农业行业
在全球粮食安全面临挑战的背景下，农作物害虫的及时监测与精准防治成为农业领域的重要课题。传统的害虫识别方法依赖人工目视检查和形态学鉴定，不仅耗时费力，而且难以实现大范围实时监测。近年来，高光谱成像技术与机器学习算法的结合，为昆虫害虫的自动化识别开辟了新路径。
2025年12月，国际学术期刊《Biology》发表了题为《Hyperspectral Imaging and Machine Learning for Automated Pest Identification in Cereal Crops》的研究论文。该研究由哈萨克斯坦多所高校的研究团队完成，使用杭州彩谱科技有限公司生产的FigSpec FS-13高光谱相机，对小麦农田中12种主要害虫进行了光谱特征分析与分类建模，展示了该设备在农业害虫监测领域的应用价值。
高光谱成像技术能够在可见光至近红外波段（通常400–1000 nm）范围内获取数百个连续窄波段的光谱信息，形成每个像素点的完整光谱曲线。与普通RGB相机不同，高光谱图像不仅记录物体的空间形态，还能揭示其物质成分和表面结构的光谱响应特征。
对于昆虫而言，不同种类的体表色素、几丁质结构、翅膀透明度以及表面粗糙度等因素都会产生独特的光谱反射特征。这些“光谱指纹”使得高光谱成像具备区分形态相似物种、甚至识别隐蔽性害虫的能力。
研究结果显示，不同昆虫种类在可见光至近红外波段表现出明显不同的反射光谱曲线。主要影响因素包括：
l 体表色素：浅色或亮色昆虫（如黄绿色、白色）反射率较高，深色或黑色昆虫（如跳甲类）反射率较低。
l 翅膀结构：透明或半透明翅膀（如麦种蝇、小麦蓟马）在近红外区域呈现高反射峰。
l 表面质地：光滑的鞘翅反射率高于粗糙或多毛的体表。
l 几丁质类型：不同晶型的几丁质（α、β、γ型）影响光谱吸收特征。
例如，Trigonotylus ruficornis（红角盲蝽）因体色浅黄绿，反射率高达90–110%；Chaetocnema aridula（粟茎跳甲）因体色深黑，反射率仅10–20%。
PCA降维分析表明，前两个主成分可解释80%以上的光谱方差。第一主成分（PC1）主要反映整体亮度差异，第二主成分（PC2）则与体表细微结构和色素变化相关。不同物种在PCA得分图中呈现不同程度的聚类分离，为后续分类提供了依据。
研究团队基于FigSpec FS-13采集的光谱数据构建了PLS-DA分类模型，对12种害虫进行识别。模型评估指标包括决定系数（R²）、预测能力（Q²）和校准均方根误差（RMSEC）。结果如下：
对于体色鲜明、体型较大的物种（如金龟、绿螽斯），模型识别准确率可达90%左右；对于体色深暗、体型微小的物种（如跳甲、蓟马），准确率略低但仍保持在可接受范围。总体而言，PLS-DA模型能够有效区分12种害虫，验证了FigSpec FS-13高光谱数据在昆虫分类中的可靠性。
本次研究案例展示了FigSpec FS-13高光谱相机在昆虫害虫光谱特征分析与机器学习分类中的应用潜力。作为国产高光谱成像设备，FS-13以稳定的性能和丰富的配套分析功能，为农业病虫害监测、食品安全检测、材料分选等领域的科研与产业应用提供了可靠工具。
随着精准农业和智慧植保需求的持续增长，高光谱成像技术将在未来的农田管理中扮演越来越重要的角色。
（论文原文可通过搜索https://doi.org/10.3390/biology14121715进行阅读）
FigSpec FS-13高光谱相机（线扫描）
l 光谱范围：400-1000nm
l 光谱分辨率：2.5nm
l 光谱波段：1200
l 空间像素数：1920
