Resonon | Resonon高光谱成像仪及激光雷达一体机应用合集

点击蓝字 关注我们

LICA

—— 2024年文章汇总  ——

[ Resonon 高光谱成像仪及

激光雷达一体机应用合集 ]

●●●

Resonon | 使用高光谱成像仪和机器学习对新鲜和冻融牛肉进行分类

●●●

该实验在大约20公顷的土地上进行。为了进行校准，使用 100 × 100 m 网格采样策略收集了 20 个样品，同时随机收集了 20 个样品进行独立验证。无人机捕获空间分辨率为0.05×0.05 m的高光谱图像。

本研究采用Resonon公司的Resonon-Pika-L高光谱成像仪由高光谱成像光谱仪、六旋翼无人机、GPS和计算机组成。于2020年6月15日获取了覆盖整个研究区、像素大小为0.05×0.05 m的高光谱图像。高光谱图像提取的光谱范围为400~1000 nm，光谱分辨率为2.1 nm。

葡萄中的芳香化合物对葡萄酒质量和价值具有直接影响，尤其是在西班牙白葡萄品种中，如VitisviniferaL.Tempranillo Blanco。近年来，由于气候变化，葡萄在成熟过程中的化学成分演变可能与技术成熟度不匹配，这为葡萄酒生产带来挑战。高光谱成像技术(HSI)作为一种快速、无损的方法，可以连续获取大量数据。本研究旨在利用HSI技术在两个不同年份中对Tempranillo Blanco葡萄进行实时监测，为葡萄酒生产提供可靠的数据支持。

本研究使用Resonon PikaL高光谱成像仪进行高光谱图像采集，其光谱分辨率为2.1nm，覆盖了400至1000nm的300个波段。相机与样品之间的高度设置为480mm，照明装置包括四个50W卤素灯。

坚果仁样本分两个阶段收集。第一阶段是直接从加工线上收集仁，由加工厂的实验室工作人员进行机械破碎，水分含量低于3%。共收集了30袋约150克的坚果仁，并从这些袋子中随机抽取15个单独样品。第二阶段是手动破碎收集的带壳坚果样本(前面所述)中的坚果仁，水分浓度在 3% 到 25% 之间，然后立即进行成像(图 1)。坚果仁采样的第二阶段是特意获取水分浓度>3%的坚果仁。

本研究使用Resonon Pika XC2高光谱成像仪采集高光谱图像。样品被放置在定制的胶合板托盘上，以消除成像过程中的移动误差。首先，将带壳坚果样品随机放置在托盘上并进行成像(图2a、b)，然后旋转≈180°并重新成像。对于果仁样品，将坚果以两个方向放置在托盘上以获取图像:1)底部朝上(图 3a、b)和 2)底部朝下(图 3c、d)方向。

2021年5月至9月，来自安徽农业大学、东北农业大学以及浙江大学的研究团队在中国哈尔滨东北农业大学农业示范基地进行了试验。该地区以营养丰富的黑土和年平均降雨量400-600毫米为特点，年平均有效积温为2800°C，适宜植物生长。播种于2021年5月6日进行，采用玉米品种香河88，并进行附加实验评估玉米与杂草的竞争。作者将杂草密度分为五种处理(N0至N4)，分别为0、20、40、80和160株/m,。每种处理重复三次，共15个地块，每个地块面积为3x15m,，相邻地块设有防护带。杂草幼苗被疏伐以模拟不同密度。无人机数据采集使用LR1601-IRIS 激光雷达一体机(北京科技有限公司)和Resonon PikaL高光谱成像仪集成到DJIM600Pro无人机中。数据采集涉及到高光谱数据及激光雷达数据，在一次飞行活动中完成。

本文介绍了一种利用机载高光谱短波红外 (SWIR) 图像的新方法，用于记录和分析地表考古材料。SWIR 光可以区分不同类型的岩石、矿物和土壤，地质学家经常利用这一原理绘制地质图。Resonon Pika IR+高光谱成像仪能够以优于10厘米的空间分辨率收集SWIR图像，从而识别并表征地表文物。本文探讨了在NASA Space Archaeology 资助下进行的实验，展示了这项技术的潜力和挑战，特别是在成功定位和表征单个文物方面，同时指出了未来发展的关键方向。

作者团队将 Resonon Pika IR+高光谱成像仪安装在 DJI M600上（图 1）。还在机身顶部安装了额外的 GPS 天线杆，并安装了一个 GPS 定位器，用于将位置数据传输到 Pika 的 IMU。

无人机系统为大疆M300 RTK，飞行高度200 m，飞行时间和速度见表1。无人机搭载美国RESONON公司生产的Pika L 高光谱成像仪，重量0.6 kg，光谱范围为400～1000 nm。由于水面光反射信号较弱，采用合并技术将多个相邻像素合并为一个，从而提高线性CCD的像素响应度和信噪比。最终采集的无人机图像的光谱间隔为4 nm。考虑到两端的传感器噪声，最终选择了400～900 nm范围内的光谱信息。

烟草作为重要经济作物，其种植过程中必须采用化学防治以降低病虫害的影响，但农药的使用也带来了环境和健康风险。因此，农药残留问题引起了行业的高度关注。尽管传统的检测方法如气相色谱和高效液相色谱具有高准确性，但其过程复杂且资源消耗较大。近年来，高光谱成像（HSI）技术因其快速、无损、准确的特性，广泛应用于农药残留检测。研究显示，HSI结合机器学习算法可以有效识别和预测农药残留水平，具有很高的准确性。然而，目前烟草的农药残留检测仍多依赖传统方法，无法满足实时检测需求。本研究旨在利用HSI技术分析各种农药及其残留，捕捉不同农药种类之间的光谱差异，并开发和优化机器学习模型以提高检测效率和准确性。

本研究采用 Resonon的Pika XC2 高光谱成像仪进行光谱图像采集。光谱范围从 400 nm 到 1000 nm，光谱分辨率为 1.9 nm，涵盖 462 个波段，更多详细信息见表 3。

近年来，无人机高光谱遥感技术的快速发展使得基于光谱数据的作物监测成为可能。高光谱遥感通过提供连续的光谱数据，能够更准确地估算作物生物量。已有研究利用无人机平台评估土地分配、作物生理特性及氮的空间变异性等，表明高光谱遥感在农业监测中的潜力。尽管学者们在基于遥感数据构建植被指数方面进行了大量研究，但基于原始光谱信息对AGB的影响分析及不同数据源的比较研究仍显不足。因此，本研究旨在基于高光谱数据提取敏感波段，计算植被指数，并对内蒙古草甸草原的现存AGB进行反演及不同数据源的估产比较。

无人机高光谱图像由DJI M 600 Pro无人机搭载美国Resonon Pika L高光谱成像仪拍摄，光谱分辨率为2.1 nm，光谱范围为400–1000 nm。无人机搭载的成像仪沿飞行方向垂直扫描，记录每一行光谱维度数据，在无人机飞行过程中完成所有数据的立体采集（图3）。

高光谱成像（HSI）作为一种新兴技术，能够提供更详细的静脉信息。通过捕获从可见光到近红外波段的光谱数据，HSI有望提高静脉检测的精度。为支持这一研究，本研究使用Resonon高光谱成像仪构建了一个包含100名受试者的高光谱图像数据集，涵盖多种肤色并标注静脉位置。

由于HSI数据体积庞大，降维技术（如PCA、FPCA和WaLuMI）被用于简化数据并提升检测性能。结合支持向量机（SVM）分类器，这些技术能够提高静脉检测的准确性。HSI不仅在静脉检测中具有应用潜力，还在组织氧饱和度和视网膜监测等领域展现了广泛的前景。

总体来说，HSI为静脉检测提供了更精确的方法，降维技术优化了数据处理，增强了检测效果。