，通过胆汁样品中5种主要纯组分光谱的线性回归构建参考光谱，准确度提高到94%；河流和海洋中的微塑料是全球关注的环境问题，实现水中微塑料的定性定量分析意义重大。汉阳大学的Yunjung Kim采用全氟己烷（PFH）捕获介质和游离的近红外吸收，定量检测水中的聚乙烯颗粒，并利用聚四氟乙烯盘作为光子扩散器，提高了近红外测量的重现性。数十位中国近红外学者积极活跃于亚洲近红外光谱会议中国学者也积极活跃于亚洲近红外光谱会议中，来自南开大学邵学广教授课题组、北京化工大学袁洪福课题组、暨南大学潘涛课题组、天津中医药大学李文龙课题组和天津工业大学卞希慧课题组等数十位中国代表参加了本届亚洲近红外光谱会议。其中，天津中医药大学李文龙课题组的吴思俊博士提出了一种基于手持式近红外光谱仪并结合集成预处理的方法，利用多种加工方法及其组合来开发的辣椒和辣椒粉校准模型，显著提高了模型性能；王龙通过PLS和BP-ANN算法来预测盐酸青藤碱缓释片的溶出曲线，发现将片剂粉末的近红外光谱、拉曼光谱、配方变量和工艺参数相结合，可以提高溶解模型的准确性；崔同灿研究生以菊花、天麻和秦艽为例，研究了直接校准方法和偏最小二乘回归两种校准转移方法，将NIR光谱信号转化为更为直观的HPLC指纹图谱的适用性和可靠性，为中药质量控制研究提供新的手段和思路。天津工业大学卞希慧副教授课题组研究生Prisca Mpango将萤火虫算法和极限学习机建模结合，用于复杂样本的光谱区间选择和定量分析，与全光谱PLS和ELM模型相比，FA-ELM具有更好预测效果。会议最后，第八届亚洲近红外光谱会议主席Hoeil Chung教授表达了对各位报告人、参会代表以及赞助商的感谢，宣布NAS2022圆满闭幕！组织委员会将上述38场报告录制的PPT都共享在第八届亚洲近红外光谱会议的官方网站上。另外，本届会议的29份墙报分别做成了3分钟内的录音海报张贴在该网站上。参会者在12月30日前可以随时回放学习。第八届亚洲近红外光谱会议主席Hoeil Chung教授宣布会议闭幕在本届亚洲近红外光谱会议圆满结束的同时，也确定了下届亚洲近红外光谱会议的召开时间地点。第九届亚洲近红外光谱学术会议拟定于2024年12月18-20日在印度加尔各答（Kolkata）的Biswa Bangla Convention Centre举行，来自贾达普大学（Jadavpur University）的Rajib Bandyopadhyay教授将担任会议主席。我们期待2024年共聚加尔各答，再话近红外！

猕猴桃亦称奇异果，含有多种微量元素和丰富的有机物，营养价值高且口感酸甜，拥有“水果之王”的美誉。糖度是猕猴桃主要的内部参数之一，猕猴桃内部品质参数直接影响其口感，也是决定猕猴桃采摘时间及储存时间的重要指标，猕猴桃的糖度中85%左右的成分是可溶性固形物，因此常用的传统糖度检测方法是采用折射仪测量被挤出的果汁中的可溶性固形物含量来反映糖度值，该方法繁琐、耗时且破坏样本，无法实现快速的工业化检测。高光谱成像技术因其信息量大、光谱分辨率高、操作方便等特点，已广泛用于如苹果、樱桃、柿子、芝麻菜、梨、荔枝等]果蔬内部参数的无损检测。1 实验部分1.1 材料实验材料为某猕猴桃基地现采的“红阳”猕猴桃。选取120个大小相近、表面无损伤和疤痕的猕猴桃样本并依次编号，静置于实验室24h,等待采集其高光谱图像并随后测量其糖度，实验期间的环境温度(26±1)℃。1.2仪器与设备本实验应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。1.3高光谱图像信息采集高光谱分选仪预热30 min后开始采集图像，以保证采集时的环境温度和光源强度在采集初期和后期保持一致。将标准白板的高度调整至与猕猴桃样本在同一焦面上，光谱相机曝光时间为13.5ms,样本平台与镜头的距离为170mm,电控移动平台前进距离为11 cm,其前进速度及回退速度分别为0.46和5cms¹ 。1.4猕猴桃糖度测定采集完所有样本的高光谱图像后，当天进行并完成猕猴桃糖度测定。根据行业规定，常以猕猴桃赤道部位的糖度来代表整体糖度，参照NT/T2637—2014《水果、蔬菜制品可溶性固形物含量的测定-折射仪法》,对每个猕猴桃样本依次将其赤道上的果皮削掉，取出适量果肉压汁，随后用一次性滴管将汁液滴到SKY107手持式糖度折射仪的检测槽中，读出该样本的糖度理化值示数。每个样本以两次平行测定结果的算术平均值作为该样本的糖度理化测量值。1.5 高光谱数据的提取采用Spec View软件对猕猴桃样本的原始高光谱图像进行黑白校正，利用ENVI5.1软件从校正后的图像中选择猕猴桃整个赤道区域作为感兴趣区域并提取光谱，以ROI区域的平均光谱作为此猕猴桃的原始光谱信息，如图2(a)所示。由图2(a)可知，原始光谱曲线的首尾两端存在明显噪声，故选取每个样本400～1000 nm波长范围内的高光谱信息作为有效光谱，如图2(b)所示，该范围共计237个波长。1.6模型评价利用5个指标值即校正集的相关系数(Rc)及其均方根误差(RMSEC)、预测集的相关系数(Ro)及其均方根误差(RMSEP)、相对分析误差(RPD)来评价模型的预测性能。其中，Rc和Rp越接近于1,表明模型的稳定性及拟合度越高；RMSEC和RMSEP越接近于0,表明模型的预测能力越强；RPD定义为样本的标准差与其均方根误差之比，若RPD1.4,模型对样本无法实施预测，1.4≤RPD1.8,模型可对样本进行粗略预测，1.8≤RPD2.0,模型可对样本进行较好预测，RPD≥2,模型可对样本进行极好预测]。2 结果与讨论2.1样本划分对120个猕猴桃样本利用拉依达准则方法进行异常值的判别和剔除，结果显示无异常值，随后将其按照3:1比例用KS(Kennard-Stone )算法将其划分为90个校正集样本、30个预测集样本，猕猴桃样本糖度测量值结果见表1。2.2光谱及预处理为了减少提取的光谱数据中掺杂的噪声和光谱倾斜，以便提高光谱分辨的灵敏度，进行合理的光谱预处理是必要的。利用多元散射校正、标准正态变量变换、直接正交信号校正等3种方法对有效光谱进行预处理，并分别建立对应的ELM预测模型，其预测结果见表2。由表2可知，DOSC-ELM模型的Rc和Rr值最大且RMSEC和RMSEP值最小，预测效果好，故后续均基于DOSC预处理方法进行。DOSC方法通过将光谱矩阵与待测浓度矩阵正交，在不损害数据结构特性的前提下滤除原始光谱中与糖度不相关的信息，保留最相关的信息用于构建预测模型。DOSC预处理前的校正集和预测集的光谱反射率分别如图3(a)和图3(c)所示，DOSC预处理后的校正集和预测集的光谱反射率分别如图3(b)和图3(d)所示。从图3可知，相较于未经过预处理的高光谱图像，DOSC预处理后的光谱图像线条更加紧密，图3(b)和图3(d)中所凸起的波峰也反映了预处理后的光谱数据与待测成分即糖度的相关性得到了良好的提升。DOSC预处理前后各高光谱波段与猕猴桃糖度的相关系数如图4所示。通常相关系数0.5≤|r2.3.2 基于CARS的特征光谱变量提取对预处理后的光谱用CARS算法提取特征光谱变量时，设定蒙特卡罗采样50次，采用5折交叉验证法。图7(a)为呈现指数衰减函数的选择过程，特征光谱变量的数量随着采样次数的增加先迅速下降然后平缓减少，具有“粗选”和“精选”2个特征。由图7(b)可知，随着Monte-Carlo采样次数的增加，内部交叉验证均方根误差(RMSECV)呈先缓慢减小后陡然增大的趋势，这是由于选择过度而移除了富含信息的关键变量，导致模型的预测性能下降。图7(c)是特征光谱变量随着采样次数变化的回归系数路径图，当图7(b)中RM-SECV值达到最小值时，各特征光谱变量的回归系数位于图7(c)中的“*”所在的垂直线位置，此时采样运行5次，最终提取出49个特征光谱变量。3结论以“红阳”猕猴桃为研究对象，本文利用高光谱成像技术结合不同特征光谱变量提取方法构建不同模型，对猕猴桃糖度进行无损检测。研究结果如下：(1)对猕猴桃原始有效光谱分别采用MSC,SNV和DOSC预处理后，结合ELM模型的预测结果，分析不同预处理方法对模型预测精度的影响，对比结果显示DOSC预处理效果最好。(2)对DOSC预处理后的光谱分别采用一次降维、一次组合降维和二次组合降维共7种特征提取方法，提取到的特征光谱变量个数分别为49,9,8,58,55,11和19,占全光谱波段的20.7%,3.8%,3.4%,24.5%,23.2%,4.6%和8%。

IQ手持式高光谱成像仪是Specim于2017年研制生产的最新轻便型高光谱成像仪，集高光谱数据采集、数据处理和处理结果可视化于一体，一经问世即引起全球的关注，并荣获德国设计协会“红点设计奖”——国际公认的全球工业设计顶级奖项、连续两年获得“inVISION全球顶级创意奖”（inVISION Top Innovations 2018 award）。Specim最新公布IQ Studio软件升级，为您手中的IQ带来新的功能、新的体验！ ? 经由WiFi或USB连接，您可以通过计算机（安装IQ Studio）遥控IQ高光谱成像? IQ Sdudio可以自动识别软件版本并自动升级软件和IQ固件 最新应用案例：Specim公司与德国波恩大学等机构合作，利用Specim IQ高光谱成像仪，对作物病害与表型进行了研究分析，并发表论文“Specim IQ: Evaluation of a New, Miniaturized Handheld Hyperspectral Camera and Its Application for Plant Phenotyping and Disease Detection”(Sensor, 2018) 荷兰瓦赫宁根大学研究团队利用IQ高光谱成像仪对食品香料检测进行了研究，研究成果发表在2019年《Food Science and Technology》（Hyperspectral imaging as a novel system for the authentication of spices: A nutmeg case study）。 易科泰生态技术公司为您提供高光谱成像全面解决方案：实验室高光谱成像技术方案野外高光谱成像技术方案无人机高光谱遥感方案

继同名纪录片和电影之后，图书《我在故宫修文物》　于近日出版，文物修复再度成为人们关注的热点。确实，正如片中所展示的那样，文物修复是一门手艺活。然而记者在采访中发现，在今天的故宫博物院，这已经不仅仅是一门手艺活。　　三维视频扫描、高光谱成像技术、X光、CT̷̷随着越来越多现代高科技手段的不断介入，中国文物修复工作更加准确，也更加科学。　　×光“护驾”青铜器铭文　　如何修复一件锈迹斑斑的青铜器文物?　以往的做法是：先动手除锈。“但这样一来，很容易把锈斑下面可能隐藏着的铭文也破坏了，这样的例子有很多。”故宫博物院副院长宋纪蓉对记者表示。　　宋纪蓉是故宫“文物医院”概念的倡导者。来到故宫之前，她是西北大学的教授，从事了20多年化学研究。“化学是研究物质的，文物就是物质。”从这个理念出发，宋纪蓉认为，化学研究中用来观察物质和材料的仪器设备，都可以用在文物修复上。如此一来，文物修复就由原先类似中医看病的经验医学模式，转入了中西医结合的更加科学的模式。　　将设备引入文物修复，首先为确定修复工艺提供了科学依据。回到前面说的那件青铜器文物——实际上，这是河南省考古研究院送到故宫博物院文保科技部的一件出土文物。文保科技部的工作人员拿到这件文物之后，先用X光进行前期检测，发现铭文之后，再确定修复工艺，从而有效避免了在除锈的同时把铭文也破坏的悲剧。　　有时候，修复意味着要先将前人留在文物上的修复痕迹去除。　　这同样是现代仪器设备可以大显身手的环节。高飞是文保科技部青铜器组的修复师，眼下，他正和同事们忙着对一件辽代的金属面具进行修复。这件文物曾经在民国前后经历过修复，当时的修复者很粗暴地把胶涂在了面具正面。好在前期检测分析出了胶的成分，“这样我们就可以有针对性地把这种胶进行去除，然后换上我们今天要用的材料。”高飞这样告诉记者。　　精准算出修复效果5年还是10年有效　　不仅修复过程需要科学手段的有效介入，修复效果的判断和保持，同样依赖科学。霉菌是文物容易感染的主要病害———除了收藏环境的影响，还有清除不够彻底引发的二次感染。所以，在故宫“文物医院”，最常用的设备就是三维视频扫描仪———修复师们把它形象地比喻为医生用的听诊器。无论是裱画修复、丝织品修复还是唐卡修复，三维视频扫描仪都是必备之神器。　　宋纪蓉打开电脑，用一幅幅图片告诉记者“听诊器”的用途：一件布满霉菌的文物，经过清洗，肉眼看起来已经恢复干净光鲜，但由三维视频扫描仪放大200倍之后，却发现上面仍然有残留的菌丝。　　对修复效果进行量化的判断，这是科学手段在文物修复后期所发挥的作用。而对另一些修复效果不容易长久保持的文物来说，借助相关设备系统，就可以解决这个问题。在文保科技部，记者看到了一把长近两米的铁质清代高丽刀，被密封在一个大塑料袋里———事实上，这样的表述很外行，用修复师的专业说法，这叫RP系统，包含了脱氧剂、氧气指示剂和透氧率不超过0.1%的塑料膜，可以把除锈效果保持5到10年。　　转变观念，不仅要修好，更要研究好　　把现代科学技术应用到文物修复，成果让人惊叹。但更重要的是，科技介入修复，推动了修复观念的转变。高飞说：“以前我们更注重修复效果，满足于文物坏着来，好着走 现在我们不光是想把文物修复好，更希望在修复过程中了解文物。”而这样一个过程，用宋纪蓉的话来说，就是把每一次的修复都当成研究案例，真正让文物修复成为一门科学，为历史研究提供更多素材。在故宫博物院举行的万寿盛典展上，修复后展出的贴落　《乾隆帝祝母后万寿图》引起海内外关注。在修复过程中，通过高光谱成像技术，修复师意外发现了掩藏在色彩下面的底稿，不仅有线条，还有上色之后肉眼看不到的袖子里的一只手。这对于古代绘画研究而言无疑是有价值的。　　再回到前面提到过的辽代金属面具。经过前期检测，高飞和同事发现，此前修复时所用的手法和材料，都有别于传统修复，特别是涂在面具上的胶，是民国前后国外比较流行的一种化学材料。根据这一点，他们推断出这可能是由当时在中国的外国修复师所为。一段尘封的历史就此打开。

一、背景 纺织品作为颜色传播的重要载体，对织物颜色的准确度和均匀度具有较高要求。在纺织工业生产中，加工出符合要求的布料和成衣的两个前提条件是准确测量样品布匹颜色和严格控制印染颜色。 工业上测量织物颜色最常用的分光光度法只能测量单色织物,对织物尺寸大小要求较高且操作繁琐,使得其并不适应于多色织物或单根纱线颜色测量。 为了满足企业生产和发展的需求,本公司对织物颜色的精确测量方法进行了深入研究,针对当前技术的不足,在分析光谱成像技术的基础上建立高光谱成像系统,提出基于高光谱成像技术的织物颜色测量方法,实现了具有较高精度的颜色测量。光谱成像技术是将光谱技术和成像技术结合在一起,可以测量织物感兴趣区域(ROI)中光谱波段的反射率。从而获得更多的纺织品颜色信息,达到较高的颜色测量精度。二、可行性分析作为一种集光谱学、微弱信号检测、信息处理等于一体的综合性技术，光谱成像技术克服了分光光度法测量纺织品颜色的缺点。光谱成像技术能测量单色、多色和各种形状的织物，从采集的光谱图像中获取每个像素的颜色信息，从而实现光谱成像技术在纺织品颜色测量中的应用。光谱成像技术在对目标的空间信息成像的同时，也对每一个空间像元在波段内进行光谱信息覆盖，从而形成“光谱图像立方体”。浙江理工大学的张盼曾利用高光谱成像仪进行 15 个标准样品与15 个次品颜色测量并计算明度差、色度差和色差，其反射率图片如图 1 所示： 图 1 标准样品与次品反射率对比图 图一（a）为标准样品的反射率曲线，（b）为次品的反射率曲线，从光谱反射率曲线可以直观的看出，单色色织布标准样与批次样间的光谱反射率曲线的走向是一样的，但是在数值上还是有差异的。高光谱成像仪测量织物间颜色可以获得它们的色差值，这反映了高光谱成像仪的测色能力。 三、数据采集设备 数据采集的设备为杭州高谱自主研发的实验室高光谱成像仪（HY-8010-U），设备实景图，如下图。系统参数，见下表。系统核心分光模组完全由高谱公司自主研发，支持选配多种型号图像传感器，并搭配超高像素高清相机实现高空间分辨率与高光谱分辨率的完美融合。同时，HY-80系列可选配自研线性光源和定制暗箱，最大程度减少外部环境对样品检测带来的影响，结合独有的时空辐射校正功能，确保获得稳定的标准化高光谱数据。 HY-80系列实验室高光谱成像仪是一款专门为实验室环境定制的专用设备，能够实现对物质定性、定量、定时、定位信息的精准检测，是一台“图谱合一”的专业化科研设备，为物质分选、刑侦文检、食品监测、真伪鉴定等行业高端应用领域提供高精度的光谱建模与分析解决方案。四、测量结果及结论 通过对标准色卡和花布进行测量，并对测量结果进行反射率校正与值转换。本次选取 RAL 1000-RAL1004 共 5 种颜色样本进行分析，并分为两组进行对比,如图 2 所示，反射率处理结果如图 3 所示。将其转换为 L、A、B 值并对其进行相关处理后结果如图 4 所示:如上图 4 所示，图 4（a）为 RAL1000-RAL1004 五种样品的 L 值对比图、图 4（b）为 a 值对比图、图 4（c）为 b 值对比图、图 4（d）为以 RAL1000 为基准 RAL1001、RAL1002、RAL1003、 RAL1004 四种颜色的色彩度差值。对四块样品布进行想同处理后得到如下结果： 如上图 6 所示，图 6（a）为 1、2、3、4 四种样品的 L 值对比图、图 6（b）为 a 值对比图、图 6（c）为 b 值对比图、图 6（d）为以 1 为基准 2、3、4 四种颜色的色彩度差值。综上所述，可看出高光谱成像仪检测的 Lab 值具有明显差异。

2021年6月21日，国内首家独立设置的国土空间规划学院在浙大城市学院成立。该学院将构建本、硕、博纵向贯通的国土空间规划教育体系，打造教育链、创新链、产业链深度融合的国土空间规划科教创新综合体，率先探索国土空间规划专业人才培养新模式，实现与城市发展同频共振、双向赋能。2022年6月18日，恰逢浙大城市学院国土空间规划学院“周年庆”活动，浙大城市学院还特别举办了院士论坛活动，中国科学院院士王建宇出席活动，为浙大城市学院城市大脑空天信息研究院揭牌，并受聘为该研究院学术委员会主席，作主题报告《红外高光谱成像技术及其在城市的应用》。王建宇院士介绍了当前红外高光谱成像技术的研究进展，并结合红外高光谱成像技术在城市安全、工业生产、生态环境、政府生态治理中的场景应用分析了红外高光谱成像技术的多场景需求。他指出，未来在城市管理、应急处理、环境保护等领域对红外高光谱成像技术的需求尤其迫切，“双碳计划”的国家战略定位，也将进一步推动这一技术的实用化发展。随着需求的推动，一些新的颠覆性技术也将逐步发展（如超表面红外探测、光声光谱等），通过技术创新、应用创新和管理创新实现对国外“卡脖子”高端红外光谱高光谱仪器的弯道超车，日益成为可能。想在线听到王建宇院士的报告并与他互动吗？第十一届光谱网络会议(简称iCS2022)，王建宇院士将做《高光谱技术发展与空间应用展望》，你还犹豫什么？还不快报名参加？第十一届光谱网络会议(iCS2022)将聚焦最新、最前沿的光谱技术及应用，既包括最热门的新冠病毒SERS检测方法、高速发展的高光谱最新技术、极具应用前景的过程在线光谱分析，也涵盖了各类光谱技术在生命科学、食品/制药、环境、材料四大领域的应用进展，为国内外光谱科研工作者及专业技术人士提供一个全新、高效的沟通交流平台，以促进业内交流，提高光谱研究及应用水平。

图片：利用高光谱成像软件对货币进行油墨鉴别 　　西南法医证件检查协会（SWAFDE）是一个区域性组织。它定期为全美国法医证件审查员提供技术交流会议。 　　下一次西南法医证件检查协会会议将在2013年4月7号美国圣迭戈举行。SOC公司计划参加，并展示先进的高光谱成像光谱仪。 　　高光谱成像光谱仪，作为一种无损检测工具，能在非接触的条件下，提供文件的任意光谱影像，使得法医证件审查员能够依据样品的光谱构成和独有特征，更清晰准确的鉴别文件真伪。具体的，高光谱成像光谱仪在文件鉴别领域具有以下功能： 　　1.指纹分析 　　2.文件伪造或变更监测 　　3.油墨鉴别 　　4.纸基纤维分析服务

近日，芬兰SPECIM FX10&FX17（400-1000nm&900-1700nm）高光谱成像工作站在东北林业大学机电工程学院成功进行了安装并验收，这套系统将满足师生利用高光谱成像技术对林学进行研究与应用的需求。图1： QD中国的技术工程师对用户进行应用培训及技术讲解芬兰SPECIM FX10&FX17高光谱成像系统，将可见光近红外或近红外（VNIR或NIR）光谱与高分辨率成像相结合，采用推扫式（pushbroom）成像技术对运动的样品进行逐线全波段光谱采集并同步生成图像，获取样品化学成分的量化数据以及空间分布等详细信息。高光谱图像中每一象素都记录了其对应样品点的化学成分、质量、颜色、温度等信息的光谱特征，用于对样品进行定性、定量分析。此次落户东北林业大学的高光谱成像工作站配置的是面向高速科研和工业应用的芬兰SPECIM FX10&FX17两款高光谱相机。除了尺寸小和重量轻，东北林业大学师生特别关注的是SPECIM FX系列高光谱相机的波段可灵活选择。用户可根据其研究对象的特征波段，选择感兴趣波段进行图像采集。通过波段选择，FX17的相机成像速度高达15000fps。 图2： SPECIM FX系列高光谱相机--曾获德国inVISION杂志机器视觉佳创新奖东北林业大学师生将使用芬兰SPECIM FX10&FX17高光谱成像工作站进行植物病虫害、植物矿质营养、水分胁迫以及植物生长发育阶段等的监测和研究。当植物发生病害、缺肥缺水时，叶片的生物化学成分及叶肉细胞的结构发生变化，叶片的光谱反射率发生相应变化，通过分析光谱特征的差异，建立分析预测模型，以对植物进行监测和研究。图3： 小麦叶片斑枯病监测图4：草莓根腐病研究芬兰SPECIM高光谱成像工作站用户界面友好、操作简单，且易于设置和维护，已得到国内众多著名高校和研究所的认可和青睐。相关产品及链接：1. 芬兰SPECIM 工业高光谱相机FX系列http://www.instrument.com.cn/netshow/C265811.htm2. SisuCHEMA 高光谱化学成像工作站http://www.instrument.com.cn/netshow/C160497.htm3. 芬兰SPECIM手持智能型高光谱相机SPECIM IQhttp://www.instrument.com.cn/netshow/C282348.htm4. 芬兰SPECIM AISA高光谱航空遥感成像系统http://www.instrument.com.cn/netshow/C160539.htm5. SisuROCK 高光谱矿石成像工作站http://www.instrument.com.cn/netshow/SH100980/C160538.htm6. SPECIM艺术品高光谱成像系统-ArtScannerhttp://www.instrument.com.cn/netshow/SH100980/C237971.htm7. 芬兰SPECIM高光谱相机系列http://www.instrument.com.cn/netshow/C286947.htm

成像光谱仪自上世纪80年代由美国喷气动力实验室正式提出并研制以来，经过数十年的飞速发展，目前已成为非接触光学成像最具代表性的技术。高光谱成像技术的出现和发展使人们观测和认识事物的能力实现了又一次飞跃，续写和完善了光学成像从全色经多光谱到高光谱的全部图像信息链，孕育形成了一门成像光谱学的新兴学科门类，已广泛应用于遥感领域。国际上知名的高光谱成像技术提供商如Specim、Headwall、Cubert和IMEC等绝大多数集中在欧美国家，因此高光谱技术的早期应用探索也率先在欧美地区展开。我国高光谱遥感技术从20世纪80年代以来，经过几代研究人员的不懈努力，从探索研究到实际应用，始终和国际保持同步发展。但是，近地及无人机遥感高光谱技术在中国的发展起步较晚，特别是民用化的推广应用，更是在近二十年间才逐步为广大科研工作者所知悉。受国内成像传感器、光谱仪等核心器件的技术壁垒限制，真正国产高光谱成像技术的研发更是凤毛麟角，国内大多数企业更多是从国外引进光谱仪等核心器件，在此基础上进行二次开发集成，缺乏核心竞争力，因此，核心技术的国产化应该成为我们国内企业关注的重点。高光谱技术发展至今，就硬件来说，随着工业4.0时代的到来以及先进制造业的发展，以Specim为代表的高光谱成像技术生产商经过近20年的技术积累，已经具备了从紫外（UV）、可见光（VIS）、近红外（NIR）、短波红外（SWIR）、中波红外（MWIR），到长波红外（LWIR）全波段的高光谱成像产品生产能力。可以说高光谱成像硬件技术的发展已达到先进制造业所能支撑的顶级水平，市场常见的高光谱产品也是百花齐放。但是，由于高光谱成像技术应用领域的多样化，不同应用分析需求中由定性分析向定量或半定量分析的快速转化，高光谱成像应用解决方案及软件分析技术未得到同步发展，特别是针对某一具体应用领域，缺乏完整的解决方案。而且高光谱图像数据的一个重要特征是超多波段和大数据量，对它的处理也就成为其成功应用的关键问题和难题。高光谱图像数据分析门槛较高，市场上又鲜有专业的分析软件，用户要想更好、更深入地发掘高光谱信息并与自身研究课题结合起来，往往需要从底层入手，且具备图像处理、编程、二次开发等专业基础，而目前高光谱成像技术应用较多的领域如农业遥感、生态环境监测、植物表型分析等领域的用户，并不具备这样跨学科的基础，使得诸多领域的用户望而却步。更需一提的是，具有广阔前景的工业应用领域的用户，往往更关注直接可用的结果，而不注重分析过程，因此，相比高光谱成像硬件技术，针对特定领域的专业分析软件技术成为现如今高光谱成像技术的普及及工业化应用的最大阻碍，是高光谱行业科技公司亟需解决的问题。正因如此，以北京易科泰生态技术公司自主开发的SpectrAPP©、FluorVision©等为代表的专业高光谱成像分析软件应运而生，为高光谱技术的发展贡献积极力量。目前高光谱技术在农业、林业、植被覆盖、生态环境监测、地质矿产、湖泊和海洋水质检测等领域具有广泛的应用。除了以上领域外，高光谱技术最具发展潜力的应用将会体现在工业应用方向，如自动化分选、流水线/产品线品质监控、废弃物循环利用等，另外生物医学、文博考古、刑侦、艺术品鉴定等行业也将是高光谱技术的大显身手的领域。随着成像传感器技术、机器视觉技术、人工智能技术的发展，尽管高光谱成像技术已越来越多地应用于各行各业，但由于缺乏通用的行业标准，再加上国内外高光谱软硬件质量参差不齐，在全世界范围内没有建立起一套完整的、公认的、权威的规范标准，使得高光谱成像技术缺乏国际一致认可的衡量标准，也催生出许多以次充好、滥竽充数、搅乱市场的现象。易科泰公司自2002成立以来，便长期致力于生态-农业-健康研究监测技术推广、研发与服务，并与国际知名公司如PSI公司、Specim公司等合作，在光谱成像技术如高光谱成像技术、叶绿素荧光成像技术、红外热成像技术、无人机遥感技术等方面积累了丰富的经验。易科泰生态技术公司为国内遗传育种、植物生理生态研究、作物抗性筛选等提供表型分析技术方案已有10多年的成功技术经验，先后为中科院植物所、中国农科院水稻所、中国农科院生物技术研究所、中国海洋大学、海南大学热带作物学院等科研机构和公司机构提供了几十套高通量作物/植物表型分析平台和藻类表型分析平台，包括高光谱成像技术、叶绿素荧光成像技术等国际先进表型分析技术。近几年来，易科泰公司与国际高光谱成像技术领导者Specim合作，研制生产了Ecodrone®系列无人机高光谱-激光雷达-红外热成像遥感平台、PhenoTron®多功能高光谱成像等系列作物/植物表型分析系统、AlgaTech®藻类表型分析平台等，为植物/作物表型分析、中医药表型组学、生态修复及生态保护、水体与藻类、生态环境监测领域等提供陆空双基、全方位的技术方案。也使得易科泰成为国内高光谱成像技术在农业、林业、生态环境、海洋科学、地质地球科学等领域应用推广的先行者和主要代表。易科泰公司基于自主研发的SpectraScan©光谱成像扫描平台技术、成像配置系统、SpectrAPP©及FluorVision©软件分析技术，并结合国际先进的Specim高光谱成像、PSI叶绿素荧光成像、Thermo-RGB成像技术，先后推出多种产品系列，以完整的解决方案全方位覆盖高光谱成像技术的主要应用领域。主要有：• FluorVision叶绿素荧光高光谱成像技术• UV-MCF生物荧光高光谱成像技术• SIF太阳光诱导叶绿素荧光高光谱成像技术• PhenoTron®植物表型成像产品系列• PhenoPlot®近地遥感高光谱成像系列• AlgaTech®藻类表型成像系统• Ecodrone®无人机高光谱遥感系统（农、林、生态环境方向）• Geodrone®无人机高光谱遥感系统（地质地球方向）• SpectraScan®高光谱成像扫描系统• SpectrAPP©光谱成像技术创新应用项目（合作实验与技术服务）正如前文所述，受限于国产光谱仪核心部件的技术壁垒，目前主流的国产高光谱产品是基于进口光谱仪如Imspector的二次组装集成，从核心技术成像光谱仪的研发、光学设计到整机集成、出厂校准测试等没有形成一体化、封闭式流程，产品性能较进口产品仍然有不小的差距，高光谱整机解决方案的国产化进程缓慢。但由于随着国家对国产设备的支持力度逐渐加大，且国产设备从市场价位、售后响应等方面存在先天优势，在中国市场，目前的国产集成设备与整机进口设备竞争日趋激烈。同时，在EcoTech®实验室、西安易科泰光谱成像与无人机遥感技术研究中心（设立有光谱成像实验室）、表型与种质资源事业部等多方专业技术团队的分工协作、共同努力下，易科泰公司已经走出一条从光谱成像核心技术的引进、专业领域的系统集成，到软件分析技术的自主研发、解决方案的全面整合，再到技术支持服务保障一站式、全流程道路，及用户之所想，解用户之所需，消用户之顾虑，也因此赢得市场的广泛认可，成为高光谱成像技术在国内发展壮大的有力推动者。2018-2021年间，由易科泰公司和中国海洋大学海洋生命学院研究团队合作，首次将Ecodrone®无人机遥感技术引入海洋科学领域，建立了一套可靠的紫菜生物量快速评估方法，并在Plant Methods上合作发表文章《Biomass estimation of cultivated red algae Pyropia using unmanned aerial platform based multispectral imaging》，为大型藻类的培育管理、遗传育种、表型学研究及海洋牧场监测管理提供高效、可靠的解决方案。随后，考虑到研究团队对于一站式多传感器表型成像分析的迫切需求，易科泰公司充分发挥自身优势、基于自主专利技术设计研发AlgaTech®高通量藻类表型成像分析平台，成为目前国内功能完备、技术一流的高通量藻类表型成像分析系统，为藻类及海洋植物生理生态、海水养殖、生物量评估、遗传育种等研究领域提供全方位、一站式解决方案。有研究数据显示，2022年全球与中国高光谱成像系统市场容量分别为934.73亿元与279.02亿元。基于2018-2022年高光谱成像系统市场发展趋势并结合市场影响因素分析，有预测机构预测全球高光谱成像系统市场规模在2028年达2471.94亿元。由此预计2022至2028年间，中国高光谱市场规模将超过700亿元，可以预测中国必将成为未来全球最大的高光谱成像市场。面对如此市场机遇，易科泰公司将继续秉持“生态-农业-健康”的战略定位，以自主研发的软硬件技术为基础，以高光谱成像、叶绿素荧光成像、红外热成像等先进传感器技术为依托，全面整合解决方案，在农、林、生态环境、无人机遥感、地质地球等科研领域继续深耕，并逐步向工业生产线、废弃物分拣、食品药品、文博考古、艺术品鉴定等应用领域积极拓展，为高光谱成像技术在中国的全面发展贡献蓬勃力量。（作者：北京易科泰生态技术有限公司、西安易科泰光谱成像与无人机遥感技术研究中心 王宁）

苹果是一种常见而又神奇的水果。很多人学会的第一个英语单词可能就是Apple；从树上掉下来，砸到牛顿，启发牛顿的也是苹果；引领消费时代数码潮流的苹果公司，logo是被咬了一口的苹果~对于这种大家经常吃的香甜水果，追本溯源，是来自蔷薇科苹果属的杂交水果。苹果的祖先，是一种叫做“新疆野苹果”的植物，生长在我国新疆和中亚地区，后来伴随人类活动扩散开来，果农们也一代代与苹果树斗智斗勇，通过杂交等方式把他们调教的越来越美味。现代农业，为满足大家更多需求，苹果的杂交育种依旧在进行，人类学会了利用更先进的技术，今天推荐大家了解一篇通过高光谱成像来预测苹果杂交后香气的优秀文章。基于Resonon PIKA XC2高光谱成像预测苹果杂交后代香气苹果是世界上最受欢迎且有价值的水果之一。质地、风味和营养是苹果最重要的品质。一般来说，香气在苹果风味中发挥着重要的作用。提高苹果香气是育种和筛选的目标。因此，构建苹果香气成分评估模型至关重要。高光谱成像技术（HSI）结合二维成像技术实现光谱全图像信息获取，因其快速、有效和无损特征而广泛应用在农业、食品和化学领域。基于此，在本文中，来自西北农林科技大学园艺学院的研究人员利用高光谱成像（PIKA XC2 高光谱相机，Resonon Inc., Bozeman，MT，USA）建立了‘Honeycrisp’ × ‘Maodi’杂交后代的香气成分预测模型，初步实现了苹果成分的即时检测，以提供理论基础。【结果】高光谱图像光谱预处理酯（a）、醛（b）、酮（c）和乙醇（d）测量值和预测值散点图。酯（a）、醛（b）、酮（c）和乙醇（d）特征光谱带分布。【结论】在育种中，杂交后代香气成分的快速无损检测可以简化筛选过程并有效降低成本。在本研究中，作者利用高光谱成像来评估‘Honeycrisp’ × ‘Maodi’杂交后代的香气成分。基于光谱的SNV-RF模型在化学类别预测方面表现良好，但在单个化学物质预测方面表现不佳。在化学类别的预测中，酒精的结果最可靠，其次是酯类。分析化学基团的特征光谱，酯类的特征光谱为413、493、512、551、592、600、721、727、729、733 nm，醇类的特征光谱为519、562、570、571、660、676、700、737、738 nm，均在可见光范围内。醛和酮的特征光谱数量相对较多，分别为20和19个。在单个挥发性成分的预测中，大部分化学成分的预测效果较差，仅对环辛醇和2-十一烯醛预测结果基本可用。为了改进本工作的方法研究，今后将考虑和实践更多的杂交后代、建模方法和指标。结果表明，高光谱技术可用于杂交后代芳香化学类别和单个香气成分检测，但模型的稳定性和可靠性有待提高，为苹果育种过程中香气特征的初步筛选提供新选择，为基于苹果香气的自动分级提供理论依据。

最新的研究报告显示，2023年，全球高光谱成像系统（HSI）市场估计为168亿美元，预计2028年有望达到343亿美元，预测期间复合年增长率为15.4%。报告分析，该市场的增长主要归因于农业种植、国防和商业应用中对遥感需求的日益增长。随着图像处理及分析相关的硬件和软件的不断进步，HSI在全球各种研究项目中的使用越来越多。与其他光谱成像仪相比，HIS具有更高的特异性，更快的图像采集速度，以及无创成像等。鉴于以上优势，该技术被应用于各种应用领域，并得到当局的资金支持。报告预计，如果这一趋势在未来几年继续下去，并假设HSI有助于在各种研究项目和应用中取得有效的成果，更多的研究项目将积极采用HSI系统。 同时，HSI不断增长的应用也将吸引市场参与者对该市场进行投资，更多的创新产品也会推出市场。在过去的二十年里，HSI技术在食品和农业领域取得了许多成功的应用。最近，微型成像光谱仪、一体化小型高光谱相机和快照高光谱成像仪已经上市，这使得开发可用于受限空间和现场的紧凑和便携式模拟系统和设备成为可能，例如，植物生长室的高架成像、使用无人机或地面平台进行作物健康/疾病感测等。同时，通过机器学习将AI的能力集成到高光谱成像系统中，也正成为开发新型智能传感设备和仪器的新方向。为了更深入的了解高光谱技术及应用的最新进展，第十二届光谱网络会议（iCS2023）期间特别开设“高光谱技术及应用新进展”主题报告，邀请多位业内专家进行分享。在仪器系统方面：中国科学院上海技术物理研究所刘银年研究员将介绍国际上星载高光谱成像载荷的发展状况，分析总结发展星载宽谱宽幅、高精度、高灵敏高光谱成像的主要关键技术和难点，同时介绍大视场、小F数、宽谱段、远心成像、低光谱畸变高光谱成像技术的突破情况；中国科学院上海技术物理研究所王跃明研究员将介绍高光谱遥感基本原理、航空高光谱遥感技术特点，并总结国内外航空高光谱遥感发展现状，分析存在的问题，凝练航空高光谱遥感技术未来发展趋势。立即报名》》》中国科学院上海技术物理研究所 刘银年研究员《星载高光谱成像技术难点、突破及应用》刘银年，中国科学院上海技术物理研究所研究员，博士生导师，所学术委员会副主任，中国遥感应用协会高光谱遥感技术与应用专业委员会主任，上海市十大科技英才，全国优秀科技工作者，国家级人才计划入选者，是我国星载高光谱遥感载荷的主要开拓者，先后主持了国家级重大项目10余项，是多个国家级项目的首席科学家、首席专家。带领团队率先突破了国际上光谱成像难以同时兼顾宽谱、宽幅、高光谱分辨率和高探测灵敏度的技术瓶颈，建立了星载光谱成像载荷技术研发体系，研制出国际上首台星载宽谱宽幅高光谱相机，实现了国际上4颗高光谱卫星在轨组网观测，技术水平大幅领先国际在轨和在研的同类载荷，推动了行业的跨越式发展，研究成果发表于《IEEE GRSM》和《Science Advances》等国际顶级期刊。中国科学院上海技术物理研究所 王跃明研究员《航空高光谱遥感技术进展》王跃明，男，研究员、博士生导师、高光谱遥感专家，长期从事红外与光谱信息获取方法研究及相关仪器研制，作为技术负责人主持研制成功我国第一台航天高分辨率短波红外高光谱成像仪(天宫一号任务)；主持研制成功我国新一代机载高分辨率全谱段高光谱遥感系统(高分重大专项项目)。获中国载人航天工程突出贡献者奖章 (2011年，天宫一号/神舟八号交会对接任务),上海市技术发明一等奖1次(2011年，排名第7)，上海市科技进步二等奖1次（2012年，排名第1），累计申请发明专利74项（其中已授权33项），发表学术论文约130篇(其中SCI论文58篇，EI论文39篇)，主编学术专著1部，参与编纂学术专著3部，多次在国际学术会议做口头报告或特邀报告。在应用方面，本次会议3位专家将从生鲜食品新鲜度、农产品品质安全检测、稀土矿山修复效果评价等不同的角度分享高光谱技术的最新应用进展。其中，华南理工大学成军虎教授将介绍生鲜食品新鲜度近红外光学成像感知与体系构建；江苏大学郭志明教授将分享高光谱成像及在农产品品质安全检测中的应用；国家地质实验测试中心刘斯文副研究员将给大家呈现无人机搭载高光谱仪在稀土矿山修复效果评价中的应用。立即报名》》》 华南理工大学 成军虎教授《生鲜食品新鲜度近红外光学成像感知与体系构建》成军虎，河南临颍人，工学博士（食品科学），博士后（机械电子工程），教授，博士生导师，连续四年入选科睿唯安农业科学领域“全球高被引科学家”（2019-2022），全球前2%顶尖科学家，全球前10万顶尖科学家，广东省企业科技特派员，广东省农村科技特派员，中国国际“互联网+”大学生创新创业大赛总决赛全国金奖指导教师。2016年毕业于华南理工大学，获博士学位；2015-2016年在比利时鲁汶大学开展博士联合培养；2016年10月任职于华南理工大学食品科学与工程学院。发表SCI学术论文100余篇，其中第一作者/通讯作者SCI论文50余篇，ESI（Web of Science）高被引论文（1%）11篇，H指数为44，申请发明专利36件，授权15件，专利转化1件，PCT专利2件。目前主持国家及省部级科研项目10多项。先后荣获广东省科技进步一等奖，教育部科技进步二等奖，全国发明展览奖金奖，中国食品科学技术学会科技创新奖等。中国食品科学技术学会食品装备与智能制造分会理事，Frontiers in Nutrition副主编（IF6.590）、Molecules编委（IF4.927）、Grain & Oil Science and Technology编委、《河南工业大学学报-自然科学版》编委。江苏大学 郭志明教授《高光谱成像及在农产品品质安全检测中的应用》郭志明，博士，现为江苏大学食品与生物工程学院教授、博士生导师，专注农产品品质安全的分子光谱快速无损检测与物联网监测技术研究。入选国家重大人才计划“神农青年英才”（农业农村部首批）和江苏高校“青蓝工程”优秀青年骨干教师等，兼任中国农业机械学会农副产品加工机械分会副秘书长、中国苹果产业协会理事、中国食品科学技术学会果蔬加工技术分会理事、江苏省食品科学与技术学会副秘书长等，也是“科创中国”国家农机装备产业科技服务团高级专家。近年主持了国家重点研发计划（课题和任务）、国家自然科学基金（面上和青年）、江苏省重点研发计划、江苏省产学研合作项目、江苏省农业科技自主创新等国家/省部级项目10余项。申请专利60余件，已授权发明专利46件，登记软著8件；发表SCI检索论文60余篇，其中ESI高被引论文6篇。研究成果获2020年教育部自然科学二等奖（2/6）、2016年江苏省科学技术一等奖（6/10）、2020年中国轻工业联合会技术发明三等奖（1/6）和2021年中国商业联合会科技进步特等奖（4/14）等。国家地质实验测试中心 刘斯文副研究员《无人机搭载高光谱仪在稀土矿山修复效果评价中的应用》刘斯文，国家地质实验测试中心健康地质研究室副主任，副研究员，硕士研究生导师。主要从事生态地球化学研究工作。长期致力于赣州离子型稀土矿山生态修复和矿集区健康效应评价工作，近年来探索利用无人机搭载高光谱传感器，对稀土矿山修复效果及生态健康进行评估的方法研究。近5年承担参加国家重点研发项目2项，地质调查项目5项，发表论文20余篇，获得国家发明专利4项，支撑了自然资源部赣州定点帮扶工作，相关研究成果被《财新周刊》、《中国自然资源报》、《中国矿业报》、人民日报融媒体等报道。由仪器信息网主办，中国仪器仪表学会近红外光谱分会、中国生物物理学会太赫兹生物物理分会等协办由仪器第十二届光谱网络会议（iCS2023）将于6月13-16日举办。iCS2023将聚焦最新、最前沿的光谱技术及应用，特别设立了超快/瞬态光谱最新技术及应用进展、高光谱技术及应用新进展、光谱快检及在线应用技术进展等专场。同时会议也会选择光谱技术在生命科学、环境、材料等领域的应用进展进行深入探讨，为国内外光谱科研工作者及专业技术人士提供一个全新、高效的沟通交流平台，以促进业内交流，提高光谱研究及应用水平。立即报名 》》》 https://www.instrument.com.cn/webinar/meetings/ics2023/

PIKA IR-L 高光谱成像仪Pika IR-L 是一款覆盖近红外光谱范围（925-1700 nm）的线性扫描高光谱成像仪。该红外成像仪高速、轻便、性价比高。可与Resonon的台式、野外和机载系统联合使用、可借助软件开发工具包独立使用、也可集成到机器视觉系统中使用。特点光谱范围：925-1700 nm每行320个空间像素每行236个光谱通道高速（521 fps max.）技术指标[1] 925-1700 nm范围的光谱通道数。Pika IR-L提供的光谱通道总数为240，波段延伸超过光谱范围的两个边缘。[2] 该值在最小binning时获得。SNR可以通过光谱和空间binning来增加。样品数据和高光谱分析软件可在downloads.resonon.com免费下载。C++软件开发工具包可以直接控制高光谱成像仪。PIKA IR-L+ 高光谱成像仪Pika IR-L+是一款覆盖近红外光谱范围（925-1700 nm）的线性扫描高光谱成像仪。该仪器精度高，重量轻。可与Resonon的台式、野外和机载系统联合使用、可借助软件开发工具包独立使用、也可集成到机器视觉系统中使用。特点光谱范围：925-1700 nm每行640个空间像素每行470个光谱通道3.8 nm光谱分辨率（FWHM）技术指标[1] 925-1700 nm范围的光谱通道数。Pika IR-L+提供的光谱通道总数为480，波段延伸超过光谱范围的两个边缘。[2] 该值在最小binning时获得。SNR可以通过光谱和空间binning来增加。样品数据和高光谱分析软件可在downloads.resonon.com免费下载。C++软件开发工具包可以直接控制高光谱成像仪。

安洲科技于2013年1月21日在首都师范大学资源环境与旅游学院举办了高光谱成像技术交流会，我司主要介绍了SOC公司在高光谱成像领域的卓越成就，并就SOC710VP便携式可见-近红外高光谱成像光谱仪与参会老师进行了详细的技术交流，首都师范大学参会老师对我公司的SOC710vp便携式可见-近红外高光谱成像光谱仪表现出很高的兴趣，表达了与我公司继续交流合作的意愿。 美国Surface Optics Corporation(SOC)成立于1978年，专门从事表面光学特征研究和表面光学仪器的开发。在过去三十多年里SOC公司一直和美国政府部门进行合作，并开发了一个广泛的用于各种材料的光学测量数据库。SOC的实验室光学仪器和高光谱分析工具已经获得卓越的国际声誉。 我公司代理美国SOC公司的SOC710VP便携式可见-近红外高光谱成像光谱仪可实现开箱即用，无需再进行系统集成和定标，其光谱范围为400~1000nm。SOC公司的SOC710VP便携式可见-近红外高光谱成像光谱仪可实时获取图谱合一的海量数据立方。数据立方同时包含了图像信息和光谱信息，图像每个像元都能产生一条完整而连续的光谱曲线。

“三星堆遗址祭祀区考古挖掘”最近在网上引起了大家广泛的关注。各种先进的科学仪器也都在考古发掘过程中大展身手，帮助考古人员从各角度全方位地对祭祀区进行发掘研究。其中高光谱相机引起了大家强烈的兴趣，而这次大展拳脚的高光谱相机正是爱博能代理的挪威知名高光谱相机品牌HySpex的经典系列SWIR-384高光谱相机。 考古科研人员运用HySpex 高光谱相机对文物进行光谱扫描成像分析（图片来自CCTV）HySpex 经典系列 SWIR-384高光谱相机 三星堆考古挖掘中使用的考古高光谱成像扫描系统采用电机驱动加软件控制的方式实现对坑内文物的原位高光谱成像扫描 研制桁架式高光谱成像扫描装置，将SWIR-384高光谱成像仪与坑上考古专用桁架链接在一起，通过桁架移动加软件控制实现对坑内文物的原位高光谱成像扫描。截止目前，已成功获得包括金面具的5号坑全坑红外高光谱数据，包括坑方尊、跪坐顶尊人像，圆口尊等重要文物的3号坑全坑红外高光谱数据，4号坑全坑分层扫描高光谱数据，以及8号坑土壤断层红外高光谱成像数据，并得到初步的数据分析结果，下一步拟将全面深入地开展相关研究课题。 爱博能非常高兴我们代理的高光谱相机可以为三星堆考古做出贡献。事实上，这并不是HySpex高光谱相机第一次在文物保护，考古发掘过程中发光发热。笔者今天也趁机和大家分享一些HySpex高光谱相机在文物保护，考古发掘过程中的应用。一: 揭示隐藏的装饰 在工业染料被发明出来之前，画家们无法确定使用的颜料能在多长时间内保持稳定，因此很多文物，画作的颜色会随着时间的流逝慢慢褪去。画家对细节的追求以及高超的画技也因此无法让我们看到。依靠高分辨率高光谱相机，我们可以开展主成分分析（Principal Component Analysis, PCA）,从而将画作的细节再次展现出来。对画作进行主成分分析（PCA）可以揭示更多隐藏的细节 法国博物馆研究与修复中心（C2RMF）通过使用HySpex高光谱相机在400-1000nm波段范围对“Sainte Femme”这幅画作扫面成像，并进行主成分分析从而揭示了瓶子上以及衣服上被时间隐藏掉的细节。此举可以有效地帮助修复人员对画作进行修复，重现画作真实的面貌。柜门上的镶嵌画，在不同的波长下成像 这里展示了一个柜门上的镶嵌画。各个波段的成像凸显了相对应的细节，可以有助于修复人员对其进行分析。欢迎大家点击下面的链接感受HySpex 高光谱相机带来的高质量高光谱图像。http://merovingio.c2rmf.cnrs.fr/iipimage/iipmooviewer-2.0/synchro_hyperspectral.htmlhttp://merovingio.c2rmf.cnrs.fr/iipimage/iipmooviewer-2.0/boulle.html二：对画作的探索研究（颜料辨别，打底，修复，对画作背面的分析等） 爱德华蒙克的《呐喊》大家都不陌生，他将画面中沉闷、焦虑并且孤独的情感，表现到了一种极致。而通过高光谱成像技术，我们可以看到更多。爱德华蒙克的《呐喊》局部特写对比，左面是高光谱相机成像，右面是哈苏相机的拍摄结果 这里展示了HySpex经典系列中VNIR(400-1000nm)相机的成像和日常哈苏相机的成像对比。由于高光谱相机可以采集整个光谱，可以将颜色细微的不同也展现出来。因此高光谱相机也经常用在颜料的辨别上，可以帮助研究人员和修复人员识别画家使用的颜料，从而让画作的修复更加“原汁原味”。 当我们欣赏《呐喊》时，我们是否有关注过天上橘色的云彩呢？ 通过HySpex高光谱相机在近红外波段成像时，我们可以看到一行用铅笔写的挪威语“Kan kun være malet af en gal mand!”“只有疯子才能画的出来！”挪威国家博物馆今年年初公布消息，证实了这行添笔是由蒙克本人在画作完成后补上的。 高光谱相机可以帮助我们更加全面的了解文物艺术品，可以让我们跨越时间的长河去感受其原始的魅力。 Hyspex 高光谱相机通过其优异的高光谱成像性能可以为艺术品、考古分析进行 - 艺术品极其详细和客观的信息记录； - 归档有关特定对象的详细信息，以供日后验证； - 识别仿造的潜力； -颜料的识别，可以在某些情况下间接地识别画家 - 监控老化； - 检查、验证与保险申请（运输，盗窃，洪水，火灾）有关的质量损失或者老化损失； - 可以看到画作深处，揭示打底及素描； - 非侵入性和非破坏性测量； 上述案例中描述的应用可以通过HySpex经典系列VNIR-3000N以及SWIR-384高光谱相机实现。 事实上，高光谱相机的应用远远不止于此，无论是森林的机载、无人机遥感监测，植被探察，矿物勘探还是水果产线分选，鱼类分选，我们都可以看到高光谱的身影。爱博能会定期整理相关的应用分享给大家，欢迎大家关注爱博能的微信公众号，及时获取相关信息。我们也非常欢迎大家联系我们获取高光谱相关的应用场景及应用信息。

中国中医科学院中药资源中心黄璐琦院士团队提出了注意力机制（AM）、卷积神经网络（CNN）和长短时记忆（LSTM）的集成深度学习模型辅助的高光谱成像(HSI)。实现了薏苡仁的地理来源和质量的定量、快速无损检测。相关研究成果在以题为“Application of hyperspectral imaging assisted with integrated deep learning approaches in identifying geographical origins and predicting nutrient contents of Coix seeds”发表在国际学术期刊Food Chemistry（IF= 8.688）上。通讯作者为黄璐琦院士和杨健副研究员。薏苡仁含有丰富的营养物质，包括淀粉、蛋白质和油脂等。具有受保护地理标志和高水平营养物质含量的地理来源保证了薏苡仁的质量，但无损和快速预测这些质量指标的方法仍有待探索。本文提出了注意力机制( Attention Mechanism，AM )、卷积神经网络（Convolutional Neural Networks，CNN）和长短时记忆（Long short-term memory）的集成深度学习模型辅助的高光谱成像( High Spectral Imaging，HSI )。该方法实现了有效波长的选择，生产区域判别的预测精度最高，营养物质含量预测的平均绝对误差和均方根误差最低。此外，通过AM模型选择的波长对于预测地理来源和营养元素含量具有可解释性和可靠性。提出的HSI与集成深度学习模型的结合在薏苡仁的质量评价中具有很大的潜力。研究亮点:1.引入注意力机制以增强深度学习模型的性能2.所提出的深度学习模型适用于营养和来源预测3.研究中所选波长是可解释且可靠的图1. ACLSTM模型的结构。ACLSTM模型由注意力机制( AM )、卷积神经网络( CNN )和长短期记忆网络( LSTM )三部分组成。CNN前面的AM模块用于评估重要波长的权重，并将结果作为CNN模块的输入。CNN模型由3个隐藏层、2个全连接层和1个回归层组成。在CNN模型的隐藏层的卷积层后面加入LSTM模型，替换第一层全连接层。图2 . 产地预测效果和AM选择识别的有效波长。(a)通过AM模型选择(AM -测试集)在全波长测试集和有效波长测试集上的预测精度；(b)产地预测中预测效果最好的ACLSTM模型的测试组结果；(c)通过AM选择波长。在产地预测中，采用权重值相对较高的前9个波长进行模型预测。此外，在油脂、蛋白质和淀粉的预测中，采用权重值相对较高的前6个波长进行模型预测。图3 . 来自最佳模型组的三种营养物质含量的参考值与预测值。(a) - (c)使用基于全波长的最佳模型ACLSTM预测油、蛋白质和淀粉含量；(d) ~ (f)油分、蛋白质和淀粉含量预测使用基于所选波长的最佳模型CLSTM。R2，曲线相关系数的平方；Reg. bias，回归偏差。研究结论：本研究提出的ACLSTM模型(即AM、CNN和LSTM)具有变权重评价和连续光谱信息融合的优点，与传统的学习模型和单独的深度学习模块相比，在地理来源和营养物质含量预测方面取得了更令人满意的效果。此外，通过AM选择的有效HSI波长在提高预测效率和结果的可解释性方面具有可解释性和可靠性。整体结果表明HSI技术结合深度学习模型ACLSTM对薏苡仁质量评价具有巨大的应用潜力，该方法具有快速、无损、有效检测的优点。在未来的研究中，我们将收集更多来自不同生产区域、不同种植模式(有机与否)、不同储存年限的薏苡仁样本，以提高所提出模型的应用范围和可靠性。此外，基于有效波长，我们将尝试开发便携式和成本较低的高光谱设备，供工业使用。

特色高光谱技术具备对植被、水体、土壤等地物进行精准定量分析的能力，已经在军民融合、自然资源监测、环保监测、海洋监测、农作物面积统计以及估产、保险定价与理赔、应急管理、城市规划、重大工程监测等领域得到了示范应用，受到了部队、政府、行业等诸多用户的好评，树立起了业内高光谱卫星数据应用的新标杆。例如，在贵州省玉米种植面积统计、新疆棉花种植面积统计、雄安新区农作物分类等应用中，精确度达到95%以上。 高光谱成像技术应用领域及发展前景中国高光谱技术应用于遥感卫星行业，主要包括农业高光谱、动物高光谱成像、矿物高光谱检测等，帮助人们更好地分析、理解这个世界。高光谱技术具有波段多、光谱范围窄、波段连续、信息量大等特点，是多光谱技术的升级。随着测谱学理论的发展和成像光谱学的建立以及成像光谱技术的应用，使得人们有能力获得这些信息，并利用这些信息，使得人们对景物或目标的分析和识别变得更加精准。应当说，成像光谱学理论及其相关技术使得人们可以从中获取更多的信息，使宇宙空间和微观世界的探索更为有效、准确，同样也使人们对自然界的认知水平和能力有了较大的提高。高光谱成像技术，在民用和军事上都已经成为发达国家科技争夺的制高点之一，其不仅可用于宇宙物质探测鉴别，而且可利用航空遥感或卫星遥感技术，对地质、矿产蕴藏、森林、水利、海洋、农业等资源进行有效而准确的物质分析判断 在气象方面可进行自然灾害预测、预报、环境污染检测 在生物医学领域可进行细胞、染色体分类、分析、识别和医疗诊断 在军事、公安等国家安全部门中用于军事目标侦察、制导、警戒系统、防御系统及其反伪装侦察。遥感卫星主要包括光学遥感卫星及雷达遥感卫星，其中光学遥感卫星分辨率高：光学遥感卫星空间分辨率高，但易受环境影响，而雷达遥感卫星可全天候工作，但分辨率相对较低。全球遥感卫星占在轨卫星比例迅速上升，遥感卫星因具有用途广泛、技术准入门槛低、卫星制造成本低、发射成本低、无轨位限制等特点，受到创新型商业航天企业青睐。遥感卫星可在气象、灾害监测、资源和测绘等应用方面创造较高的社会经济效益，其受益者为国家和全体公众，因此数据本身具有社会性和公益性、大部分遥感数据无法在短期内实现商业化发展，但未来行业的商业化发展是未来的必然趋势。根据美国Union of Concerned Scientists数据，截至2021年4月，美国拥有的遥感卫星存量排名第一，数量为442颗 其次为中国，遥感卫星存量215颗，美国和中国遥感卫星存量相比其他国家处于绝对优势地位。但美国遥感卫星存量在中国的两倍以上，中美遥感卫星存量差距依旧明显。不过从中国遥感卫星年发射情况来看，我国遥感卫星发射量呈现上升趋势。2009年我国遥感卫星发射数量仅为3颗，而到了2020年发射数量为33颗，我国遥感卫星发射规模大幅提升。遥感卫星市场规模的快速增长得益于航空航天技术的进步和国家鼓励政策的推进。《“十三五”国家战略性新兴产业发展规划》中曾提出打造国产高分辨率商业遥感卫星运营服务平台，推进商业卫星发展和卫星商业化应用。2020年据初步测算，中国遥感卫星市场规模达到了102亿元，相比2016年增长了61.90%。

图1 变色龙软体机器人变色实验图（来源：Nature Communications）近日，韩国首尔大学等团队公开了“仿生变色龙软体机器人”成果，有望在军事等领域应用，基于伪装技术的不断升级，伪装识别系统也同样备受关注！在过去的100年中，伪装在大多数国家和地区的军事行动中扮演了至关重要的角色。在军事中，伪装就是隐真与示假，隐真是通过主题对背景的仿真，从而使主体目标物隐藏在背景目标中，无法或者难以被发现。国防工程中，通过采用伪装网与复合材料等方法，进行仿形和仿颜色遮蔽来实现；例如，迷彩服，就是一种最传统的伪装方法。而示假是通过对真目标的仿真，用假目标迷惑观察者，比如，二战期间，苏联采用大量“木质坦克”来迷惑德军，使得德军不敢轻易急速进军。“仿”易于实现，一般只需外形相仿。“真”是要求性质上的相似。植被环境背景下的作战，是最常见的战场模式，特别是在山区、丘陵、草原等地区的作战；因此植被背景下的伪装，是必须解决的反伪装技术之一。需要用到的仪器图2 真实场景（A 为绿色的目标、B 为浅绿色塑料假草皮、C 为翠绿色塑料假草皮、D 为绿色雨衣、E 为老式伪装目标、F 为草地）图3 可见光波段和短波红外光谱曲线（可由ATP9110-25H测得）图4 左为真实场景下可见光565nm波段的灰度图像；右为真实场景下近红外1320波段的灰度图像（可由ATH9500-4-17测得）对比可见光与近红外高光谱波段伪装目标的伪装效果发现，可见光波段下，即使物体颜色相似，但是材料不同，光谱曲线变化率也会不一样；在近红外波段下，不同物体的光谱反射值存在较大差异，但是光谱曲线变化率相对较小。图5 左是真实树叶，右为高仿绿色伪装网我们采用全波段地物光谱仪（如奥谱天成的ATP9110-25H型全波段地物光谱仪），测得的高仿伪装网的光谱曲线在 400~1300 nm之间与灌木条叶面光谱曲线很相似，而且具有植被“红边”及可见光波段的绿色强反射峰等特征，在此波段区域不易于区分植被和伪装网光谱。这是一款非常优 秀的高仿绿色伪装网。图6 地物光谱仪（可用奥谱天成ATP9110-25测得）采集树叶和纯绿色伪装网光谱曲线图图7 地物光谱仪（可用奥谱天成ATP9110-25）测得树叶和伪装网光谱曲线图（叶绿素吸收、红边区域局部放大图）从图中可以看出，高仿伪装网一样有红边效应，但是与真实的绿叶还是有差别的。另外，树叶有明显的叶绿素反射峰，而高仿伪装网则没有。图8 基于探测与感知的伪装效果评估流程图（可用ATH9500、ATH9500-4-17型无人机高光谱成像仪测得）基于对目标的实时监控、搜索、侦察以提高战场情况的感知能力及提供打击效果评估的需要，美军希望利用高光谱成像具有较高空间分辨率及高光谱分辨率的特点，通过高光谱融合信息探测出可疑目标位置，引导高空间分辨率成像载荷对目标进行详细分类确认，开展了大量的高光谱军事应用研究项目HYMSMO。图9 机载侦查实验图像1994年10月~1995年10月美国先后进行了白沙导弹试验场沙漠辐射 Ⅰ ､ Ⅱ 试验，森林､城市辐射试验，岛屿辐射试验。以沙漠､森林､城市和岛屿等具有典型地貌的场景为背景环境，研究证实了高光谱成像对目标的可探测性。在进行真假目标､隐藏试验时，高光谱谱段数210个，波段范围0.42~5 μ m ，光谱分辨率10nm ，地面像元分辨率范围0. 75~3m 。图9为沙漠背景环境下，机载侦察试验对伪装的“飞毛腿”导弹发射车(图9 ( a )所示)拍摄的全色图(图9 ( b )所示)及高光谱图像(图9( c )所示)，全色图像难以确定目标，但是高光谱图像特征明显。图10 奥谱天成ATH9010无人机载高光谱飞行演示随着科学技术的进步，遥感技术也得到了飞速发展，并日趋成熟。其所具有的全方位、多尺度、全天时、全天候及精细化成像等优点，使遥感侦察变得更加直接与准确，对发现疑似目标与揭露隐蔽目标也更为犀利。遥感技术使传统伪装技术方法与装备器材受到了很大制约，对伪装技术的发展提出了更加严峻的挑战，迫使伪装技术另辟蹊径，寻求更为有效的应对措施与技术方法。更多关于“高光谱”的应用，欢迎咨询！