ImSpector系列成像光谱仪，是全球高光谱成像技术领导者Specim公司推出的高性能光谱仪，专为VIS（380-800nm）、VNIR（400-1000nm）和NIR（900-1700nm）波段设计。ImSpector成像光谱仪为世界各地的集成商和机器制造商提供了一种简单的、高性能的、高性价比的集成方法，当它与科学灰度CCD/CMOS相机或InGaAs传感器相结合时，即组成了一个线扫描光谱成像设备，应用于日常使用的各种检查、分类和其他机器视觉解决方案。

ImSpector成像光谱仪优化了每个模组的光谱分辨率、探测器尺寸、空间分辨率和成像速度，可提供市场上最高光学性能的无失真图像，以满足最苛刻的应用要求。

可选前置光学镜头：

• 标准系列：OL8、OL12、OL17、OL23、OL35用于2/3英寸或更小探测器
• 增强系列：OLE9、OLE18.5、OLE23、OLE140用于2/3英寸或更大探测器
• 其他系列：OLES15、OLES22.5、OLES30、OLES56用于N17E

可选配件：

• 机械快门（增强系列）
• 收集光纤
• 带阻滤波器，OBF 570(矩形14×12mm或圆形20mm Ø和17mm Ø)，用于V10和V10E
• 用于光源监测的光纤漫射辐照度传感器FODIS(增强系列)

技术参数：

注：

*1 可在探测器窗口前安装带阻滤波器

*2 系统光谱和空间分辨率还取决于探测器的离散成像特性和透镜质量

应用案例一：黄曲霉毒素B1自然污染的花生分类

南京财经大学食品科学与工程学院Xueming He等研究人员，使用ImSpector V10e光谱仪+EMCCD相机组成400-1000nm高光谱成像系统，提取并整合光谱、颜色和纹理特征，并采用酶联免疫吸附试验（ELISA）方法测定参考AFB1水平，用以实现一种基于非破坏性高光谱成像方法来区分正常和自然黄曲霉毒素B1（AFB1）污染的花生。

图1-1：高光谱成像系统示意图（左）；花生样品RGB及分割处理图像（右）：(a1)- (a4)依次为AFB1含量最小（0.1 ppb）的花生分割前RGB图像、ROI二值图像、分割后RGB图像和分割后灰度图像；(b1)-(b4)为AFB1含量最高（599.21 ppb）的花生对应图像

对全光谱进行了不同的预处理，线性判别分析（LDA）结果表明，先进行Savitzky-Golay平滑（SGS），然后进行标准正态变换（SNV）可以实现最佳判别，对校准集和验证集的准确率分别为90%和92%。最后，将偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）的性能与LDA进行了比较，带有RBF核的支持向量机对校准集和验证集的准确率分别为93%和94%，结果最好。

图1-2：（a） 所有150个花生样品的原始光谱和（b）SGS+SNV光谱

本研究展示了高光谱成像在花生AFB1污染直接分类中的应用潜力，并证明纹理和光谱特征的结合可以改善建模结果。

应用案例二：葡萄籽无损快速品种识别和可视化表达

浙江大学生物系统工程与食品科学学院Yong He等研究人员，使用ImSpector N17E光谱仪+ Xeva 992相机组成HSI系统，分别采集了三个葡萄品种的14015、14300和15042颗葡萄种子在874-1734nm光谱范围内的高光谱图像。通过小波变换对像素级光谱进行预处理，然后提取每个葡萄籽的光谱。对高光谱图像进行主成分分析（PCA），使用前六个PCs的分数用于定性识别不同品种之间的模式，前六个PCs的载荷用于识别有效波长（EWs）。

图2-1：左：对前六个主成分（PCs）的图像进行评分：（a）PC1；（b） PC2；（c） PC3；（d） PC4；（e） PC5；和（f）PC6。右：前六个主成分的载荷：（a）PC1；（b） PC2；（c） PC3；（d） PC4；（e） PC5；和（f）PC6

使用支持向量机（SVM）建立基于EWs的光谱判别模型。结果表明，该方法能够准确地识别出每种葡萄籽的品种，验证精度为94.3%，预测精度为88.7%。使用每个品种的外部验证图像来评估所提出的模型，并形成分类图，其中每个单个葡萄籽被正确识别为属于不同的品种。

图2-2：（a）-（f）以此为品种I-Ⅲ的原始灰度图像和相应分类图

总体结果表明，高光谱成像（HSI）技术结合多元分析可以作为一种有效的工具，用于葡萄籽的无损快速品种识别和可视化表达，该方法在开发多光谱成像系统以供实际应用方面具有很大潜力。

参考文献：

[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-.