本系統憑借便攜、輕巧、智能化、即開即用、在線測量、實時分析的特點，廣泛適用于實驗室或野外等多種場景，通過對葉片或冠層水平光譜反射及溫度進行高分辨率成像，可應用于快速無損、高通量原位生態遙感監測、植被生物及非生物脅迫監測、植物蒸騰及氣孔導度研究、生物多樣性監測等，尤其對葉片及冠層尺度植被生長監測、物種多樣性調查、環境及生態系統動態變化等具有重要意義。

  
     
  本系統主要由光譜成像傳感器及便攜臺架組成，成像傳感器包括內置推掃智能高光譜成像單元和LWIR紅外熱成像單元。高光譜成像單元集采集、分析處理、結果可視化等功能特點于一體（ALL-IN-ONE），具備IP等級防護和全自動運行特點，內置WiFi可遠程控制，實現無人機值守工作。曾榮獲2018年德國設計協會“紅點設計獎”—*的工業設計獎項、連續兩年獲得“inVISION創意獎”。紅外熱成像單元具有高達640×512px的像素分辨率及0.03℃超高靈敏度，其低能耗、輕量級、堅固結構設計完美適用于野外復雜嚴苛條件下原位監測場景。

應用領域：
  適用于光合作用研究和植被脅迫研究，農業、林業、生態系統監測等領域。研究內容涉及光合活性、脅迫響應、病蟲害監測、農田測繪及普查等。

• 野外原位生態遙感監測

• 病蟲害監測與防治

• 森林資源調查評估

• 樣方高通量遙感監測

• 植物表型與形態學研究

• 作物產量評估及農情監測

• 作物干旱脅迫監測及灌溉管理

• 農田測繪及農業普查

• 作物育種及抗性篩選

• 生物多樣性及種質資源調查

  

功能特點

• 系統化一體式設計，輕量便攜，適合野外原位生態調查使用

• 智能化高光譜成像傳感器，覆蓋400-1000nm波段，可計算數十種植被指數圖像

• 高性能紅外熱成像測溫系統，溫度分辨率0.03℃，配有溫度數據專業分析軟件，提取感興趣區域溫度動態變化曲線

• 高光譜成像傳感器具備GPS模塊，便于不同地理位置的數據融合分析

主要技術指標：
1.系統化支架設計：集全太陽光譜雙光源、成像單元、云臺及三腳支架于一體，重約5kg，便攜組裝、易于操作
2.400-1000nm智能高光譜成像：集光譜數據采集、自動掃描成像、自動分析處理、可視化分析結果等功能于一體，可通過光譜特征曲線創建App導入相機直接應用，進行性狀快速篩選、檢測、識別等功能
  光圈F/1.7
  光譜分辨率7nm
  光譜波段：204，可選Bin 2x和Bin 3x
  內置GPS，每個高光譜數據立方均自帶地理標簽，便于定位、多源信息融合分析
  內置SAM算法，無需任何復雜處理，即可快速實時顯示分析結果
  自帶4.3英寸觸摸屏+13個物理按鍵，可快速實時測量分析得出結果
  具備USB或WIFI遠程控制功能，可通過USB線纜或無線WIFI在軟件中控制相機運行         

3.7.5-13.5μm紅外熱成像成像，非制冷紅外焦平面檢測器，640×512像素，出廠黑體校準，內置NUC校準含校準證書溫度分辨率0.03℃，9/30/60Hz可選
  測溫范圍：-25℃至+150℃或+40℃至+550℃，可選1500℃
  溫度靈敏度≤0.03℃（30mK）@ 30℃；
  數據傳輸：USB-3或GigE千兆以太網
  光學鏡頭，可選配6.8mm、9mm、13mm、19mm鏡頭
  具備14種調色板供任意選擇，可多樣化設置熱成像假彩色
  具備等溫模式、溫度預警、ROI分析、溫度剖面、3D溫度顯示、輸出報告等功能
  支持CSV、非輻射JPEG、輻射JPEG、輻射視頻、AVI、MP4等格式輸出
  防護等級：IP65，適用野外嚴苛條件下適用 

  參考文獻：

1. Jan B , Kelvin A , Dzhaner E , et al. Specim IQ: Evaluation of a New, Miniaturized Handheld Hyperspectral Camera and Its Application for Plant Phenotyping and Disease Detection[J]. Sensors, 2018, 18(2):441-.

2. Xiao Z , Wang J . Rapid Nondestructive Defect Detection of Scindapsus aureus Leaves Based on PCA Spectral Feature Optimization[J]. IOP Conference Series Earth and Environmental Science, 2020, 440:032018.

3. Detection of Diseases on Wheat Crops by Hyperspectral Data

4. Barreto, Abel & Paulus, Stefan & Varrelmann, Mark & Mahlein, Anne-Katrin. (2020). Hyperspectral imaging of symptoms induced by Rhizoctonia solani in sugar beet: comparison of input data and different machine learning algorithms. Journal of Plant Diseases and Protection. 10.1007/s41348-020-00344-8.

5. Sajad Kiani, Saskia M. van Ruth, Leo W.D. van Raamsdonk, Saeid Minaei. Hyperspectral imaging as a novel system for the authentication of spices: A nutmeg case study. LWT - Food Science and Technology. 104(2019)61-69.

6. Edelman, G.J. & Aalders, M.C.G. (2018). Photogrammetry using visible, infrared, hyperspectral and thermal imaging of crime scenes. Forensic Science International. 292. 10.1016/j.forsciint.2018.09.025.

7. Yuan, X.; Laakso, K.; Davis, C.D.; Guzmán Q., J.A.; Meng, Q.; Sanchez-Azofeifa, A. Monitoring the Water Stress of an Indoor Living Wall System Using the “Triangle Method”. Sensors 2020, 20, 3261.

8. Kruglikov, N. & Danilenko, I. & Muftakhetdinova, Razilia & Petrova, Evgeniya & Grokhovsky, V.. (2019). Spectral characteristics of the meteoritic material after the modeling of thermal and shock metamorphism. AIP Conference Proceedings. 2174. 020227. 10.1063/1.5134378.