1. 멀티 및 하이퍼 스펙트럴 카메라 소개

차세대 머신비전, 그 핵심은 스펙트럴 이미징 입니다.

멀티 및 하이퍼 스펙트럴 카메라는 기존 R,G,B 카메라로 얻을 수 없는 파장의 정보를 통해 정밀한 분석과 고차원 데이터 해석을 가능하게 하며, 농업, 의료, 반도체 사업 등 대양한 분야에서 빠르게 확산 되고 있습니다.이번 글에서는 두 기술이 원리와 차이점, 주요 활용 사례를 통해 스펙트럴 카메라가 왜 필요한지, 그리고 어떤 기준으로 선택해야 하는지를 작성합니다.

이 글에서의 멀티 및 하이퍼 스펙트럴 카메라의 파장대 및 스펙 기준은 Avaldata 카메라 기준으로 작성하였습니다.

2. 머신 비전에서 스펙트럴 이미징 개념

스펙트럴 이미징(Spectral Imaging)은 물체의 광학적 특성을 분석하기 위해 다양한 파장 대역의 빛을 활용하는 기술입니다. 일반적인 카메라는 사람의 눈이 감지할 수 있는 가시광선 영역 전체를 촬영하지만, 스펙트럴 이미징 기술은 다양한 파장대역을 나누어 감지하여 물질의 특성 분석 및 분류를 할 수 있습니다.

3. 하이퍼 및 멀티 스펙트럴 카메라의 원리와 구조

  • Hyperspectral Camera하이퍼 스펙트럴 카메라는 프리즘 분광기 기술을 통해 수백개의 연속적인 파장 대역을 감지합니다.

    빛은 slit을 통하여 빛의 위치나 크기를 제한되고, 이 빛은 Grating을 통하여 분산됩니다. 그리고 이렇게 분산된 빛들은 센서에 전달됩니다.

    AHS-013VIR의 경우 450nm~1700nm까지 최대 512개 밴드로 분광 데이터를 취득할 수 있습니다.

    하이퍼 스펙트럴 카메라는 일반적으로 1회 촬영 시 분광된 1라인만 촬영하므로, 원하는 영역 촬영을 위해서는 Push broom 형태로 촬영 되어야 합니다. Push Broom이란, 하이퍼 스펙트럴 카메라에서 사용 되는 라인 스캔 기술 중 하나입니다. 카메라 또는 Object가 움직이며 스캔하며 한번에 1줄의 데이터를 촬영합니다. 이후 카메라 또는 Object가 움직이면서 여러 라인을 촬영하며 2D이미지 및 3D 데이터를 구성하는 방식입니다.

    취득된 데이터는 위의 이미지와 같이 2차원 이미지가 밴드 수 만큼 큐브 형태로 생성됩니다. 큐브 데이터는 x, y, λ (lambda)로 구성되어 있으며, x는 가로, y는 세로, λ 파장(스펙트럼)정보입니다. 자사 모델인 AHS-003VIR(기본 값)로 촬영하면, 가로 640, 세로 512, 밴드 512개의 큐브 데이터가 생성됩니다.

    좌측 상단의 그래프는 플라스틱(PS)을 촬영하고 얻은 휘도 정보입니다.

    나일론, PP등 다른 플라스틱은 파장별로 PS와 다른 파장대를 가지고 있으므로, 특정 파장대에서 구별이 가능합니다.

    플라스틱 재질별 구분에 대한 자세한 내용은 이전에 블로그에 작성된 하이퍼 스펙트럴 카메라를 활용한 다양한 재질의 플라스틱 분류 라는 글을 참고해 주세요.

    이렇게 획득한 큐브 데이터를 사용자 측에서 직접 처리하기 어려운 경우 다양한 3rd party 스펙트럼 분석 Tool(perClass Mira 등)을 사용하여 데이터 분석 및 분류 등이 가능합니다.

  • Multispectral Camera멀티 스펙트럴 카메라의 구조는 제조사마다 다릅니다만, AVALDATA의 AMS-013VIRLF2의 경우 센서위에 필터가 추가된 형식으로 일부의 파장만 투과 시킵니다.

    또한, 1회 촬영시 1200nm, 1300nm, 1450nm, 1600nm 대역의 4개 밴드 취득 할 수 있습니다.

    각밴드 대역 내에서 1~32 line을 촬영할 수 있으므로 1회 촬영시 128line을 취득할 수 있으며 마찬가지로 Push broom형태로 촬영해야 합니다.

    1번에 4개의 밴드 이미지가 취득됩니다. 멀티 스펙트럴 카메라 뷰어에서는 NDVI(Nomalized Difference Vaegtation Index)옵션을 지원합니다. NDVI는 식생의 활력(생장 상태나 건강도)를 정략적으로 평가하는 대표적인 식생 지수 입니다. 병해충 피해, 생육 상태, 수분 스트레스를 빠르게 파악 가능하며, NDVI 변화를 통해 작물 성숙도 분석이 가능합니다. 정밀 농업, 드론을 이용한 산림 감시, 도시 녹지 관리 등에서 사용 됩니다.

4. 멀티스펙트럴 카메라와 하이퍼스펙트럴 카메라의 차이점

멀티스펙트럴(Multispectral)과 하이퍼스펙트럴(Hyperspectral) 카메라는 모두 가시광선 및 비가시광선(적외선, 자외선 등)의 특정 파장을 감지하는 카메라이지만, 주요 차이점은 밴드의 개수와 연속성에 있습니다.

  • 멀티 스펙트럴 카메라는 4개의 밴드에 넓은 파장 대역을 선택적으로 감지합니다. 이는 용도에 최적화된 파장만 골라 효율적으로 정보를 추출할 수 있는 방식입니다.센서 위의 필터를 부착해 파장 정보를 얻는 형태이므로 카메라 크기가 작고 가볍습니다.
  • 하이퍼 스펙트럴 카메라는 최대 1680(모델에 따라 다름)개에 이르는 연속적인 파장 밴드를 감지하여, 더욱 세밀하고 정밀한 스펙트럼 분석이 가능합니다. 육안이나 일반 카메라로는 절대 구별할 수 없는 미세한 물질의 차이까지 파악할 수 있는 것이 큰 장점입니다. 큐브 데이터 출력으로 ENVI 파일 포맷을 지원하며, 해당 형식을 지원하는 3rd party application에서도 사용이 가능합니다.

5. R,G,B 멀티 스펙트럴, 하이퍼스펙트럴 카메라 비교분석

항목 RGB 카메라 멀티스펙트럴 카메라
(AMS-013VIRLF2)
하이퍼스펙트럴 카메라
(AHS-052VIR)
분광 밴드 수 1개 (Red, Green, Blue) 4개 1680개
(Binning, 특정 밴드 대역 선택 가능)
분광 해상도 중간 (넓은 밴드) 매우 높음 (좁은 밴드)
스펙트럼 범위 가시광 영역 (400–700nm) 1200, 1300, 1450, 1600nm 450~1700nm
이미지 획득 방식 동시 획득 Push broom Push broom
센서 구조 Bayer 필터 또는 3-CMOS 구조 밴드 패스 필터 회절 격자, 프리즘
데이터 형식 2D 컬러 이미지 제한적 밴드
이미지 스택
3D 스펙트럼
데이터 큐브
장점 저렴, 범용성, 빠름 선택적 파장 분석 가능, 비교적 간단 고정밀 분석, 분류
단점 분광 정보 거의 없음 제한적인 스펙트럼 해상도 고비용, 데이터 크기 큼,
복잡한 처리 필요

일반적인 RGB 카메라로 분광 정보를 얻기 위해서는 별도의 필터를 사용하거나, 특정 파장만 출력되는 조명을 이용해야 합니다. 이처럼 다양한 파장대의 데이터를 얻기 위해서는 환경을 구성하는 데 많은 시간과 노력이 필요합니다. 반면, 스펙트럴 카메라는 한 번의 촬영으로 여러 파장의 정보를 동시에 획득할 수 있어, 일반적인 카메라보다 훨씬 간편하게 테스트 조건을 구성할 수 있습니다.

일반적인 하이퍼 스펙트럴 카메라는 보통 가시광용과 근적외선용으로 나뉘어져 있어서 각각의 카메라가 필요하지만, 자사의 하이퍼 스펙트럴 카메라의 경우 가시광~근적외선 파장대 까지의 분광 정보를 취득할 수 있으므로 1대의 카메라로 두 영역의 정보를 모두 취득할 수 있어 더욱 효율적 입니다.

6. 주요 응용 분야

  • 농업 : 작물 건강 상태, 수분 함량 분석
  • 환경 모니터링 : 해양 및 수질 분석, 산림 감시
  • 의료 및 생체 분석 : 피부 진단 , 혈류 모니터링
  • 식품 품질 검사 : 과일의 숙성 정도, 육류의 신선도 확인
  • 범죄 관련: 디지털 포렌식

근적외선은 자외선과 달리 비파괴 검사 영역에 해당하므로, 대상체에 손상을 주지 않고 촬영이 가능합니다. 이러한 특성 덕분에 스펙트럴 이미징은 민감한 샘플이나 고가의 제품을 검사하는 데도 매우 적합합니다.

7. 스펙트럴 카메라 활용과 미래전망

요즘 머신비전 분야에서 스펙트럴 이미징 기술이 점점 주목받고 있습니다. 자동화 검사나 품질 관리, 재활용 분류, 의료 진단 같은 다양한 분야에서 하이퍼스펙트럴 카메라가 실제로 사용되는 사례가 늘고 있기 때문입니다. 그동안 눈이나 일반 카메라로는 확인하기 어려웠던 아주 작은 차이까지 잡아낼 수 있어서, 정밀 분석이나 자동화 검사 쪽에서 큰 역할을 하고 있습니다.

특히 AI 기술과 결합되면서, 스펙트럴 데이터를 훨씬 더 정밀하게 분석할 수 있게 되었고, 딥러닝 기반의 알고리즘 덕분에 실시간 분석도 가능해 졌습니다. 앞으로는 인공지능과 더 깊이 결합되면서, 더 똑똑하고 빠른 분석 기술로 발전해 나갈 것으로 기대됩니다.