低成本非制冷红外相机帧的温度估计与超分辨率端到端处理流程及其在精准农业中的应用

针对低成本非制冷红外(IR)相机在精准农业应用中存在的空间分辨率低、空间变异非均匀性及缺乏辐射校准等问题，研究人员开发了结合温度估计与超分辨率(SR)的端到端深度学习流程。该研究通过深度神经网络实现灰度图像到温度图的映射(MAE 0.54°C@×2 SR)和空间分辨率提升(×2/×4)，在20,000帧农业数据集上验证了其与高端热像仪相当的精度(CWSI误差1.42%)，为农业遥感提供了实时高效的解决方案。

　　

在精准农业领域，红外热成像技术是监测作物健康状况、评估水分胁迫和优化灌溉策略的重要工具。然而，传统的高端辐射热像仪价格昂贵且需要复杂校准，而低成本非制冷红外相机又面临空间分辨率低、像素响应非均匀等问题，严重限制了其在农田大范围监测中的应用。这些设备输出的灰度图像无法直接转换为温度数据，且低分辨率导致飞行高度受限，显著增加了作业成本。

针对这一技术瓶颈，研究人员开发了一套创新的端到端处理流程。该研究首次将温度估计与非均匀性校正(NUC)、超分辨率(SR)技术整合到统一框架中，通过两个核心模块实现突破：基于物理模型的深度神经网络将原始灰度图像转换为温度图，结合多帧时空信息的SR网络将分辨率提升至×2/×4。研究团队特别设计了模拟器生成15,994组训练数据，解决了真实标定数据获取难题。

关键技术包括：(1)基于Stefan-Boltzmann定律线性化的单帧/多帧NUC算法，利用环境温度参数化网络权重；(2)双通道U-NET架构的SR网络，通过像素重组(pixel-shuffle)实现高效上采样；(3)作物水分胁迫指数(CWSI)量化评估体系。所有实验在NVIDIA 4070Ti GPU上完成，采用AdamW优化器联合训练。

研究结果方面：

1. 温度估计与NUC性能：在模拟数据上，单帧NUC的×2 SR平均MAE为0.54°C，多帧NUC(11帧)进一步降至0.57°C；真实飞行数据对比A655sc热像仪显示，×4 SR仍保持0.81°C的亚度级精度。
2. 超分辨率效果：SR网络成功重建高频细节，PSNR达41.09dB(×2)和37.92dB(×4)，EMD(推土机距离)仅0.09°C，显著优于双三次插值。
3. 农业应用验证：CWSI估计误差仅1.42-1.86%，在杏仁、鳄梨等7类作物中表现稳定，证明其灌溉指导价值。
4. 实时性能：CPU处理速度达18.1FPS(×4)，GPU加速后提升至65.2FPS，满足无人机实时作业需求。

这项研究突破了低成本红外相机在农业遥感中的技术壁垒，其创新性体现在三方面：首先，将物理模型嵌入深度学习框架，实现了无需逐台校准的温度估计；其次，多帧时空融合算法解决了传统方法对严格配准的依赖；最后，端到端设计使计算效率较传统LSQR算法提升三个数量级。研究成果为精准农业提供了可扩展的技术方案，使农户能以1/10的设备成本获取媲美高端热像仪的监测数据，对全球粮食安全生产具有重要实践意义。论文发表于农业工程领域权威期刊《Computers and Electronics in Agriculture》，相关代码已在GitHub开源。