一、引言

隨著人工智能（AI）技術的快速崛起，AI與傳統農業研究的深度融合正吸引全球的目光。而如今，DEEPSEEK正引領科技領域的熱潮，成為眾多行業智能化變革的關鍵驅動力。隨著全球氣候變化與智能科技的快速發展，中國農業生產領域正在經歷深刻變革。高光譜遙感技術與AI的強強聯合，農業領域研究迎來了前所未有的突破。智慧農業與精準農業已成為未來農業發展的重要方向。AI能高效處理和分析大量數據，通過AI算法精準解析高光譜遙感數據，農業專家能夠細致了解作物的碳氮比、水分含量、營養成分等信息，還能通過深度學習精確監測作物生長、預測病蟲害發展、檢測農產品內部缺陷等關鍵因素，幫助農場管理者作出科學決策，提升產量和效率。從而有效提升農業生產的精準度和智能化水平，推動農業向現代化、自動化方向發展。這一技術革新，不僅為農業生產提供了更精細、智能的解決方案，也為農業的可持續發展奠定了更加堅實的基礎。

二、高光譜遙感在農作物信息提取中的應用

2.1 農作物碳氮比

碳氮比在農作物生長過程中具有維持和調節作用，同時也控制著枯枝落葉的分解速率，是農業研究領域中必不可少的研究因素。如以小麥為研究對象，對近紅外光譜內不同的光譜特征進行研究，可探究不同碳氮比對其營養品質的影響。王爍利用高光譜遙感影像對玉米冠層的光譜特征和優化光譜指數進行提取，結合葉綠素相對含量和葉片全氮含量信息，構建了玉米葉片氮含量估算模型，可為玉米長勢動態監測和玉米施肥管理提供支撐。由此可見，結合高光譜影像與AI算法的融合應用，可以幫助農業研究人員高效評估作物的生長狀況與施肥需求，支持精準農業的實施。

圖1 不同生育期基于最佳原始光譜 BP 神經網絡的玉米葉片氮含量估算模型精度檢驗

圖2 不同生育期基于最佳一階微分光譜 BP 神經網絡的玉米葉片氮含量估算模型精度檢驗

2.2 農作物水分含量

水分是農作物的重要組成部分，通常占新鮮植物的 50% ~80%。水在近紅外和短波紅外 970、1200、1450、1950、2250 nm光譜通道內有顯著吸收峰或吸收谷，使農作物葉片的光譜反射率有明顯不同。如以小麥為研究對象，通過設立不同水分處理可知，510~780 nm或540~780 nm光譜附近為研究小麥水分狀況的最佳光譜通道。肖莉娟等運用高光譜遙感植被指數對棉花的水分脅迫指數進行估算，對于棉花水分狀況的研究有很大意義。由此可見，結合DEEPSEEK的AI圖像識別技術，這種方法不僅提升了監測精度，還能實現實時反饋，支持農場管理者根據即時數據調整水分管理策略。

圖3 棉花實測CWSI與RENDVI和CWSI相關模型估測CWSI的相關分析

2.3 農作物內部缺陷檢測

農產品種類豐富，是人們日常生活中食物的主要來源。隨著現代農業水平持續提高，人們對農產品品質的要求不斷上升。農產品從生長到采摘運輸過程中，由于各種因素影響，易在其內部形成不直接影響產品外觀但影響其內在品質與安全性的各種問題和異常情況，即內部缺陷，如西瓜空心、土豆黑心等。農產品內部缺陷的存在會降低農產品的商品價值、增加產后處理成本、影響農產品的儲存和運輸，還會對食品安全構成威脅。現農產品內部缺陷檢測是提高農產品品質的關鍵。傳統檢測方法破壞農產品才能進行檢測，具有破壞性，且耗時費力，且結果具有較大的誤差。近年來，結合高光譜遙感和AI技術的無損檢測方法能在不對環境和農產品本身造成污染的前提下，AI技術創新使得圖像處理與光譜分析能夠結合起來，提供高效的農產品內部缺陷檢測解決方案，幫助生產者提高產品質量并減少損耗。

三、農產品主要內部缺陷種類及原因

農產品內部缺陷種類繁多，成因復雜。依據形成內部缺陷的成因進行劃分，可分為生理性缺陷、病理性缺陷、機械性缺陷等，還有部分內部缺陷成因復雜，難以準確歸入某一類（如表 1 所示）。

表 1 農產品主要內部缺陷類型

基于光學特性的農產品無損檢測技術是指利用光與農產品之間相互作用所表現出來的光學現象與特性（如透射率、散射率及反射率等），通過特定設備從農產品本身或圖像中提取信息進行檢測、評估與分析，且不會對被檢測對象造成損傷，最終確定農產品內部品質（包括內部缺陷、損傷等）的一種技術。近年來，圖像處理技術快速發展，使得基于光學特性的無損檢測技術廣泛應用于花生、番茄、土豆等多種農產品內部缺陷的檢測、評估與分析。農產品內部缺陷會導致其內部成分分布和物理結構發生變化，從而使得其在特定波長下的光譜反射、傳播路徑、吸收和散射特性等發生改變，這些變化會反映在光譜特征上，再通過對光譜和圖像數據進行分析處理，比較差異，即可實現內部缺陷檢測。

四、多技術融合、人工智能在農產品內部缺陷無損檢測中的應用

農產品內部缺陷無損檢測領域正經歷著深刻的變革。在追求高效、精準的無損檢測方法過程中，多技術融合與人工智能的應用逐漸興起。將人工智能與多技術融合應用于農產品內部缺陷的無損檢測，不僅能夠提高檢測的準確性和效率，還能適應復雜多樣的農產品種類和檢測環境，為農產品內部缺陷無損檢測的發展帶來了新的機遇和挑戰。

4.1 多技術融合在農產品內部缺陷無損檢測中的應用

多技術融合是一種利用多種無損檢測技術相融合來提高檢測準確性和可靠性的方法。通過將不同無損檢測技術優勢融合，實現多個缺陷類型同時表征，以達到更全面高效、準確的檢測。常見的應用于農產品內部缺陷無損檢測的多技術融合包括近紅外光譜技術和機器視覺技術融合、超聲波與計算機斷層掃描（CT）技術融合、高光譜成像技術和機器視覺技術融合等。LIU 等將可見-近紅外光譜技術與振動聲學技術融合對蘋果霉心病進行檢測，發現結合振動譜和 Vis/NIR 光譜數據的分類模型與使用單個振動譜或 Vis/NIR 光譜數據的分類模型相比，識別精度具有顯著優勢，且準確率高達 99.31%。LIU 等將高光譜成像技術與電子鼻技術相融合對草莓早期腐爛進行檢測，結果表明，融合模型的預測性能優于基于單數據集（HSI 或 E-nose）的模型，最佳預測模型的 RP值達到了 0.925。展慧等提出了一種基于機器視覺和 NIR 光譜的融合技術用于檢測板栗霉爛、蟲害等內部缺陷，建立了 3 層 BPNN 模型，結果顯示準確度為 90%，相較于單一技術（近紅外光譜技術或機器視覺技術）均有所提高。

表2 多技術融合在農產品內部缺陷的無損檢測中的應用

4.2 人工智能在農產品內部缺陷無損檢測中的應用

人工智能（AI）包括機器學習、計算機視覺、自然語言處理、語言識別、圖像識別等，其在農產品內部缺陷檢測中主要應用于圖像分析和模式識別，最常利用的是 AI 中的機器學習算法，特別是深度學習算法，深度學習是機器學習的一個高級子集。AI 技術通過使用深度學習算法，可以識別農產品圖像中代表缺陷的細微特征，快速處理和分析大量復雜檢測數據，還可通過學習和適應不同的環境條件，使得無損檢測過程自動化，效率、準確性、可靠性均得到極大提升。基于機器學習的無損檢測通常采用 SVM、KNN 等建模方法，基于深度學習的無損檢測利用神經網絡（包括 CNN、LSTM、cGAN、ANN、BPNN 等）來分析和解釋來自傳感器的數據，包括視覺、紅外線和聲學信號等。

表3 AI 在農產品內部缺陷無損檢測中的應用

四、總結

隨著全球氣候極端事件的增多，農作物長勢監測和信息提取的需求急劇上升。高光譜遙感技術，作為一種有效的農業研究工具，已經取得了初步成效，尤其在與人工智能結合后展現出了巨大的潛力。雖然當前的技術尚有待完善，但在未來，結合新一代信息技術、人工智能和大數據等先進技術，高光譜遙感有望為農業智能化發展提供突破性支持，滿足人們對高品質農作物和高效農業生產的需求。

在這一過程中，人工智能將發揮關鍵作用，特別是在農作物監測和信息提取領域。通過高光譜遙感技術與人工智能、大數據等技術的深度融合，農業生產將變得更加智能化和精準化。人工智能能夠在海量農業數據中迅速識別出規律和趨勢，幫助農民實時監測農作物的生長狀況、預測未來的生長趨勢，并及時調整農業管理措施。這不僅能夠提升作物產量，還能實現資源的優化利用，從而推動可持續農業發展。

未來，人工智能還將在農作物信息提取精度方面發揮更大作用。結合高光譜遙感技術與無人機、人工智能和大數據，農業專家將能夠更加精確地提取農作物的碳氮比、水分信息等，從而更好地了解農作物的生長狀態和營養品質。這為農作物培育、病蟲害預測及產量估算提供了可靠的數據支持，并為農業生產提供科學決策依據。

隨著人工智能、大數據、云計算等技術的不斷發展和普及，農業生產將進入一個更加智能、自動化的新時代。農業智能化的普及不僅能提高生產效率，還能夠實現精準農業管理，減少對環境的負面影響，促進資源的可持續利用。通過技術的創新和不斷優化，未來的農業將更加高效、精準，能夠滿足全球對優質農產品日益增長的需求，推動農業現代化進程。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇