本文介绍高可以在哪里使用，它们可以提供哪些信息？将高光谱成像集成到生产过程中意味着什么，需要考虑哪些参数？

波长范围

高对特定波长敏感，选择的光谱范围应根据被测材料及其特性而定。如果您事先不了解光谱特征（特征）与材料特性的关系，可以使用高进行大量科学研究。

照明

在选择光谱成像系统的照明时，必须考虑三个要点。

· 光照强度

光谱成像比传统 RGB 或灰度黑白成像需要更多的光。所需的总照明功率取决于：照明光束的几何形状和距样品的距离；照明目标的宽度（如传送带）；每张图像的积分时间。

· 照明光源的波长范围

高光谱成像照明必须始终具有覆盖高光谱相机的整个波长范围的连续光谱。如果照明在某些波长下没有信号，则这些波长上的测量数据无效。
与高光谱成像传感器兼容的照明类型有：对于可见光范围，最典型的是卤素照明（点状或线状），也使用 LED。超连续谱激光器显示出良好的潜力。对于 NIR 范围：卤素是最典型的。LED 和超连续谱激光器显示出良好的潜力。对于 SWIR 范围：卤素照明。对于 MWIR 和 LWIR 范围：热照明。

· 照度均匀度

重要的是要确保照明覆盖整个测量区域，并具有均匀的强度和光谱范围、最小的阴影或镜面反射。

图像速率、积分时间

大多数分拣和质量应用都需要高图像速率才能准确监控以快速线速度移动的小物体。较高的图像速率限制了积分时间（相机必须收集从材料流反射的光）。Specim FX 相机提供市场上最高的图像速率和光收集效率，以满足速度要求。

机器视觉系统算法和集成

除了光谱相机和照明之外，完整的应用解决方案还需要特定的数据处理。需要了解物体光谱如何受物体特征（例如其化学成分）影响来建立分类和排序模型，然后将其实时应用于光谱相机采集的数据。

高光谱数据是巨大的信息源，需要系统提供足够的处理能力。数据包含重复信息，其中材料的实际化学信息通常由有限的光谱范围或特征波长区域的数量携带。传统的所谓化学计量学方法和快速发展的机器学习技术非常强大，可以从此类数据中提取相关信息。它们应用数学和统计方法，通常用于从高光谱相机测量的数据中获取分类或量化结果。