工業產線上的高光譜

工業產線上的視覺檢測，過去幾十年一直在做同一件事：看外觀——劃痕、色差、尺寸偏差，本質是二維灰度或RGB圖像的幾何+亮度判斷。高光譜成像把這個能力直接拉到了分子層面：每個像素不再只是RGB三個通道，而是上百個連續波段的光譜曲線，直接反映物質成分。但要讓這套系統真正從"能看"升級到"能測"，光譜分辨率、信噪比、標定校準三個條件缺一個都不行。

光譜分辨率：從10nm到1nm的質變光譜分辨率決定了系統區分相似物質的能力。10nm分辨率的設備，水和稀酒精的光譜曲線幾乎重疊——兩者在近紅外的吸收峰間距不到8nm，10nm的采樣間隔直接把差異抹平了。把分辨率推到5nm以內，水和酒精的特征吸收峰才能被清晰分離，食品分選場景中這恰恰是判斷水果內部糖度、霉變的核心依據。

不同應用場景對分辨率的需求差異很大。食品分選5nm夠用，礦石分選3nm起步，藥品原輔料鑒別需要2nm甚至更高——API和輔料的分子結構相近，光譜特征差異極小，低分辨率設備根本無法區分。一味追求高分辨率也有代價：波段數翻倍，數據量指數級增長，實時處理的算力需求直線上升。選型時一個關鍵判斷：你的目標物質之間的光譜差異，在哪個尺度上？拿實際樣品做光譜掃描，看特征吸收峰的間距，再選分辨率覆蓋這個間距的1/3-1/2，留足分辨余量。Specim FX10（400-1000nm，5.5nm）適合食品和塑料分選；FX17（900-1700nm，8nm）覆蓋SWIR波段的水分和蛋白檢測；需要更高分辨率就得看推掃+光柵組合的定制方案。

信噪比：SNR≥200:1才是有效數據信噪比（SNR）是高光譜數據的生命線。光譜分辨率再高，SNR不夠，提取出來的光譜曲線就是噪聲和信號攪在一起的糊涂賬。經驗閾值：SNR低于200:1，分類模型的準確率斷崖式下降。原因很直接——微弱的成分特征信號被噪聲淹沒，PCA降維后有效成分和噪聲成分混在同一主分量里，模型學到的不是物質特征而是噪聲模式。提升SNR有三條路徑，各有取舍。積分時間延長能提升信號強度，但產線速度不允許無限制加長，超過20ms幀率就降到50fps以下，對高速傳送帶上的產品來說太慢了。多幀平均更實用——連續采集4-8幀取均值，SNR提升√n倍，4幀平均就翻一倍。暗電流扣除是基本功，InGaAs探測器在SWIR波段的暗電流不可忽略，不扣暗電流的數據直接做定量分析，結果偏差10%起步。

實際部署中還有一個容易被忽略的噪聲源——環境光干擾。實驗室里暗室條件SNR輕松上500:1，到了產線頂燈光、窗戶漫射光全進來，SNR直接砍半。解決方案是遮光罩+暗箱結構，把檢測區域的光環境控制在可預期范圍內，再配合周期性暗幀采集做動態基線校正。標定與校準：三重校準缺一不可高光譜數據從"能看圖"到"能定量"，中間隔著一整套標定校準流程。未標定的原始數據只是DN值（數字量化值），不同設備、在不同周期采集的DN值之間沒有可比性，根本做不了定量分析。輻射標定、反射率標定、波長標定，三重校準缺一不可，數據的定量意義就歸零。

產線環境下的標定頻率是另一個關鍵決策點。實驗室里每周標定一次夠了，產線上溫度波動、振動、光源衰減都會讓校準偏移。實際操作建議：每班次開機前做一次白參考校準（1分鐘搞定），每周做一次完整的輻射+波長標定。校準偏移是漸進的，不定期標定的系統，數據漂移幾天就能超5%，對藥品和食品行業的定量檢測來說已經不可接受了。建立完整的輻射+反射率+波長三重標定流程。三步走完，高光譜系統才能從"拍彩圖"進化到"出數據"。