本系统凭借便携、轻巧、智能化、即开即用、在线测量、实时分析的特点，广泛适用于实验室或野外等多种场景，通过对叶片或冠层水平光谱反射及温度进行高分辨率成像，可应用于快速无损、高通量原位生态遥感监测、植被生物及非生物胁迫监测、植物蒸腾及气孔导度研究、生物多样性监测等，尤其对叶片及冠层尺度植被生长监测、物种多样性调查、环境及生态系统动态变化等具有重要意义。

  
     
  本系统主要由光谱成像传感器及便携台架组成，成像传感器包括内置推扫智能高光谱成像单元和LWIR红外热成像单元。高光谱成像单元集采集、分析处理、结果可视化等功能特点于一体（ALL-IN-ONE），具备IP等级防护和全自动运行特点，内置WiFi可远程控制，实现无人机值守工作。曾荣获2018年德国设计协会“红点设计奖”—*的工业设计奖项、连续两年获得“inVISION创意奖”。红外热成像单元具有高达640×512px的像素分辨率及0.03℃超高灵敏度，其低能耗、轻量级、坚固结构设计完美适用于野外复杂严苛条件下原位监测场景。

应用领域：
  适用于光合作用研究和植被胁迫研究，农业、林业、生态系统监测等领域。研究内容涉及光合活性、胁迫响应、病虫害监测、农田测绘及普查等。

• 野外原位生态遥感监测

• 病虫害监测与防治

• 森林资源调查评估

• 样方高通量遥感监测

• 植物表型与形态学研究

• 作物产量评估及农情监测

• 作物干旱胁迫监测及灌溉管理

• 农田测绘及农业普查

• 作物育种及抗性筛选

• 生物多样性及种质资源调查

  

功能特点

• 系统化一体式设计，轻量便携，适合野外原位生态调查使用

• 智能化高光谱成像传感器，覆盖400-1000nm波段，可计算数十种植被指数图像

• 高性能红外热成像测温系统，温度分辨率0.03℃，配有温度数据专业分析软件，提取感兴趣区域温度动态变化曲线

• 高光谱成像传感器具备GPS模块，便于不同地理位置的数据融合分析

主要技术指标：
1.系统化支架设计：集全太阳光谱双光源、成像单元、云台及三脚支架于一体，重约5kg，便携组装、易于操作
2.400-1000nm智能高光谱成像：集光谱数据采集、自动扫描成像、自动分析处理、可视化分析结果等功能于一体，可通过光谱特征曲线创建App导入相机直接应用，进行性状快速筛选、检测、识别等功能
  光圈F/1.7
  光谱分辨率7nm
  光谱波段：204，可选Bin 2x和Bin 3x
  内置GPS，每个高光谱数据立方均自带地理标签，便于定位、多源信息融合分析
  内置SAM算法，无需任何复杂处理，即可快速实时显示分析结果
  自带4.3英寸触摸屏+13个物理按键，可快速实时测量分析得出结果
  具备USB或WIFI远程控制功能，可通过USB线缆或无线WIFI在软件中控制相机运行         

3.7.5-13.5μm红外热成像成像，非制冷红外焦平面检测器，640×512像素，出厂黑体校准，内置NUC校准含校准证书温度分辨率0.03℃，9/30/60Hz可选
  测温范围：-25℃至+150℃或+40℃至+550℃，可选1500℃
  温度灵敏度≤0.03℃（30mK）@ 30℃；
  数据传输：USB-3或GigE千兆以太网
  光学镜头，可选配6.8mm、9mm、13mm、19mm镜头
  具备14种调色板供任意选择，可多样化设置热成像假彩色
  具备等温模式、温度预警、ROI分析、温度剖面、3D温度显示、输出报告等功能
  支持CSV、非辐射JPEG、辐射JPEG、辐射视频、AVI、MP4等格式输出
  防护等级：IP65，适用野外严苛条件下适用 

  参考文献：

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.