高光谱成像是分析食品和农产品化学成分的一种有用技术。然而，它是一个昂贵和复杂的过程，限制了它的实际应用。

　　伊利诺伊大学厄巴纳-香槟分校的研究人员开发了一种使用深度机器学习从标准RGB图像重建高光谱图像的方法。这项技术可以大大简化分析过程，并可能彻底改变农业行业的产品评估。

　　“高光谱成像使用昂贵的设备。如果我们可以使用普通相机或智能手机拍摄的RGB图像，我们就可以使用低成本的手持设备来预测产品质量，”首席作者Md Toukir Ahmed说。

　　Ahmed是伊利诺斯州农业、消费者与环境科学学院和格兰杰工程学院农业与生物工程系(ABE)的博士生。

　　研究人员通过分析红薯的化学成分来测试他们的方法。

　　他们在一项研究(发表在《食品工程杂志》上)和另一项研究(发表在《工程成果》上)中分别关注了可溶性固形物含量和干物质含量——这是影响甘薯口味、营养价值、适销性和加工适宜性的重要特征。

　　利用深度学习模型，他们将RGB图像中的信息转换为高光谱图像。

　　“使用RGB图像，您只能检测颜色、形状、大小和外部缺陷等可见属性;你无法检测到任何化学参数。在RGB图像中，波长从400到700纳米，有三个通道——红、绿、蓝。

　　“但是对于高光谱图像，你有很多通道，波长从700到1000纳米不等。通过深度学习方法，我们可以绘制和重建该范围，因此我们现在可以从RGB图像中检测化学属性，”ABE助理教授、两篇论文的通讯作者Mohammed Kamruzzaman说。

　　高光谱成像在数百个窄带的空间位置捕获详细的光谱特征，结合形成超立方体。Kamruzzaman和Ahmed运用尖端的深度学习算法，创建了一个模型，从RGB图像中重建超立方体，为产品分析提供相关信息。

　　他们用重建的红薯高光谱图像校准了光谱模型，在预测可溶性固形物含量方面达到了70%以上的准确率，在预测干物质含量方面达到了88%的准确率，比以往的研究有了显著的提高。

　　在发表在《智能农业技术》(Smart Agricultural Technology)上的第三篇论文中，研究小组应用深度学习方法重建高光谱图像，以预测鸡胚死亡率，这在鸡蛋和孵化业有应用。他们探索了不同的技术，并提出了最准确的方法。

　　“我们的研究结果显示了农产品质量评估革命的巨大希望。通过从简单的RGB图像中重建详细的化学信息，我们为负担得起的、可访问的分析开辟了新的可能性。

　　Kamruzzaman总结道:“虽然在将这项技术扩展到工业应用方面仍然存在挑战，但在整个农业部门改变质量控制的潜力使这一努力真正令人兴奋。”