目前，传统视觉技术大多依赖于颜色和纹理来对目标物体进行区分，极易受光照变化的干扰，并且难以区分形状相似但实质不同的物体。在这一限制下，高光谱成像技术为我们提供了一种新的解决路径。与主要记录红、绿、蓝三原色的传统成像方式相比，高光谱技术能够获取物体在数百个连续窄波段的反射光信息，从而形成独特的光谱特征。这些特征与物体的物质成分密切相关，为我们做识别分类提供了新的维度。

为此，威盛科创技术团队利用Living Optics高光谱相机，对三盆不同品种的绿植进行了一场“光谱指标多类别标记和跟踪”的实验。本次实验旨在验证：Living Optics高光谱相机能否通过提取特定物质的光谱特征，实现对不同种类乃至同种类不同生理状态植物的精准、实时区分与跟踪。

实验设置：

选取三盆不同品种的绿植作为样本：

绿植A：叶片繁茂、肥厚饱满，整体生长状况十分健康。

绿植B：同时含有健康叶片与病害叶片。

绿植C：叶片稀疏且部分叶面略显萎蔫，长势明显不佳。

设备：Living Optics高光谱相机、Nvidia Jetson AGX Orin。

技术实践：

①建立并标记“绿植A”的光谱特征库

我们通过控制台对绿植A的部分区域进行框选，确认其光谱信息，同时对该光谱ID进行存储。操作完成后，系统自动识别并跟踪画面中相同光谱的物体。我们将该光谱ID命名为“1”，并用黄色来进行标记。

现象与结论：系统成功对绿植A框选的光谱信息进行储存并标记。值得注意的是，画面中只要是与该光谱信息相同的物体都同样被识别跟踪。这一现象证实了：系统的识别与跟踪机制依赖于预设的光谱ID，而非人眼所见的植物表象形态。只要光谱特征匹配，无论物体属于哪一盆植物、处于画面中的哪个位置，都能被精准识别并归类。这充分体现了基于光谱特征的分类方法在复杂场景中具有超越形态学的、强大的普适性。

②建立并标记“绿植B（病害叶片）”的光谱特征库

紧接着，我们将目标转向同时有着健康叶片与病害叶片的绿植B。这次，我们框选了病害叶片区域，确认其光谱信息，同时对该光谱ID进行存储。操作完成后，系统再次识别并跟踪了画面中与之相同光谱信息的物体。我们将该光谱ID命名为“2”，并用绿色来进行标记。

现象与结论：绿植B的病害叶片部分被准确标记，而其自身的健康叶片及周围其他植物均未受干扰。这证明了该技术能够做到精细区分同一植株上因生理状态不同而导致的光谱差异。

本次实验的成功，依赖于高光谱成像与光谱特征匹配算法的协同工作。尤其值得一提的是，Living Optics高光谱相机创新性采用快照式成像技术，可以瞬时捕获完整的高光谱数据，同时所采集到的光谱信息会以视频速度实时呈现，无需再进行后处理操作，这为动态场景下的实时识别与跟踪提供了关键的技术支撑。 通过本次实验，我们可以清晰的看到高光谱成像技术并不关心物体“看起来是什么状态”，而是通过分析真实的光谱反射曲线，与预先建立的“光谱特征库”进行比对，从而实现像素级的物质识别与分类。

除此之外，威盛科创技术团队还发现了Living Optics高光谱相机的另一优势：与AI机器视觉的深度融合。凭借视频级的光谱数据输出能力和快照式成像优势， 植物的生物量、叶面积指数以及果实的成熟度等关键生理参数，都能够被实时捕捉并与光谱特征建立动态关联。当高光谱相机通过分析整个生长季的多期高光谱数据，AI可以学习并建立光谱指数与作物最终产量之间的精准预测模型。这意味着，我们无需等到收获季，在生长中期即可对产量进行预估。对于果蔬而言，AI模型能够根据光谱信息判断其内部品质，如糖度、酸度，并精准判断最佳采收期，从而实现从“外观筛选”到“内在品质筛选”的跨越。

小结：系统成功对绿植A框选的光谱信息进行储存并标记。值得注意的是，画面中只要是与该光谱信息相同的物体都同样被识别跟踪。这一现象证实了：系统的识别与跟踪机制依赖于预设的光谱ID，而非人眼所见的植物表象形态。只要光谱特征匹配，无论物体属于哪一盆植物、处于画面中的哪个位置，都能被精准识别并归类。这充分体现了基于光谱特征的分类方法在复杂场景中具有超越形态学的、强大的普适性。