机器视觉系统已经从传统的单色相机发展到现在利用全彩色成像，而多光谱相机是在此基础上的进一步发展，它是一种利用目标不同谱段光辐射，来执行复杂的目标检查和分析的成像系统。

 

　　当今机器视觉行业，相机颜色输出主要依赖拜耳滤镜。但是在实际应用中，对光谱的成像需求远远超出了传统的标准RGB颜色：一些应用需要非常规的RGB波段，而另一些应用则需要可见光和不可见光波长的组合，甚至，还有一些应用只需要人眼不可见的波长，如紫外线、近红外或短波红外。

 

　　随着成像应用场景越来越复杂，有时候需要更多的光谱通道。随着传统机器视觉行业与复杂测量技术的融合，一致、可靠、保真色彩的多光谱成像在工业质量控制中发挥着关键作用。“多光谱”一词经常被误解或曲解，这是因为物理教科书中对“多光谱”没有固定的定义，字面意思是用多个光谱带成像。根据这个定义，即使是RGB相机也属于多光谱成像类别，它涵盖了可见光和NIR光谱波段。视觉成像界有一个默契的约定，即普遍认为具有2到100个波段的成像可以称为“多光谱”。多光谱往往只利用连续谱带中有限个不连续区域。

 

　　在农业战略和智能农业方法的指导下，规?；┏∫丫记飨蛴谑褂枚喙馄紫嗷窗镏迪中?、低成本、的农作物监测。多光谱图像是评估土壤的非常有效的工具，比如评估土壤生产力。

 

　　除了估算作物产量外，多光谱成像还可以帮助农民查看受损作物并对作物生长管理进行必要的介入。使用多光谱成像识别杂草、疾病和害虫正变得越来越流行，因为早期检测有助于实现良好的植物生长。多光谱成像还可以帮助计算植物和确定农场人口密度。它不仅有助于提供土壤肥力数据，而且在与作物生产相关的土地管理方面也具有巨大潜力。

 

　　除了与植物生长相关的帮助之外，多光谱成像结合深度学习和人工智能还有助于控制和测量作物灌溉效果。对于水果和蔬菜产品的检测，多光谱成像可以提供可见光和不可见光波长的组合来测量和分析外在特征（如颜色、质地、表面损伤、形状和大小）和内在特征（如矿物质含量、成熟度、水分含量、糖和脂肪含量）。