推进小麦作物分析：基于高光谱成像的深度学习方法综述
计算机视觉与模式识别
2025-05-05 v1 图像与视频处理
摘要
作为种植和消费最广泛的作物之一，小麦对全球粮食安全至关重要。然而，小麦生产日益受到病虫害、气候变化和水资源短缺的挑战，产量受到威胁。传统的作物监测方法劳动密集，且往往难以有效进行早期问题检测。高光谱成像（HSI）已成为一种用于远程作物健康评估的无损且高效的技术。然而，HSI数据的高维性和有限的标注样本带来了显著挑战。近年来，深度学习因其提取和分析复杂结构的能力，在应对这些挑战方面展现出巨大潜力。尽管在将深度学习方法应用于小麦作物分析的HSI数据方面取得了进展，但目前该领域尚无全面的综述。本综述通过总结基准数据集、追踪深度学习方法的进展以及分析品种分类、病害检测和产量估算等关键应用，填补了这一空白。本文还强调了利用深度学习方法进行基于HSI的小麦作物分析的优势、局限性和未来机遇。我们已列出当前最先进的论文，并将持续在以下链接追踪更新：https://github.com/fadi-07/Awesome-Wheat-HSI-DeepLearning。
引用
@article{arxiv.2505.00805,
title = {Advancing Wheat Crop Analysis: A Survey of Deep Learning Approaches Using Hyperspectral Imaging},
author = {Fadi Abdeladhim Zidi and Abdelkrim Ouafi and Fares Bougourzi and Cosimo Distante and Abdelmalik Taleb-Ahmed},
journal= {arXiv preprint arXiv:2505.00805},
year = {2025}
}