高光谱化学成像工作站-SisuCHEMA

高光谱化学成像工作站-SisuCHEMA


SisuCHEMA 是一套完整的高光谱化学成像系统,具有快速、简单的性能。

SisuCHEMA 采用的推扫式(pushbroom)成像技术,使其具有高速、低照明热负荷、以及对样品形状大小的高适应度等优点。


应用领域


• 药片检测

• 吸塑包装检查

• 混合均匀度

• 颗粒大小和粒度分布  

• 农业物料的筛分


• 化学成分分析

• 食品、乳制品检测

• 刑侦取证

• 生命科学

• ......

推扫式成像

推扫式成像技术是实现在线制程控制的重要一步,可以像高速先扫相机一样,对运动样品进行逐线全波段光谱采集并同步生成图像,因此,以SisuCHEMA为基础开发的实验室和近生产线样品分析的相关应用,可以直接转化成实际生产中的在线工艺和质量检测工序,而不需要改造和对其他不同在线监控技术的额外投资。


数据采集和处理

检测过程中,样品被置于特殊设计的样品盘中,并通过ChemaDAQ 数据采集软件在几秒钟内采集并储存光谱图像。ChemaDAQ 是专为SisuCHEMA设计的整合了用户界面和数据采集功能的专业软件。


数据分析

每套SisuCHEMA工作站都预装了UmBio Evince 高光谱成像分析软件,通过该软件用户可以在sisuCHEMA 系统内直接进行快速应用数据提取、可视化等处理,以及化学成分校准和预测等操作。

SisuCHEMA 工作原理



SisuCHEMA将近红外(NIR)光谱与高分辨成像相结合,可以得到样品化学成分的量化数据以及空间分布等细节信息。高光谱成像中每一象素都记录了其对应样品点的,包含了化学成分、质量、颜色、温度等信息的光谱特征。对于材料性能高度取决于其化学和物理结构的先进材料,SisuCHEMA能够为其表征和质量保证提供宝贵的信息。


SisuCHEMA 基本参数


技术参数

光谱相机

国外原装进口,透射光栅式成像光谱仪,高速推扫式成像

光谱范围

400 - 1000 nm

900 - 1700 nm

1000 - 2500 nm

样品视场

50 - 200 mm

 from 10 to 200 mm

平台尺寸

710 × 380 × 810 mm (WxLxH)

大样品尺寸

200 x 300 x 45 mm (WxLxH)

扫描速度

快速度每秒可采集100 行,速度取决于

-  3 mm/s with 30 micron pixel

-  30 mm/s with 300 micron pixel

-  60 mm/s with 600 micron pixel

扫描时间

采集256个波段,时间< 7 s

光源

SPECIM特制低热载双线性卤素灯单元

数据格式

BIL,支持ENVI和MATLAB

仪器标定

仪器进行出厂光谱标定,数据可利用自带的白板标定单元校正为反射率数据

仪器附件

集成暗室、激光对准装置、白板校正单元以及对焦模块

存储温度

-20 ... +85°C

运行温度

+5 … +40°C, non-condensing,无冷凝


药品成分检测


项目简介:利用SisuCHEMA对包装完整的药品进行高光谱数据采集,再用Evince分析软件,进行药品检测和成分分析





农产品病虫害检测


项目单位:南非斯坦陵布什大学

项目简介:利用SisuCHEMA-SWIR对真菌感染的玉米进行高光谱数据采集,再用Evince分析软件,进行感染玉米颗粒的检测。



项目单位:比利时瓦隆农业研究中心

项目简介:利用SisuCHEMA-SWIR对麦角症小麦进行高光谱数据采集,再用Evince分析软件,进行感染小麦颗粒的检测。




食物成分检测


项目单位:英国坎普豋食品研究协会

项目简介:利用SisuCHEMA对甜甜圈进行数据采集,基于C-H,O-H和N-H键的光谱特征峰,对脂肪和水分含量进行检测。


项目简介:利用SisuCHEMA对肉中的骨头、蛋白质、油脂等成分进行检测。




水果损伤检测


项目单位:江苏大学和河南大学

项目简介:利用SisuCHEMA-VNIR对猕猴桃和苹果中的损伤进行检测




■  芬兰SPECIM SisuCHEMA-NIR预测花生中蛋白质的含量分布


研究背景

我国花生总产量常年位居全球,2014年全国总产量高达1648万吨。花生中蛋白质约占18%-36%。花生蛋白具有重要的营养和功能性质,生物价和净利用率分别为59和51与动物蛋白相近,其良好的溶解性和凝胶性可以用于功能性饮料和火腿肠的生产。传统测定花生中蛋白质含量的方法包括:凯氏定氮法和分光光度法,但这些方法存在分析速度慢,操作繁琐、成本高、破坏性强,使用试剂污染环境等缺点,因此,急需寻找一种快速无损的方法为花生蛋白质含量的测定提供依据。近红外光谱技术作为一种快速无损的检测手段已经被广泛的用于花生中主要成分(水分、脂肪、氨基酸和蛋白质等)的检测,但无法提供可视化成分含量的分布。

高光谱技术结合了光谱学和成像技术,得到的高光谱图像包含了花生外部信息和内部化学信息。中国农科院农产品加工研究所于宏威等利用芬兰SPECIM SisuCHEMA-NIR(900-1700nm)高光谱化学分析工作站,进行花生种蛋白质含量与分布的研究,采集花生样本的高光谱数据,通过与传统化学测定蛋白质含量结合的方法,对比了不同光谱预处理和回归算法,终以二阶导数为佳光谱预处理方法,偏小二乘法为佳的回归算法,建立全波长的PLS模型以及特征波长模型,分别与理化检测凯氏定氮方法对比,无显著性差异,证明高光谱成像技术可实现花生种蛋白质含量的快速无损检测。

图1. 花生高光谱图像(a)和蛋白质含量分布图(b)


参考文献:

高光谱成像技术结合化学计量学可视化花生中蛋白质含量分布。于宏威等 光谱学与光谱分析,第37卷,第3期 2017年3月



更多应用案例,请您致电010-85120277/78/79/80 或写信 info@qd-china.com 获取。




1. Zhao, X.; Wang, W.; Ni, X.; Chu, X.; Li, Y.-F.; Sun, C. Evaluation of Near-Infrared Hyperspectral Imaging for Detection of Peanut and Walnut Powders in Whole Wheat Flour. Appl. Sci. 2018, 8, 1076. https://doi.org/10.3390/app8071076

2. Jinbao Jiang, Xiaojun Qiao, Ruyan He, Use of Near-Infrared hyperspectral images to identify moldy peanuts,Journal of Food Engineering, Volume 169, 2016, Pages 284-290, ISSN 0260-8774,https://doi.org/10.1016/j.jfoodeng.2015.09.013.

3. Rocky D. Barker, Shaun L.L. Barker, Matthew J. Cracknell, Elizabeth D. Stock, Geoffrey Holmes; Quantitative Mineral Mapping of Drill Core Surfaces II: Long-Wave Infrared Mineral Characterization Using μXRF and Machine Learning. Economic Geology 2021;; 116 (4): 821–836. doi: https://doi.org/10.5382/econgeo.4804.

4. Speta, M. , et al. "Hyperspectral imaging for the characterization of athabasca oil sands drill core." Geoscience & Remote Sensing Symposium IEEE, 2014.

5. Acosta I , Khodadadzadeh M , Tusa L , et al. A Machine Learning Framework for Drill-Core Mineral Mapping Using Hyperspectral and High-Resolution Mineralogical Data Fusion[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, PP(99):1-14.

6. Tusa, L.; Andreani, L.; Khodadadzadeh, M.; Contreras, C.; Ivascanu, P.; Gloaguen, R.; Gutzmer, J. Mineral Mapping and Vein Detection in Hyperspectral Drill-Core Scans: Application to Porphyry-Type Mineralization. Minerals 2019, 9, 122. https://doi.org/10.3390/min9020122.

7. Hyperspectral analysis of drillcores from Kedonojankulma Cu-Au deposit. Hilkka Arkimaa1 , Viljo Kuosmanen1 , Markku Tiainen1 and Rainer Bärs2 .1 Geological Survey of Finland, P.O. Box 96, FI-02151 Espoo, Finland 2 SPECIM, Spectral Imaging Ltd, Teknologiantie 18A, 90590 Oulu

清华大学

北京师范大学

中国农业大学

中科院遥感所

中国科学院亚热带农业生态研究所

中国林业科学研究院

首都师范大学

中国矿业大学

国防科技大学

东北林业大学

广东工业大学

四川轻化工大学

河北省科学院地理科学研究所

…...


Introduction of SPECIM sisuCHEMA