Hyperspektralkameras ermöglichen eine präzise Erkennung von Insektenpest: Eine Studie aus Weizenfeldern

Vor dem Hintergrund der globalen Herausforderungen der Ernährungssicherheit sind die rechtzeitige Überwachung sowie die genaue Prävention und Bekämpfung landwirtschaftlicher Schädlinge zu wichtigen Themen im Agrarbereich geworden.Traditionelle Schädlingserkennungsmethoden beruhen auf manueller Sichtprüfung und morphologischer Identifizierung, die nicht nur zeitaufwändig und mühsam sind, sondern auch schwierig sind, eine groß angelegte Echtzeitüberwachung zu erreichen.Die Kombination von hyperspektraler Bildgebungstechnologie und Algorithmen für maschinelles Lernen hat einen neuen Weg für die automatisierte Identifizierung von Schädlingen eröffnet.

Im Dezember 2025 veröffentlichte die internationale Fachzeitschrift "Biology" ein Forschungspapier mit dem Titel "Hyperspektral Imaging and Machine Learning for Automated Pest Identification in Cereal Crops"." Die Forschung wurde von Forschungsteams aus mehreren Universitäten in Kasachstan durchgeführt.. mit derFigSpec FS-13-Hyperspektralkameravon der Hangzhou CHNSpec Technology Co., Ltd. hergestellt wurden, führten sie Spektralmerkmaleanalyse und Klassifizierungsmodelle für 12 wichtige Schädlinge in Weizenfeldern durch,über den Anwendungswert dieser Ausrüstung im Bereich der Überwachung landwirtschaftlicher Schädlinge.

Vorteile der hyperspektralen Bildgebung bei der Identifizierung von Insekten

Die hyperspektralen Bildgebungstechnologie kann Hunderte von kontinuierlichen schmalbandspektralen Informationen im Bereich der sichtbaren bis nahen Infrarotwellenlängen (in der Regel 400~1000 nm) erhalten.die für jedes Pixel eine vollständige Spektralkurve bildetIm Gegensatz zu normalen RGB-Kameras,Hyperspektralbilder erfassen nicht nur die räumliche Morphologie von Objekten, sondern zeigen auch die Spektralreaktionsmerkmale ihrer Materialkomponenten und Oberflächenstrukturen..

Für Insekten ergeben Faktoren wie verschiedene Arten von Oberflächenpigmenten, Chitinstrukturen, Flügeltransparenz und Oberflächenrauheit einzigartige Spektralreflexionsmerkmale.Diese "spektralen Fingerabdrücke" ermöglichen es der hyperspektralen Bildgebung, morphologisch ähnliche Arten zu unterscheiden und sogar versteckte Schädlinge zu identifizieren.

Hauptergebnisse der Forschung

1.Bedeutende Unterschiede in den Spektralmerkmalen verschiedener Schädlinge

Die Forschungsergebnisse zeigten, dass verschiedene Insektenarten in den sichtbaren bis in den nahen Infrarotbereich signifikant unterschiedliche Spektralkurven aufwiesen.

• Oberflächenpigmente: Leichte oder helle Insekten (z. B. gelbgrün, weiß) reflektieren stärker, während dunkle oder schwarze Insekten (z. B. Flohkäfer) weniger reflektieren.
• Flügelstruktur: Durchsichtige oder halbdurchsichtige Flügel (wie Weizenkernefliegen, Weizenthrips) zeigen in der nahen Infrarotregion hohe Reflexionsspitzen.
• Oberflächentextur: Glatte Elytra haben eine höhere Reflexionsfähigkeit als raue oder haarige Körperoberflächen.
• Chitin-Typen: Verschiedene Kristallformen von Chitin (α, β, γ-Typen) beeinflussen die spektralen Absorptionsmerkmale.

Zum Beispiel hat Trigonotylus ruficornis (Rothorn Mirid Bug) aufgrund seiner hellgelb-grünen Körperfarbe eine Reflexionsfähigkeit von bis zu 90-110%;Chaetocnema aridula (Getreistamm-Flohkäfer) hat aufgrund seiner tiefschwarzen Körperfarbe eine Reflexionsfähigkeit von nur 10~20%.

2.PCA-Analyse zeigt die Hauptbestandteile von Spektralunterschieden

Die PCA-Dimensionsreduktionsanalyse ergab, dass die ersten beiden Hauptbestandteile mehr als 80% der Spektralvarianz erklären konnten.Die erste Hauptkomponente (PC1) spiegelt vor allem den Gesamthelligkeitsunterschied wider., während die zweite Hauptkomponente (PC2) mit subtilen Körperoberflächenstrukturen und Pigmentveränderungen zusammenhängt.Verschiedene Arten zeigten im PCA-Score-Graph unterschiedliche Grade der Clustertrennung., die eine Grundlage für eine spätere Einstufung bilden.

3.Rohme Leistung des Klassifizierungsmodells PLS-DA

Das Forschungsteam konstruierte ein PLS-DA-Klassifikationsmodell auf der Grundlage der von FigSpec FS-13 gesammelten Spektraldaten, um 12 Arten von Schädlingen zu identifizieren.Zu den Indikatoren für die Bewertung des Modells gehörte der Bestimmungskoeffizient (R2), Vorhersagekraft (Q2) und Quadratwurzeldurchschnitt des Kalibrierfehlers (RMSEC).

Bei Arten mit lebendigen Körperfarben und großen Größen (z. B. Skarabenen, Grünen Grillen) kann die Modellgenauigkeit etwa 90% erreichen.für Arten mit dunklen Körperfarben und winzigen Größen (z. B. Flohkäfer)Das PLS-DA-Modell kann insgesamt 12 Arten von Schädlingen effektiv unterscheiden.zur Überprüfung der Zuverlässigkeit der FigSpec FS-13-Hyperspektraldaten bei der Klassifizierung von Insekten.

Schlussfolgerung

Dieser Forschungsfall zeigt das Anwendungspotenzial der FigSpec FS-13-Hyperspektralkamera bei der Analyse von Insektenpestspektralmerkmalen und der Klassifizierung durch maschinelles Lernen.Als inländisch hergestelltes hyperspektrales Bildgebungsgerät, der FS-13, mit seiner stabilen Leistung und seinen zahlreichen analytischen Funktionen,bietet ein zuverlässiges Instrument für wissenschaftliche Forschung und industrielle Anwendungen in Bereichen wie der Überwachung landwirtschaftlicher Krankheiten und Schädlinge, Lebensmittelsicherheitsprüfung und Materialsortierung.

Mit dem kontinuierlichen Anstieg der Nachfrage nach Präzisionslandwirtschaft und intelligenten Pflanzenschutz wird die hyperspektrale Bildgebungstechnologie eine immer wichtigere Rolle bei der künftigen Bewirtschaftung von landwirtschaftlichen Flächen spielen.

(Das Original des Papiers kann durch Suche nachDie Kommission hat eine Reihe von Maßnahmen ergriffen, um die Auswirkungen dieser Maßnahmen auf die Gesundheit und die Gesundheit der Bevölkerung zu verbessern.)