Living Optics 快照式高光谱成像技术，在肉类加工异物检测中的应用

肉类加工企业通常采用金属检测与 X 光检测技术开展异物筛查。这类技术对于金属、硬质以及高密度污 染物具备良好的检出效果，但在识别橡胶、塑料、织物、木材等低密度软性异物时，检测可靠性不足。

 针对这类难以检出的污染物，生产中大多只能依靠人工目视检查。人工检测不仅速度慢、检测结果波动 大，还极易制约整条产线的产能。 

随着机器学习技术不断进步，计算机视觉方案在食品行业得到越来越多的应用，用以弥补 X 光和金属检 测的短板，实现高速产线上目视检测环节的自动化。

但传统计算机视觉系统高度依赖目标的形态特征，一旦异物相互重叠、被物料遮挡，或是外形不规则、 形态多变，就容易出现漏检。 

若采用高光谱相机替代传统 RGB 相机，能够采集维度更加丰富的信息，有望构建检测性能更优异的计算 机视觉检测系统。

Living Optics 相机依托自研的创新快照（snapshot）技术打造，是一套适用于实时高光谱检测的便携式设备。

该技术采用编码孔径与双共对准传感器架构，可同步输出两类数据：

  · 500 万像素 RGB 视频流

  · 在视场内超过 4000 个采样点上采集得到的96 个光谱波段

高光谱数据覆盖可见光至近红外区间，波长范围为 440–900 nm。相机配套搭载 NVIDIA Jetson AGXOrin，可为高光谱视频的实时解析提供充足算力支撑。

作为快照式高光谱传感器，Living Optics 相机能够以视频帧率，在每一帧图像中完整采集全部光谱信息。这种无需扫描的采集模式具备两项突出优势：

  · 不再要求与传送带速度精确同步，也无需将物料逐个分离摆放。

  · 规避实际生产现场中，因物料速度波动、设备震动引发的行配准伪影（line-registrationartifacts）。

同时，该设备的使用场景并不局限于传送带流水线。这套快照系统还能够对静态或低速运动的目标开展长时间观测，例如对固定工位上的产品进行持续监测。

RGB 相机仅记录 3 个波长（颜色）信息，而光谱成像传感器能在可见光范围内，甚至可见光之外采集数十到数百个数据点。

这些丰富的信息可用于更准确地识别表面污染物，在某些情况下甚至能提供关于产品化学特性的信息，例如：

  · 水分含量 

  · 氧化状态 

  · 脂肪含量

将光谱信息与常规 RGB 图像结合使用，还有望简化检测算法，并使检测模型能以更少的数据、更快地完成训练。

为评估 Living Optics 相机用于异物检测的效果，我们在不同光照条件、不同表面污染物下，采集了 130 张肉样的高光谱图像数据集。

这些数据用于训练一个计算机视觉检测模型，如下图所示（图1）。随后，又使用线性代数方法对数据作进一步分析，以评估不同污染物材料在高光谱成像下的可检测性，并验证真实运行场景下的检出率与误报率。

图1. 使用 Living Optics 相机进行污染物检测。(A) 一块带有表面污染的碎牛肉样本的 RGB「场景视图」图像。(B) 处理图像，带有边界框标注，标出检出的污染物。

为建立检测模型，图像使用 Living Optics Analysis Tool 进行标注，数据标注完成后，即可在软件内训练出一个简单的ONNX 光谱分类器模型。该模型仅基于光谱数据进行处理，只依赖肉类及其污染物的反射特性，因此对任意形状的外来物体都具有鲁棒性。

在部署中，检测结果输出——包括污染物位置、分类与置信度得分——可导出识别结果，供筛选剔除机制（reject mechanisms）或工厂质量管理流程等下游环节使用。

高光谱数据挖掘不只有机器学习这一个途径。

高光谱是几十到上百个连续波段，本身携带丰富、精细的物质光谱指纹信息，信噪比与特征维度充足；很多污染物在光谱上的吸收/ 反射响应近似线性混合。因此不需要复杂深度学习，只用简单线性模型（线性回归、偏最小二乘、线性判别等），就可以分离、识别污染物，对不同污染物、不同污染厚度都能达到不错的检测效果，且无需大量训练数据，也无需繁重的图像标注工作。

在对11 种不同污染物材料、不同厚度的分析中，除最薄的样品外，所有样品都能用基于光谱角（spectralangle）的简单算法就能够稳定、准确识别出全部待测样品。

测试选用的材料，是工厂里日常在用的劳保防护用品（PPE）、卫生用品；用它们做测试，目的是模拟现实里会发生污染的真实环境，让测试条件更贴合现场实际，而不是单纯理想实验室条件。

对于极薄材料，仅在单层厚度时检出率下降，在双层和四层时显著改善。这与底层物理规律一致：半透明材料在肉类次表面之上呈现微弱的反射特征。

这个细节的价值在于，检出阈值不是盲目设值，而是先测出这套检测系统性能的上下限；再配合管控手段，把本身就很难被检出的物料拦在产线入口，降低漏检风险，对落地部署很关键。

在固定检出阈值的典型部署场景中：

  · 19种材料/厚度组合中，有 18种仅靠光谱角度即可可靠检出 。

  · 相应的误报率估计为6.67%。

这意味着机器筛查后大约每 15 件产品，仅有 1 件需人工复检——产线可根据漏检风险和返工成本，自主平衡质检成本与良品保障。

本研究证明：一台快照式高光谱相机，在无需受控运动、无需大量训练数据、也不需要专业机器学习能力的前提下，就能检出一系列传统金属检测和 X 光检测常常漏掉的软质、低密度污染物。

这些发现展示了清晰的技术路径：

1. 通过光谱角等简单算法，进行快速可行性验证。

2. 再到经由 Living Optics Analysis Tool 训练出的生产级检测模型。

随着产线速度提升，而人工目检能力始终有限，这项技术为加工商提供了一条实用的、非破坏性的补位方案。