高光譜成像技術(shù)在紅棗研究中的應(yīng)用進展（下）

4.2高光譜成像技術(shù)在鮮棗內(nèi)部品質(zhì)檢測中的應(yīng)用

(Shao? et al., 2024)采用可見-近紅外（Vis-NIR）高光譜成像技術(shù)，探索了不同成熟階段冬棗的可溶性固形物含量（SSC）監(jiān)測與貯藏期分析方法。通過支持向量回歸（SVR）和偏最小二乘回歸（PLSR）模型，研究了中熟與熟透冬棗的SSC與光譜數(shù)據(jù)之間的關(guān)系，結(jié)果表明SVR模型在篩選的有效波長下表現(xiàn)出最佳的預(yù)測性能，外部驗證集的決定系數(shù)（R²）和殘差預(yù)測偏差（RPD）分別為0.837和2.47（中熟）及0.806和2.28（熟透）。該研究還發(fā)現(xiàn)，SSC與果實成熟度和貯藏期之間存在顯著的空間分布相關(guān)性，并利用預(yù)測圖展示了不同成熟度和貯藏期下SSC的時空演化。進一步，通過支持向量機（LIBSVM）庫建立了貯藏期分析模型，結(jié)果顯示中熟和熟透冬棗的貯藏期預(yù)測準(zhǔn)確率分別為89%和91%。這些結(jié)果表明，高光譜成像技術(shù)在冬棗質(zhì)量監(jiān)測及貯藏期分析中具有重要潛力，能夠提供非破壞性的質(zhì)量評估和儲藏期預(yù)測，促進冬棗在儲存和市場中的管理。

圖11中熟(a)和熟(b)冬棗保質(zhì)期的SSC可視化圖

(Ma et al., 2024)基于無人機（UAV）多光譜技術(shù)，提出了一種用于檢測紅棗果實水分含量（MC）和可溶性固形物含量（SSC）的無損檢測方法。研究利用DJI Phantom 4 RTK UAV搭載的多光譜相機，采集了不同相對方位角下的紅棗多光譜數(shù)據(jù)，并采用偏最小二乘回歸（PLSR）和支持向量機（SVM）構(gòu)建了預(yù)測模型。研究發(fā)現(xiàn)，90°相對方位角下獲取的多光譜數(shù)據(jù)在MC預(yù)測中效果最佳，而180°相對方位角下的數(shù)據(jù)則在SSC預(yù)測中表現(xiàn)最佳。

研究進一步提出了相對方位角數(shù)據(jù)融合方法，通過將來自8個不同相對方位角的數(shù)據(jù)進行融合，建立了MC和SSC的聯(lián)合預(yù)測模型。結(jié)果顯示，相比于單一相位角的數(shù)據(jù)，多角度數(shù)據(jù)融合的模型在預(yù)測精度上有顯著提升，其中MC預(yù)測模型在PLSR與SVM模型中分別達到0.9067和0.9319的訓(xùn)練集R²，1.9935和2.1368的RMSEP；而在SSC預(yù)測方面，SVM模型表現(xiàn)更優(yōu)，訓(xùn)練集R²為0.8624，預(yù)測集R²為0.7663。

圖12無人機光譜采集

(Di et al., 2025)基于高光譜成像技術(shù)，提出了一種冬棗含水量的定量檢測方法，采用了光譜形態(tài)特征來提取與水分含量相關(guān)的特征。研究選取了四個特征波段（波峰R1、波谷R2、波峰R3、波谷R4）進行光譜形態(tài)特征提取，包含了波高、全寬半高、左坡、右坡、肩寬、峰區(qū)面積等七個形態(tài)參數(shù)。通過多元線性回歸（MLR）分析，建立了不同波段的回歸模型，分析了各特征波段對冬棗水分含量的影響。使用了部分最小二乘回歸（PLSR）模型來構(gòu)建冬棗含水量的檢測模型，并利用競爭自適應(yīng)重加權(quán)采樣（CARS）方法選擇有效的波長變量。結(jié)果表明，波谷R2（1146 nm）的回歸模型在校準(zhǔn)集和預(yù)測集中的表現(xiàn)最佳，校準(zhǔn)集的相關(guān)系數(shù)（Rc）為0.9942，預(yù)測集的相關(guān)系數(shù)（Rp）為0.8698，表明該模型具有較高的預(yù)測精度。

圖13高光譜采集及分析可視化流程

(Zhao et al., 2020)探討了高光譜成像技術(shù)（HSI）在冬棗果實可溶性固形物含量（SSC）非破壞性測定與可視化中的應(yīng)用。研究使用了兩個不同的光譜范圍：可見光-近紅外（Vis-NIR，380–1030 nm）和近紅外（NIR，874–1734 nm），并采用了面積歸一化（Area Normalization）方法，旨在減少果實表面球形形狀引起的光照不均勻性對反射率的影響。研究采用了線性最小二乘支持向量機（LS-SVM）和成功投影算法（SPA）進行建模，得出兩種光譜范圍下的回歸模型。結(jié)果表明，Vis-NIR范圍的LS-SVM模型在預(yù)測SSC時表現(xiàn)較好，預(yù)測的決定系數(shù)（Rp²）為0.894，殘差預(yù)測偏差（RPD）為3.07，相比之下，NIR范圍模型的表現(xiàn)稍遜。通過對區(qū)域感興趣（ROI）內(nèi)的像素光譜進行處理和可視化，面積歸一化能夠顯著提高預(yù)測的準(zhǔn)確性，特別是在果實中心和邊緣的反射率不均勻性問題上，進一步優(yōu)化了預(yù)測地圖。此外，研究還比較了局部回歸模型（針對單一品種）與全局回歸模型（結(jié)合多個品種）之間的差異，發(fā)現(xiàn)全局模型的表現(xiàn)優(yōu)于局部模型，能夠更好地預(yù)測不同品種的SSC。通過SPA波長選擇，減少了光譜數(shù)據(jù)的維度，同時保持了較高的預(yù)測準(zhǔn)確度。

4.3高光譜成像技術(shù)在干棗內(nèi)部品質(zhì)檢測中的應(yīng)用

(Günayd?n et al., 2025)探討了三種不同干燥條件（開窗陽光、閉陰陰涼、微波干燥）下紅棗切片的水分比（MR）預(yù)測及其與可見與近紅外光譜（Vis-NIR）的對比分析。研究使用了ASD FieldSpec handheld 2 Pro光譜儀，該儀器能夠在325–1075 nm波段范圍內(nèi)提供高分辨率光譜數(shù)據(jù)。實驗中，紅棗切片在三種干燥條件下進行處理，并測量了包括顏色、光譜反射率、水合作用率（RR）、干燥動力學(xué)及最終厚度等參數(shù)。

微波干燥在最短的時間內(nèi)（24分鐘）顯著提高了干燥效率，遠快于閉陰干燥（1140分鐘）和開窗陽光干燥（1680分鐘）。在顏色變化方面，微波干燥處理的紅棗切片顏色變化最小，保持了接近新鮮狀態(tài)的色彩，而陰涼干燥則因長時間暴露空氣中導(dǎo)致顏色的明顯變暗。針對水分比（MR）預(yù)測，基于多層感知機（MLP）和隨機森林（RF）算法的機器學(xué)習(xí)模型表現(xiàn)最佳，MLP的R值達到0.9997，RF為0.9968，顯著優(yōu)于其他算法（如支持向量回歸SVR）。此外，通過植物指數(shù)（VIs）分析，微波干燥處理下的紅棗在所有指數(shù)中表現(xiàn)出最優(yōu)結(jié)果。

圖14不同干燥方式及對應(yīng)干燥的棗片

(Li et al., 2022)利用短波紅外（1000~2500 nm）高光譜成像技術(shù)預(yù)測干哈密棗的可溶性固形物含量，并通過不同的回歸模型進行對比分析。研究采用ImSpector N25E光譜儀（Specim）和Zephir-2.5–320 CCD相機（Photon Etc.）的高光譜成像系統(tǒng)，結(jié)合150W鹵素?zé)艄庠矗诤诎淡h(huán)境下進行數(shù)據(jù)采集。實驗通過調(diào)整檢測位置（果柄朝上、果柄朝下、水平放置），發(fā)現(xiàn)果柄朝下的位置對SSC預(yù)測的準(zhǔn)確性影響最佳。構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)（CNN）回歸模型，并與傳統(tǒng)的偏最小二乘回歸（PLSR）和支持向量回歸（SVR）模型進行了對比。使用競爭自適應(yīng)重加權(quán)采樣（CARS）、遺傳算法（GA）和迭代保留信息變量（IRIV）算法選擇有效波長。結(jié)果表明，基于全光譜數(shù)據(jù)的CNN模型表現(xiàn)優(yōu)異，預(yù)測決定系數(shù)（Rp²）為0.857，預(yù)測均方根誤差（RMSEP）為0.563，殘差預(yù)測偏差（RPD）為2.648，優(yōu)于PLSR和SVR模型。與特征選擇相關(guān)的分析表明，CARS方法最適合PLSR和SVR模型的建模，而CNN模型在無需特征工程的情況下，能夠自動從光譜數(shù)據(jù)中提取深層特征，取得最佳預(yù)測性能。

圖15干棗高光譜圖像采集和構(gòu)建的光譜

(Wei et al., 2024)提出一種結(jié)合高光譜成像技術(shù)和光譜紋理特征融合的方法，用于估算和田棗的可溶性固形物含量（SSC）。采用了HySpex系列高光譜成像儀（Norsk Elektro Optikk A/S），其波長范圍為1003.22–2512.97 nm，掃描獲取了紅棗樣本的高光譜數(shù)據(jù)。在特征提取方面，研究結(jié)合了灰度共生矩陣（GLCM）、局部二值模式（LBP）與Gabor濾波器三種圖像紋理特征提取方法，進一步增強了空間信息。采用MOEA/D算法進行特征波長選擇，減少了光譜冗余，并提高了預(yù)測精度。研究使用了XGBoost集成學(xué)習(xí)模型進行SSC預(yù)測。與傳統(tǒng)的單純光譜特征模型相比，融合了空間紋理特征的模型在準(zhǔn)確性上表現(xiàn)更優(yōu)，預(yù)測決定系數(shù)（R²）達到0.9061，均方根誤差（RMSEP）為0.7031，殘差預(yù)測偏差（RPD）為3.2630，明顯優(yōu)于單一光譜信息的預(yù)測結(jié)果。此外，研究還通過MOEA/D算法選擇的光譜波長（31個波長）提供了較高的預(yù)測性能，相較于傳統(tǒng)的SPA、CARS和UVE方法，表現(xiàn)出更好的靈活性和預(yù)測精度。

圖16果實可溶性固形物（SSC）的高光譜成像技術(shù)估算流程圖。

(Tan et al., 2024)結(jié)合高光譜成像技術(shù)和深度學(xué)習(xí)方法，提出了一種用于不同貯存期干棗水分含量和總糖含量預(yù)測及貯存期分類的無損檢測方法。實驗采用了Vis-NIR（376–1044 nm）和NIR（915–1699 nm）高光譜成像系統(tǒng)，分別使用SOC 710VP和SOC 710SWIR設(shè)備進行數(shù)據(jù)采集。通過對三個貯存期（期1、期2、期3）的干棗樣本進行高光譜成像，研究構(gòu)建了多種基于傳統(tǒng)機器學(xué)習(xí)算法（如RF、LR、SVM）與深度學(xué)習(xí)模型（如LeNet、ResNet、DenseNet、MobileNet、EfficientNet）的分類與回歸模型。

圖17高光譜采集及感興趣區(qū)域的光譜提取過程

基于Vis-NIR數(shù)據(jù)的分類模型優(yōu)于NIR數(shù)據(jù)，ResNet模型在Vis-NIR數(shù)據(jù)下的分類準(zhǔn)確率達到99.86%，表現(xiàn)出最好的性能。通過PCA和SPA波段提取方法進行特征選擇，結(jié)果顯示SPA方法提取的特征波段模型優(yōu)于PCA模型。此外，針對水分含量和總糖含量的預(yù)測，基于NIR數(shù)據(jù)的深度學(xué)習(xí)模型在水分預(yù)測上取得了R²值高達0.94，RPD值為4.45，表明該模型在多貯存期的預(yù)測效果優(yōu)于傳統(tǒng)機器學(xué)習(xí)模型。

(Liu et al., 2024)探討了高光譜成像技術(shù)在干棗質(zhì)量評估中的應(yīng)用，重點研究了不同干燥條件下的干棗質(zhì)量分類和可溶性固形物含量（SSC）的預(yù)測。實驗使用了可見-近紅外（Vis-NIR）高光譜成像系統(tǒng)，波段范圍為376–1044 nm，通過對不同成熟階段的棗（包括鮮棗、干棗、不同成熟度）進行掃描，結(jié)合圖像預(yù)處理（如區(qū)域歸一化、基線校正、多重散射校正等）提高數(shù)據(jù)的質(zhì)量與準(zhǔn)確性。研究使用了多種分類算法，包括線性偏最小二乘判別分析（PLS-DA）、K最近鄰（KNN）和支持向量機（SVM），并結(jié)合特征選擇方法（如成功投影算法（SPA）、競爭自適應(yīng)重加權(quán)采樣（CARS）和無信息變量剔除（UVE））進行優(yōu)化。研究結(jié)果表明，基于AN-UVE-SPA-SVM模型的分類準(zhǔn)確率最佳，訓(xùn)練集分類準(zhǔn)確率達到96.0%，驗證集準(zhǔn)確率為93.1%，顯示出較高的分類性能。在干棗的質(zhì)量屬性分析方面，研究評估了硬度、可溶性固形物含量（SSC）和水分含量等指標(biāo)，發(fā)現(xiàn)不同成熟度的干棗在SSC和硬度上存在顯著差異。PLSR模型在預(yù)測SSC和水分含量方面表現(xiàn)出色，結(jié)合AN-UVE-SPA方法選擇的特征波長，得到了較高的預(yù)測精度。

圖18高光譜成像系統(tǒng)示意圖

(Liu et al., 2025)本研究提出了結(jié)合高光譜成像技術(shù)和深度學(xué)習(xí)模型（CNN-BiLSTM-SE）對紅棗熱風(fēng)干燥過程中可溶性固形物含量（SSC）、可滴定酸度（TA）、水分和硬度等質(zhì)量參數(shù)進行無損監(jiān)測與過程評價的方法。實驗中，采用了SOC710高光譜成像系統(tǒng)，在55°C、60°C、65°C三個干燥溫度下進行干燥過程的實時監(jiān)測?；诓煌念A(yù)處理方法（如MSC、基線校正和MSC_1st），比較了傳統(tǒng)的PLSR、SVR模型與CNN-BiLSTM-SE模型的預(yù)測效果，發(fā)現(xiàn)CNN-BiLSTM-SE模型在預(yù)測紅棗質(zhì)量參數(shù)方面表現(xiàn)最佳。

圖19不同干燥階段的棗高光譜圖像，包括感興趣區(qū)域的確定和光譜數(shù)據(jù)的提取

研究表明，在不同的干燥階段，水分的降低與SSC和TA的增加呈顯著相關(guān)，且隨著干燥時間的延長，硬度在初期下降后逐漸回升。通過結(jié)合深度學(xué)習(xí)模型，能夠?qū)崿F(xiàn)對不同干燥階段的質(zhì)量參數(shù)空間-時間分布的可視化，為干棗干燥過程的質(zhì)量控制提供了有效工具。進一步分析表明，CNN-BiLSTM-SE模型通過結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）、雙向長短期記憶（BiLSTM）網(wǎng)絡(luò)與Squeeze-and-Excitation (SE)注意力機制，能夠有效提取時間序列中的長期依賴關(guān)系，在水分、SSC、TA和硬度的預(yù)測中相較于傳統(tǒng)模型有明顯提升。該模型優(yōu)化后的R²值分別為SSC 0.955、TA 0.919、硬度0.940、水分0.975，表明深度學(xué)習(xí)模型在高維數(shù)據(jù)處理方面具有顯著優(yōu)勢。

1. 未來發(fā)展方向與研究前景

隨著科技的進步和市場需求的不斷變化，紅棗品質(zhì)檢測技術(shù)也在不斷創(chuàng)新和發(fā)展，尤其是高光譜成像技術(shù)在農(nóng)產(chǎn)品質(zhì)量檢測中的廣泛應(yīng)用，推動了紅棗產(chǎn)業(yè)的智能化、精準(zhǔn)化發(fā)展。未來，紅棗品質(zhì)檢測的研究前景將集中在以下幾個方面：

1.高光譜成像技術(shù)作為一種無損、高效的檢測方法，未來有望在紅棗品質(zhì)控制中得到更廣泛的應(yīng)用。隨著傳感器分辨率和數(shù)據(jù)處理算法的不斷提升，未來的高光譜成像系統(tǒng)將在空間分辨率和光譜分辨率方面實現(xiàn)更大的突破，能夠更精確地分析紅棗的內(nèi)部質(zhì)量，如糖分、酸度、水分等指標(biāo)。同時，隨著大數(shù)據(jù)和云計算技術(shù)的發(fā)展，實時數(shù)據(jù)處理和遠程監(jiān)控將成為紅棗品質(zhì)檢測的常態(tài)，這不僅提升了檢測效率，也為生產(chǎn)企業(yè)的質(zhì)量管理提供了更加全面的技術(shù)支持。

2.未來，自動化和智能化檢測系統(tǒng)將成為紅棗品質(zhì)監(jiān)控的主要方向。隨著人工智能技術(shù)，特別是深度學(xué)習(xí)和機器視覺的發(fā)展，基于紅棗的高光譜數(shù)據(jù)與圖像數(shù)據(jù)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)模型，可以實現(xiàn)對紅棗品質(zhì)的全自動高效檢測。這些技術(shù)將能夠?qū)崟r監(jiān)控紅棗的外觀、內(nèi)部缺陷以及營養(yǎng)成分等，為紅棗的生產(chǎn)、加工和儲存提供持續(xù)的質(zhì)量控制，極大地提升整個產(chǎn)業(yè)鏈的生產(chǎn)效率和質(zhì)量一致性。

3.多傳感器融合與多維數(shù)據(jù)分析，未來的紅棗品質(zhì)檢測不僅僅依賴于單一的高光譜數(shù)據(jù)，還將結(jié)合多傳感器融合技術(shù)。例如，結(jié)合紅外傳感器、紫外光傳感器、X射線成像等技術(shù)，可以獲取更多維度的信息，進行多層次、多角度的質(zhì)量分析，提升紅棗品質(zhì)評估的準(zhǔn)確性與全面性。此外，通過多維數(shù)據(jù)分析，能夠更好地揭示紅棗在不同生長階段、不同儲藏條件下的質(zhì)量變化規(guī)律，為產(chǎn)業(yè)的精細化管理提供更為科學(xué)的依據(jù)。

4.基于大數(shù)據(jù)的紅棗溯源系統(tǒng)，隨著消費者對食品安全和質(zhì)量的關(guān)注不斷增加，紅棗溯源系統(tǒng)的建設(shè)將成為未來發(fā)展的重點。通過將高光譜成像技術(shù)與物聯(lián)網(wǎng)（IoT）技術(shù)相結(jié)合，可以建立全程可追溯的紅棗生產(chǎn)、加工、運輸、銷售等環(huán)節(jié)的質(zhì)量管理系統(tǒng)。利用大數(shù)據(jù)分析，可以實時跟蹤和監(jiān)測每一顆紅棗的質(zhì)量信息，確保消費者獲得放心的產(chǎn)品，提升品牌信任度。這不僅有助于保障食品安全，還能夠推動紅棗產(chǎn)業(yè)的品牌化和國際化發(fā)展。

5.綠色環(huán)保與可持續(xù)發(fā)展，隨著環(huán)保法規(guī)的日益嚴(yán)格，綠色生產(chǎn)和可持續(xù)發(fā)展已經(jīng)成為現(xiàn)代農(nóng)業(yè)發(fā)展的核心目標(biāo)。未來，紅棗品質(zhì)檢測技術(shù)將更加注重環(huán)保和節(jié)能，減少化學(xué)品的使用和污染排放，推動紅棗產(chǎn)業(yè)的綠色發(fā)展。高光譜成像技術(shù)作為無損檢測方法，能夠減少樣品的浪費和化學(xué)試劑的使用，符合現(xiàn)代農(nóng)業(yè)可持續(xù)發(fā)展的要求。

6.紅棗品質(zhì)檢測標(biāo)準(zhǔn)化，隨著市場對紅棗質(zhì)量要求的提高，質(zhì)量標(biāo)準(zhǔn)化將成為未來發(fā)展的重點。通過高光譜成像技術(shù)的深入應(yīng)用，可以建立一套紅棗品質(zhì)檢測標(biāo)準(zhǔn)體系，為各類紅棗產(chǎn)品的質(zhì)量評定提供明確的標(biāo)準(zhǔn)。這不僅有助于保障消費者權(quán)益，也為紅棗的貿(mào)易、進出口提供了統(tǒng)一的質(zhì)量依據(jù)，推動紅棗行業(yè)的國際化進程。

參考文獻

Di, Y., Luo, H., Liu, H., Liu, H., Kang, L., & Tong, Y. (2025). Quantitative Detection of Water Content of Winter Jujubes Based on Spectral Morphological Features.Agriculture,15(5), 482. https://doi.org/10.3390/agriculture15050482

Günayd?n, S., Çetin, N., Sa?lam, C., Sacilik, K., & Jahanbakhshi, A. (2025). Comparative analysis of visible and near-infrared (Vis-NIR) spectroscopy and prediction of moisture ratio using machine learning algorithms for jujube dried under different conditions.Applied Food Research,5(1), 100699. https://doi.org/10.1016/j.afres.2025.100699

Jiang, M., Li, Y., Song, J., Wang, Z., Zhang, L., Song, L., Bai, B., Tu, K., Lan, W., & Pan, L. (2023). Study on Black Spot Disease Detection and Pathogenic Process Visualization on Winter Jujubes Using Hyperspectral Imaging System.Foods,12(3), 435. https://doi.org/10.3390/foods12030435

Li, Y., Ma, B., Li, C., & Yu, G. (2022). Accurate prediction of soluble solid content in dried Hami jujube using SWIR hyperspectral imaging with comparative analysis of models.Computers and Electronics in Agriculture,193, 106655. https://doi.org/10.1016/j.compag.2021.106655

Liu, Q., Jiang, X., Wang, F., Fan, S., Zhu, B., Yan, L., Chen, Y., Wei, Y., & Chen, W. (2025). Evaluation and process monitoring of jujube hot air drying using hyperspectral imaging technology and deep learning for quality parameters.Food Chemistry,467, 141999. https://doi.org/10.1016/j.foodchem.2024.141999

Liu, Q., Jiang, X., Wang, F., Zhu, B., Yan, L., Wei, Y., & Chen, Y. (2024). Detection of dried jujube from fresh jujube with different variety and maturity after hot air drying based on hyperspectral imaging technology.Journal of Food Composition and Analysis,133, 106378. https://doi.org/10.1016/j.jfca.2024.106378

Lu, H., Yu, X., Zhou, L., & He, Y. (2018). Selection of Spectral Resolution and Scanning Speed for Detecting Green Jujubes Chilling Injury Based on Hyperspectral ReflectanceImaging.Applied Sciences,8(4), 523. https://doi.org/10.3390/app8040523

Ma, X., Wang, C., Luo, H., & Guo, G. (2024). Research on Quality Detection of Jujube (Ziziphus jujuba Mill.) Fruit Based on UAV Multi-Spectrum.Applied Sciences,14(7), 2962. https://doi.org/10.3390/app14072962

Pham, Q. T., & Liou, N.-S. (2020). Hyperspectral Imaging System with Rotation Platform for Investigation of Jujube Skin Defects.Applied Sciences,10(8), 2851. https://doi.org/10.3390/app10082851

Pham, Q. T., Lu, S.-E., & Liou, N.-S. (2025). Development of sorting and grading methodology of jujubes using hyperspectral image data.Postharvest Biology and Technology,222, 113406. https://doi.org/10.1016/j.postharvbio.2025.113406

Shao, Y., Ji, S., Xuan, G., Wang, K., Xu, L., & Shao, J. (2024). Soluble solids content monitoring and shelf life analysis of winter jujube at different maturity stages by Vis-NIR hyperspectral imaging.Postharvest Biology and Technology,210, 112773. https://doi.org/10.1016/j.postharvbio.2024.112773

Tan, F., Ye, W., Ruan, S., Cang, H., Zhang, Y., Xing, P., Yan, J., Zhao, M., Di, R., Gao, P., & Xu, W. (2024). Nondestructive detection of multiple qualities of dried jujube in different storage periods based on hyperspectral imaging combined with deep learning.Infrared Physics & Technology,143, 105595. https://doi.org/10.1016/j.infrared.2024.105595

Thien Pham, Q., & Liou, N.-S. (2022). The development of on-line surface defect detection system for jujubes based on hyperspectral images.Computers and Electronics in Agriculture,194, 106743. https://doi.org/10.1016/j.compag.2022.106743

Wei, Y., Yuan, M., Hu, H., Xu, H., & Mao, X. (2024). Estimation for soluble solid content in Hetian jujube using hyperspectral imaging with fused spectral and textural Features.Journal of Food Composition and Analysis,128, 106079. https://doi.org/10.1016/j.jfca.2024.106079

Wu, D., Wan, G., Jing, Y., Liu, G., He, J., Li, X., Yang, S., Ma, P., & Sun, Y. (2023). Hyperspectral imaging combined with deep learning for discrimination of Lingwu long jujube in terms of the time after bruising.Microchemical Journal,194, 109238. https://doi.org/10.1016/j.microc.2023.109238

Wu, L., He, J., Liu, G., Wang, S., & He, X. (2016). Detection of common defects on jujubeusing Vis-NIR and NIR hyperspectral imaging.Postharvest Biology and Technology,112, 134–142. https://doi.org/10.1016/j.postharvbio.2015.09.003

Yu, K., Zhao, Y., Li, X., Shao, Y., Zhu, F., & He, Y. (2014). Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing.Computers and Electronics in Agriculture,103, 1–10. https://doi.org/10.1016/j.compag.2014.01.016

Yuan, R., Guo, M., Li, C., Chen, S., Liu, G., He, J., Wan, G., & Fan, N. (2022). Detection of early bruises in jujubes based on reflectance, absorbance and Kubelka-Munk spectral data.Postharvest Biology and Technology,185, 111810. https://doi.org/10.1016/j.postharvbio.2021.111810

Yuan, R., Liu, G., He, J., Wan, G., Fan, N., Li, Y., & Sun, Y. (2021). Classification of Lingwu long jujube internal bruise over time based on visible near-infrared hyperspectral imaging combined with partial least squares-discriminant analysis.Computers and Electronics in Agriculture,182, 106043. https://doi.org/10.1016/j.compag.2021.106043

Zhao, Y., Zhang, C., Zhu, S., Li, Y., He, Y., & Liu, F. (2020). Shape induced reflectance correction for non-destructive determination and visualization of soluble solids content in winter jujubes using hyperspectral imaging in two different spectral ranges.Postharvest Biology and Technology,161, 111080. https://doi.org/10.1016/j.postharvbio.2019.111080