Telecamere iperspettrali per un'identificazione precisa dei parassiti degli insetti: uno studio dai campi di grano

Sullo sfondo delle sfide globali per la sicurezza alimentare, il monitoraggio tempestivo e la prevenzione e il controllo precisi dei parassiti agricoli sono diventati argomenti importanti nel settore agricolo. I metodi tradizionali di identificazione dei parassiti si basano sull'ispezione visiva manuale e sull'identificazione morfologica, che non solo richiedono tempo e sono laboriosi, ma sono anche difficili da realizzare per un monitoraggio in tempo reale su larga scala. Negli ultimi anni, la combinazione della tecnologia di imaging iperspettrale e degli algoritmi di machine learning ha aperto una nuova strada per l'identificazione automatizzata degli insetti nocivi.

Nel dicembre 2025, la rivista accademica internazionale "Biology" ha pubblicato un articolo di ricerca intitolato "Hyperspectral Imaging and Machine Learning for Automated Pest Identification in Cereal Crops." La ricerca è stata completata da team di ricerca di diverse università del Kazakistan. Utilizzando la fotocamera iperspettrale FigSpec FS-13 prodotta da Hangzhou CHNSpec Technology Co., Ltd., hanno condotto analisi delle caratteristiche spettrali e modellazione della classificazione per 12 parassiti principali nei campi di grano, dimostrando il valore applicativo di questa apparecchiatura nel campo del monitoraggio dei parassiti agricoli.

Vantaggi dell'imaging iperspettrale nell'identificazione degli insetti

La tecnologia di imaging iperspettrale può ottenere centinaia di informazioni spettrali a banda stretta continua nell'intervallo di lunghezze d'onda dal visibile al vicino infrarosso (solitamente 400-1000 nm), formando una curva spettrale completa per ogni pixel. A differenza delle normali fotocamere RGB, le immagini iperspettrali non solo registrano la morfologia spaziale degli oggetti, ma rivelano anche le caratteristiche di risposta spettrale dei loro componenti materiali e delle strutture superficiali.

Per gli insetti, fattori quali diversi tipi di pigmenti superficiali, strutture chitinose, trasparenza delle ali e rugosità superficiale produrranno caratteristiche di riflessione spettrale uniche. Queste "impronte digitali spettrali" consentono all'imaging iperspettrale di distinguere specie morfologicamente simili e persino di identificare parassiti nascosti.

Principali risultati della ricerca

1. Differenze significative nelle caratteristiche spettrali di diversi parassiti

I risultati della ricerca hanno mostrato che diverse specie di insetti presentavano curve spettrali di riflessione significativamente diverse nelle bande dal visibile al vicino infrarosso. I principali fattori che influenzano includono:

• Pigmenti superficiali: insetti di colore chiaro o brillante (come giallo-verde, bianco) hanno una maggiore riflettività, mentre insetti di colore scuro o nero (come coleotteri pulce) hanno una minore riflettività.
• Struttura alare: ali trasparenti o semitrasparenti (come mosche del seme di grano, tripidi del grano) mostrano picchi di riflessione elevati nella regione del vicino infrarosso.
• Texture superficiale: le elitre lisce hanno una maggiore riflettività rispetto alle superfici del corpo ruvide o pelose.
• Tipi di chitina: diverse forme cristalline di chitina (tipi α, β, γ) influenzano le caratteristiche di assorbimento spettrale.

Ad esempio, Trigonotylus ruficornis (cimice miride dal corno rosso) ha una riflettività fino al 90-110% a causa del suo colore del corpo giallo-verde chiaro; Chaetocnema aridula (coleottero pulce del fusto dei cereali) ha una riflettività di solo il 10-20% a causa del suo colore del corpo nero intenso.

2. L'analisi PCA rivela i componenti principali delle differenze spettrali

L'analisi di riduzione della dimensionalità PCA ha mostrato che le prime due componenti principali potevano spiegare oltre l'80% della varianza spettrale. La prima componente principale (PC1) riflette principalmente la differenza di luminosità complessiva, mentre la seconda componente principale (PC2) è correlata a sottili cambiamenti nella struttura della superficie corporea e nei pigmenti. Diverse specie hanno presentato diversi gradi di separazione dei cluster nel grafico dei punteggi PCA, fornendo una base per la classificazione successiva.

3. Prestazioni robuste del modello di classificazione PLS-DA

Il team di ricerca ha costruito un modello di classificazione PLS-DA basato sui dati spettrali raccolti da FigSpec FS-13 per identificare 12 tipi di parassiti. Gli indicatori di valutazione del modello includevano il coefficiente di determinazione (R²), la capacità predittiva (Q²) e l'errore quadratico medio di calibrazione (RMSEC). I risultati sono i seguenti:

Per specie con colori del corpo vivaci e dimensioni grandi (come scarabei, cavallette verdi), l'accuratezza dell'identificazione del modello può raggiungere circa il 90%; per specie con colori del corpo scuri e dimensioni minuscole (come coleotteri pulce, tripidi), l'accuratezza è leggermente inferiore ma rimane comunque entro un intervallo accettabile. Nel complesso, il modello PLS-DA può distinguere efficacemente 12 tipi di parassiti, verificando l'affidabilità dei dati iperspettrali di FigSpec FS-13 nella classificazione degli insetti.

Conclusione

Questo caso di ricerca dimostra il potenziale applicativo della fotocamera iperspettrale FigSpec FS-13 nell'analisi delle caratteristiche spettrali degli insetti nocivi e nella classificazione tramite machine learning. Essendo un dispositivo di imaging iperspettrale prodotto a livello nazionale, l'FS-13, con le sue prestazioni stabili e le ricche funzioni di analisi di supporto, fornisce uno strumento affidabile per la ricerca scientifica e le applicazioni industriali in campi quali il monitoraggio delle malattie e dei parassiti agricoli, il test di sicurezza alimentare e la selezione dei materiali.

Con la continua crescita della domanda di agricoltura di precisione e protezione delle piante intelligente, la tecnologia di imaging iperspettrale svolgerà un ruolo sempre più importante nella futura gestione dei terreni agricoli.

(L'articolo originale può essere letto cercando https://doi.org/10.3390/biology14121715)