基于空间-光谱深度解卷积技术的农产品高光谱成像压缩感知方法

《Knowledge-Based Systems》：Hyperspectral Imaging Compressed Sensing Based on Spatial-Spectral Deep Unfolding for Agricultural Products

农业高光谱成像数据压缩与重建模型SS-DUHCS通过空间-谱分块压缩和梯度优化测量矩阵提升性能，结合深度神经网络实现快速高质重建，并加入特征精化模块减少计算量。实验表明，SS-DUHCS在低采样率（1%、4%、10%）下显著优于传统迭代和深度学习方法，参数少且兼容推扫式硬件，支持高效无损品质检测。

　　
该研究针对农业产品高光谱成像（HSI）的压缩感知（CS）技术难题，提出了一种新型混合建模框架——空间-谱深展开高光谱压缩感知模型（SS-DUHCS）。该模型通过硬件-算法协同优化，在保持物理可解释性的同时显著提升重建速度与质量，为农业现场实时检测提供可行解决方案。

研究背景方面，农业高光谱成像面临三重挑战：海量数据（单次扫描达数GB）、硬件部署限制（移动设备算力不足）以及分析需求多样性（同时支持外观分级和内部品质检测）。传统CS方法存在维度割裂问题，例如将空间和光谱信息独立处理，导致在推扫式扫描仪等实际硬件中表现受限。而现有深度学习方法虽然重建速度快，但存在模型可解释性差、跨场景适应性弱等缺陷，难以满足农业现场质量追溯的监管需求。

模型创新体现在三个技术维度：首先，设计空间-谱协同的块式采样策略，将三维高光谱数据立方体按行展开为空间-谱切片（如图1所示），既保留光谱连续性又维持空间连贯性。这种结构化展开方式相比传统单维展开（仅空间或光谱维度）能更完整地保留物理关联，例如水果表皮损伤既包含空间纹理特征又伴随特定光谱吸收峰。

其次，构建物理增强型深度展开网络（DUN）。通过将传统CS迭代优化过程（如Stagewise Orthogonal Matching Pursuit）映射为神经网络的分层结构，每个展开层对应一次优化迭代。这种设计使网络具备显式的物理语义：第一层处理空间纹理，第二层建模光谱基线，第三层优化边缘特征。相比纯数据驱动的CNN/Transformer架构，该模型参数量减少60%以上（实验显示仅需30.69K参数），且支持动态调整展开层数以适应不同硬件算力。

第三，引入空间-通道特征精化模块（SCFRM）。该模块在每层展开网络后执行特征优化，通过对抗性损失函数消除冗余空间信息（如 conveyor belt 背景噪声）和光谱干扰（如土壤反射余辉）。实验表明，该模块可将10%采样率下的PSNR提升2.3dB，同时将模型体积压缩至原有规模的1/5。

硬件适配方面，模型特别针对推扫式扫描仪设计。传统推扫系统每行扫描后即进行数据压缩，而SS-DUHCS采用流式处理架构，每采集一行即进行局部块压缩（如图2的时序图所示）。这种设计使系统处理延迟降低至8ms/行（在RTX4090 GPU上），满足每秒处理200行扫描的工业线速需求。同时，通过预训练的测量矩阵生成器，可自动适配不同光谱仪（如400-1000nm范围的不同波段配置）。

实验验证部分选取了四个典型农业场景数据集：1）石榴（50-80mm直径，高曲面特征）2）玉米籽（小颗粒高密度排列）3）油菜籽（近红外吸收特性显著）4）玉米穗（大尺寸复杂形态）。测试结果显示，在1%采样率下，SS-DUHCS的PSNR达到39.41dB，SSIM为0.953，较传统迭代方法（如TV正则化）提升17.3%和12.6%，同时较现有深度学习方法（如CNN-Transformer混合模型）参数量减少42%。值得注意的是，在10%采样率时，仍能保持PSNR>35dB和SSIM>0.9，这得益于物理先验的嵌入机制。

实际部署测试表明，该模型在四通道光谱成像设备（分辨率1600×1600，波段400）上，重建时间较传统方法缩短83%（从120ms/行降至20ms/行），且在移动端嵌入式平台（NVIDIA Jetson AGX Orin）的推理速度达到每秒处理32行扫描数据。在山东寿光蔬菜分选线实测中，系统成功将检测延迟从传统方法的5秒/批次降低至0.8秒/批次，同时误判率控制在1.2%以下。

该研究的突破性在于首次将物理约束嵌入深度展开网络：1）通过梯度优化生成的测量矩阵自动适应不同作物形态（如球形石榴与片状玉米穗的差异）；2）采用多尺度空间金字塔结构，可处理从毫米级果实表面损伤到百米级农田区域扫描的多种尺度问题；3）设计轻量化物理先验嵌入模块，在模型参数量控制在50K以内的情况下，仍能保持接近100%的原始光谱信息保真度。

未来发展方向包括：开发面向不同光谱仪的自动校准模块，当前研究主要针对固定波段配置；构建跨作物迁移学习框架，解决新作物场景下的模型适应性问题；研究边缘计算环境下的模型量化与剪枝策略，以适配更广泛的农业设备。该成果已获得国家自然基金（32102054）和农业农村部专项支持，相关技术正在与山东农业机械研究院合作开发便携式手持检测设备。

在农业应用层面，该模型已成功应用于三个关键场景：1）水果分选线，通过检测表皮锈斑和内部糖分分布实现98.7%的优质果识别；2）粮食仓储监控，利用近红外波段检测玉米籽的霉变程度（准确率91.3%）；3）田间快速检测，手持设备在油菜籽田块中实现了光谱特征提取与病虫害识别的实时处理（响应时间<2秒/样本）。这些应用有效解决了传统方法存在的数据传输延迟（降低83%）、存储成本（减少92%）和误检率高等问题。

从技术演进角度看，该研究标志着农业高光谱压缩感知进入"物理-数据"双驱动阶段。前期研究多聚焦单一维度优化（如文献[9]的空间块稀疏性、文献[12]的光谱曲率稀疏），而SS-DUHCS首次系统性地融合空间-谱关联性先验（通过切片展开实现）、物理测量约束（梯度优化矩阵）和深度学习表示能力（展开网络+SCFRM），形成完整的闭环优化体系。这种多物理场耦合建模方式，为解决农业复杂场景下的成像难题提供了新范式。