应用合集 | 2025年度高光谱成像技术部分科研成果推文一览

精准表型与育种筛选

鸡蛋孵化前无损性别鉴定（点击跳转）

研究核心：针对孵化前性别鉴定的行业难题，研究在不破坏蛋壳结构的前提下，利用高光谱成像结合机器学习方法，在孵化初期实现受精蛋雌雄的准确判别，从而优化孵化资源配置。

技术表现：研究基于 Resonon 高光谱成像系统获取胚胎发育阶段的特征光谱信息，高空间分辨率使蛋内微弱光谱差异得以识别，为畜禽性状的无损筛选提供了可行方案。

文献背书：《Food Control》 | 伊利诺伊大学厄巴纳-香槟分校团队

无人机高光谱实现小麦氮含量跨区域预测（点击跳转）

研究核心：针对大面积育种田监测滞后的问题，研究利用无人机高光谱成像并引入迁移学习策略，实现小麦植株氮含量在不同区域、不同品种间的稳定预测。

技术表现：研究采用 Resonon Pika L 高光谱成像仪（400–1000 nm）搭载无人机平台，在动态飞行条件下获取冠层光谱数据，为数字化育种与精准施肥提供了核心输入。

文献背书：《Computers and Electronics in Agriculture》 | 中国农业科学院农田灌溉研究所

美洲黑杨：高通量监测叶绿素，赋能优良种质高效筛选（点击跳转）

研究核心：研究利用无人机高光谱技术结合集成特征选择框架（融合 SHAP 解释值与机器学习），实现了对美洲黑杨 LCC 的无损、高精度反演。通过聚焦红边波段等关键特征，该方法为快速筛选适应性强的优良基因型提供了智能化手段。

技术表现：选用 DJI 350M 搭载 300TC 高光谱成像仪（北京理加联合科技有限公司）。系统具备308个光谱通道及 20cm 级空间分辨率，配合 Mega Cube软件进行全流程数据校正。基于 GBRT 模型与精选波段组合，LCC 估算精度达 R2 = 0.848，较全波段模型误差（RMSE）显著降低了24.37%。

 文献背书：《Forests》 | 中国林业科学研究院资源信息研究所

灾害预警与病虫害早期识别

番茄细菌性叶斑病早期检测（点击跳转）

研究核心：研究以番茄细菌性叶斑病为模型，系统表征病害发生前后的光谱变化特征，实现病征出现前的早期识别。

技术表现：实验采用 Pika L（可见光–近红外）与 Pika NIR320（短波红外）成像系统，研究表明 1400 nm（水分相关）与 750 nm（防御反应相关）波段对早期检测具有关键作用。

文献背书：《Scientific Reports》 | 弗吉尼亚理工大学

甜瓜灰霉病高光谱早期识别（点击跳转）

研究核心：针对灰霉病传播快、危害大的特点，研究利用高光谱成像解析甜瓜感染初期的生理响应，为病害早期防控提供依据。

技术表现：基于 Resonon Pika L 的高光谱数据，2.1 nm 的光谱采样率有效提升了侵染初期信号的识别能力。

文献背书：《Plant Stress》 | 西班牙国家研究委员会赛丁实验站

生菜霜霉病早期预警模型构建（点击跳转）

研究核心：通过比较健康与感病叶片的光谱特征，建立高鲁棒性的早期检测模型，降低人工经验判断的不确定性。

技术表现：研究结合 400–1000 nm 高光谱数据与 NDVI、SAVI 等植被指数，实现病害识别准确率的显著提升。

文献背书：《Agriculture》 | 上海市农业科学院

杨树防护林：如何精准区分“虫害”与“干旱”引起的双重胁迫？（点击跳转）

研究核心：针对西北干旱区杨树防护林中亚洲天牛（ALB）危害与干旱胁迫表象相似、难以区分的痛点，研究利用高光谱与激光雷达融合技术，深度解析冠层三维结构与生化特性的变异规律。通过 PLS-SVM 模型，实现了对健康、虫害、干旱及复合胁迫四类样本的高精度数字化判识，为干旱地区精准林业管理提供了科学决策依据。

技术表现：选用 IRIS LR-1601 高光谱成像仪及激光雷达一体机（北京理加联合科技有限公司）。系统通过 GPS/RTK 与 IMU 实现了150个光谱波段与厘米级激光点云的同步融合。实验结果显示，该系统在区分水分胁迫中的准确率达94.85%，在 ALB 虫害检测中达 80.81%，充分验证了“图谱+点云”融合方案在复杂林业逆境监测中的卓越性能。

文献背书：《Remote Sensing》 | 北京林业大学

机载高光谱结合 AI，量化稻纵卷叶螟扩散趋势（点击跳转）

研究核心：捕捉受害叶片的光谱指纹差异，利用 AI 模型量化虫害发生面积（从 64.28%升至 90.53%）的动态演变，指导精准施药。

技术表现：IRIS 300TC 系统联用 MegaCube 软件；提供 4.5cm 级高空间分辨率数据，结合 XGBoost 模型提升识别精度。

文献背书：《Agronomy》 | 广东省农科院/河南省农科院团队

品质鉴定、溯源与环境监测

藏红花产地与等级无损判别（点击跳转）

研究核心：研究构建了基于光谱特征的无损判别体系，实现藏红花产地与等级的精准识别，降低了传统化学检测成本。

技术表现：基于 Resonon Pika XC2 成像数据，结合机器学习方法实现高精度预测。

文献背书：《Food Research International》 | 浙江工业大学

高光谱识别食盐中微塑料污染（点击跳转）

研究核心：研究提出一种绿色、无损的微塑料检测方法，在复杂盐基质中实现自动识别与定位。

技术表现：通过 VNIR 与 SWIR 双系统联合成像（400–1700 nm），并结合 PLS-DA 模型区分盐晶体与塑料颗粒。

文献背书：《Spectrochimica Acta Part A》 | 西班牙格拉纳达大学

AI × 高光谱蓝藻生物量预测（点击跳转）

研究核心：研究将人工智能与高光谱成像相结合，实现蓝藻生物量的实时预测与生长趋势分析。

技术表现：利用 Resonon Pika L 采集400-1000nm范围内的光谱数据。通过构建包含数百幅图像的配对数据集，模型能够以极高精度捕捉蓝藻浓度的细微波动。

文献背书：《Bioresource Technology》 | 西班牙 AIMEN 技术中心

鸡胸肌病识别与品质动态监控（点击跳转）

研究核心：研究实现了对鸡胸肌病组织的无损识别，并预测冷藏期内的品质变化。

技术表现：采用 Resonon Pika L 型高光谱成像仪 进行图像采集 。系统通过对可见光-近红外波段的深度反演，为肉类品质的智能化监控提供了解决方案 。

文献背书：《Spectrochimica Acta Part A》 | 西班牙农业食品研究技术研究所

深度学习驱动的藻华污染指数反演（点击跳转）

研究核心：通过高光谱监测藻类色素特征，构建污染指数模型，解析藻类有机物与膜污染潜力之间的关系。

技术表现：基于 2 nm 光谱分辨率的高光谱数据，实现藻华污染的精细化识别。

文献背书：《Desalination》 | 韩国高丽大学

相关科研文献缩略表