A Hyperspectral Imaging Instrumentation Architecture Based on Accessible Optical Disc Technology and Frequency-Domain Analyses
Notice bibliographique
Résumé
Hyperspectral imaging (HSI) is an emergent instrumentation technology with great potential in many applications, due to its ability to measure important spectral features. However, the widespread adoption of HSI requires the development of accessible (i.e., inexpensive and uncomplicated) HSI instrumentation architectures. In this paper, we present, design, develop, and evaluate an accessible HSI instrumentation architecture, with snapshot operation, based on the integration of readily available components and frequency multiplexing with Fourier analyses. In the experimental work, an incident image beam is divided into spatial image channels, each with an assigned dynamic binary code via a dynamic coded aperture. This dynamic coded aperture is constructed from repurposed diffractive optical disc technologies and is patterned with strategic opaque and transparent regions. When it is rotated by a motor, dynamic binary codes are used, along with Fourier analyses, to identify the diffraction of each spatial image channel. The spatially overlapped spectra from the diffraction are directed onto a charge-coupled device sensor, and each spatial image channel is distinguished through Fourier analyses. The resulting Fourier amplitude spectra are transformed into corresponding functions of wavelength, and this transformation is based on the experimental instrumentation geometry. The performance of the HSI instrumentation architecture is evaluated using a comparison with data from a commercial spectrometer. The presented HSI instrumentation architecture can be adapted for 2-D operation. Ultimately, the presented HSI instrumentation architecture can benefit regions of the world that have limited financial resources and a need for accessible HSI technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».