深度学习方法与农业近端高光谱成像融合概述-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

深度学习方法与农业近端高光谱成像融合概述

发布时间：

2025-09-04

来源：

作者：

高光谱成像（Hyperspectral imaging，HSI）将光谱学与成像结合起来，从而捕获光谱和空间特征。这使得它在遥感和智能农业等多个应用领域成为有用的技术。从高光谱图像中提取兴趣需要复杂的计算方法。过去十年，由于深度学习方法具有优秀的自动特征提取能力，因此深度学习方法得到了快速发展因此，这些方法被应用于高光谱图像分析也就不足为奇了。然而，尽管深度学习方法在高光谱遥感方面取得了一些成功，但在近端高光谱方面的探索却较少。（或近端）高光谱成像，这可能是因为在这个范围内，它更类似于具有空间信息的光谱学，而不是遥感的情况，近端HSI可以对植物健康状况、营养水平、病害检测和作物质量进行精细分析，这在精准农业中非常重要。鉴于深度学习中的新计算方法，本文对这些方法在近端高光谱图像中的应用进行了深入的分析和比较，特别强调未解决的挑战（例如，注释数据集的可用性有限，需要在真实世界条件下建立可靠的模型，以及空间和光谱信息的整合）以及农业应用的潜在未来研究方向。该综述强调了进一步探索的重要性，并为未来的研究提供了建议方向，近端高光谱成像技术从研究到工业应用于智能农业。

图1 RGB和高光谱图像覆盖电磁波谱的不同范围。RGB图像通过利用三个颜色通道描绘可见光谱，而高光谱图像可以包含数百个波段。

图2 高光谱成像的广义过程。

图3 HSI图像分析中使用的深度学习网络的概述，例如（a）CNNs，（B）DBNs，（c）AEs，（d）RNNs，（e）CapsNet，（f）GCNs，（g）MNNs和（h）Transformer Neworks。

图4 用于高光谱图像分析的1D、2D和3D CNN卷积架构。

图5 在过去五年中，各种深度学习模型在智能农业中近端HSI的指示性平均准确度**。

图6 （a）GAN，（B）主动学习和（c）迁移学习的一般架构。

来源

S. Faisal, M. Po-Leen Ooi, Y. Chow Kuang, S. K. Abeysekera and D. Fletcher, (2025) An Overview of Integrating Deep Learning Methods With Close-Range Hyperspectral Imaging for Agriculture, IEEE Access, 13: 120257-120276.