Co warto wiedzieć o technologii hiperspektralnej?

Technologia hiperspektralna (HSI) doskonale sprawdza się w wizyjnej kontroli jakości. Dzięki szczegółowości oraz prędkości zbierania i przetwarzania danych, śmiało można powiedzieć, że jest to technologia do zadań specjalnych.

Składowe HSI

Na całą technologię składają się akwizycja i sposób przetwarzania otrzymanych danych. Potrzebne do tego są odpowiednie oświetlenie, oprogramowanie i algorytmy (AI i ML), integracja, a także urządzenia dostarczające dane. Wśród nich znajdują się:

• kamery hiperspektralne (pracujące w zakresach bliskiej i średniej podczerwieni),
• spektrometry punktowe,
• skanery liniowe,
• mikroskopy hiperspektralne,
• sensory zintegrowane.

Mocne i słabe strony

Elastyczność zastosowania, wysoka czułość pozwalająca na wykrywanie różnic fizycznych i chemicznych, pełne spektrum widmowe w każdym pikselu, szybka akwizycja danych (nawet ponad tysiąc FPS na sekundę), łatwe łączenie z algorytmami ML i AI – to główne zalety technologii hiperspektralnej. Niestety, posiada ona również wady:

• wysokie koszty w porównaniu z innymi technologiami;
• wymaga dużych mocy obliczeniowych, bibliotek widmowych oraz zaawansowanych modeli ML i AI;
• jest wrażliwa na zmiany w otoczeniu (światło, temperatura), przez co konieczne jest zapewnienie stabilnych warunków w miejscu akwizycji i/lub doszkalanie algorytmów;
• potrzebuje pokaźnej przestrzeni dyskowej do przechowywania danych.

W związku z powyższym, choć jest to obiecujące rozwiązanie, póki co stosowane jest głównie w kilku wyspecjalizowanych dziedzinach.

Gdzie stosuje się technologię hiperspektralną?

Mówiąc krótko: wszędzie tam, gdzie poniesione na ten cel nakłady są uzasadnione. Wśród branż najchętniej stosujących technologię hiperspektralną warto wyróżnić:

• obronność (wykrywanie kamuflażu czy substancji chemicznych);
• przemysł (wizyjna kontrola jakości, analiza materiałów, sortowanie odpadów, kontrola żywności i produkcji farmaceutycznej);
• medycynę (diagnostyka zmian skórnych, analiza tkanek);
• rolnictwo (ocena zdrowia roślin, zawartości składników odżywczych, wykrywanie chwastów).

Zastosowanie technologii hiperspektralnej w przemyśle

Stosowane rozwiązania

Najczęściej używane są kamery push-broom (skanowanie liniowe), które idealnie współpracują z taśmociągami i zapewniają wysoką rozdzielczość spektralną przy dużych prędkościach. W sytuacjach, gdzie obiekt porusza się chaotycznie, stosuje się droższe systemy snapshot, rejestrujące całe widmo w jednej klatce.

Kamery pracują zwykle w zakresie VNIR (400–1000 nm) i SWIR (1000–2500 nm) – te pasma pozwalają odróżnić różne materiały, ocenić wilgotność czy zawartość tłuszczu. Źródłami światła są najczęściej lampy halogenowe (ciągłe widmo w NIR/SWIR), a coraz częściej także LED-y o dobranej charakterystyce. Kluczowe są stabilność oświetlenia i eliminacja odbić, dlatego stosuje się integratory światła lub tunele.

Ogromne ilości danych z kamer analizują algorytmy AI/ML – od klasycznych PLSR i SVM, po sieci neuronowe. Pozwalają one nie tylko klasyfikować materiały (np. w recyklingu: PET vs PVC), ale też robić regresję ilościową (np. % wody w owocu). Coraz częściej przetwarzanie odbywa się na brzegu (edge computing), co pozwala uniknąć przesyłania gigabajtów danych i zapewnia reakcję systemu w czasie rzeczywistym.

Przykład: kontrola jakości mięsa i wyrobów mięsnych

W pierwszej przykładowej aplikacji, do zbierania danych użyto liniowych kamer hiperspektralnych (SWIR) Specim i oświetlaczy halogenowych umieszczonych nad przenośnikiem taśmowym. Zadaniem było rozpoznawanie ośmiu typów ciał obcych w pięciu różnych typach mięsa. Analiza widma wykazała konieczność dodania kamery RGB dla poprawy wykrywalności trzech typów ciał obych.

W drugiej przykładowej aplikacji kontroli poddano wyroby gotowe – kabanosy, parówki i kiełbasy. Sprawdzano ich walory wizualne: przebarwienia i poziom uwędzenia. Testy przeprowadzone przez Scanway wykazały, że w tym przypadku wizyjną kontrolę jakości lepiej jest przeprowadzić z użyciem kamery RGB. Powodem było to, że w podczerwieni sprawdzane parametry nie wykazywały odchyleń od normy, w przeciwieństwie do analizy danych ze spektrum światła widzialnego.

Technologia hiperspektralna pozwala zobaczyć więcej niż tradycyjne kamery, a mimo to bywa, że jej aplikacja jest nieuzasadniona. Choć generuje duże koszty i ogrom danych, jej elastyczność i potencjał czynią ją jednym z kluczowych narzędzi przyszłości.