農業行業
在全球糧食安全面臨挑戰的背景下，農作物害蟲的及時監測與精準防治成為農業領域的重要課題。傳統的害蟲識別方法依賴人工目視檢查和形態學鑒定，不僅耗時費力，而且難以實現大范圍實時監測。近年來，高光譜成像技術與機器學習算法的結合，為昆蟲害蟲的自動化識別開辟了新路徑。
2025年12月，國際學術期刊《Biology》發表了題為《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的FigSpec FS-13高光譜相機，對小麥農田中12種主要害蟲進行了光譜特征分析與分類建模，展示了該設備在農業害蟲監測領域的應用價值。
高光譜成像技術能夠在可見光至近紅外波段（通常400–1000 nm）范圍內獲取數百個連續窄波段的光譜信息，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，還能揭示其物質成分和表面結構的光譜響應特征。
對于昆蟲而言，不同種類的體表色素、幾丁質結構、翅膀透明度以及表面粗糙度等因素都會產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分形態相似物種、甚至識別隱蔽性害蟲的能力。
研究結果顯示，不同昆蟲種類在可見光至近紅外波段表現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 翅膀結構：透明或半透明翅膀（如麥種蠅、小麥薊馬）在近紅外區域呈現高反射峰。
l 表面質地：光滑的鞘翅反射率高于粗糙或多毛的體表。
l 幾丁質類型：不同晶型的幾丁質（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）則與體表細微結構和色素變化相關。不同物種在PCA得分圖中呈現不同程度的聚類分離，為后續分類提供了依據。
研究團隊基于FigSpec FS-13采集的光譜數據構建了PLS-DA分類模型，對12種害蟲進行識別。模型評估指標包括決定系數（R2）、預測能力（Q2）和校準均方根誤差（RMSEC）。結果如下：
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。總體而言，PLS-DA模型能夠有效區分12種害蟲，驗證了FigSpec FS-13高光譜數據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習分類中的應用潛力。作為國產高光譜成像設備，FS-13以穩定的性能和豐富的配套分析功能，為農業病蟲害監測、食品安全檢測、材料分選等領域的科研與產業應用提供了可靠工具。
隨著精準農業和智慧植保需求的持續增長，高光譜成像技術將在未來的農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：1920
