農(nóng)業(yè)行業(yè)
在全球糧食安全面臨挑戰(zhàn)的背景下，農(nóng)作物害蟲的及時監(jiān)測與精準防治成為農(nóng)業(yè)領(lǐng)域的重要課題。傳統(tǒng)的害蟲識別方法依賴人工目視檢查和形態(tài)學(xué)鑒定，不僅耗時費力，而且難以實現(xiàn)大范圍實時監(jiān)測。近年來，高光譜成像技術(shù)與機器學(xué)習(xí)算法的結(jié)合，為昆蟲害蟲的自動化識別開辟了新路徑。
2025年12月，國際學(xué)術(shù)期刊《Biology》發(fā)表了題為《Hyperspectral Imaging and Machine Learning for Automated Pest Identification in Cereal Crops》的研究論文。該研究由哈薩克斯坦多所高校的研究團隊完成，使用杭州彩譜科技有限公司生產(chǎn)的FigSpec FS-13高光譜相機，對小麥農(nóng)田中12種主要害蟲進行了光譜特征分析與分類建模，展示了該設(shè)備在農(nóng)業(yè)害蟲監(jiān)測領(lǐng)域的應(yīng)用價值。
高光譜成像技術(shù)能夠在可見光至近紅外波段（通常400–1000 nm）范圍內(nèi)獲取數(shù)百個連續(xù)窄波段的光譜信息，形成每個像素點的完整光譜曲線。與普通RGB相機不同，高光譜圖像不僅記錄物體的空間形態(tài)，還能揭示其物質(zhì)成分和表面結(jié)構(gòu)的光譜響應(yīng)特征。
對于昆蟲而言，不同種類的體表色素、幾丁質(zhì)結(jié)構(gòu)、翅膀透明度以及表面粗糙度等因素都會產(chǎn)生獨特的光譜反射特征。這些“光譜指紋”使得高光譜成像具備區(qū)分形態(tài)相似物種、甚至識別隱蔽性害蟲的能力。
研究結(jié)果顯示，不同昆蟲種類在可見光至近紅外波段表現(xiàn)出明顯不同的反射光譜曲線。主要影響因素包括：
l 體表色素：淺色或亮色昆蟲（如黃綠色、白色）反射率較高，深色或黑色昆蟲（如跳甲類）反射率較低。
l 翅膀結(jié)構(gòu)：透明或半透明翅膀（如麥種蠅、小麥薊馬）在近紅外區(qū)域呈現(xiàn)高反射峰。
l 表面質(zhì)地：光滑的鞘翅反射率高于粗糙或多毛的體表。
l 幾丁質(zhì)類型：不同晶型的幾丁質(zhì)（α、β、γ型）影響光譜吸收特征。
例如，Trigonotylus ruficornis（紅角盲蝽）因體色淺黃綠，反射率高達90–110%；Chaetocnema aridula（粟莖跳甲）因體色深黑，反射率僅10–20%。
PCA降維分析表明，前兩個主成分可解釋80%以上的光譜方差。第一主成分（PC1）主要反映整體亮度差異，第二主成分（PC2）則與體表細微結(jié)構(gòu)和色素變化相關(guān)。不同物種在PCA得分圖中呈現(xiàn)不同程度的聚類分離，為后續(xù)分類提供了依據(jù)。
研究團隊基于FigSpec FS-13采集的光譜數(shù)據(jù)構(gòu)建了PLS-DA分類模型，對12種害蟲進行識別。模型評估指標(biāo)包括決定系數(shù)（R2）、預(yù)測能力（Q2）和校準均方根誤差（RMSEC）。結(jié)果如下：
對于體色鮮明、體型較大的物種（如金龜、綠螽斯），模型識別準確率可達90%左右；對于體色深暗、體型微小的物種（如跳甲、薊馬），準確率略低但仍保持在可接受范圍?？傮w而言，PLS-DA模型能夠有效區(qū)分12種害蟲，驗證了FigSpec FS-13高光譜數(shù)據(jù)在昆蟲分類中的可靠性。
本次研究案例展示了FigSpec FS-13高光譜相機在昆蟲害蟲光譜特征分析與機器學(xué)習(xí)分類中的應(yīng)用潛力。作為國產(chǎn)高光譜成像設(shè)備，F(xiàn)S-13以穩(wěn)定的性能和豐富的配套分析功能，為農(nóng)業(yè)病蟲害監(jiān)測、食品安全檢測、材料分選等領(lǐng)域的科研與產(chǎn)業(yè)應(yīng)用提供了可靠工具。
隨著精準農(nóng)業(yè)和智慧植保需求的持續(xù)增長，高光譜成像技術(shù)將在未來的農(nóng)田管理中扮演越來越重要的角色。
（論文原文可通過搜索https://doi.org/10.3390/biology14121715進行閱讀）
FigSpec FS-13高光譜相機（線掃描）
l 光譜范圍：400-1000nm
l 光譜分辨率：2.5nm
l 光譜波段：1200
l 空間像素數(shù)：1920
