SWIR Multiplexing

SWIR Multiplexing

Zeitliches Multiplexen für günstige Multispectral Lösungen

Hyperspectral Imaging ist die Antwort auf den wachsenden Bedarf möglichst feine Materialunterschiede erfassen zu können. Die Hersteller entwickeln hierfür immer bessere Hard- und Softwarekomponenten. Hohe Kosten sowie technische Aspekte schränken allerdings den Einsatz dieser Technologie in einigen Fällen ein. Daher lohnt es sich, alternative Ansätze zu evaluieren, wie z.B. das zeitliche Multiplexen mit unterschiedlichen Beleuchtungen.

Mehrkanal (oben), Foto einer Digitalkamera (l.u.), Ergebnis der pixelweisen Klassifikation in Halcon mit zeitlichem Multiplexen (r.u.). (Bild: MSTVision GmbH)

Bild 1 | Mehrkanal (oben), Foto einer Digitalkamera (l.u.), Ergebnis der pixelweisen Klassifikation in Halcon mit zeitlichem Multiplexen (r.u.). (Bild: MSTVision GmbH)

Eine Eigenschaft von hyperspektralen Kameras ist die gute Wellenlängenauflösung über einen weiten Bereich. Je nach Anwendung kommen unterschiedliche Spektralbereiche zum Einsatz, am häufigsten der Bereich 900 bis 1.700nm (InGaAs Chips, SWIR), aber auch 400 bis 1.000nm (Silizium Chips: VIS/NIR). Ein typischer Ansatz ist es dabei, das Objekt breitbandig zu beleuchten und das Licht in der Kamera spektral zu zerlegen. Beim Einsatz einer Matrixkamera wird dann eine Richtung auf dem Kamerachip für die Aufteilung nach Wellenlängen benötigt. Die Kamera kann also nur wie eine Zeilenkamera benutzt werden. Dabei liegen für jede Zeile Informationen aus vielen Wellenlängenbereichen vor, weshalb eine relative Bewegung zwischen Kamera und Objekt nötig ist.

 Symbolische Darstellung ausgewählter LED-Spektren. (Bild: MSTVision GmbH)

Bild 2 | Symbolische Darstellung ausgewählter LED-Spektren. (Bild: MSTVision GmbH)

Seiten: 1 2Auf einer Seite lesen

Thematik: inVISION 3 2018
Ausgabe:
MSTVision GmbH
www.mstvision.de

Das könnte Sie auch Interessieren

Bild: Conet Solutions GmbH
Bild: Conet Solutions GmbH
Sauber dank KI

Sauber dank KI

Viele Anwendungen von Bilderkennung erfordern individuell trainierte KI-Modelle. Für die Qualitätssicherung benötigt die KI das Wissen, welche Bereiche in Bildern auf mangelnde Qualität hinweisen. Das Anreichern von echten Bilddaten mit synthetisch erzeugten Bildern liefert der KI Trainingsmaterial, das die Treffsicherheit von KI-Entscheidungen erhöhen kann, z.B. bei einer Mehrwegkisten Waschanlage.

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige