基于无人机快照多光谱成像的作物生长定量监测传感器SMICGS设计与应用研究

为解决无人机多光谱成像技术光学结构复杂、实时数据处理困难等问题，南京农业大学团队开发了新型快照多光谱作物生长传感器SMICGS。该研究通过马赛克滤光片实现多波段共光路成像，提出光谱串扰校正方法，结合随机森林算法构建了小麦和水稻LAI（叶面积指数）、AGB（地上生物量）预测模型（R2 达0.81-0.93），为农业生产精准管理提供了实时无损监测工具。

　　

在智慧农业领域，准确获取作物生长信息是保障粮食产量与品质的关键。然而传统田间调查依赖主观经验，实验室检测又存在破坏性采样、耗时费力等问题。光谱成像技术虽能实现作物生长参数的实时无损监测，但现有无人机多光谱传感器普遍存在光学结构复杂、多镜头视场差异导致图像配准困难、缺乏实时数据处理能力等瓶颈。这些问题严重制约了该技术在动态农业环境中的规模化应用。

针对这些挑战，南京农业大学国家信息农业工程技术中心的研究团队开发了一种新型无人机快照多光谱成像作物生长传感器SMICGS。该研究创新性地采用马赛克滤光片（MF）分光技术，通过优化光学结构设计实现了458、487、527、558、644、716、737和813 nm等作物生长敏感波段的多光谱同步成像。相关研究成果发表在《Plant Phenomics》期刊，为农业遥感监测提供了重要的技术突破。

研究团队主要运用了三大关键技术：1）基于Fabry-Perot微腔阵列技术的马赛克滤光片设计与制造，实现11×11 μm通道尺寸的精准分光；2）建立可调谐单色光源系统进行光谱校准，结合像素响应特性提出光谱串扰校正算法，使各通道透射率>95%；3）集成NVIDIA Jetson TX2嵌入式处理模块，开发耦合传感器信息与作物生长模型的处理系统，实现从数据采集到参数解析的全流程实时处理。实验样本来自江苏南通的水稻（12个品种）和小麦（2个品种）田间试验，涵盖不同播期、密度与氮肥处理。

多波段共光路SMICGS设计
通过分析小麦和水稻叶片氮含量、生物量等参数与特定光谱波段（如423 nm、703 nm、924 nm）的关联性，筛选出8个敏感波段。采用棋盘格分解法设计四波段马赛克滤光片，将458-558 nm（MF1）和644-813 nm（MF2）两组滤光片与CMOS传感器集成，形成双目平行结构。硬件测试显示，系统信噪比（SNR）>100 dB，辐射响应相对误差<7%。

光谱串扰校正方法
针对滤光片与探测器集成过程中的光谱干扰，提出基于像素响应特性的校正模型。通过构建理想高斯曲线与实际响应曲线的误差矩阵，计算伪逆矩阵实现串扰消除。经绿色漫反射校准板验证，校正后各波段反射率平均相对误差从10.07%降至3.42%，与ASD光谱仪数据的相关系数达0.988。

作物生长监测性能验证
在江苏南通田间试验中，SMICGS获取的植被指数（VIs）与商用RedEdge传感器数据高度相关（r>0.92）。利用随机森林（RF）算法构建的预测模型显示：水稻LAI和AGB建模集R²
分别达0.89和0.93，RMSE为0.818和0.866 t/ha；小麦相应指标R²
为0.81和0.85，RMSE为0.682和1.127 t/ha，显著优于支持向量回归（SVR）等传统方法。

这项研究通过创新性的光学设计和算法优化，成功解决了多光谱传感器结构复杂与实时处理困难两大技术瓶颈。SMICGS的轻量化设计（整机尺寸11.3×11.3 mm）与嵌入式处理能力，使其可直接输出作物生长参数，为精准农业管理提供了可靠的基础工具。未来研究可进一步拓展光谱波段组合，开发太阳辐射实时校正模块，以提升设备在复杂环境下的适用性。该成果不仅推动了农业遥感设备的微型化与智能化发展，也为作物表型组学研究提供了新的技术路径。