主要特点：
SpectraScan光谱成像扫描平台技术，可根据用户使用场景特殊定制适配方案
工业级推扫式高光谱成像仪，可选配-nm、-nm、-nm等波段
分类模型训练软件：用户可查看样本数据、训练分类模型、验证分类效果、建立应用程序
在线实时分选：高性能数据处理单元，根据分类模型实时运算并在线显示分选结果
支持GigE，USB3.0,RS-/，CAN接口，可兼容工业流水线下游工序，辅助智能分拣
高光谱成像技术通过CE、FCC、RoHS3等国际主流认证
应用案例：1、开心果品质检测坚果的品质通常是根据产品的新鲜度、有无缺陷、螨虫和外来物等污染物来评价的，在开心果的品质控制中，缺陷和异物检测是生产中最重要的环节。
以往使用的HPLC、GC–MS、IR-MS等方法均存在不能实时检测的弊端。近年来，基于彩色成像（RGB）的机器视觉技术在食品加工过程和品质控制等方面发挥了重要作用，但对螨虫、霉菌以及其他外来物的识别还是存在短板。意大利实验人员将高光谱成像（HSI）技术应用于开心果的品质控制中，对样品的不同理化特征进行定性和定量分析，为食品的品质控制探索更优的策略。
实验人员随机选取开心果混合物的不同类型特定样本，将99个样品分为6类：可食开心果(23)、不可食开心果(23)、开心果壳(13)、开心果外皮(13)、细枝(13)以及果核(14)。如图1.1左，样本分为训练集(70%)和验证集(30%)两组，首先对原始光谱进行预处理以突显六类光谱的特征差异。
图1.1左：RGB图(a)、训练集(b)和验证集(c)；右：6类样本在SWIR范围的平均(a)和预处理(b)反射光谱通过主成分分析(PCA)、应用多变量分类方法的不同分类模型对训练数据集进行训练，训练结果如下图1.2左所示，其中CART预测图与PCA-kNN的结果相似，获得了非常好的分类结果，优于PLS-DA和PCA-DA获得的结果。使用不同分类模型对验证数据集进行预测，结果如图1.2右所示，模型均正确识别了石子，PLS-DA和PCA-DA预测图相似，显示了相同的错误分类区域，而CART模型预测图的特点是错误分类像素更分散。PCA-kNN预测图显示出最好的结果，单一类别的错误分类区域非常少。
图1.2左（a、b、c、d）为训练结果；右（a、b、c、d）为预测结果结果表明，基于SWIR波段的高光谱成像技术为开心果品质监测和控制提供了良好的方法，在工业应用的离线或实时检测场景中具有广阔前景。
2、花草茶无损品质检测评估随着消费者对健康