Revolution der Lebensmittelsicherheit: Schnelle, präzise Wertvisualisierung mit Hyperspektraler Bildgebung

Die globale Lebensmittelinspektionsbranche benötigt neuere und präzisere Werkzeuge, um strenge Regierungsvorschriften zu erfüllen. Von Spezialkulturen über Meeresfrüchte, Fleisch und Geflügel – der Markt für Lebensmittelsicherheitstests allein wurde 2021 auf 19,5 Mrd. USD geschätzt und soll bis 2026 28,6 Mrd. USD erreichen¹. Hier kann Hyperspektrale Bildgebung (HSI) ein Werkzeug sein, das mühsame, arbeitsintensive Aufgaben lindert und ein neues Maß an Konsistenz in historisch subjektive Bewertungsanwendungen bringt.

Von der Fernerkundung zur industriellen Maschinenvision

Ursprünglich für Fernerkundungsanwendungen mit Bildern von Flugzeugen und Satelliten entwickelt, ist HSI zu einer kommerziell nutzbaren Technik für fortgeschrittene Maschinenvisionsanwendungen geworden. HSI-Sensoren wirken wie Tausende oder Millionen Spektrometer, die chemische Signaturen aus dem reflektierten Licht jedes Pixels eines Bildes liefern. Headwalls Sensoren können auf Wellenlängenbereiche abgestimmt werden, die über die Fähigkeit des menschlichen Auges hinausgehen – von Ultraviolett und Visible (UV, VIS) bis in den Nahinfrarot (VNIR, NIR, SWIR).

Spektrale Merkmale, die dem Auge entgehen

Hyperspektrale Sensoren können spektrale Merkmale unterscheiden, die dem menschlichen Auge und konventioneller Farbbildgebung entgehen. Diese Merkmale können potenziell schädliche Fremdkörper detektieren und ein Mittel bieten, Material wie Lebensmittelprodukte zu sortieren und zu klassifizieren, deren Wert oft an Eigenschaften geknüpft ist, die von einem HSI-System besser und konsistenter gemessen werden als von einem Menschen, der Ermüdung oder Effekten variierender Kaffeemengen am Tag ausgesetzt ist ².

Neue HSI-Plattformen überwinden Datenhürden

HSI-Systeme standen bei der industriellen Einführung vor großen Hürden wegen der Notwendigkeit, riesige Rohdatenmengen zu bewältigen und die relative Komplexität der spektralen Klassifikationsmodellentwicklung zu adressieren. Neuere HSI-Plattformen wie Headwalls Hyperspec® MV.X Imaging-System kombinieren einen hochleistungsfähigen Imaging-Spektrometer mit leistungsstarker eingebetteter Rechenleistung und Software, um spektrale Klassifikationsmodelle schnell zu erstellen, umsetzbare Ergebnisse in Echtzeit zu extrahieren und Anweisungen über das lokale Netzwerk zu senden, um Aktionen auszulösen oder Monitoring- und Steuerdaten zu sammeln.

Ein anderer Blick: Jenseits von RGB

Das menschliche Auge kann nur Bilder im sichtbaren Spektrum zwischen 400 nm und 700 nm detektieren. Es gibt nur drei Farben in diesem Bereich unter breiten RGB-Bereichen (Rot, Grün, Blau), und die Farbempfindlichkeit jedes Menschen variiert stark. Dennoch hängt die Lebensmittelinspektionsbranche seit Jahrhunderten von Menschen und RGB-Sensoren ab, um Probleme zu erkennen und Produkte zu klassifizieren. Dazu gehören Fremdkörper, die früher im Ernteprozess übersehen wurden, und schwer detektierbare Krankheitszustände, die für beide traditionellen Methoden weitgehend unsichtbar sein könnten. Die Einsätze sind hoch: Verbraucherpräferenz, Einhaltung neuer Regierungsvorschriften und Unternehmenswert können alle von der Präzision und Effektivität abhängen, mit der Inspektion in allen Facetten der Lebensmittelindustrie implementiert wird.

„Spektrale Bildgebungssensoren“ lassen sich in zwei Kategorien unterteilen. Multispektrale Sensoren umfassen eine Handvoll Spektralbänder, von vier bis Dutzenden, während hyperspektrale Sensoren einen viel granulareren (hochspektralauflösenden) Blick bieten, da sie buchstäblich hunderte Spektralbänder gleichzeitig erfassen können. Beide liefern ein weit vollständigeres Bild der inspizierten Lebensmittel, da sie weit über das einfache RGB-Paradigma hinausgehen.

Menschen sehen Farbe als Kombinationen von Rot (1), Grün (2), Blau (3) in einem sehr kleinen Bereich des elektromagnetischen Spektrums. Die Hinzunahme von Bändern 4 und 5 stellt ein multispektrales Beispiel dar, wo mehr als 3 Spektralbereiche erfasst und analysiert werden. Hyperspektrale Bildgebung nutzt hunderte Bänder des Spektrums statt nur weniger. Dies ermöglicht die hohe Leistung eines Punktmess-Spektrometers, aber an jedem Pixel eines Bildes, das aus Millionen Pixeln bestehen kann.

Pushbroom-Technologie und Datencube

Ein „Pushbroom“-hyperspektraler Sensor erfasst Bilder zeilenweise durch einen Spalt (links), jede Zeile enthält Pixel, die die spektralen Eigenschaften des Objekts speichern (Mitte). Während sich der Sensor relativ zum Scanbereich bewegt, baut sich ein Datensatz auf (rechts). Der resultierende Datensatz kann als Stapel betrachtet werden, wo jede Schicht ein bestimmtes „Band“ (ein kleiner Wellenlängenbereich) repräsentiert. Pixel werden zusammengefügt zu einem Bild, wo jedes Pixel nicht nur konventionelle RGB-Werte, sondern hunderte Werte entlang des Wellenlängenbereichs des Sensors enthält.

Die Grundfunktion eines hyperspektralen Sensors ist, einzelne Schnitte einer eingehenden Szene durch einen physischen Spalt (Pushbroom-Design) einzufangen und jeden Schnitt in diskrete Wellenlängenkomponenten zu zerlegen, die dann einer Focal Plane Array (FPA) präsentiert werden. Ein Beugungsgitter managt die Dispersion der Bildschnitte in diskrete Wellenlängenkomponenten. Das Gitter ist mit präzisem Rillenprofil konstruiert, um räumliche Kohärenz in einer Dimension (Länge des Bildspalts) zu erhalten und die räumliche Information (Spaltbreite in Mikrometern) zu beugen. Dieser Beugungsprozess lässt den spektralen Inhalt zu bekannten Wellenlängenkanälen auf dem Sensor transversieren.

Die all-reflektive Pushbroom-Spektral-Zeilen-Scantechnologie von Headwall erfasst eine Spektrallinie (X räumlich, Z spektral) in jedem „Frame“. Aufeinanderfolgende Frames bauen die Y-räumliche Dimension auf. Das Pushbroom-Design wird für seine Fähigkeit bevorzugt, geringe Verzerrung bei sehr hoher räumlicher und spektraler Auflösung zu bieten. Hoher Durchsatz bedeutet hohes Signal-Rausch-Verhältnis und sehr geringes Streulicht. Da es ein all-reflektives Design ist, werden chromatische Dispersionsprobleme eliminiert.

Licht, Robotik, Datenverarbeitung

Da HSI-Sensoren reflektiertes Licht messen und analysieren, ist Beleuchtung eine wichtige Überlegung. Ziel ist eine extrem gleichmäßige, konsistente, robuste und ökonomische Ausleuchtung des Sichtfelds. Für VNIR eignet sich Quarz-Wolfram-Halogen (QTH), neuere LED-Quellen sind eine Alternative. Gebündelte Lichtwellenleiter bieten ebenfalls gleichmäßiges Licht. Da vieles, was die Lebensmittelinspektion interessiert, jenseits des sichtbaren Bereichs (ca. 700 nm) reflektiert, ist eine Lichtquelle, die beide Seiten dieses Punkts abdeckt, vital.

Robotik-Untersysteme sind natürlicher Bestandteil vieler fortgeschrittener Maschinenvisionsverarbeitungslinien. Die Fähigkeit zu diskriminieren und zu eliminieren hängt von der Fähigkeit von Sensor und Robotiksystem ab, schnell und treu in Echtzeit zu kommunizieren. Hyperspec®-Sensoren laufen mit hunderten Frames pro Sekunde – gut geeignet für Hochgeschwindigkeitslinien und eingebettete Robotiksysteme.

Gigabit Ethernet wird oft genutzt, um Datenflussperspektivisch alles zu verbinden. HSI-Systeme und Computer, die eingehende Daten managen, arbeiten alle mit Gigabit Ethernet, aber auch anderen schnellen Kommunikationsverbindungen wie CameraLink.

Bei der Inspektion von Spezialkulturen wie Nüssen und Beeren geht es um sehr ähnlich aussehende Objekte mit kleinen Variabilitätsgraden. Daher ist die Aufteilung des Signals oder Bildes in hunderte hyperspektrale „Kanäle“ ein Vorteil für die Branche.

Da Benutzerfreundlichkeit oberste Priorität hat und steile, aber schnelle Lernkurven nötig sind, ist Headwalls Software intuitiv und enthält Funktionen, die Nutzer befähigen, ihre Inspektionsprozesse basierend auf Sensorwahrnehmungen anzupassen. Der algorithmenbasierte Prozess identifiziert spektrale Charakteristika, auf die Nutzer stoßen könnten. Beispielsweise sind Mandeln mit Insektenschaden unter RGB-Analyse kaum von „guten“ Mandeln zu unterscheiden. Dieselbe Szene klassifiziert mit HSI hebt die beschädigten hervor, die vom nachgelagerten Robotiksystem eliminiert werden können.

Die Kombination innovativer Sensoren, Software und Workflow ermöglicht einer wachsenden Zahl von Nutzern Zugang zu HSI mit echten Lösungen, die Spektraldaten nutzen, um nicht nur Kontamination zu detektieren, sondern auch Produkte zu „klassifizieren“, sodass weniger verschwendet und mehr in Umsatz umgewandelt wird. Hyperspektrale Bildgebung erschließt diese Möglichkeit in der Maschinenvisionsindustrie.

Literatur

1. „Food Safety Testing Market by Target Tested...“, Markets and Markets, Mai 2021
2. „The effect of caffeine on the color-discriminating function...“, Ovanesov KB, 1998
3. „Multispectral vs Hyperspectral Imagery explained“, GISGeography, 2018
4. „Handbook of Machine Vision“, Hornberg, Wiley-VCH, 2006

Verfasst von Christian Felsheim, Director Headwall Photonics EMEA, und Dr. Will Rock, Senior Application Engineer, Headwall Photonics (Bolton, MA). Mehr Infos hier.