短波红外（SWIR）成像揭示了新鲜食品（如苹果）的状态和价值等一系列极可见光谱无法提供的信息。但SWIR本身也有局限性。使用高谱和多高谱能提供更好的视觉成像。

什么是SWIR?

短波红外（SWIR），一般定义为0.9 - 1.7μm波长范围内的光，也可归入0.7 - 2.5μm波长范围，能使我们能够看到肉眼无法看到的信息。与物体本身发出的中波红外光（MWIR）和长波红外光（LWIR）不同，SWIR与可见光类似其发出的光子被物体反射或吸收，可形成高对比度、高分辨率成像。由于硅传感器的上限约为1.0μm，SWIR成像需要特殊的光学电子元件。砷化铟镓（InGaAs）传感器是在SWIR成像应用中使用得最多的传感器，不仅可覆盖通常的的SWIR频带，还可扩展低至550nm~至2.5μm的波长。与此同时，需要搭配上针对SWIR波长范围设计的镀膜镜头。成像系统的其他构件可以使用普通工艺制造，从而降低制造成本，但最好配上保护用窗口片和滤光片。

光学成像对于无损食品检验和分级意义重大，曲面上的物理变量检测，缺陷与自然特征之间的区分，不可见缺陷和面下缺陷的区分取决于底层算法的可靠性，以及快速光学检测系统的速度和性能，仍然是重大的挑战。这些困难会降低检验的准确性，增加成本，或降低生产线的效率。光学成像可以根据应用选择采用单色、彩色（VIS）、紫外线（UV）、近红外（NIR）、短波红外（SWIR）或高光谱成像。纵观SWIR成像方法，几乎不可能同时提供关于整个物体物理和化学性质的空间和光谱信息。例如，光谱测定系统可以对水果的可溶性固形物含量（SSC）进行无损评估。但是光谱测量一次只能收集样品上单个区域的信息，这限制了其在整个水果表面缺陷检测中的应用。若解决了这个问题，高光谱成像技术可以将光谱和成像的特征集成到一个系统中，提供反映多种食品品质特征的异构信息，从而预测新鲜农产品的适销性和寿命。

使用高光谱成像获得全面的信息

人们对苹果很挑剔，口味只是最基本的要求，同时还得个头大、表皮红润、含糖量高的才能摆放到商场货架上或用于送礼。高光谱成像法可以为我们提供涉及这些性质的信息，包括大小和形状，颜色，甚至是表面的化学成分。高光谱成像技术的传统应用几乎仅限于可见光（380-740nm）以及硅基阵列探测器可达的VNIR（750-1000nm）光谱区。

然而，基于高光谱成像的实时检测技术的发展遇到了瓶颈。高光谱图像的每个像素都几乎形成连续的光谱，每个空间位置包含数百个波段。这导致成像形成庞大的数据集，增加了整个检测系统的采集难度和处理功耗，并且牺牲了实时性，无法用于实用性高的应用场景。

多光谱成像：更专注地选择

另一种解决方案是多光谱成像。与高光谱成像非常相似，多光谱成像仍然可以提供每个测试样品的紫外光、可见光和红外光谱成像。但它不是在一个连续的波段捕捉一切，而是在特定选择的、不连续的光谱范围内捕捉图像数据。例如，一个典型的多光谱成像系统通常可以在更大的范围内提供具有3-20个波段的图像，如两个紫外光波段，三个可见光波段，五个红外光波段。我们从而可以在离散的光谱范围内选择窄带图像，生成目标物体中每个像素的特定特征波长，从而减少带宽的消耗。因此能在保证快速扫描大量产品的同时，满足了快速识别和检测的行业需求。

成像、光谱法、高光谱成像和多光谱成像技术主要特点的比较

我们可以基于滤波和色散器件（如光学滤波器和可调谐滤波器）开发多光谱成像系统。多光谱成像系统更为小巧、精简，运行速度更快，具备众多的优势。但必须根据应用的特点和需求来设计。传感器和系统的构建必须基于十分确切的信息，确保满足最关键的产量要求。选择波长来代表具体的特征，对相关物体进行表征，这是多光谱成像过程中最具挑战性的任务。在食品品质和安全分析方面，最常用的多光谱成像系统旨在获取VISNIR区（380-2500nm）的光谱数据。收集的光谱可以提供与色素、部分泛音、一些分子键组合模式（变形和拉伸）相关的样品的复杂结构特征。多光谱图像可获得三维数据，使用多元建模可选择性地将其转换为二维化学图像。可以通过这一方法直观了解水果和蔬菜的品质参数：物理参数：纹路、持水能力；化学参数：淀粉和蛋白质含量；微生物指标参数：病毒和真菌含量；掺假：品种、产地；分级：成熟度、贮存期；污染：氯吡脲、吡虫啉；缺陷：淤伤、腐烂。

植物类食品的品质参数不仅可通过定性或定量方法予以确定，还可在空间中进行可视化显示，多光谱成像从而能够实现无损且非均质的品质测定。如果我们无法用光谱学方法直接测定SSC，我们可以采用多光谱成像工具间接测定。其他研究已经证实了特定波长吸收与水果SSC或含糖量之间的对应关系：

535nm和680nm波段与苹果中的主要色素（花青素和叶绿素）有关，这些色素的变化取决于苹果的成熟度。760nm波段与水果的含水量有关，含水量与SSC成反比。730nm和900nm波段的吸收与碳水化合物有关，碳水化合物决定了糖液的浓度。900nm左右波段已被证明与多种水果（苹果、梨和桃子）的SSC有关。

另一项研究表明，VIS-NIR光谱（400-5000nm）上的许多点可用于检测实验前一小时产生的特定项目，例如苹果上的瘀伤。当整合此类具有不同噪声和性能特征的成像范围时，有必要进行更高级的图像分析以获得准确的结果。常用的一项技术是最小噪声分离变换（MNF），该算法包括两个连续的数据归约运算。第一个运算基于数据中由一个相关矩阵表示的噪声估算。然后，这一变换通过方差对噪声进行解关联和重新缩放。随后的第二次变换考虑波段噪声之间的信息，提供原始数据集中所有波段方差的加权信息。这种分析使得区分组织中的缺陷区和正常区成为可能。

有淤伤的水果，细胞壁破裂，淤伤区域的水分含量会增加。水分吸收的众多波段的光处于SWIR范围内。这种吸收使得SWIR成像下，该部位更暗，因此能够检测到可见光相机技术无法检测到的淤伤。最后通过最小噪声分离变换（MNF）分析对SWIR波长图像的组合进行评分，从而确定高质量苹果的最佳认定方法。

引入AI简化多光谱数据

尽管与高光谱成像相比，多光谱解决方案可以通过选择一些具有相关价值的波段来简化数据，但这并不意味着它真的很简单。例如为单独测定草莓硬度，需要使用19个非连续波长（405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940和970nm）。早在2002年，研究人员就已经将神经网络应用于食品品质检验，目前多个研究团队正寻求将多光谱数据集与不同的神经网络学习方法相结合，以确保精度结果不低于先进的实时处理结果。

使用高光谱成像+神经网络评估苹果淤伤的流程图

神经网络常见的算法，如反向传播，意味着网络可以自主学。将变得越来越智能，期待未来的某一在，食品检测系统能够迅速生成几乎完美的检测结果。

食品生产中的DALSA技术

Teledyne DALSA的SWIR GigE线扫描相机采用尖端的InGaAs传感器和紧凑型封装设计，广泛应用于机器视觉领域。这款高速、高分辨率相机是DALSA SWIR系列的第一款产品。Linea SWIR采用尖端的InGaAs传感器和紧凑型封装设计，适用于各类应用场景。这款相机具有超高灵敏度和低噪声，使客户能够以前所未有的方式查看产品。Linea SWIR包括一款1k分辨率、12.5µm像素的高响应率相机，以及一款512分辨率、25µm像素的相机。与所有Linea型号产品一样，Linea SWIR做工优异，功能先进，这也是Teledyne DALSA产品远远超越其他同行的原因之一。Linea SWIR的特色功能，包括高运行速度，高灵敏度，循环模式和可编程I/O，可以便利机器视觉工作。多功能的Linea SWIR是光学分选、太阳能电池板检测以及通用机器视觉等应用的理想选择。

（文章来源于四川广泰科技，如有侵权，请联系删文）