4.2高光譜成像技術(shù)在鮮棗內(nèi)部品質(zhì)檢測(cè)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(cè)與貯藏期分析方法。通過(guò)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(zhǎng)下表現(xiàn)出最佳的預(yù)測(cè)性能，外部驗(yàn)證集的決定系數(shù)（R2）和殘差預(yù)測(cè)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(shí)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(cè)圖展示了不同成熟度和貯藏期下SSC的時(shí)空演化。進(jìn)一步，通過(guò)支持向量機(jī)（LIBSVM）庫(kù)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(cè)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(cè)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(píng)估和儲(chǔ)藏期預(yù)測(cè)，促進(jìn)冬棗在儲(chǔ)存和市場(chǎng)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(wú)人機(jī)（UAV）多光譜技術(shù)，提出了一種用于檢測(cè)紅棗果實(shí)水分含量（MC）和可溶性固形物含量（SSC）的無(wú)損檢測(cè)方法。研究利用DJI Phantom 4 RTK UAV搭載的多光譜相機(jī)，采集了不同相對(duì)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(jī)（SVM）構(gòu)建了預(yù)測(cè)模型。研究發(fā)現(xiàn)，90°相對(duì)方位角下獲取的多光譜數(shù)據(jù)在MC預(yù)測(cè)中效果*佳，而180°相對(duì)方位角下的數(shù)據(jù)則在SSC預(yù)測(cè)中表現(xiàn)最佳。

研究進(jìn)一步提出了相對(duì)方位角數(shù)據(jù)融合方法，通過(guò)將來(lái)自8個(gè)不同相對(duì)方位角的數(shù)據(jù)進(jìn)行融合，建立了MC和SSC的聯(lián)合預(yù)測(cè)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(cè)精度上有顯著提升，其中MC預(yù)測(cè)模型在PLSR與SVM模型中分別達(dá)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(cè)方面，SVM模型表現(xiàn)更優(yōu)，訓(xùn)練集R2為0.8624，預(yù)測(cè)集R2為0.7663。

圖12無(wú)人機(jī)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(cè)方法，采用了光譜形態(tài)特征來(lái)提取與水分含量相關(guān)的特征。研究選取了四個(gè)特征波段（波峰R1、波谷R2、波峰R3、波谷R4）進(jìn)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(gè)形態(tài)參數(shù)。通過(guò)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(duì)冬棗水分含量的影響。使用了部分最小二乘回歸（PLSR）模型來(lái)構(gòu)建冬棗含水量的檢測(cè)模型，并利用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（CARS）方法選擇有效的波長(zhǎng)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(cè)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(cè)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(cè)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(shí)可溶性固形物含量（SSC）非破壞性測(cè)定與可視化中的應(yīng)用。研究使用了兩個(gè)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(shí)表面球形形狀引起的光照不均勻性對(duì)反射率的影響。研究采用了線性最小二乘支持向量機(jī)（LS-SVM）和成功投影算法（SPA）進(jìn)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(cè)SSC時(shí)表現(xiàn)較好，預(yù)測(cè)的決定系數(shù)（Rp2）為0.894，殘差預(yù)測(cè)偏差（RPD）為3.07，相比之下，NIR范圍模型的表現(xiàn)稍遜。通過(guò)對(duì)區(qū)域感興趣（ROI）內(nèi)的像素光譜進(jìn)行處理和可視化，面積歸一化能夠顯著提高預(yù)測(cè)的準(zhǔn)確性，特別是在果實(shí)中心和邊緣的反射率不均勻性問題上，進(jìn)一步優(yōu)化了預(yù)測(cè)地圖。此外，研究還比較了局部回歸模型（針對(duì)單一品種）與全局回歸模型（結(jié)合多個(gè)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(cè)不同品種的SSC。通過(guò)SPA波長(zhǎng)選擇，減少了光譜數(shù)據(jù)的維度，同時(shí)保持了較高的預(yù)測(cè)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(cè)中的應(yīng)用

(Günayd?n et al., 2025)探討了三種不同干燥條件（開窗陽(yáng)光、閉陰陰涼、微波干燥）下紅棗切片的水分比（MR）預(yù)測(cè)及其與可見與近紅外光譜（Vis-NIR）的對(duì)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(shí)驗(yàn)中，紅棗切片在三種干燥條件下進(jìn)行處理，并測(cè)量了包括顏色、光譜反射率、水合作用率（RR）、干燥動(dòng)力學(xué)及最終厚度等參數(shù)。

微波干燥在最短的時(shí)間內(nèi)（24分鐘）顯著提高了干燥效率，遠(yuǎn)快于閉陰干燥（1140分鐘）和開窗陽(yáng)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(zhǎng)時(shí)間暴露空氣中導(dǎo)致顏色的明顯變暗。針對(duì)水分比（MR）預(yù)測(cè)，基于多層感知機(jī)（MLP）和隨機(jī)森林（RF）算法的機(jī)器學(xué)習(xí)模型表現(xiàn)最佳，MLP的R值達(dá)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(guò)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*優(yōu)結(jié)果。

圖14不同干燥方式及對(duì)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(cè)干哈密棗的可溶性固形物含量，并通過(guò)不同的回歸模型進(jìn)行對(duì)比分析。研究采用ImSpector N25E光譜儀（Specim）和Zephir-2.5–320 CCD相機(jī)（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(jìn)行數(shù)據(jù)采集。實(shí)驗(yàn)通過(guò)調(diào)整檢測(cè)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(duì)SSC預(yù)測(cè)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(jìn)行了對(duì)比。使用競(jìng)爭(zhēng)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(zhǎng)。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(cè)決定系數(shù)（Rp2）為0.857，預(yù)測(cè)均方根誤差（RMSEP）為0.563，殘差預(yù)測(cè)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*適合PLSR和SVR模型的建模，而CNN模型在無(wú)需特征工程的情況下，能夠自動(dòng)從光譜數(shù)據(jù)中提取深層特征，取得最佳預(yù)測(cè)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(zhǎng)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(jìn)一步增強(qiáng)了空間信息。采用MOEA/D算法進(jìn)行特征波長(zhǎng)選擇，減少了光譜冗余，并提高了預(yù)測(cè)精度。研究使用了XGBoost集成學(xué)習(xí)模型進(jìn)行SSC預(yù)測(cè)。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(cè)決定系數(shù)（R2）達(dá)到0.9061，均方根誤差（RMSEP）為0.7031，殘差預(yù)測(cè)偏差（RPD）為3.2630，明顯優(yōu)于單一光譜信息的預(yù)測(cè)結(jié)果。此外，研究還通過(guò)MOEA/D算法選擇的光譜波長(zhǎng)（31個(gè)波長(zhǎng)）提供了較高的預(yù)測(cè)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(cè)精度。

圖16果實(shí)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(cè)及貯存期分類的無(wú)損檢測(cè)方法。實(shí)驗(yàn)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(jìn)行數(shù)據(jù)采集。通過(guò)對(duì)三個(gè)貯存期（期1、期2、期3）的干棗樣本進(jìn)行高光譜成像，研究構(gòu)建了多種基于傳統(tǒng)機(jī)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(guò)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(dá)到99.86%，表現(xiàn)出*好的性能。通過(guò)PCA和SPA波段提取方法進(jìn)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(duì)水分含量和總糖含量的預(yù)測(cè)，基于NIR數(shù)據(jù)的深度學(xué)習(xí)模型在水分預(yù)測(cè)上取得了R2值高達(dá)0.94，RPD值為4.45，表明該模型在多貯存期的預(yù)測(cè)效果優(yōu)于傳統(tǒng)機(jī)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(píng)估中的應(yīng)用，重點(diǎn)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(cè)。實(shí)驗(yàn)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(guò)對(duì)不同成熟階段的棗（包括鮮棗、干棗、不同成熟度）進(jìn)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(jī)（SVM），并結(jié)合特征選擇方法（如成功投影算法（SPA）、競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（CARS）和無(wú)信息變量剔除（UVE））進(jìn)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(dá)到96.0%，驗(yàn)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(píng)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(cè)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(zhǎng)，得到了較高的預(yù)測(cè)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(duì)紅棗熱風(fēng)干燥過(guò)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(jìn)行無(wú)損監(jiān)測(cè)與過(guò)程評(píng)價(jià)的方法。實(shí)驗(yàn)中，采用了SOC710高光譜成像系統(tǒng)，在55°C、60°C、65°C三個(gè)干燥溫度下進(jìn)行干燥過(guò)程的實(shí)時(shí)監(jiān)測(cè)。基于不同的預(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(cè)效果，發(fā)現(xiàn)CNN-BiLSTM-SE模型在預(yù)測(cè)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(shí)間的延長(zhǎng)，硬度在初期下降后逐漸回升。通過(guò)結(jié)合深度學(xué)習(xí)模型，能夠?qū)崿F(xiàn)對(duì)不同干燥階段的質(zhì)量參數(shù)空間-時(shí)間分布的可視化，為干棗干燥過(guò)程的質(zhì)量控制提供了有效工具。進(jìn)一步分析表明，CNN-BiLSTM-SE模型通過(guò)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）、雙向長(zhǎng)短期記憶（BiLSTM）網(wǎng)絡(luò)與Squeeze-and-Excitation (SE)注意力機(jī)制，能夠有效提取時(shí)間序列中的長(zhǎng)期依賴關(guān)系，在水分、SSC、TA和硬度的預(yù)測(cè)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(shì)。

1. 未來(lái)發(fā)展方向與研究前景

隨著科技的進(jìn)步和市場(chǎng)需求的不斷變化，紅棗品質(zhì)檢測(cè)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(cè)中的廣泛應(yīng)用，推動(dòng)了紅棗產(chǎn)業(yè)的智能化、精準(zhǔn)化發(fā)展。未來(lái)，紅棗品質(zhì)檢測(cè)的研究前景將集中在以下幾個(gè)方面：

1.高光譜成像技術(shù)作為一種無(wú)損、高效的檢測(cè)方法，未來(lái)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(lái)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(shí)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(shí)，隨著大數(shù)據(jù)和云計(jì)算技術(shù)的發(fā)展，實(shí)時(shí)數(shù)據(jù)處理和遠(yuǎn)程監(jiān)控將成為紅棗品質(zhì)檢測(cè)的常態(tài)，這不僅提升了檢測(cè)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(lái)，自動(dòng)化和智能化檢測(cè)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(jī)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(shí)現(xiàn)對(duì)紅棗品質(zhì)的全自動(dòng)高效檢測(cè)。這些技術(shù)將能夠?qū)崟r(shí)監(jiān)控紅棗的外觀、內(nèi)部缺陷以及營(yíng)養(yǎng)成分等，為紅棗的生產(chǎn)、加工和儲(chǔ)存提供持續(xù)的質(zhì)量控制，極大地提升整個(gè)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(lái)的紅棗品質(zhì)檢測(cè)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(jìn)行多層次、多角度的質(zhì)量分析，提升紅棗品質(zhì)評(píng)估的準(zhǔn)確性與全面性。此外，通過(guò)多維數(shù)據(jù)分析，能夠更好地揭示紅棗在不同生長(zhǎng)階段、不同儲(chǔ)藏條件下的質(zhì)量變化規(guī)律，為產(chǎn)業(yè)的精細(xì)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(fèi)者對(duì)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(lái)發(fā)展的重點(diǎn)。通過(guò)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(yùn)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(shí)時(shí)跟蹤和監(jiān)測(cè)每一顆紅棗的質(zhì)量信息，確保消費(fèi)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(dòng)紅棗產(chǎn)業(yè)的品牌化和國(guó)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(lái)，紅棗品質(zhì)檢測(cè)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(dòng)紅棗產(chǎn)業(yè)的綠色發(fā)展。高光譜成像技術(shù)作為無(wú)損檢測(cè)方法，能夠減少樣品的浪費(fèi)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(cè)標(biāo)準(zhǔn)化，隨著市場(chǎng)對(duì)紅棗質(zhì)量要求的提高，質(zhì)量標(biāo)準(zhǔn)化將成為未來(lái)發(fā)展的重點(diǎn)。通過(guò)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(cè)標(biāo)準(zhǔn)體系，為各類紅棗產(chǎn)品的質(zhì)量評(píng)定提供明確的標(biāo)準(zhǔn)。這不僅有助于保障消費(fèi)者權(quán)益，也為紅棗的貿(mào)易、進(jìn)出口提供了統(tǒng)一的質(zhì)量依據(jù)，推動(dòng)紅棗行業(yè)的國(guó)際化進(jìn)程。

參考文獻(xiàn)

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.

Günayd?n, S., ?etin, N., Sa?lam, C., Sacilik, K., & Jahanbakhshi, A. (2025). C*mparative 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.

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.

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.C*mputers and Electronics in Agriculture,193, 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.

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.

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.

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.

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

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.

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.

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.

Thien Pham, Q., & Liou, N.-S. (2022). The development of on-line surface defect detection system for jujubes based on hyperspectral images.C*mputers and Electronics in Agriculture,194, 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.

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.

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.

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.C*mputers and Electronics in Agriculture,103, 1–10.

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.

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.C*mputers and Electronics in Agriculture,182, 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.