Markt für hyperspektrale Bildgebungssysteme – Globale Branchengröße, Anteil, Trends, Chancen und Prognosen, segmentiert nach Produkt (Kameras, Zubehör), nach Technologie (Besen, Schnappschuss, Sonstiges), nach Anwendung (Militär, Fernerkundung, medizinische Diagnostik, maschinelles Sehen und optische Sortierung, Sonstiges), nach Region und Wettbewerb, 2019–2029F

Marktübersicht

Der globale Markt für hyperspektrale Bildgebungssysteme wurde im Jahr 2023 auf 16,94 Milliarden USD geschätzt und wird im Prognosezeitraum bis 2029 mit einer CAGR von 14,82 % ein robustes Wachstum verzeichnen. Hyperspektrale Bildgebungssysteme sind fortschrittliche Bildgebungstechnologien, die für jedes Pixel in einem Bild spektrale Informationen über einen weiten Wellenlängenbereich erfassen und verarbeiten. Im Gegensatz zu herkömmlichen Bildgebungssystemen, die Bilder in nur drei Spektralbändern (Rot, Grün und Blau) erfassen, erfassen hyperspektrale Bildgebungssysteme Hunderte oder sogar Tausende schmaler Spektralbänder im gesamten elektromagnetischen Spektrum.

Hyperspektrale Bildgebungssysteme werden in einer Vielzahl von Branchen zunehmend eingesetzt, darunter Landwirtschaft, Gesundheitswesen, Lebensmittelverarbeitung, Umweltüberwachung, Verteidigung und Mineralogie. Diese Einführung wird durch die einzigartigen Fähigkeiten der hyperspektralen Bildgebungstechnologie vorangetrieben, detaillierte Spektralinformationen für die Materialidentifikation, -klassifizierung und -analyse bereitzustellen. Laufende Fortschritte in Sensortechnologie, Optik, Datenverarbeitungsalgorithmen und Software haben die Leistung, Geschwindigkeit und Empfindlichkeit hyperspektraler Bildgebungssysteme verbessert. Diese technologischen Innovationen haben die Fähigkeiten und Anwendungen der hyperspektralen Bildgebung erweitert und die Nachfrage nach fortschrittlichen Systemen sowohl in der Forschung als auch im kommerziellen Umfeld gesteigert. Das wachsende Bewusstsein für ökologische Nachhaltigkeit und die Notwendigkeit eines effizienten Ressourcenmanagements haben die Nachfrage nach hyperspektralen Bildgebungssystemen in der Umweltüberwachung, Landnutzungsplanung, Landwirtschaft, Forstwirtschaft und Wasserqualitätsbewertung erhöht. Hyperspektrale Bildgebung ermöglicht eine präzise Identifizierung und Überwachung von Umweltparametern und erleichtert so fundierte Entscheidungen und nachhaltige Praktiken.

Wichtige Markttreiber

Technologische Fortschritte

Hyperspektrale Bildgebungssysteme haben von Fortschritten in der Sensortechnologie profitiert, einschließlich der Entwicklung empfindlicherer Detektoren und Focal Plane Arrays (FPAs). Diese Fortschritte haben das Signal-Rausch-Verhältnis (SNR) und die spektrale Auflösung von hyperspektralen Bildern verbessert und ermöglichen eine genauere und detailliertere Spektralanalyse. Moderne hyperspektrale Bildgebungssysteme bieten im Vergleich zu früheren Generationen eine breitere spektrale Abdeckung und eine höhere spektrale Auflösung. Dies ermöglicht die Erkennung und Analyse feinerer spektraler Merkmale und erleichtert die Identifizierung und Charakterisierung von Materialien mit größerer Präzision. Fortschritte bei Miniaturisierungstechniken und Integrationstechnologien haben zur Entwicklung kompakter und leichter hyperspektraler Bildgebungssysteme geführt. Miniaturisierte Systeme können in Handgeräte, unbemannte Luftfahrzeuge (UAVs) und andere Plattformen für Anwendungen in Feldmessungen, Fernerkundung und Inspektionen vor Ort integriert werden. Hyperspektrale Bildgebungssysteme, die Hochgeschwindigkeitsbilder ermöglichen, wurden für Anwendungen entwickelt, die eine schnelle Datenerfassung erfordern, wie Echtzeitüberwachung, Überwachung und dynamische Szenenanalyse. Hochgeschwindigkeitsbilder ermöglichen die Erfassung zeitlicher Änderungen und dynamischer Ereignisse mit hoher zeitlicher Auflösung.

Es wurden ausgefeilte Datenverarbeitungs- und Analysealgorithmen entwickelt, um aussagekräftige Informationen aus hyperspektralen Datensätzen zu extrahieren. Diese Algorithmen umfassen Techniken zur spektralen Entmischung, Merkmalsextraktion, Klassifizierung und Anomalieerkennung, die eine automatisierte und halbautomatische Analyse von Hyperspektralbildern ermöglichen. Hyperspektrale Bildgebungssysteme werden zunehmend mit KI- und ML-Algorithmen zur automatisierten Interpretation und Entscheidungsfindung integriert. KI- und ML-Techniken ermöglichen die Entwicklung von Vorhersagemodellen, Mustererkennungsalgorithmen und Klassifizierungsrahmen, die die Effizienz und Genauigkeit der hyperspektralen Datenanalyse verbessern. Die Integration der hyperspektralen Bildgebung mit anderen Bildgebungsmodalitäten wie Multispektralbildgebung, Wärmebildgebung und 3D-Bildgebung hat zur Entwicklung multimodaler Bildgebungssysteme geführt. Diese Systeme bieten ergänzende Informationen und ermöglichen eine umfassende Analyse komplexer Proben und Umgebungen. Hersteller bieten anpassbare hyperspektrale Bildgebungssysteme an, die auf spezifische Anwendungen und Benutzeranforderungen zugeschnitten sind. Zu den Anpassungsoptionen gehören die Auswahl des Wellenlängenbereichs, die Anpassung der räumlichen Auflösung, die spektrale Kalibrierung und Datenerfassungsmodi, sodass Benutzer die Systemleistung für ihre individuellen Anforderungen optimieren können. Dieser Faktor wird zur Entwicklung des globalen Marktes für hyperspektrale Bildgebungssysteme beitragen.

Wachsendes Bewusstsein für ökologische Nachhaltigkeit

Hyperspektrale Bildgebungssysteme ermöglichen eine detaillierte Analyse von Umweltparametern wie Vegetationsgesundheit, Wasserqualität, Bodenzusammensetzung und Bodenbedeckung. Durch die Bereitstellung hochauflösender Spektraldaten helfen diese Systeme Umweltwissenschaftlern und politischen Entscheidungsträgern, die Dynamik von Ökosystemen zu überwachen, die Auswirkungen menschlicher Aktivitäten zu bewerten und fundierte Entscheidungen zur Erhaltung und Verwaltung natürlicher Ressourcen zu treffen. In der Landwirtschaft werden hyperspektrale Bildgebungssysteme für Präzisionslandwirtschaftspraktiken wie Ernteüberwachung, Krankheitserkennung, Nährstoffanalyse und Ertragsvorhersage verwendet. Durch die Erfassung spektraler Signaturen von Pflanzen und Böden helfen diese Systeme Landwirten, die Inputs zu optimieren, den Chemikalieneinsatz zu reduzieren, die Umweltbelastung zu minimieren und die Ernteproduktivität auf nachhaltige Weise zu verbessern. Hyperspektrale Bildgebung unterstützt nachhaltiges Ressourcenmanagement und Naturschutzbemühungen, indem sie genaue und zeitnahe Informationen über Wälder, Feuchtgebiete, Küstengebiete und andere Ökosysteme liefert. Durch die Überwachung von Veränderungen in Vegetation, Artenvielfalt und Lebensraumbedingungen hilft die hyperspektrale Bildgebung dabei, ökologisch bedeutsame Gebiete zu identifizieren, Umweltbedrohungen einzuschätzen und Naturschutzbemühungen zu priorisieren.

Hyperspektrale Bildgebungssysteme spielen eine entscheidende Rolle in der Klimaforschung, indem sie Schlüsselindikatoren wie Kohlenstoffbindung, Treibhausgasemissionen und Landoberflächentemperatur überwachen. Durch die Erfassung spektraler Daten über große räumliche Skalen tragen diese Systeme zu unserem Verständnis der Klimadynamik, der Widerstandsfähigkeit von Ökosystemen und der Auswirkungen globaler Umweltveränderungen auf terrestrische und aquatische Ökosysteme bei. Hyperspektrale Bildgebung ermöglicht die Erkennung und Kartierung von Umweltschadstoffen wie Ölverschmutzungen, chemischen Schadstoffen und Algenblüten. Durch die Identifizierung von Verschmutzungsquellen und die Überwachung ihrer räumlichen Ausdehnung unterstützt die hyperspektrale Bildgebung die Bemühungen, Umweltgefahren zu mildern, kontaminierte Gebiete wiederherzustellen und die menschliche Gesundheit und Ökosysteme zu schützen. Hyperspektrale Bildgebungssysteme helfen Industrien und Aufsichtsbehörden, Umweltvorschriften und Berichtspflichten einzuhalten. Indem sie genaue und objektive Daten zu Umweltbedingungen liefern, erleichtern diese Systeme Umweltverträglichkeitsprüfungen, Prüfungen der Einhaltung gesetzlicher Vorschriften und die öffentliche Bekanntgabe von Umweltleistungskennzahlen. Dieser Faktor wird die Nachfrage auf dem globalen Markt für hyperspektrale Bildgebungssysteme ankurbeln.

Zunehmende Einführung in allen Branchen

Hyperspektrale Bildgebungssysteme werden in der Landwirtschaft für verschiedene Anwendungen wie Ernteüberwachung, Krankheitserkennung, Ertragsvorhersage und Nährstoffanalyse eingesetzt. Indem sie detaillierte spektrale Informationen über Pflanzen und Boden liefern, helfen diese Systeme Landwirten, die Betriebsmittel zu optimieren, die Qualität und Produktivität der Pflanzen zu verbessern und die Umweltbelastung zu minimieren. Im Gesundheitswesen werden hyperspektrale Bildgebungssysteme zur nicht-invasiven Krankheitsdiagnose, Gewebecharakterisierung und chirurgischen Anleitung eingesetzt. Durch die Erfassung spektraler Signaturen von Geweben und Läsionen helfen diese Systeme Klinikern, Anomalien zu erkennen, die Schwere der Krankheit einzuschätzen und die Behandlungsreaktion zu überwachen, was zu besseren Patientenergebnissen und einer verbesserten Gesundheitsversorgung führt. Hyperspektrale Bildgebungssysteme werden häufig für Umweltüberwachungs- und -managementanwendungen wie Bodenbedeckungskartierung, Vegetationsanalyse, Wasserqualitätsbewertung und Verschmutzungserkennung verwendet. Durch die Bereitstellung hochauflösender Spektraldaten helfen diese Systeme Wissenschaftlern und politischen Entscheidungsträgern, die Gesundheit von Ökosystemen zu überwachen, Umweltbedrohungen zu identifizieren und fundierte Entscheidungen zum Schutz natürlicher Ressourcen zu treffen. Hyperspektrale Bildgebungssysteme werden in Fernerkundungs- und Erdbeobachtungsanwendungen wie Stadtplanung, Katastrophenmanagement und georäumlicher Kartierung verwendet. Durch die Erfassung spektraler Daten über große geografische Gebiete helfen diese Systeme Forschern und Regierungsbehörden, Landnutzungsänderungen zu überwachen, Naturgefahren einzuschätzen und eine nachhaltige Entwicklung zu planen.

In der Lebensmittelindustrie werden hyperspektrale Bildgebungssysteme zur Qualitätskontrolle, Sortierung und Inspektion von landwirtschaftlichen Produkten, Fleisch, Meeresfrüchten und verpackten Lebensmitteln verwendet. Durch die Analyse der spektralen Signaturen von Lebensmittelproben helfen diese Systeme den Herstellern, Verunreinigungen, Mängel und Verfälschungen zu identifizieren und so die Produktsicherheit und die Einhaltung gesetzlicher Standards zu gewährleisten. Hyperspektrale Bildgebungssysteme werden in Verteidigungs- und Sicherheitsanwendungen wie Aufklärung, Überwachung und Zielerkennung verwendet. Durch die Erfassung spektraler Signaturen von Objekten und Materialien helfen diese Systeme dem Militär und den Strafverfolgungsbehörden, Bedrohungen zu identifizieren, die Bedingungen auf dem Schlachtfeld einzuschätzen und das Situationsbewusstsein in komplexen Umgebungen zu verbessern. Hyperspektrale Bildgebungssysteme werden in der Mineralogie und Ressourcenexploration zur Identifizierung, Kartierung und Prospektion von Mineralien eingesetzt. Durch die Analyse spektraler Signaturen von Gesteinen und Mineralien helfen diese Systeme Geologen und Bergbauunternehmen, wertvolle Mineralvorkommen zu lokalisieren, die Explorationsbemühungen zu optimieren und die Umweltbelastung zu minimieren. Dieser Faktor wird die Nachfrage des globalen Marktes für hyperspektrale Bildgebungssysteme beschleunigen.

Wichtige Marktherausforderungen

Standardisierung und Interoperabilität

Es mangelt an standardisierten Protokollen und Formaten für die Erfassung, Verarbeitung und Analyse von hyperspektralen Bildgebungsdaten. Verschiedene Hersteller verwenden möglicherweise proprietäre Formate und Protokolle, was den Datenaustausch zwischen verschiedenen hyperspektralen Bildgebungssystemen und Softwareplattformen erschwert. Inkompatibilität zwischen hyperspektralen Bildgebungssystemen verschiedener Hersteller kann die Interoperabilität und den Datenaustausch behindern. Benutzer können Schwierigkeiten bei der Integration von Hyperspektralbildgebungssystemen in vorhandene Hardware-, Software- und Datenverwaltungssysteme haben, was zu Ineffizienzen und Einschränkungen bei der Datenanalyse und -interpretation führt. Der Markt für Hyperspektralbildgebung ist durch ein fragmentiertes Ökosystem von Hardware- und Softwareanbietern gekennzeichnet, die jeweils proprietäre Lösungen und Technologien anbieten. Diese Fragmentierung erschwert die Bemühungen, gemeinsame Standards und Interoperabilitätsrichtlinien zu etablieren, die die Zusammenarbeit und den Datenaustausch zwischen den Beteiligten fördern. Hyperspektralbildgebungsdaten können je nach Bildgebungssystem und Anwendung in Bezug auf spektrale Auflösung, räumliche Auflösung, Spektralbereich und Kalibrierungsmethoden variieren. Die Integration von Daten aus heterogenen Quellen erfordert eine sorgfältige Standardisierung und Normalisierung, um Konsistenz und Genauigkeit bei der Datenanalyse und -interpretation sicherzustellen. Hyperspektralbildgebung erzeugt große Mengen komplexer Daten, die spezielle Verarbeitungs- und Analysetechniken erfordern. Die Standardisierung von Datenverarbeitungsabläufen und Analysealgorithmen über verschiedene Plattformen und Anwendungen hinweg kann aufgrund unterschiedlicher Hardwarefunktionen, Softwarefunktionen und Benutzeranforderungen eine Herausforderung darstellen.

Datenverarbeitung und -analyse

Hyperspektralbildgebungssysteme erzeugen große Mengen komplexer Daten, wobei jedes Pixel in einem Bild ein vollständiges Spektrum an Informationen enthält. Die Verarbeitung und Analyse dieser Daten erfordert spezielle Algorithmen und Rechentechniken, die hochdimensionale Datensätze effizient verarbeiten können. Hyperspektrale Datensätze zeichnen sich durch eine hohe Dimensionalität aus, was für die Datenanalyse und -visualisierung eine Herausforderung darstellen kann. Techniken zur Dimensionsreduzierung wie Hauptkomponentenanalyse (PCA), lineare Diskriminanzanalyse (LDA) und Manifold Learning werden häufig eingesetzt, um aussagekräftige Merkmale zu extrahieren und den Rechenaufwand bei der Datenverarbeitung zu reduzieren. Das Identifizieren und Interpretieren von Spektralsignaturen in Hyperspektraldaten ist ein entscheidender Schritt bei der Datenanalyse. Bei der Spektralsignaturanalyse werden spektrale Reflexionsmuster mit bekannten Referenzspektren oder Spektralbibliotheken verglichen, um Materialien zu identifizieren, Anomalien zu erkennen und räumliche und zeitliche Variationen in der Szene zu charakterisieren. Die Integration von Hyperspektraldaten mit anderen Bildgebungsverfahren wie Multispektralbildgebung, Wärmebildgebung und LiDAR kann ergänzende Informationen liefern und die Genauigkeit und Robustheit der Datenanalyse verbessern. Datenfusionstechniken ermöglichen die Integration verschiedener Datenquellen, um synergetische Informationen zu extrahieren und die Zuverlässigkeit der Analyseergebnisse zu verbessern. Algorithmen für maschinelles Lernen und künstliche Intelligenz spielen eine Schlüsselrolle bei der Analyse hyperspektraler Daten, da sie automatisierte Merkmalsextraktion, Mustererkennung und Klassifizierungsaufgaben ermöglichen. Überwachte und unüberwachte Lernalgorithmen wie Support Vector Machines (SVM), Random Forests und Deep Learning Neural Networks werden häufig verwendet, um hyperspektrale Daten zu analysieren und umsetzbare Erkenntnisse zu gewinnen.

Wichtige Markttrends

Integration mit künstlicher Intelligenz (KI) und maschinellem Lernen (ML)

Hyperspektrale Bildgebung erzeugt riesige Mengen komplexer Spektraldaten, die anspruchsvolle Analysetechniken erfordern. KI- und ML-Algorithmen bieten automatisierte Lösungen für die Verarbeitung, Analyse und Interpretation hyperspektraler Daten und ermöglichen schnellere und genauere Erkenntnisse in die zugrunde liegenden Muster und Merkmale in den Daten. KI- und ML-Algorithmen können relevante Merkmale aus hyperspektralen Daten extrahieren und Objekte oder Materialien anhand ihrer spektralen Signaturen klassifizieren. Diese Algorithmen lernen, Muster und Assoziationen in den Daten zu erkennen, wodurch bestimmte Ziele oder Anomalien in Hyperspektralbildern mit hoher Genauigkeit identifiziert werden können. Die Integration von KI und ML in Hyperspektralbildgebungssysteme verbessert die Bildinterpretationsfähigkeiten, indem sie die Identifizierung subtiler spektraler Variationen und komplexer räumlicher Muster ermöglicht, die für menschliche Beobachter möglicherweise nicht ohne weiteres erkennbar sind. Durch den Einsatz von Techniken des maschinellen Lernens können Hyperspektralbilder umfassender und effizienter analysiert werden, was zu verbesserten Ergebnissen bei der Entscheidungsfindung und Problemlösung führt. KI- und ML-Algorithmen können für die Echtzeitverarbeitung und -analyse von Hyperspektraldaten eingesetzt werden und ermöglichen schnelle Entscheidungsfindung und Reaktion in dynamischen Umgebungen wie Überwachung, Katastrophenmanagement und medizinischer Diagnostik. Durch die Automatisierung von Datenverarbeitungsabläufen können KI-gestützte Hyperspektralbildgebungssysteme die Betriebseffizienz und das Situationsbewusstsein in zeitkritischen Anwendungen verbessern. KI- und ML-Techniken ermöglichen die Entwicklung von Vorhersagemodellen und Optimierungsalgorithmen, die Hyperspektraldaten nutzen, um Trends vorherzusagen, Anomalien zu erkennen und Prozesse in verschiedenen Branchen und Bereichen zu optimieren. Diese Modelle können wertvolle Einblicke in Umweltbedingungen, Pflanzengesundheit, Krankheitsausbrüche und andere Phänomene liefern und so proaktive Eingriffe und Strategien zur Ressourcenzuweisung ermöglichen.

Segmenteinblicke

Technologieeinblicke

Basierend auf der Technologie wird für das Push-Broom-Segment im Prognosezeitraum ein schnelles Wachstum auf dem globalen Markt für Hyperspektralbildgebungssysteme erwartet. Push-Broom-Hyperspektralbildgebungssysteme bieten eine hohe räumliche und spektrale Auflösung und ermöglichen eine detaillierte und genaue Abbildung von Objekten und Szenen in einer Vielzahl von Anwendungen. Diese hohe Auflösung macht Push-Broom-Systeme gut geeignet für Aufgaben, die eine präzise Spektralanalyse und -unterscheidung erfordern, wie z. B. Mineralexploration, Umweltüberwachung und Präzisionslandwirtschaft. Push-Broom-Systeme erfassen hyperspektrale Daten kontinuierlich entlang einer Linie oder eines Streifens und ermöglichen so eine schnelle Abbildung großer Flächen mit minimalen Bewegungsartefakten. Dieser effiziente Datenerfassungsprozess verkürzt die Bildgebungszeit und erhöht den Durchsatz, wodurch Push-Broom-Systeme ideal für Anwendungen sind, die eine schnelle Datenerfassung und -analyse erfordern, wie z. B. Luft- und Satellitenbildgebung, Überwachung und Katastrophenmanagement. Push-Broom-Hyperspektralbildgebungssysteme bieten Flexibilität hinsichtlich der Integration mit verschiedenen Plattformen, darunter luftgestützte, Satelliten- und bodengestützte Plattformen. Diese Vielseitigkeit ermöglicht den Einsatz von Push-Broom-Systemen in unterschiedlichen Umgebungen und Anwendungen, von Fernerkundung und georäumlicher Kartierung bis hin zu industrieller Inspektion und medizinischer Diagnostik.

Anwendungseinblicke

Basierend auf der Anwendung wird das Segment der medizinischen Diagnostik im Prognosezeitraum voraussichtlich ein schnelles Wachstum auf dem globalen Markt für hyperspektrale Bildgebungssysteme erleben. Die Hyperspektralbildgebungstechnologie bietet die Möglichkeit, detaillierte spektrale Informationen aus biologischen Geweben und Läsionen zu erfassen. Dies ermöglicht es medizinischen Fachkräften, subtile biochemische und strukturelle Veränderungen im Zusammenhang mit verschiedenen Krankheiten, darunter Krebs, Herz-Kreislauf-Erkrankungen und dermatologische Erkrankungen, frühzeitig zu erkennen. Im Gegensatz zu herkömmlichen Diagnosemethoden, die invasive Verfahren oder ionisierende Strahlung beinhalten können, bietet die Hyperspektralbildgebung eine nichtinvasive Bildgebungsmodalität. Sie ermöglicht die Visualisierung innerer Gewebe und Organe ohne Kontrastmittel oder Gewebebiopsie, wodurch die Beschwerden des Patienten und das Risiko von Komplikationen reduziert werden. Die Hyperspektralbildgebung ermöglicht die Charakterisierung der Gewebezusammensetzung, der Mikrovaskularität und der Stoffwechselaktivität basierend auf den einzigartigen Spektralsignaturen verschiedener Gewebekomponenten. Diese Informationen können Ärzten dabei helfen, zwischen gesundem und erkranktem Gewebe zu unterscheiden, den Schweregrad der Krankheit zu beurteilen und die Behandlungsplanung und -überwachung zu steuern. Laufende Fortschritte bei der Hard- und Software für die Hyperspektralbildgebung haben die Bildauflösung, -geschwindigkeit und -empfindlichkeit verbessert. Hochleistungsfähige hyperspektrale Bildgebungssysteme, die mit fortschrittlichen Spektralanalysealgorithmen ausgestattet sind, ermöglichen die Erfassung, Verarbeitung und Interpretation von Bildern in Echtzeit und erleichtern so eine schnelle und genaue Diagnose in klinischen Umgebungen.

Regionale Einblicke

Nordamerika hat sich 2023 zum dominierenden Akteur auf dem globalen Markt für hyperspektrale Bildgebungssysteme entwickelt. Nordamerika, insbesondere die Vereinigten Staaten und Kanada, verfügt über eine fortschrittliche technologische Infrastruktur und Kapazitäten. Dazu gehören gut etablierte Forschungs- und Entwicklungseinrichtungen, Universitäten und Industrien, die Innovationen in der hyperspektralen Bildgebungstechnologie vorantreiben. Die Region profitiert von einem robusten Forschungs- und Entwicklungsökosystem mit erheblichen Investitionen in wissenschaftliche Forschung und Innovation. Akademische Einrichtungen, Regierungsbehörden und private Unternehmen arbeiten zusammen, um hochmoderne hyperspektrale Bildgebungssysteme und -anwendungen zu entwickeln. Viele der weltweit führenden Hersteller von hyperspektralen Bildgebungssystemen haben ihren Sitz in Nordamerika. Diese Unternehmen sind in der Region stark vertreten und tragen zur Weiterentwicklung und Kommerzialisierung der Hyperspektralbildtechnologie bei.

Neueste Entwicklungen

• Im Mai 2023 stellt Specim die Specim GX17 vor, die neueste Nahinfrarot-Zeilenabtast-Hyperspektralkamera, die für fortschrittliche Anwendungen der industriellen Bildverarbeitung entwickelt wurde. Die GX17 erweitert Specims FX-Kameraserie, die als erste Hyperspektralkamera für den industriellen Einsatz bekannt ist. Mit einer maximalen Bildrate von 800 Hz und 480 räumlichen Pixeln übertrifft die GX17 herkömmliche Hyperspektralkameras mit QVGA-Sensor um 50 % und gewährleistet ein hervorragendes Preis-Leistungs-Verhältnis, das ideal für industrielle Aufgaben mit hohem Volumen ist.

Wichtige Marktteilnehmer

• XIMEAGmbH
• Resonon, Inc.
• Headwall Photonics, Inc.
• Telops Inc.
• Corning Eingetragen
• Norsk Elektro Optikk AS
• Surface Optics Corporation
• Bayspec Inc.
• Applied Spectral Imaging
• Spectral Imaging Ltd.