速度更快、更紧凑、更便宜的高光谱相机使该技术成为食品检测解决方案中更具吸引力的项目。

如果“人如其食”这句老话有道理，那么确保所食用的食物安全且质量适宜就变得至关重要。尽管如此，疾病控制和预防中心 (CDC) 估计，每年有 4800 万人因食源性病原体、食品中的异物或劣质产品而患病。因此，行业和研究人员继续寻求新方法来提高食品检验的可靠性、速度和成本。

与在可见光谱范围内拍摄的肉类图像（左）不同，高光谱图像可以向食品质量检查员显示感兴趣的区域，例如以假色突出显示的脂肪或蛋白质区域（右）。

高光谱成像技术将光谱和空间数据结合起来，提供有关食品质量和成分的见解，而这些见解是肉眼无法看到的。高光谱相机以数据立方体的形式汇编光谱和空间信息，数据立方体可以看作一副纸牌。所有纸牌都共享物体反射光的相同二维空间图像，但每副纸牌显示的反射光波段不同。换句话说，照射到高光谱相机每个像素上的光被分解成其组成光谱带。尽管在成像速度和成本方面存在缺点，但该技术为食品安全和质量检查带来了明显的好处。

看到看不见的东西

“高光谱成像能够以非破坏性的方式在加工线上直接对产品进行化学分析，”该系统集成商提供将机器人分选与高光谱质量分析相结合的产品，用于食品加工和其他应用。

传统的食品检测操作通常需要 10 名或更多的人工操作员在某个时刻对传送带上经过的产品进行目视检查。检查员会当场移除可疑食品和异物，但无法对农产品中的水分或糖含量进行质量检查。这种级别的检查需要将样品从生产线上取下并在实验室中进行检查，这可能需要数小时或数天的时间。

相比之下，配备传统摄像头的机器人分拣系统可以以更高的精度进行目视检查，而且不会像人一样感到疲倦或生病。通过添加高光谱技术，自动化系统还可以根据水分含量、甜度或其他因素将产品分为不同的等级。

在其产品中使用了Specim 的高光谱成像仪。高光谱成像仪可以从 100 个或更多光谱带收集数据，每个光谱带的宽度为 5 纳米。相比之下，多光谱成像配置中追踪的波段只有十几个或更少，每个波段的宽度约为 20 纳米。光谱学也可用于食品检验和认证，但它仅提供有关一个狭窄点的信息，而高光谱成像可捕获扫描物体的完整光谱图。“高光谱成像是光谱学和成像的结合。”

大多数高光谱成像仪在两个既定范围内工作：一个范围是 400 至 1000 nm，另一个范围是 900 至 1700 nm。第一个区域使用硅传感器，而第二个区域则依赖于砷化铟镓 (InGaAs) 技术。较短波长区域的高光谱成像可以揭示颜色的细微变化以及化学信息，而短波红外 (SWIR) 成像可以产生有关物体化学成分的更多数据，包括水分含量。测量水分含量的能力在食品质量检查中非常有用。例如，确定沙拉生菜中的水分含量是从远处判断农产品是否新鲜的一种方法。

高光谱成像使杏仁和其他食品的供应商和生产商能够快速在线对产品质量进行分级，而无需进行耗时的离线实验室分析

高光谱成像可以检测食品中的瑕疵，以及其他肉眼无法发现的缺陷，例如苹果擦伤，以假色显示（左）。数据分析基于可见光-近红外光谱响应（右上）

高光谱成像技术的全光谱范围不必应用于所有应用。但如果所需检测窗口跨越各种传感器和光学解决方案，则可能会带来挑战。“从本质上讲，你需要针对不同范围使用不同的相机，你需要针对紫外线和可见光/近红外光使用不同的光学元件和传感器——它们通常基于硅。然后对于 SWIR，你需要一个 InGaAs 传感器。”

索尼正在通过开发覆盖从可见光到 SWIR 区域光谱范围的传感器技术来挑战这一限制。

挑战光谱

高光谱成像捕捉的细节水平的一个潜在缺点是生成的数据量巨大，每秒可能达到数百兆字节，这对传输和存储带来挑战。非专家也很难解读或使用这些数据。处理器的进步使得在高光谱设备本身上对图像数据进行分析和分类成为可能。

“这些系统在内部执行分类，并以各种格式流式传输分类结果，例如伪 RGB 图像，”他说。“因此，非专家用户也可以解释流式传输的数据。”

高光谱显微镜成像分析可以发现和识别食源性病原体。鼠伤寒沙门氏菌的高光谱显微镜图像，鼠伤寒沙门氏菌是导致沙门氏菌爆发的细菌病原体。细菌的高光谱图像(a)、突出显示的感兴趣区域(b)以及大肠杆菌、李斯特菌、葡萄球菌和沙门氏菌的光谱特征(c)

高光谱成像的第二个潜在缺点是成本。必须权衡这一因素与可能节省的成本。例如，避免代价高昂的产品召回，或者能够快速对生产线上的产品进行分级或验证，这些因素可能使高光谱成像值得花费这笔初始成本。

高光谱解决方案的成本在过去十年中下降了三分之二以上。他说，2012 年这些系统的成本可能为 60,000 至 80,000 欧元（79,200 至 97,000 美元），而如今其成本已降至 20,000 欧元（24,000 美元）以下。

Specim Insight专注于工业应用和材料的化学量化。这些程序可以帮助根据蓝莓的甜度对其进行分类，同时还可以检测外来污染物，例如蓝莓大小的虫子。

虽然成本对高光谱成像的影响越来越小，但 照明和图像分辨率是额外的挑战，特别是在 SWIR 成像时。SWIR范围内的一些工业检测可能需要数千瓦的照明。虽然卤素灯是此范围内的低成本宽带选择，但 SWIR LED 越来越受欢迎，因为它们比卤素灯泡散发的热量更少，这一特性在食品检测应用中尤其有益。

关于分辨率，在 SWIR 范围内运行的高光谱传感器每侧约有 640 个像素。相比之下，硅 CMOS 传感器的像素数是该数字的 10 倍。这种较低的分辨率会影响一些食品质量检测任务。

“很难进行大米或谷物分选，因为 [生产线] 速度很高，物体很小，”“由于相机的分辨率很小，使用高光谱成像来做到这一点确实很有挑战性。”

新兴发展

研究人员正在探索使用高光谱成像来识别鸡身上的病原体。目前的方法包括采集鸟类样本，然后对样本进行培养，以查看是否存在病原体。这个过程需要几天的时间，需要数千个病原体。正在探索的高光谱方法几乎可以立即获得结果，而且灵敏度更高。

该方法还将该技术与显微镜配置结合在一起。“我们观察的是单个细胞，”Park 说。

病原体通过检查可见光和/或近红外光谱特征来识别，这些特征因病原体种类而异，该技术可用于食品加工的其他领域。这项研究得到了 的支持，该公司提供成像硬件和定位算法。

挑战包括处理产生的大量数据，以及开发校准策略和交钥匙系统，以便非专家也能产生可重复的结果。，除了变得更便宜、更紧凑之外，用于食品生产的高光谱系统还必须变得更易于使用。高光谱设备传统上也相对较大，这使得它们很难像机器视觉相机那样安装在吊杆上。

认为高光谱成像在一定程度上与传统机器视觉竞争，同时也增强了它。他说，彩色 RGB 系统和高光谱成像技术之间的根本区别在于后者的光谱分辨率以及如何使用附加信息。

相机采用区域扫描而不是线扫描配置。因此，其技术可以一次捕获整个区域的高光谱信息，而无需扫描整个区域。结果是系统更小、更便宜，空间均匀性得到改善。

尽管人们对 SWIR 成像很感兴趣，但许多食品检测应用都受益于在可见光和 NIR 之间运行的高光谱成像仪。例如，使用近红外可以在一定程度上区分肉中的脂肪、蛋白质和肌肉。

在非常宽的光谱范围内（例如从 350 到 1700 nm）捕获高光谱图像时，需要在光谱通道和空间分辨率之间进行权衡。如果像素数量保持不变，则随着通道数量的增加，分辨率会变差。