光譜技術(shù)在作物雜草識別中的研究現(xiàn)狀與展望

中圖分類號：S431.9 文獻(xiàn)標(biāo)識碼：Aloi：10.3969/j.issn.1002-204x.2025.04.010

文章編號：1002-204X（2025）04-0053-04

Research Status and Prospect of Spectral Technology in Crop Weed Identification

Yang Fengl， Yang Shuting2*

（1.Tongxin County Agricultural Technology Extension Service Center，Tongxin，Ningxia 751300; 2.Instituteof

Agricultural Economicsand Information Technology，Ningxia Academy of Agriculture and Forestry Sciences， Yinchuan， Ningxia 750002）

Abstract Asan important sensing method in precisionagriculture，spectral technology hasshown significant advantages inthefieldof cropweedidentification.Through technology integrationandsystem optimization， spectrum technology isexpected to become thecore tool of smartagriculture，promote farmland management to precisionandunmannedand provide key technological support forgreen agricultureandsustainable development. Theprinciple，research status，key technologies，existing chalengesand development limitations of spectral technology are systematically reviewed.

Key words Spectral technology; Crop weed; Identification

在農(nóng)業(yè)生產(chǎn)領(lǐng)域，精準(zhǔn)識別作物與雜草并進(jìn)行有效治理是實現(xiàn)作物高產(chǎn)優(yōu)質(zhì)的關(guān)鍵環(huán)節(jié)。傳統(tǒng)的人工除草方式不僅耗費大量人力、物力，效率低下，而且在大規(guī)模種植場景下難以滿足實際需求。光譜技術(shù)作為一種快速、無損的檢測手段，近年來在作物與雜草識別領(lǐng)域展現(xiàn)出巨大的潛力[1-2]。不同植物由于其生理結(jié)構(gòu)、生化成分的差異，在吸收、反射和透射光的特性上存在顯著不同，這使得光譜技術(shù)能夠依據(jù)這些光譜特征的差異實現(xiàn)對作物與雜草的精準(zhǔn)識別。隨著傳感器技術(shù)、計算機(jī)技術(shù)的飛速發(fā)展，光譜技術(shù)在識別精度、識別速度以及數(shù)據(jù)處理能力等方面都取得了長足的進(jìn)步[3-4。本文對光譜技術(shù)在作物與雜草識別中的研究現(xiàn)狀進(jìn)行全面綜述，分析現(xiàn)存問題，并對未來發(fā)展方向進(jìn)行展望，以期為推動該技術(shù)在農(nóng)業(yè)生產(chǎn)中的廣泛應(yīng)用提供參考。

1光譜技術(shù)的原理與優(yōu)勢

1.1 技術(shù)原理

植物的反射光譜特性與其生理結(jié)構(gòu)和化學(xué)成分密切相關(guān)，這種特性在不同波段表現(xiàn)出顯著差異，是植被遙感監(jiān)測的理論基礎(chǔ)。在可見光波段 （400～700nm） ），作物與雜草的反射差異尤為顯著。在 550nm 處，植物葉片對綠光的反射相對較強(qiáng)，形成綠峰，但不同植物由于葉綠素含量及其他色素成分的差異，綠峰的強(qiáng)度和形狀會有所不同。在 680nm 處，葉綠素對紅光有強(qiáng)烈吸收，形成紅谷。作物與雜草的葉綠素含量、分布及其與其他細(xì)胞成分的相互作用不同，導(dǎo)致其在紅谷處的吸收深度和反射率表現(xiàn)出明顯差異，這種差異為區(qū)分作物與雜草提供了重要依據(jù)。在近紅外波段一 （700～1300nm） ），植物的水分含量成為影響光譜反射的關(guān)鍵因素。在 1450nm 和 1940nm 等水分敏感波段，植物中的水分對近紅外光有特定的吸收特性。旱生雜草與作物由于適應(yīng)不同的水分環(huán)境，其水分含量和水分在組織內(nèi)的分布存在差異[5。例如，旱生雜草通常具有更高效的保水機(jī)制，其葉片水分含量相對較低且分布更為集中。這種水分狀態(tài)的差異在近紅外波段的光譜反射上表現(xiàn)為反射率的不同，從而輔助區(qū)分旱生雜草與作物。通過分析這些波段的光譜信息，可以獲取植物的水分狀態(tài)，進(jìn)一步了解植物的生長狀況和環(huán)境適應(yīng)性，為精準(zhǔn)農(nóng)業(yè)管理提供重要信息。近年來國內(nèi)外應(yīng)用光譜技術(shù)識別作物與雜草的相關(guān)研究較為廣泛，胡盈盈等采集玉米、馬齒莧、野莧菜及香附植株冠層在 350～2500nm 波段內(nèi)的光譜信息，經(jīng)過數(shù)據(jù)預(yù)處理，運用逐步判別模型，篩選出了734、954、1324、1867四個特征波段，研究結(jié)果進(jìn)一步論證了在“紅邊 ^'680～780nm 區(qū)域的反射率對玉米田間雜草識別具有重要作用。

高光譜成像技術(shù)的發(fā)展進(jìn)一步提升了光譜技術(shù)在植物分類中的精度。它通過連續(xù)窄波段（ lt;10nm ）對植物進(jìn)行光譜數(shù)據(jù)采集，能夠捕捉到細(xì)微的光譜差異。傳統(tǒng)的寬波段光譜技術(shù)可能會忽略一些植物間的微小光譜特征，而高光譜成像技術(shù)憑借其高分辨率，能夠更準(zhǔn)確地分辨不同植物的光譜指紋。例如，在對一些形態(tài)相似的雜草和作物品種進(jìn)行分類時，高光譜成像技術(shù)可以通過對連續(xù)窄波段光譜數(shù)據(jù)的分析，發(fā)現(xiàn)它們在特定波段上的微小反射率差異，從而實現(xiàn)精確分類。這種高分辨率的光譜數(shù)據(jù)采集，為植物分類提供了更豐富、更細(xì)致的信息，大大增強(qiáng)了分類的準(zhǔn)確性和可靠性。陳樹人等以生長期為10d的雜草稻和水稻為研究對象，利用主成分分析法優(yōu)選出 1448nm 和1469nm波長下的特征圖像，提取18個特征變量，利用神經(jīng)網(wǎng)絡(luò)方法建立了雜草稻和水稻的判別模型，研究表明利用高光譜技術(shù)快速鑒別稻田苗期雜草是可行的。

1.2 技術(shù)優(yōu)勢

相較于傳統(tǒng)的植物分類方法，光譜技術(shù)展現(xiàn)出諸多顯著優(yōu)勢：

1.2.1 非破壞性檢測

傳統(tǒng)的植物分類方法，如人工識別或基于樣本采集的實驗室分析，往往需要直接接觸植物，甚至可能對植物造成損傷。例如，在采集植物樣本進(jìn)行化學(xué)分析時，需要摘取植物的部分組織，這不僅會影響植物的正常生長，還可能對農(nóng)田生態(tài)系統(tǒng)的完整性造成破壞。而光譜技術(shù)通過遠(yuǎn)程獲取植物的光譜信息，無需接觸植物本身。無論是利用地面光譜儀進(jìn)行近距離測量，還是借助無人機(jī)搭載的光譜傳感器進(jìn)行大面積掃描，都能在不干擾植物生長的前提下，獲取準(zhǔn)確的分類信息。這種非破壞性檢測方式，極大地減少了對農(nóng)田生態(tài)環(huán)境的人為干預(yù)，有助于維持農(nóng)田生態(tài)系統(tǒng)的平衡與穩(wěn)定。

1.2.2光譜技術(shù)能夠?qū)崿F(xiàn)多維度信息融合

以成像光譜技術(shù)為例，它不僅能夠獲取植物的光譜信息，還能同時記錄植物的空間信息。這種融合了光譜與空間信息的特性，使得光譜技術(shù)在植物分類中具有更強(qiáng)的功能： ① 通過分析光譜數(shù)據(jù)，可以準(zhǔn)確識別植物的種類； ② 利用空間信息，可以對雜草在農(nóng)田中的分布進(jìn)行精確定位。例如，在大面積農(nóng)田中，通過成像光譜技術(shù)可以快速繪制出雜草的分布地圖，幫助農(nóng)民精準(zhǔn)地制定除草策略，集中對雜草密集區(qū)域進(jìn)行處理，提高除草效率，同時減少對作物的不必要影響。這種多維度信息融合的能力，為農(nóng)田管理提供了更全面、更直觀的決策支持。

1.2.3光譜技術(shù)具有顯著的環(huán)境友好性

在傳統(tǒng)農(nóng)業(yè)中，為了控制雜草生長，除草劑的使用較為普遍。然而，過度使用除草劑不僅會對土壤、水源等環(huán)境要素造成污染，還可能對非靶標(biāo)生物產(chǎn)生負(fù)面影響，破壞生態(tài)平衡。光譜技術(shù)的應(yīng)用可以減少除草劑的濫用。通過精準(zhǔn)識別雜草，農(nóng)民可以采用針對性的除草措施，如定點噴灑除草劑或進(jìn)行物理除草，只對雜草進(jìn)行處理，而避免對作物和周圍環(huán)境造成不必要的損害。這不僅符合綠色農(nóng)業(yè)發(fā)展的需求，有助于保護(hù)生態(tài)環(huán)境，還能降低農(nóng)產(chǎn)品中的農(nóng)藥殘留，提高農(nóng)產(chǎn)品的質(zhì)量與安全。

1.2.4光譜技術(shù)具有高效性

隨著現(xiàn)代農(nóng)業(yè)向規(guī)?；⒅悄芑l(fā)展，對大面積農(nóng)田進(jìn)行快速檢測的需求日益迫切。光譜技術(shù)與無人機(jī)或田間機(jī)器人的結(jié)合，完美地滿足了這一需求。無人機(jī)憑借其機(jī)動性和靈活性，可以在短時間內(nèi)對大面積農(nóng)田進(jìn)行全覆蓋掃描，快速獲取農(nóng)田內(nèi)植物的光譜信息[1]。田間機(jī)器人則可以在田間進(jìn)行更細(xì)致的巡查，針對特定區(qū)域進(jìn)行高精度的光譜測量。這種高效的檢測方式，大大提高了農(nóng)田監(jiān)測的效率，能夠及時發(fā)現(xiàn)農(nóng)田中植物的生長異常和雜草分布情況，為農(nóng)民及時采取相應(yīng)措施提供了有力保障。柳瑩瑩等采集雜草高光譜圖像，提取每個物種的光譜曲線、光譜剖面特征，揭示了不同雜草物種的差異性，通過建立支持向量機(jī)與一維卷積神經(jīng)網(wǎng)絡(luò)分類模型，雜草識別準(zhǔn)確性達(dá)95% 以上，該研究為自動化除草機(jī)器人的研制提供了技術(shù)基礎(chǔ)。

2 挑戰(zhàn)與局限性

2.1 環(huán)境干擾

在農(nóng)業(yè)光譜監(jiān)測過程中，光照條件是一個極為關(guān)鍵且棘手的環(huán)境干擾因素。自然光作為主要的光源，其強(qiáng)度會隨著時間、天氣狀況發(fā)生顯著變化，例如晴天與陰天的光照強(qiáng)度差異巨大。同時，太陽角度的不斷改變，使得光線照射到植物表面的角度也隨之變化，這直接導(dǎo)致所采集的光譜數(shù)據(jù)出現(xiàn)較大波動[]。這種波動并非植物本身光譜特征的真實變化，卻會給后續(xù)的數(shù)據(jù)分析與解讀帶來極大的困擾。此外，土壤背景也對植物光譜特征的準(zhǔn)確獲取造成阻礙。田間裸露的土壤，其自身具有獨特的光譜反射特性，在進(jìn)行植物光譜采集時，土壤的反射光會混人其中。而殘留的秸稈，無論是顏色還是材質(zhì)，都可能對植物光譜產(chǎn)生干擾，甚至在一定程度上掩蓋植物原本的光譜特征，使得采集到的數(shù)據(jù)失真。為有效解決這些問題，科研人員提出了一系列針對性的解決方案[13]。鄭奕等[4]選擇新疆天山北坡中段山地草甸典型植被作為研究對象，采集了多季相植被原始反射光譜數(shù)據(jù)，然后通過多項式卷積平滑（Savitzky-Golay，S-G）對實測高光譜數(shù)據(jù)進(jìn)行平滑除噪，再利用最小噪聲分離（mini-mumnoise-fraction，MNF）變換進(jìn)行降維處理，減少環(huán)境光的散射干擾，提高所采集光譜數(shù)據(jù)的質(zhì)量，抑制噪聲干擾，有效提升了不同季相草地植被的辨識精度。

2.2光譜響應(yīng)特征不可區(qū)分性

在農(nóng)業(yè)生產(chǎn)中，作物與雜草的光譜相似性是一個不容忽視的難題。特別是同科植物之間，由于其在形態(tài)結(jié)構(gòu)和生理特性上具有一定的相似性，光譜特征也較為接近。以水稻與稗草為例，它們同屬禾本科，在可見光波段，二者的反射光譜高度相似，這使得僅依靠可見光波段的光譜數(shù)據(jù)，很難準(zhǔn)確區(qū)分水稻與稗草。陳樹人等利用ASD光譜儀在室內(nèi)分別測量了棉花、刺兒菜、水稻、稗草等四種植物在 350～2500nm 波段范圍內(nèi)的光譜反射率，篩選能夠區(qū)分作物和雜草的波長。實驗結(jié)果表明：利用5個特征波長375、465、585、705和 1035nm 可有效地從單子葉植物水稻中識別出單子葉雜草稗草。隨著無人機(jī)遙感平臺的快速發(fā)展，大量研究結(jié)合紋理分析技術(shù)，利用植物葉片表面的紋理特征，如粗糙度、紋理方向等，與光譜信息相互補(bǔ)充，從而有效提升了對作物與雜草的區(qū)分度，為精準(zhǔn)除草和田間管理提供了有力支持。

2.3 數(shù)據(jù)時效性與成本

隨著高光譜成像技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用，數(shù)據(jù)量大成為一個突出問題。高光譜圖像由于具備豐富的光譜信息，單幅數(shù)據(jù)量可達(dá)GB級。然而，用于田間數(shù)據(jù)采集和處理的設(shè)備，通常受限于體積、功耗和成本等因素，算力相對不足，難以對海量數(shù)據(jù)進(jìn)行實時處理，使農(nóng)業(yè)生產(chǎn)決策的及時性受限。與此同時，設(shè)備成本也是限制高光譜技術(shù)大規(guī)模推廣的重要因素。目前，高光譜相機(jī)價格昂貴，設(shè)備成本增加了前期投人，提高了使用門檻，阻礙了該技術(shù)在農(nóng)業(yè)生產(chǎn)中的廣泛應(yīng)用。

3未來發(fā)展趨勢

3.1遙感監(jiān)測傳感器技術(shù)革新

在農(nóng)業(yè)遙感監(jiān)測技術(shù)領(lǐng)域，傳感器技術(shù)正朝著小微型與低成本方向大步邁進(jìn)。高靈敏度探測器的研發(fā)成為提升光譜檢測精度的關(guān)鍵。亟需實現(xiàn)敏感器件、光電轉(zhuǎn)換、微弱信號處理等核心零部件自主研發(fā)，打破國外產(chǎn)品壟斷。傳感器的小型化、集成化將是未來一段時間的發(fā)展趨勢。如量子點技術(shù)以其獨特的光學(xué)性質(zhì)，能夠精確捕捉微弱的光譜信號[；超材料技術(shù)則通過對材料微觀結(jié)構(gòu)的精準(zhǔn)設(shè)計，有效增強(qiáng)了對特定光譜頻段的響應(yīng)能力[9]。二者的結(jié)合，顯著提升了傳感器的信噪比，即使在復(fù)雜的環(huán)境背景下，也能精準(zhǔn)識別出目標(biāo)光譜特征，為后續(xù)的分析提供可靠的數(shù)據(jù)基礎(chǔ)，滿足智慧農(nóng)業(yè)發(fā)展需求。

3.2 智能算法優(yōu)化

在數(shù)據(jù)產(chǎn)品開發(fā)方面，智能算法的優(yōu)化是推動農(nóng)業(yè)光譜監(jiān)測智能化發(fā)展的核心動力。利用人工智能、大數(shù)據(jù)等新興技術(shù)優(yōu)化算法，進(jìn)一步擴(kuò)展深度學(xué)習(xí)技術(shù)在識別精度方面的優(yōu)勢。目前，輕量化模型的構(gòu)建基于MobileNet、YOLO等算法框架，旨在開發(fā)適用于嵌入式設(shè)備的AI芯片20-21]。這些輕量化模型在保證識別精度的前提下，大幅減少了計算量與存儲需求，使智能分析功能能夠在資源有限的農(nóng)業(yè)現(xiàn)場設(shè)備中高效運行，實現(xiàn)實時的光譜數(shù)據(jù)分析與決策。

3.3 多源數(shù)據(jù)融合

多模態(tài)融合技術(shù)為光譜監(jiān)測技術(shù)注入了新的活力。激光雷達(dá)（LiDAR）提供作物高精度三維空間信息，熱紅外數(shù)據(jù)反映作物的溫度特征，這些數(shù)據(jù)與光譜數(shù)據(jù)相互補(bǔ)充，極大地增強(qiáng)了系統(tǒng)對復(fù)雜農(nóng)業(yè)場景的感知與理解能力。這種多模態(tài)數(shù)據(jù)的融合，有效提升了數(shù)據(jù)質(zhì)量，增強(qiáng)數(shù)據(jù)信息完整性，為監(jiān)測結(jié)果提供支持決策，降低了單一數(shù)據(jù)源可能帶來的誤差與不確定性。

3.4系統(tǒng)集成與應(yīng)用拓展

未來農(nóng)業(yè)將朝著無人農(nóng)場閉環(huán)系統(tǒng)的方向發(fā)展，實現(xiàn)光譜識別、機(jī)械除草與作物長勢監(jiān)測的一體化。利用光譜識別技術(shù)準(zhǔn)確判斷雜草與作物的種類及分布，機(jī)械除草設(shè)備依據(jù)識別結(jié)果精準(zhǔn)作業(yè)，同時實時監(jiān)測作物的生長狀況，為農(nóng)田管理提供全方位、智能化的解決方案。此外，抗性雜草監(jiān)測成為農(nóng)業(yè)可持續(xù)發(fā)展的重要課題。通過深入研究雜草的光譜特征，能夠在早期敏銳地捕捉到雜草對除草劑抗性的演化信號，及時預(yù)警，為調(diào)整除草策略提供科學(xué)依據(jù)，避免因雜草抗性問題導(dǎo)致的作物減產(chǎn)與生態(tài)破壞。

4結(jié)論

光譜技術(shù)為作物與雜草識別提供了高效、環(huán)保的解決方案，但其廣泛應(yīng)用仍需突破環(huán)境適應(yīng)性、實時性及成本瓶頸。未來，隨著傳感器技術(shù)、人工智能與農(nóng)業(yè)裝備的深度融合，光譜技術(shù)有望成為智慧農(nóng)業(yè)的核心感知工具，推動農(nóng)田管理向精準(zhǔn)化、無人化方向邁進(jìn)。

參考文獻(xiàn)：

[1]鄧巍，何雄奎，張錄達(dá)．光譜識別技術(shù)在雜草識別中的應(yīng)用綜述[C]/／中國光學(xué)學(xué)會，中國化學(xué)學(xué)會.第十五屆全國分子光譜學(xué)術(shù)報告會論文集.北京：中國農(nóng)業(yè)大學(xué)藥械與施藥技術(shù)中心，2008：2.

[2] 蔣雪松，黃林峰，賈志成，等.基于光譜遙感技術(shù)的作物營養(yǎng)診斷研究進(jìn)展[.林業(yè)工程學(xué)報，2023，8（6）：13-23.

[3]田婷，張青，徐雯．光譜技術(shù)在作物養(yǎng)分監(jiān)測中的應(yīng)用研究進(jìn)展[].江蘇農(nóng)業(yè)科學(xué)，2024，52（14）：31-39.

[4]于海業(yè)，李曉凱，于躍，等.光譜技術(shù)在農(nóng)作物信息感知中的應(yīng)用研究進(jìn)展[J].吉林農(nóng)業(yè)大學(xué)學(xué)報，2021，43（2）：153-162.

[5]李穎，陳懷亮，王秀萍，等．田間作物雜草識別的光譜通道選擇[].草業(yè)科學(xué)，2014，31（9）：1637-1644.

[6]胡盈盈，王瑞燕，郭鵬濤，等．基于近地光譜特征的玉米田間雜草識別研究[J].江蘇農(nóng)業(yè)科學(xué)，2020，48（8）：242-246.

[7]陳樹人，鄒華東，吳瑞梅，等．基于高光譜圖像技術(shù)的稻253-257，163.

[8]付豪，趙學(xué)觀，翟長遠(yuǎn)，等．基于深度學(xué)習(xí)的雜草識別方法研究進(jìn)展[J].中國農(nóng)機(jī)化學(xué)報，202，44（5）：198-207.

[9]陳建福，趙亮，岳云開，等．無人機(jī)多光譜遙感在作物生長監(jiān)測中的應(yīng)用研究進(jìn)展[J]．作物研究，2022，36（4）：391-395.

[10]楊淑婷，王微.作物氮素和磷素含量高光譜估算研究進(jìn)展[J].寧夏農(nóng)林科技，2024，65（10）：59-63.

[11]柳瑩瑩，尹雁玲，劉江華，等．使用高光譜成像技術(shù)對田間雜草進(jìn)行表征和識別.塔里木大學(xué)學(xué)報，2024，36（3）：89-97.

[12]賁晨釗．中紅外傅里葉成像光譜儀的光學(xué)系統(tǒng)設(shè)計與雜散光仿真分析[D]．長春：中國科學(xué)院大學(xué)（中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所），2024.

[13]于磊．成像光譜儀的發(fā)展與應(yīng)用（特邀）[J].紅外與激光工程，2022，1（1）：298-308.

[14]鄭奕，王瑤，劉艷．基于高光譜數(shù)據(jù)季相特征的山地草甸植被分類識別[].光譜學(xué)與光譜分析，2022，42（6）：1939-1947.

[15]陳樹人，栗移新，毛罕平，等．基于光譜分析技術(shù)的作物中雜草識別研究．光譜學(xué)與光譜分析，2009，29（2）：463-466.

[16]朱圣，鄧?yán)^忠，張亞莉，等.基于無人機(jī)低空遙感的水稻田間雜草分布圖研究[]．華南農(nóng)業(yè)大學(xué)學(xué)報，2020，41（6）：67-74.

[17]寧岸，任淼淼，蔣杉，等.光學(xué)遙感技術(shù)在農(nóng)情監(jiān)測中的應(yīng)用與展望[].中國農(nóng)機(jī)化學(xué)報，2025，46（2）：199-206.

[18]劉雨穆，張月，李宏達(dá)，等．量子點-金屬有機(jī)框架復(fù)合材料作為熒光傳感器的研究進(jìn)展[J/OL].化工新型材料，2024：1-8 （2024-07-03）[2025-03-10]. htps：//doi.org/10.19817/j.cnki.issn1006-3536.2025.04.038.

[19]岳曉奎，朱明珠，耿浩華，等．折紙超材料及其在航空航天領(lǐng)域的應(yīng)用及展望[J/OL].航空學(xué)報，2024：1-19（2024-12-31）[2025-03-10]. https：//link.cnki.net/urlid/11.1929.V.20241230.1054.012.

[20]許爽，楊樂，劉婷.Ghost-MobileNetv2：一種輕量級玉米田雜草識別新模型[J]．江蘇農(nóng)業(yè)科學(xué)，2024，52（20）：173-180.

[21]黃友銳，王小橋，韓濤，等.基于改進(jìn)YOLO v8n 的甜菜雜草檢測算法研究[J].江蘇農(nóng)業(yè)科學(xué)，2024，52（24）：196-204.

[22]汪勇，張英，廖如超，等．基于可見光、熱紅外及激光雷達(dá)傳感的無人機(jī)圖像融合方法[J]．激光雜志，2020，41（2）：141-145.

責(zé)任編輯.周慧