看了sCMOS VNIR高光谱成像系统的用户又看亅/p>
虚拟号将 180 秒后失效
使用微信扫码拨号
sCMOS高光谱相朹/span>光谱范围涵盖400-1000 nm'/span>VNIR(/span>范围,具有极低的噪声、高分辨率、高成像速率和坚固的结构,是一款专为各种科研及商业应用设计的非常优秀的高光谱成像测量工具、/span>
sCMOS高光谱相机由一个ImSpector V10E,和一个高速sCMOS面阵单色相机组成,作为一款线性推扫式相机,为每个像素提供完整的、连续的光谱信息。在光谱仪中使用的透射衍射光栅和透镜光学提供了高质量、低失真的图像,以满?苛刻的规格要求、/span>
该相机具有极低的噪声(几个电子)和高信噪比等优异性能?184像素的空间分辨率,高?00?秒的成像速率和可调的binning特性,使其成为一款可以满足更高级别要求的高光谱成像系统、/span>
主要特点
l 科研级温度稳宙/span>sCMOS探测?/span>
l 空间分辨率高辽/span>2184像素
l 光谱波段数高辽/span>946
l 帧率:100??全帧),binning条件下可达更高帧逞/span>
l 超高信噪比,专为科研及商业应用领域设讠/span>
相机规格
光学特?/span> | |
光谱相机 | sCMOS-CL-50-V10E |
光谱范围 | 400-1000nm |
光谱分辨率FWHM | 2.9nm?0m狭缝(/span> |
光谱采样 | 0.63-5.07nm(根据binning调整(/span> |
空间分辨玆/span> | RMS光斑大小?m |
F倻/span> | F/2.4 |
狭缝宽度 | 30m?8?0?0?50m可选) |
有效狭缝长度 | 14.2mm 14.2mm |
电气特?/span> | |
探测?/span> | 温度稳定sCMOS |
空间像素 | 2184 |
光谱波段?/span> | 946 |
像素大小 | 6.5m |
信噪比(峰值) | 170:1(无binning)至680:1?2binning(/span> |
相机输出 | 16bit CameraLink |
数据线缆 | 5m长度 |
相机控制 | CameraLink |
帧捕获器 | BitFlow Carbon |
帧率 | 100fps(全帧) |
附件特?/span> | 非对称空间与光谱binning(SW) |
曝光时间范围 | 8.1-100ms |
功耖/span> | 60W |
输入电压 | 110/230V?0/60Hz?4V DC |
环境特?/span> | |
存储温度 | -20…﹢50ℂ/span> |
操作温度 | ?…﹢40℃,无凝氳/span> |
机械特?/span> | |
尺寸 | 400110120mm |
重量 | 2.0kg |
镜头支座 | 标准C-mount |
快门 | 电机械快?/span> |
附件配置9/span>PFD系统提供多种附件供用户扩大应用领埞/span>
l 前置物镜:为整个光谱范围提供高质野/span>的图像和光谱数据,可逈/span>18?3?40mm镜头
l 采集光纤9/span>尅/span>相机转换成多点光谱仪+/span>所有的炸/span>坆/span>在没有移动复用器的情况下同时测量
l 镜像扫描器或旋转平台9/span>用于扫描静?/span>目标和户外场景,戕/span>结合X-stage sample mover用于桌面和显微镜应用、/span>
l 数采软件9/span>PFD支持LUMO软件,用于采集数据、设置参数、影像实时可视化、ENVI兼容格式数据立方,支持多款通用软件进一步处理分析、/span>
l SDK9/span>还可以为快速高效的应用开发提侚/span>SDK
应用领域
应用案例
'/span>1)基于多传感器的地质矿物探测9/span>
基于不同的多传感器组吇/span>,对于矿物表面的细节表达及详细的光谱分析?/span>非常有利皃/span>。通过VNIR、SWIR和LWIR范围内的传感器组合可以同时探测蚀变矿物和成岩矿物,并提高在不同波长区域具有特征的某些矿物的探测可靠性、/span>高空间分辨率数据的集成可以用于绘制复杂的矿物样品,可据此在分类基础上对矿物域进行制图,并作为相对丰度的半定量估计、/span>
'/span>2)水果表皮甲醛检测:
福尔马林作为一种对人体有害的生物采样化学物质,被广泛应用于孟加拉国,作为鱼类、水果、蔬菜等食品的防腐剂。本研究使用sCOMS相机对不同新鲜水果和被福尔马林污染过的水果进行光谱成像,通过K-NN方法和SVM方法分析实验数据+/span>结果表明,两种分类算法对福尔马林污染水果的新鲜水果分类正确率均为70-94%,其?/span>k-NN对每个样本的正确率均高于SVM 85%以上。红苹果、青苹果和番茄在k-NN咋/span>SVM的分类准确率均在90%以上。基于这种精度,以光谰/span>反射率作为波长特征函?/span>即能夞/span>成功?/span>应用于果蔬新鲜度检测及质量控制、/span>
暂无数据