Agro-HSR：首个农业高光谱重建数据集推动基于深度学习的甘薯品质智能预测

《Computers and Electronics in Agriculture》：Agro-HSR: The first large-scale agricultural-focused hyperspectral dataset for deep learning-based image reconstruction and quality prediction

本研究针对高光谱成像(HSI)设备昂贵、采集复杂等问题，推出了首个大规模农业高光谱重建数据集Agro-HSR，包含1322对RGB-HSI图像立方体，覆盖400-1000 nm光谱范围。研究人员通过深度学习模型成功实现了从RGB图像重建HSI，并有效预测了甘薯的Brix（糖度）、干物质含量(DMC)和硬度等关键品质参数，为农业无损检测提供了重要技术支撑。

　　

在精准农业快速发展的今天，作物品质无损检测技术正面临重大挑战。高光谱成像(HSI)技术能够捕获物体在不同波长下的详细光谱信息，为农业产品质量评估提供了强大工具。然而，传统HSI设备价格昂贵、操作复杂、缺乏便携性，且存在空间分辨率低、曝光时间长等问题，严重限制了其在农业领域的广泛应用。与此同时，RGB图像因采集简便、设备普及而成为农业检测的主要数据源，但其有限的光谱信息难以满足精准品质预测的需求。

为了突破这一技术瓶颈，研究人员开始探索从RGB图像重建高光谱图像的新途径。虽然已有一些通用HSI重建数据集，如NTIRE系列，但这些数据集主要针对自然场景，光谱范围局限于400-700 nm，缺乏农业特异性。在农业应用中，近红外区域(700-1000 nm)的光谱信息对品质预测至关重要，这就迫切需要创建专门针对农业应用的RGB-HSI重建数据集。

在此背景下，由伊利诺伊大学厄巴纳-香槟分校的研究团队在《Computers and Electronics in Agriculture》上发表了重要研究成果，推出了首个大规模农业高光谱重建数据集——Agro-HSR。该数据集专门针对甘薯这一重要农作物，不仅提供了大规模的RGB-HSI图像对，还包含了关键品质参数的测量数据，为农业高光谱研究提供了宝贵资源。

研究人员采用了多项关键技术方法开展本研究。他们使用Specim IQ高光谱相机采集图像，该设备能捕获512×512像素分辨率、204个波段（400-1000 nm范围）的高光谱数据。采集过程中使用两个750 W卤钨灯提供稳定光照，并通过暗参考（0%反射率）和白参考（99%反射率）进行反射率校准。数据集包含790个甘薯样本的1322对RGB-HSI图像，涵盖"Bayou Belle"、"Murasaki"和"Orleans"三个品种，其中141个样本还包含了Brix（糖度）、干物质含量(DMC)和硬度等品质参数。图像预处理包括将204个波段下采样至31个均匀间隔波段，以及使用阈值法（954 nm波段，阈值0.15）去除背景。

3.1. Data collection详细描述了数据采集过程。图像采集使用Specim IQ高光谱相机，该设备能同时捕获RGB和高光谱图像，确保像素级对齐。每个高光谱图像立方体包含31个均匀间隔波段，覆盖400-1000 nm波长范围。农业属性测量方面，Brix值使用Atago数字折光仪测量，干物质含量通过103°C烘箱干燥法测定，硬度使用TAHD Plus质地分析仪测量，所有测量都进行了三次重复并取平均值以确保准确性。

3.2. Dataset preprocessing介绍了数据集预处理方法。原始204个波段被下采样至31个波段以符合标准惯例，所有HSI数据以.mat格式存储。背景去除采用954 nm波段的阈值法（阈值0.15），这一方法通过视觉比较启发式确定，能在保持前景区域的同时最小化噪声和边缘损失。

3.2.1. Dataset design说明了数据集设计思路。Agro-HSR包含1322个HSI-RGB对，来自790个样本，其中532个样本采集了双面图像（1064对），258个样本只采集了单面图像（258对）。这种设计考虑了农产品的异质性，反映了实验室测量的实际情况。

3.2.2. Dataset split for hyperspectral image reconstruction详细说明了数据集划分。训练集包含649个样本的1040张图像，测试集包含141个样本的282张图像，测试集中所有样本都包含品质属性数据。

3.2.3. Dataset split for agro-attribute prediction进一步说明了品质预测的数据划分。从重建测试集的141个样本中，113个样本（226张图像）用于训练，28个样本（56张图像）用于测试，确保了品种分布的均衡性。

4.1. Hyperspectral reconstruction of sweet potato展示了高光谱重建结果。研究人员选择了Restormer、MST++、HINet、HRNet和EDSR五种主流重建模型进行基准测试。实验设置保持一致性：批量大小为1，学习率0.0001，MSE损失函数，Adam优化器，训练50个epoch。

4.1.4. Reconstruction results显示重建性能。Restormer和MST++在所有指标上都表现最佳，PSNR分别达到36.68和36.39。所有模型在400-650 nm可见光范围内重建效果良好，但在650-1000 nm近红外区域出现偏差，这与Specim IQ相机只提供449 nm（蓝）、540 nm（绿）和599 nm（红）三个RGB波段有关。

4.2. Agro-attribute prediction验证了重建HSI在品质预测中的应用。使用偏最小二乘回归(PLSR)模型预测Brix、干物质含量和硬度。结果显示，基于重建光谱的预测结果与真实光谱高度相关：Restormer重建的光谱在Brix和DMC预测中表现最佳，HINet在硬度预测中表现最好。

研究结论表明，Agro-HSR是目前最大的RGB-HSI重建数据集，不仅为高光谱重建研究提供了重要资源，还证明了从RGB图像重建HSI并用于农业品质预测的可行性。尽管存在一些局限性（如仅包含甘薯样本、实验室条件下采集、400-1000 nm范围限制），但该数据集显著推动了农业高光谱成像技术的发展，为消费级RGB成像在农业中的应用开辟了新途径。

这项研究的重要意义在于：首先，它提供了首个专门针对农业应用的大规模公开HSI重建数据集，填补了该领域的空白；其次，它证明了深度学习模型能够从RGB图像有效重建高光谱信息，特别是在农业应用关键的近红外区域；最后，它展示了重建HSI在多种品质参数预测中的实际应用价值，为农业无损检测技术的普及提供了技术基础。Agro-HSR数据集的发布将促进农业科学与机器学习研究的跨学科合作，推动更稳健、准确和应用就绪的HSI重建技术的发展。