智能制造網APP
智能制造網手機站
智能制造網小程序
智能制造網官微
智能制造網服務號
iSpecHyper-VS300是萊森光學（LiSen Optics）明星產品，是一款操作簡單、配置靈活便攜式高光譜成像系統，主要優勢為采用了高光通量分光設計、信噪比靈敏度高、大靶面探測器、高像質等特點。
iSpecHyper-VS300采用了芯片鍍膜漸變分光內推掃原理，系統集成高性能數據采集與分析處理系統，高速USB 3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換視場鏡頭。iSpecHyper-VS300便攜式高光譜成像系統廣泛應用于刑偵、物證鑒定、精準農林、遙感遙測、 工業檢測、 醫學醫療、采礦勘探等各領域。
光譜范圍400-1000nm，分辨率優于10nm
高光通量分光成像設計，芯片鍍膜漸變分光，信噪比靈敏度高
8mm/16mm/25mm/35mm等定焦鏡頭可選
輔助攝像透實時監控
全靶面高成像質量光學設計，點列斑直徑小于0.5像元
數據格式支持ENVI等分析軟件，支持多區域ROI，鏡頭可更換
隨著我國農產品加工業的發展和農業現代化進程的加快,使得農產品品質檢測和分級技術顯得更加重要，迫切性日益增加，水果的內部品質表示水果內部的生理、化學和物理性質，高光譜成像系統目前已經開始應用于水果分選，反映水果品質光譜信息主要集中在650-950nm之間，水果的糖分含量是決定光譜品質的重要因素，糖分光譜特征主要在700nm-820nm的吸收以及750nm附近800-900nm的峰值等。
高光譜成像系統水果分選利用工業領域的傳送帶作為高光譜相機的推掃成像機構，高光譜相機利用龍門架結構架設在傳送帶上方，配合專用線型光源進行照明。系統主要包括高光譜相機及其支架、線型光源、控制模塊、相關定位傳感器、計算機（運行控制與數據采集軟件）等組成。
2015年發表的論文“Hyperspectral optical tomography of intrinsic signals in the rat cortex”一文中，研究人員研究了大鼠大腦皮層的高光譜成像，研究者發現有氧血紅蛋白和脫氧血紅蛋白分別在529nm和630nm處有敏感變化。鑒于高光譜技術數據算法的靈活多邊性，作者開發了一種新的高光譜算法DOT，用于方便快捷的判斷血液中結合氧含量。
2017年發表的“Kleptoplast photosynthesis is nutritionally relevant in the sea slug Elysia viridis”一文中，研究了海蛞蝓的“光合作用”，海蛞蝓以大型藻類為食，并將葉綠體滲入其腎小管細胞中，研究者利用高光譜成像對海蛞蝓體內的葉綠體的豐度、分布和光合作用機制進行了研究，發現黑暗饑餓24天的海蛞蝓體內的葉綠體明顯變少，可見，在極其惡劣的環境中，海蛞蝓體內的葉綠體可進行分解，以滿足其能量需求。
2012年發表的論文“Hyperspectral imaging and spectral-spatial classification for cancer detection”，文中提出高光譜成像是一種用于生物醫學應用的新興技術。本研究提出了一種的圖像處理和分類方法，用于分析前列腺癌檢測的高光譜圖像數據。開發了最小二乘支持向量機（LS-SVM）并對其進行了評估以對高光譜數據進行分類，以增強對癌組織的檢測。該方法用于檢測荷瘤小鼠的前列腺癌。創建空間分辨圖像以突出癌癥的反射特性與正常組織的反射特性的差異。小鼠的初步結果表明，高光譜成像和分類方法能夠可靠地檢測動物模型中的前列腺腫瘤。高光譜成像技術可以為癌癥的光學診斷提供新工具。
Houzhu Dingd等（2015）、Michael S. Chin等（2015）本別以豬和裸鼠作為實驗動物，對燒傷分級和恢復進行了高光譜成像研究。左圖為根據高光譜成像分析得出的燒傷區域氧飽和分布與血紅蛋白分布，T00、T01、T04、T24分別為燒傷0時、1小時、4小時、24小時后；右圖上圖為裸鼠燒傷皮膚彩色成像，中圖為高光譜成像分析的氧合血紅蛋白成像，下圖為組織切片，高光譜成像可以將燒傷深度進行非損傷、非接觸、高通量分級。
2013年發表的“Non-Invasive Measurement of Frog Skin Reflectivity in High Spatial Resolution Using a Dual Hyperspectral Approach”一文中，研究者采用了由兩個推掃式高光譜成像系統組成的雙攝像機設置，其產生400和2500nm之間的反射圖像，分析了三種樹棲青蛙的光譜反射率。3中樹蛙都呈現出肉眼可見的綠色，但物種之間的光譜反射率在700和1100nm之間顯著不同，依次可以區分不同種類。
自1974年兵馬俑被發現以來，一直為關注，被法國前總統希拉克譽為“八大奇跡”。但是，包括兵馬俑在內的這些埋于地下兩千多年的珍貴文物，突然暴露在空氣中，極易發生變化，其修復和保護工作極為困難。高光譜成像技術通過非接觸直接獲取兵馬俑的圖像光譜信息，通過分析兵馬俑的圖像及光譜信息，可了解兵馬俑被病害侵蝕程度以及兵馬俑制造的顏料，*后根據分析結果對其進行模擬修復。
高光譜數據能區分作物更細微的光譜差異，探測作物在更窄波譜范圍內的變化，從而能夠準確地對作物進行詳細分類與信息提取。目前、應用的高光譜作物分類方法有光譜角分類（SAM）、決策樹分層分類等。
中科院遙感所熊楨基于高光譜影像對常州水稻生長期進行監測，利用混合決策樹法對水稻的品種進行了高光譜圖像的精細分類，包括6個水稻品種的劃分，分類精度達到 94.9%。張兵充分考慮自然界地物分布的一般性規律，針對高光譜遙感海量數據的特征，利用光譜特征優化的專家決策分類方法，用高光譜影像對日本南牧農作物進行精細分類。結果表明，這種分類模式一方面可以提高像元分類精度，另一方面也大大減少了分類結果圖像上的誤判噪聲。
我國是大的糧食生產國，谷物類包含水稻、小麥、玉米、花生等。通過高光譜成像技術對大米急性檢測，檢測質量及種類，得到大米高光譜圖像，以主成分分析方式，對圖像中的數據降維處理，提取堊白度及形狀特點，以PCA、BPNN建立谷物識別模型，發現采用BPNN模型效果較為理想，其準確率達到89.91%，而PCA準確率為89.18%，兩者相差不大。BPNN和數據融合結合，準確率進一步提高，可達到94.45%。因此，采用高光譜成像技術對谷物進行檢測，對大米種類及質量分析具有實用性。
森林樹種類型識別的主要目的是提取森林樹種的專題信息，為劃分森林類型、繪制林相圖和清查森林資源提供基礎和依據。
目前研究多集中在河湖、鹽沼、海岸灘等濕地生境的植被識別及制圖，即群落尺度的區分。結合地面調查來提取不同物種典型的特征光譜曲線。數據源采用高光譜成像儀實地測得的數據，通過建立光譜信息模型等方法，實現對主要物種、森林類型或具體樹種的識別。有學者借此對植被空間分布制圖、植被變化監測進行研究，均取得了與地面數據相當好的一致性。（混合決策樹、專家決策樹法常用于農作物的精細分類，高光譜更多應用于草原生物量估算、農作物理化信息提取等方面。
