HS-3D-NeRF：基于多通道 NeRF 的静止 hyperspectral 图像 3D 表面与高光谱重建

hyperspectral 成像 (HSI) 和 3D 重建的进展，使得能够准确、高通量地表征农产品质量和植物表型，这两者都是推进农业可持续性和育种项目的关键。HSI 捕获农产品的详细生化特征，而 3D 几何数据则显著改善形态学分析。然而，在规模化集成这两种模态仍具有挑战性，因为传统方法涉及与自动化表型系统不兼容的复杂硬件设置。近期神经辐射场 (NeRF) 的进展提供了计算效率较高的 3D 重建方法，但通常需要移动摄像头 setup，在标准室内农业环境中限制了吞吐量和可重复性。为此，我们引入 HSI-SC-NeRF，一个针对农产品后收获检验的静止摄像头多通道 NeRF 框架，用于高通量 hyperspectral 3D 重建。使用静止摄像头捕获多视角 hyperspectral 数据，物体在定制构建的 Teflon 成像腔内旋转，提供漫射、均匀的照明。通过 ArUco 校准标记估计物体姿态，并通过仿真姿态转换将其变换到摄像头参考系中，实现在静止摄像头数据上进行标准 NeRF 训练。多通道 NeRF 框架联合优化所有 hyperspectral 波段的重建，使用复合光谱损失，支持两种阶段的训练协议，将几何初始化与辐射细化解耦。对三个农业产品样本进行实验，表明该方法在可见光和近红外光谱范围内实现了高空间重建精度和强光谱保真度，确认 HSI-SC-NeRF 适用于集成到自动化农业工作流程中。