Caméras hyperspectrales pour une identification précise des ravageurs d'insectes : une étude menée dans des champs de blé

Dans le contexte des défis mondiaux en matière de sécurité alimentaire, une surveillance rapide ainsi qu'une prévention et un contrôle précis des ravageurs agricoles sont devenus des sujets importants dans le domaine agricole. Les méthodes traditionnelles d'identification des ravageurs reposent sur une inspection visuelle manuelle et une identification morphologique, qui sont non seulement longues et laborieuses, mais également difficiles à réaliser une surveillance en temps réel à grande échelle. Ces dernières années, la combinaison de la technologie d’imagerie hyperspectrale et des algorithmes d’apprentissage automatique a ouvert une nouvelle voie pour l’identification automatisée des insectes nuisibles.

En décembre 2025, la revue universitaire internationale « Biology » a publié un article de recherche intitulé « Imagerie hyperspectrale et apprentissage automatique pour l'identification automatisée des ravageurs dans les cultures céréalières ». La recherche a été réalisée par des équipes de recherche de plusieurs universités du Kazakhstan. En utilisant leCaméra hyperspectrale FigSpec FS-13produit par Hangzhou CHNSpec Technology Co., Ltd., ils ont effectué une analyse des caractéristiques spectrales et une modélisation de la classification pour 12 principaux ravageurs des champs de blé, démontrant la valeur d'application de cet équipement dans le domaine de la surveillance des ravageurs agricoles.

Avantages de l’imagerie hyperspectrale pour l’identification des insectes

La technologie d’imagerie hyperspectrale peut obtenir des centaines d’informations spectrales continues à bande étroite dans la plage des longueurs d’onde du visible au proche infrarouge (généralement 400 à 1 000 nm), formant une courbe spectrale complète pour chaque pixel. Contrairement aux caméras RVB ordinaires, les images hyperspectrales enregistrent non seulement la morphologie spatiale des objets, mais révèlent également les caractéristiques de réponse spectrale de leurs composants matériels et structures de surface.

Pour les insectes, des facteurs tels que différents types de pigments de surface, les structures de chitine, la transparence des ailes et la rugosité de la surface produiront des caractéristiques de réflexion spectrale uniques. Ces « empreintes spectrales » permettent à l’imagerie hyperspectrale de distinguer des espèces morphologiquement similaires et même d’identifier des ravageurs cachés.

Principaux résultats de la recherche

1. Différences significatives dans les caractéristiques spectrales des différents ravageurs

Les résultats de la recherche ont montré que différentes espèces d’insectes présentaient des courbes spectrales de réflexion significativement différentes dans les bandes visibles et proches infrarouges. Les principaux facteurs d’influence comprennent :

• Pigments de surface : les insectes de couleur claire ou brillants (comme le jaune-vert, le blanc) ont une réflectivité plus élevée, tandis que les insectes de couleur foncée ou noirs (comme les altises) ont une réflectivité plus faible.
• Structure des ailes : les ailes transparentes ou semi-transparentes (telles que les mouches des graines de blé, les thrips du blé) présentent des pics de réflexion élevés dans la région proche infrarouge.
• Texture de surface : les élytres lisses ont une réflectivité plus élevée que les surfaces corporelles rugueuses ou poilues.
• Types de chitine : Différentes formes cristallines de chitine (types α, β, γ) affectent les caractéristiques d’absorption spectrale.

Par exemple, Trigonotylus ruficornis (punaise miride à cornes rouges) a une réflectivité aussi élevée que 90 à 110 % en raison de sa couleur corporelle jaune-vert clair ; Chaetocnema aridula (altise des tiges de céréales) a une réflectivité de seulement 10 à 20 % en raison de sa couleur noire profonde.

L'analyse 2.PCA révèle les principales composantes des différences spectrales

L'analyse de réduction de dimension PCA a montré que les deux premières composantes principales pouvaient expliquer plus de 80 % de la variance spectrale. Le premier composant principal (PC1) reflète principalement la différence globale de luminosité, tandis que le deuxième composant principal (PC2) est lié aux structures subtiles de la surface du corps et aux changements de pigments. Différentes espèces présentaient différents degrés de séparation des grappes dans le graphique des scores PCA, fournissant une base pour une classification ultérieure.

3. Performances robustes du modèle de classification PLS-DA

L'équipe de recherche a construit un modèle de classification PLS-DA basé sur les données spectrales collectées par FigSpec FS-13 pour identifier 12 types de ravageurs. Les indicateurs d'évaluation du modèle comprenaient le coefficient de détermination (R²), la capacité prédictive (Q²) et l'erreur quadratique moyenne d'étalonnage (RMSEC). Les résultats sont les suivants :

Pour les espèces aux couleurs vives et de grande taille (telles que les scarabées, les grillons verts), la précision d'identification du modèle peut atteindre environ 90 % ; pour les espèces au corps foncé et de petite taille (telles que les altises et les thrips), la précision est légèrement inférieure mais reste néanmoins dans une plage acceptable. Dans l'ensemble, le modèle PLS-DA peut distinguer efficacement 12 types de ravageurs, vérifiant ainsi la fiabilité des données hyperspectrales FigSpec FS-13 dans la classification des insectes.

Conclusion

Ce cas de recherche démontre le potentiel d'application de la caméra hyperspectrale FigSpec FS-13 dans l'analyse des caractéristiques spectrales des insectes nuisibles et la classification de l'apprentissage automatique. En tant que dispositif d'imagerie hyperspectrale produit au niveau national, le FS-13, avec ses performances stables et ses riches fonctions d'analyse, constitue un outil fiable pour la recherche scientifique et les applications industrielles dans des domaines tels que la surveillance des maladies et des ravageurs agricoles, les tests de sécurité alimentaire et le tri des matériaux.

Avec la croissance continue de la demande en agriculture de précision et en protection intelligente des plantes, la technologie d’imagerie hyperspectrale jouera un rôle de plus en plus important dans la gestion future des terres agricoles.

(L'article original peut être lu en recherchanthttps://doi.org/10.3390/biology14121715)