Deep learning-based hyperspectral image reconstruction for quality assessment of agro-product

最近，高光谱成像技术已经成为许多农业应用的有前途的工具；然而，由于需要处理大量数据的时间过长，该技术不能直接用于实时系统。因此，目前的高光谱成像系统无法开发出简单、紧凑和成本效益高的成像系统。因此，本研究的总体目标是通过深度学习从RGB图像重建高光谱图像，以用于农业应用。具体而言，本研究使用高光谱卷积神经网络-稠密（HSCNN-D）从RGB图像重建高光谱图像，用于预测甜薯中可溶性固形物含量（SSC）。该算法准确地从RGB图像重建了高光谱图像，所得到的光谱与实际情况非常接近。基于重建光谱的偏最小二乘回归（PLSR）模型优于使用完整光谱范围的模型，证明了它在甜薯中预测SSC的潜力。这些发现突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业工具的潜力。

本论文旨在通过深度学习从RGB图像中重建高光谱图像，以解决当前高光谱成像技术需要处理大量数据的问题，从而为农业应用提供一种简单、紧凑、经济实用的成像系统。

本文使用Hyperspectral Convolutional Neural Network - Dense (HSCNN-D)从RGB图像中准确重建高光谱图像，并将其用于预测甘薯中的可溶性固形物含量（SSC）。使用重建光谱的偏最小二乘回归（PLSR）模型优于使用全谱范围的模型，证明了其在甘薯中的SSC预测中的潜力。

本文提出的深度学习重建高光谱图像的方法为农业应用提供了一种低成本、高效的工具。实验结果表明，该方法可以准确重建高光谱图像，并在甘薯中的SSC预测中表现出良好的性能。此外，本文提供了开源代码和使用的数据集，为后续研究提供了方便。

当前，高光谱成像技术在农业应用中受到广泛关注。已有研究使用深度学习方法进行高光谱图像重建和农作物特征提取。例如，Deng等人在《Agricultural and Forest Meteorology》上发表了题为“Hyperspectral image reconstruction using a deep convolutional neural network”的论文，提出了一种基于深度学习的高光谱图像重建方法。