Hyperspektrikuvantaminen on teknologia, jossa kamera ja anturit keräävät tietoa esineestä. Anturi tallentaa heijastuneen valon näkyvältä ja lähi-infrapuna-alueilta useisiin kymmeniin tai satoihin kapeisiin spektrikanaviin eri aaltopituuksien mukaan. Valon vuorovaikutusta kohteen kanssa kutsutaan valotutkimukseksi, joka tieteellisesti tunnetaan (kuvantamis)spektroskopiana.
Jokainen materiaali reagoi eri tavalla valon kanssa. Tämän vuorovaikutuksen mittaamisen tuloksena on ainutlaatuinen yksilöllinen "sormenjälki", jota kutsutaan spektriallekirjoitukseksi. Spektriallekirjoituksessa on jokaisella aallonpituudella ainutlaatuista kvantifioitavissa olevaa dataa, jota voimme käyttää esineiden tunnistamiseen ja tiedon poimimiseen.
Tällä sivulla voit lukea miten hyperspektrikuvantaminen toimii, mitkä ovat sen hyödyt ja miksi siitä kannattaa olla kiinnostunut.
Optiset anturit, kuten puhelimen kamera, matkivat ihmisen silmää tallentamalla heijastunutta valoa punaisilla, vihreillä ja sinisillä (RGB) spektrikanavilla. Anturit muodostavat valokuvan RGB-pikseleistä, jotka ovat ihmissilmälle näkyvissä. RGB-spektrialueet edustavat näkyvän valon spektriä. Ihmiset pystyvät näkyvän valon avulla tekemään havaintoja esineiden fyysisistä ominaisuuksistä (koko, väri ja muoto) sekä niiden suhteesta (läheisyys ja etäisyys) ympäristöön.
Jos haluamme tietää lisää esineen kemiallisesta koostumuksesta, yksinkertaiset RGB-kanavat eivät riitä. RGB-anturit kuuluvat monispektraalianturien ryhmään, joilla ei ole jatkuvia spektraalikanavia, vaan ne käyttävät vain valittujen aallonpituuksien alaryhmää.
Useimmiten monispektraalikanavat eivät ole riittävän herkkiä tunnistamaan tiettyjä ominaisuuksia. RGB-kameroiden spektrinen resoluutio on liian alhainen havaitakseen spektrisiä piirteitä, tai spektriset piirteet ovat näkyvissä vain lähi-infrapuna-antureille.
Kaksi muovityyppiä, polykarbonaatti (PC) ja polyvinyylikloridi (PVC), kuvattuna spektriprofiilina.
Hyperspektrikuvantaminen voi kuitenkin tunnistaa esineen näkymättömiä ominaisuuksia ja erottaa samannäköiset esineet toisistaan. Ihmissilmä tai normaali kamera eivät ole tarpeeksi tarkkoja havaitsemaan esimerkiksi ruoan tuotantolinjalla ovatko pakkaukset ilmatiiviisti suljettu. Hyperspektrisensorien kapeat kanavat voivat havaita veden määrän, mahdolliset taudit tai lehtien klorofyllipitoisuuden, jotka ovat näkymättömiä RGB-sensoreille.
Hyperspektri ei ole vain suurille akateemisille tutkimusprojekteille ja suuryrityksille.
Hyperspektriä on sovellettu laajasti eri käyttökohteissa ja teollisuuden aloilla: kivimineraalien tunnistamiseen ilmakuvista, kasvitautien havaitsemiseen maatalouskasveissa, silmän poikkeavuuksien havaitsemiseen biolääketieteellisessä kuvantamisessa, vieraiden aineiden tunnistamiseen elintarvikekäsittelyssä ja vihollisten paikantamiseen käyttäen lämpöhyperspektriä.
Sensorien hinnat ovat nopeassa laskussa. Suorituskyky-kustannussuhde täyttää jo teollisuusstandardit, antaen pienille ja keskisuurille yrityksille mahdollisuuden sijoittaa automatisoituihin laadunvarmistusratkaisuihin. Lisäksi markkinoille tulee jatkuvasti uusia antureita erilaisilla ominaisuuksilla. Esimerkiksi kevyitä antureita on mahdollista käyttää droneissa, vahvoja antureita lentokoneissa, sekä teollisuuden alalla anturit tarjoavat reaaliaikaisen tietojen keruun.
Kyky havaita minimaaliset erot esineiden kemiallisissa koostumuksissa tekee hyperspektristä äärimmäisen tehokkaan. Siinä on kuitenkin omat rajoituksensa.
Kerättävä datamäärä on hyperspektrissä paljon suurempi verrattuna perinteisiin RGB-järjestelmiin, mikä lisää latenssia ja hidastaa datan käsittelyä. Tätä voidaan kuitenkin parantaa kokeilemalla, mitkä spektrikanavat sopivat parhaiten tiettyihin käyttötapauksiin ja sitten rajaamalla spektrikanavien määrää esimerkiksi 128:sta 8:aan. Näin hyperspektri soveltuu myös nopeille tuotantolinjoille.
Hyperspektri on erinomainen työkalu tilanteissa, jossa esineitä tulisi erottaa pinnan ominaisuuksien perusteella. Siksi värin sovitus ja vieraan materiaalin löytäminen tuotantovirrasta ovatkin hyviä käyttökohteista. Valitettavasti hyperspektrin avulla ei voi tunkeutua pintaa syvemmälle. Tilanteissa, joissa tulisi katsoa esineen sisälle (kuten luun havaitseminen lihan käsittelyssä), hyperspektri ei ole sopiva ratkaisu.
Hyperspektri ei ole tarkoitettu vain suuryrityksille ja suurille akateemisille tutkimusprojekteille. Antureiden hinnat laskevat nopeasti. Suorituskyky-kustannussuhde täyttää teollisuusstandardit, mahdollistaen pienten ja keskisuurten yritysten sijoittaa automatisoituihin laadunvarmistusratkaisuihin. Tarve manuaalisille tarkastuksille ja laboratoriotesteille vähenee, mikä johtaa merkittäviin kustannussäästöihin.
Hyperspektri on erinomainen apu laadunvarmistuksessa, koska järjestelmä voidaan automatisoida tunnistamaan mahdollisia poikkeamia esineiden pinnoilta, kuten maali-, puu-, muovi- ja metallipinnoilta. Hyperspektriä voi myös käyttää varmistuaakseen, että tuotteet sijoitetaan, asetetaan ja pakataan oikein tuotantoprosessin aikana. Yhdistettynä tekoälyyn järjestelmä voi autonomisesti reagoida poikkeamiin.
Monet perinteiset ratkaisut käyttävät tuhoavia menetelmiä analysoidakseen esineiden kemialliset ominaisuudet. Hyperspektri käyttää optisia antureita eikä vaadi fyysistä kosketusta esineeseen.
Hyperspektrin käyttö on täysin vaaratonta. Anturi on passiivinen ja se tallentaa esineen heijastuneen valon valonlähteestä, kuten lampusta tai auringosta. Sitä voidaan turvallisesti käyttää ihmisillä, ja se onkin saamassa suosiota lääketieteen alalla. Esimerkiksi hyperspektriä voidaan käyttää silmäsairauksien diagnosoinnissa.
Spektraaliset anturit ovat erittäin monipuolisia. Samaa anturia voidaan käyttää useisiin käyttökohteisiin, muun muassa muovien tunnistamiseen elintarvikkeissa ja kosteuspitoisuuden havaitsemiseen kasveissa. Anturit voidaan kiinnittää liikkuvien ajoneuvojen, kuten dronejen ja lentokoneiden, päälle kattamaan suuria alueita nopeasti. Hyperspektriä käytetään usein metsätaloudessa ja maataloudessa seuraamaan ja arvioimaan metsien ja viljelykasvien terveyttä ja tautitilannetta.
Hyperspektraaliset anturit ovat erittäin luotettavia ja tallentavat kuvia todella nopeasti. Anturityypistä riippuen nämä anturit voivat tallentaa jopa 6510 kuvaa sekunnissa. Tämä on enemmän kuin tarpeeksi teollisuuden alalla, jossa analysoitavat esineet liikkuvat hyvin nopeasti.
Yksi hyperspektrin suurimmista hyödyistä on, että antureiden käyttäjiltä ei vaadita aiempaa kokemusta tai asiantuntemusta. Kaikki spektraalinen ja spatiaalinen tieto voidaan käsitellä jälkikäteen.
Yleisimmät elintarvikealan laadunvarmistuksen menetelmät ovat metallinpaljastimet ja röntgensäteet. Metallinpaljastimet ja röntgensäteet ovat erittäin hyviä metalliesineiden havaitsemisessa, mutta niiltä puuttuu kyky havaita biologisia ominaisuuksia, kuten rasva- ja vesipitoisuutta tai lihan mureutta.
Elintarviketurvallisuuden varmistamiseksi on tärkeää havaita kaikki vierasmateriaalit, jotka voivat päätyä elintarvikkeisiin. Perinteinen ruoan laadun tarkastus sisältää vaivalloisen elintarvikenäytteiden laboratoriotestauksen, jonka tulokset saadaan takaisin seuraavana päivänä tai jopa myöhemmin.
Muita hyperspektrin käyttökohteita ovat värinmuutosten havaitseminen, hyönteisten, kuoren, kivien ja puuesineiden tunnistaminen karkkien joukosta, siemenien ja viljan proteiinipitoisuuden ennustaminen, kypsyyden mittaaminen hedelmissä ja tuotteen hävikin vähentäminen.
Elintarviketuottajat ovat ottaneet käyttöön hyperspektriantureita varmistaakseen ja parantaakseen tuotteen yhdenmukaisuutta vähentämällä ruoan hävikkiä systemaattisesti, luotettavasti ja datalähtöisesti. Tässä osiossa esittelemme kolme hyvin testattua hyperspektrin käyttökohdetta elintarviketeollisuudessa.
Elintarvikkeiden laatu
Hyperspektrin avulla voidaan tarkastella elintarvikkeiden laatua erittäin tarkasti. Heijastusspektrit voivat nopeasti arvioida elintarvikkeiden laatua, kuten kypsyyttä, tai tunnistaa poikkeamia, kuten hometta. Hyperspektrin avulla voidaan esimerkiksi havaita kuinka paljon hometta on elintarvikenäytteissä, ja missä home sijaitsee.
Voit tutustua lisää hyperspektrikuvantamisen hyötyihin elintarviketeollisuudessa asiantuntijamme englanninkielisen kirjoituksen avulla.
Hyperspektri mahdollistaa vieraiden esineiden reaaliaikaisen, luotettavan ja tarkan tunnistamisen. Kun tähän yhdistetään koneoppimisalgoritmeja, on mahdollista automatisoida vierasesineiden ja -materiaalien poiston. Varsinkin elintarvikealalla hyperspektri säästää aikaa ja resursseja verrattuna perinteiseen laboratoriotestaukseen. Niin yllättävältä kuin se saattaakin kuulostaa, esineet kuten muovi, lasi, puu, kumi, kivet, metalli ja muut esineet ovat yleisiä vieraita esineitä, jotka löytyvät elintarviketuotantolinjoilta.
Tyypillinen hyperspektrin käyttökohde elintarviketeollisuudessa on reikien havaitseminen elintarvikepakkauksissa. Elintarvikepakkaukset suljetaan lämpötiivisteen avulla, mutta reikiä voi syntyä tässä prosessissa. Elintarvikepakkausten on oltava ilmatiiviitä vähentääkseen ruoan pilaantumisen riskiä. Ilma, joka kulkeutuu pakkauksien reikien läpi elintarvikkeisiin, voi sisältää bakteereja, jotka nopeasti huonontavat ruoan laatua ja tekevät niistä myyntikelvottomat.
Hyperspektrin avulla voidaan automatisoida raaka-aineiden tarkastukset. Tuotantolinjojen nopeasti liikkuvien tuotteiden laadunvalvonta vaatii antureita, jotka voivat toimia ja tehdä arvioita reaaliajassa. Konenäkö yhdistettynä hyperspektriantureihin ja koneoppimisalgoritmeihin mahdollistaa automaattisen laadunvalvonnan erinomaisella tarkkuudella ja nopeudella.
Teollisuuden käyttökohteissa hyperspektri voi usein saavuttaa yli 90%:n luokittelutarkkuuden. Yhdistettynä havaitsemismenetelmiin ja pikseliryhmittelyyn tarkkuudet voivat nousta jopa 99 %:iin. Teolliset hyperspektrijärjestelmät laskevat tuotevirran luokittelun todennäköisyyksiä. Luokittelutilastoja, tuotemääriä, tuotteen hyväksymistä tai hylkäämistä ja muita tärkeitä mittareita kirjataan ja ne voidaan lähettää tuotantolinjasoihinrobotteihin tuotantovirran ylävirtaan poistamaan automaattisesti huonot tuotteet.
Tuotteen varmentaminen
Tuotteen luokittelu ja varmennus ovat alueita, jossa hyperspektrikuvantamisesta on todella hyötyä. Antureiden spektraalidata mahdollistaa tuoteominaisuuksien analysoinnin. Tuotteen vahvistamisen käyttökohteita voi olla esimerkiksi homeen havaitseminen elintarvikkeissa, väärennettyjen lääkkeiden havaitseminen, muovien havaitseminen ja puulastuissa puulajien vaihteluiden tunnistaminen.
Esimerkiksi auto-, kemian- ja tekstiiliteollisuudessa vaaditaan pinnan värien perusteellista testausta vastaamaan täsmälleen määriteltyjä väristandardeja. Pinnan värimuutokset voivat johtaa palautettuihin tuotteisiin ja tyytymättömiin asiakkaisiin. Virheet voivat johtaa koko tuote-erien hylkäämiseen aiheuttaen merkittäviä tappioita. Pienten värimuutosten tunnistaminen tai vesimolekyyleistä johtuvien tuoteominaisuuksien havaitseminen paljaalla silmällä tai RGB-kameroilla on lähes mahdotonta. Hyperspektri voi automatisoida ja parantaa laaduntarkastuksen vähentäen hävikkiä ja lisäten tuottoa.
Tuotantoala on alkanut siirtyä datalähtöiseen päätöksentekoon. Lisääntyvä kilpailu ja tuotannon kompleksisuus ovat pakottaneet valmistajat etsimään uusia menetelmiä pysyäkseen kilpailijoidensa edellä. Valmistajat ovat alkaneet ottaa käyttöön uuden tyyppisiä antureita ja kerätä valtavia määriä laaduntarkastusdataa. Hyperspektri on kehittynyt sotilaskäyttöön suunnatuista käyttökohteista ja valkoisiin takkeihin liittyvistä laboratoriotestausympäristöistä tehdasalueille. Anturien hintojen laskiessa hyperspektrijärjestelmät ovat alkaneet löytää tiensä tuotantolinjoille.
Konenäön ja erilaisten antureiden käyttö ovat olennainen osa jäte- ja kierrätyskäsittelyteollisuutta.
Jätekierrätyslaitokset luottavat optimoituun anturijärjestelmään, joka tunnistaa, erottaa, käsittelee ja hallitsee laajan valikoiman materiaaleja. Jätteet kerätään, käsitellään ja kierrätetään koneiden avulla uudelleenkäytettäviksi raaka-aineiksi. Jätteenkäsittelylaitokset erottavat jätteen laadun perusteella optimoidakseen kierrätyskäsittelyketjun. Hyperspektrikamerat tarjoavat ratkaisun esimerkiksi muovityyppien tunnistamiseen, jätemateriaalin erotteluun ja sekä vaarallisten aineiden poistamiseen.
Muun muassa röntgensäteitä, gammasäteitä ja radiotaajuuksia on käytetty arvioimaan biomassan laatua, mutta ne eivät ole turvallisia ihmisten terveyden kannalta. Hyperspektri tarjoaa skaalautuvan, nopean ja tarkan ratkaisun jätehallintaprosessien optimoimiseksi.
Orgaaninen jäte
Laitosten johtajilla on usein puutteellista tietoa orgaanisen jätteen biomassan koostumuksesta (puuhake vs. oksat vs. turve), kosteuspitoisuudesta ja puuhakkeen puulajista. Puuhakkeet poistetaan kuljettimilta jäteksittelylaitoksissa ja kuljetetaan sitten polttimiin kaasun tuottamiseksi. Liian kosteat puuhakkeet lisäävät kaasupäästöjä, mikä vähentää polttimen energiantuottoa. Koneiden seisokki voi johtaa satojen tuhansien eurojen vuotuiseen tulonmenetykseen.
.jpg?width=803&height=452&name=Plumb%20(6).jpg)
Tunnista ja erottele jäte
Hyperspektriä ja koneoppimisalgoritmeja on helppo hyödyntää jätemateriaalien tunnistamiseen ja erotteluun. Lähi-infrapuna-alue (NIR) on ihanteellinen jätemateriaalien erotteluun, koska orgaaninen jäte heijastaa eniten valoa NIR-spektrialueella. (NIR-alue viittaa 700 ja 2500 nanometrin spektrialueeseen ja on erittäin sopiva havaitsemaan puuhakkeen puulajit ja kosteuspitoisuus.) NIR-säteily on turvallista ihmisille ja se voi mitata useita kasvillisuuden ominaisuuksia samanaikaisesti. Kierrätysteollisuudessa hyperspektriantureita käytetään teollisen muovin, polymeerien, mustien muovien ja kumimateriaalin tunnistamiseen ja lajitteluun korkeilla kuvataajuuksilla, jotka täyttävät teollisuusstandardit. Hyperspektrianturit tarjoavat vaihtoehdon perinteisille jätteentunnistusmenetelmiin.
