Hyperspectrale camera's maken nauwkeurige identificatie van insectenplagen mogelijk: een studie uit tarwevelden

Tegen de achtergrond van de wereldwijde uitdagingen op het gebied van voedselzekerheid zijn tijdige monitoring en nauwkeurige preventie en bestrijding van landbouwplagen belangrijke onderwerpen op landbouwgebied geworden.Traditionele methoden voor het identificeren van plagen zijn gebaseerd op handmatige visuele inspectie en morfologische identificatie, die niet alleen tijdrovend en vermoeiend zijn, maar ook moeilijk op grote schaal real-time te monitoren.De combinatie van hyperspectral imaging technologie en machine learning algoritmen heeft een nieuwe weg geopend voor de geautomatiseerde identificatie van insectenplagen.

In december 2025 publiceerde het internationale academische tijdschrift "Biology" een onderzoeksartikel getiteld "Hyperspectral Imaging and Machine Learning for Automated Pest Identification in Cereal Crops"." Het onderzoek werd uitgevoerd door onderzoeksteams van verschillende universiteiten in Kazachstan. met behulp van deFigSpec FS-13 hyperspectrale camerageproduceerd door Hangzhou CHNSpec Technology Co., Ltd. hebben zij spectrale kenmerkanalyse en classificatiemodellering uitgevoerd voor 12 belangrijke plagen in tarwevelden,om aan te tonen welke toepassingswaarde deze apparatuur heeft op het gebied van de controle van landbouwbedreigende organismen.

Voordelen van hyperspectrale beeldvorming bij het identificeren van insecten

Hyperspectrale beeldvormingstechnologie kan honderden continue smalbandspektralinformatie verkrijgen binnen het bereik van zichtbare tot nabij-infraroodgolflengten (meestal 400 ‰ 1000 nm),een volledige spectrale curve vormen voor elke pixelIn tegenstelling tot gewone RGB camera's,hyperspectrale beelden registreren niet alleen de ruimtelijke morfologie van objecten, maar onthullen ook de spectrale responskenmerken van hun materiële componenten en oppervlaktestructuren.

Voor insecten zullen factoren zoals verschillende soorten oppervlaktepigmenten, chitine-structuren, vleugeltransparantie en oppervlaktehoafheid unieke spectrumreflectie-kenmerken produceren.Deze "spectrale vingerafdrukken" maken hyperspectrale beeldvorming mogelijk om morfologisch vergelijkbare soorten te onderscheiden en zelfs verborgen plagen te identificeren.

Belangrijkste onderzoeksresultaten

1.Significante verschillen in spectrale kenmerken van verschillende plagen

De resultaten van het onderzoek toonden aan dat verschillende insectensoorten in de zichtbare tot de nabij-infraroodband aanzienlijk verschillende reflectie-spektralkruwen vertoonden.

• Oppervlaktepigmenten: Lichte of heldere insecten (zoals geelgroen, wit) hebben een hogere reflectiviteit, terwijl donkere of zwarte insecten (zoals vlooienkevers) een lagere reflectiviteit hebben.
• Vleugelstructuur: Transparante of halftransparante vleugels (zoals tarwezaadvliegen, tarwe-thrips) vertonen hoge reflectiepieken in het nabije infraroodgebied.
• Oppervlaktextuur: gladde elytra's hebben een hogere reflectiviteit dan ruwe of harige lichaamsoppervlakken.
• Chitinetypen: Verschillende kristalvormen van chitine (α-, β-, γ-typen) beïnvloeden de spectrale absorptiekarakteristieken.

Bijvoorbeeld Trigonotylus ruficornis (red-horned mirid bug) heeft een reflectievermogen van 90 ‰ 110% vanwege zijn lichtgele groene lichaamskleur;Chaetocnema aridula (cereal stem vlooien kever) heeft een reflectiviteit van slechts 10~20% als gevolg van zijn diepe zwarte lichaamskleur.

2.PCA-analyse toont de belangrijkste componenten van spectrumverschillen

Uit de PCA-dimensieverminderingsanalyse bleek dat de eerste twee hoofdcomponenten meer dan 80% van de spectrale variantie konden verklaren.De eerste hoofdcomponent (PC1) weerspiegelt voornamelijk het totale helderheidsverschil, terwijl de tweede hoofdcomponent (PC2) gerelateerd is aan subtiele lichaamsoppervlakstructuur en pigmentveranderingen.Verschillende soorten vertoonden verschillende graden van clusterseparatie in de PCA-scoregrafiek, die een basis vormen voor een latere indeling.

3.Grote prestaties van het classificatiemodel PLS-DA

Het onderzoeksteam bouwde een PLS-DA-classificatiemodel op basis van de spectrumgegevens verzameld door FigSpec FS-13 om 12 soorten plagen te identificeren.De indicatoren voor de evaluatie van het model omvatten de determinatiecoëfficiënt (R2), voorspellend vermogen (Q2) en wortelgemiddelde vierkante fout van kalibratie (RMSEC).

Voor soorten met heldere lichaamskleuren en grote afmetingen (zoals scarabiën, groene boskrekels) kan de nauwkeurigheid van het model ongeveer 90% bereiken;voor soorten met donkere lichaamskleur en kleine afmetingen (zoals vlooienkevers)In het algemeen kan het PLS-DA-model 12 soorten plagen effectief onderscheiden.tot verificatie van de betrouwbaarheid van de hyperspectrale FigSpec FS-13-gegevens bij de classificatie van insecten.

Conclusies

Deze onderzoekscase toont het toepassingspotentieel van de FigSpec FS-13 hyperspectrale camera in insectenpest spectrale kenmerken analyse en machine learning classificatie.Als een in eigen land geproduceerd hyperspectral imaging-apparaat, de FS-13, met zijn stabiele prestaties en rijke ondersteunende analysefuncties,biedt een betrouwbaar instrument voor wetenschappelijk onderzoek en industriële toepassingen op gebieden als de controle op landbouwziekten en plagen, voedselveiligheidstests en materiaalsortering.

Met de voortdurende groei van de vraag naar precisie-landbouw en slimme gewasbescherming zal hyperspectrale beeldtechnologie een steeds belangrijkere rol spelen in het toekomstige beheer van landbouwgrond.

(Het origineel is te lezen bij de zoekopdrachtDe Commissie is van oordeel dat de in artikel 3, lid 1, van Verordening (EG) nr. 1225/2009 bedoelde maatregelen in strijd zijn met het beginsel van gelijke behandeling.)