(Shao et al., 2024)采用可見-近紅外（Vis-NIR）高光譜成像技術，探索了不同成熟階段冬棗的可溶性固形物含量（SSC）監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與光譜數據之間的關係，結果表明SVR模型在篩選的有效波長下表現出***的預測性能，外部驗證集的決定係數（R²）和殘差預測偏差（RPD）分別為0.837和2.47（中熟）及0.806和2.28（熟透）。該研究還發現，SSC與果實成熟度和貯藏期之間存在顯著的空間分布相關性，並利用預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，結果顯示中熟和熟透冬棗的貯藏期預測準確率分別為89%和91%。這zhe些xie結jie果guo表biao明ming，高gao光guang譜pu成cheng像xiang技ji術shu在zai冬dong棗zao質zhi量liang監jian測ce及ji貯zhu藏zang期qi分fen析xi中zhong具ju有you重zhong要yao潛qian力li，能neng夠gou提ti供gong非fei破po壞huai性xing的de質zhi量liang評ping估gu和he儲chu藏zang期qi預yu測ce，促cu進jin冬dong棗zao在zai儲chu存cun和he市shi場chang中zhong的de管guan理li。
圖11中熟(a)和熟(b)冬棗保質期的SSC可視化圖
(Ma et al., 2024)基於無人機（UAV）多光譜技術，提出了一種用於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據，並采用偏最小二乘回歸（PLSR）和支持向量機（SVM）構建了預測模型。研究發現，90°相對方位角下獲取的多光譜數據在MC預測中效果***，而180°相對方位角下的數據則在SSC預測中表現***。
研究進一步提出了相對方位角數據融合方法，通過將來自8個不同相對方位角的數據進行融合，建立了MC和SSC的聯合預測模型。結果顯示，相比於單一相位角的數據，多角度數據融合的模型在預測精度上有顯著提升，其中MC預測模型在PLSR與SVM模型中分別達到0.9067和0.9319的訓練集R²，1.9935和2.1368的RMSEP；而在SSC預測方麵，SVM模型表現更優，訓練集R²為0.8624，預測集R²為0.7663。
圖12無人機光譜采集
(Di et al., 2025)基(ji)於(yu)高(gao)光(guang)譜(pu)成(cheng)像(xiang)技(ji)術(shu)，提(ti)出(chu)了(le)一(yi)種(zhong)冬(dong)棗(zao)含(han)水(shui)量(liang)的(de)定(ding)量(liang)檢(jian)測(ce)方(fang)法(fa)，采(cai)用(yong)了(le)光(guang)譜(pu)形(xing)態(tai)特(te)征(zheng)來(lai)提(ti)取(qu)與(yu)水(shui)分(fen)含(han)量(liang)相(xiang)關(guan)的(de)特(te)征(zheng)。研(yan)究(jiu)選(xuan)取(qu)了(le)四(si)個(ge)特(te)征(zheng)波(bo)段(duan)（波峰R1、波穀R2、波峰R3、波穀R4）進行光譜形態特征提取，包含了波高、全寬半高、左坡、右坡、肩寬、峰區麵積等七個形態參數。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）模型來構建冬棗含水量的檢測模型，並利用競爭自適應重加權采樣（CARS）方法選擇有效的波長變量。結果表明，波穀R2（1146 nm）的回歸模型在校準集和預測集中的表現***，校準集的相關係數（Rc）為0.9942，預測集的相關係數（Rp）為0.8698，表明該模型具有較高的預測精度。
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（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用。研究使用了兩個不同的光譜範圍：可見光-近紅外（Vis-NIR，380–1030 nm）和近紅外（NIR，874–1734 nm），並采用了麵積歸一化（Area Normalization）方法，旨在減少果實表麵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，得出兩種光譜範圍下的回歸模型。結果表明，Vis-NIR範圍的LS-SVM模型在預測SSC時表現較好，預測的決定係數（Rp²）為0.894，殘差預測偏差（RPD）為3.07，相比之下，NIR範圍模型的表現稍遜。通過對區域感興趣（ROI）內(nei)的(de)像(xiang)素(su)光(guang)譜(pu)進(jin)行(xing)處(chu)理(li)和(he)可(ke)視(shi)化(hua)，麵(mian)積(ji)歸(gui)一(yi)化(hua)能(neng)夠(gou)顯(xian)著(zhu)提(ti)高(gao)預(yu)測(ce)的(de)準(zhun)確(que)性(xing)，特(te)別(bie)是(shi)在(zai)果(guo)實(shi)中(zhong)心(xin)和(he)邊(bian)緣(yuan)的(de)反(fan)射(she)率(lv)不(bu)均(jun)勻(yun)性(xing)問(wen)題(ti)上(shang)，進(jin)一(yi)步(bu)優(you)化(hua)了(le)預(yu)測(ce)地(di)圖(tu)。此(ci)外(wai)，研(yan)究(jiu)還(hai)比(bi)較(jiao)了(le)局(ju)部(bu)回(hui)歸(gui)模(mo)型(xing)（針對單一品種）與全局回歸模型（結合多個品種）之間的差異，發現全局模型的表現優於局部模型，能夠更好地預測不同品種的SSC。通過SPA波長選擇，減少了光譜數據的維度，同時保持了較高的預測準確度。
(Günaydın et al., 2025)探討了三種不同幹燥條件（開窗陽光、閉陰陰涼、微波幹燥）下紅棗切片的水分比（MR）預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波段範圍內提供高分辨率光譜數據。實驗中，紅棗切片在三種幹燥條件下進行處理，並測量了包括顏色、光譜反射率、水合作用率（RR）、幹燥動力學及最終厚度等參數。
微波幹燥在最短的時間內（24分鍾）顯著提高了幹燥效率，遠快於閉陰幹燥（1140分鍾）和開窗陽光幹燥（1680分鍾）。在zai顏yan色se變bian化hua方fang麵mian，微wei波bo幹gan燥zao處chu理li的de紅hong棗zao切qie片pian顏yan色se變bian化hua最zui小xiao，保bao持chi了le接jie近jin新xin鮮xian狀zhuang態tai的de色se彩cai，而er陰yin涼liang幹gan燥zao則ze因yin長chang時shi間jian暴bao露lu空kong氣qi中zhong導dao致zhi顏yan色se的de明ming顯xian變bian暗an。針zhen對dui水shui分fen比bi（MR）預測，基於多層感知機（MLP）和隨機森林（RF）算法的機器學習模型表現***，MLP的R值達到0.9997，RF為0.9968，顯著優於其他算法（如支持向量回歸SVR）。此外，通過植物指數（VIs）分析，微波幹燥處理下的紅棗在所有指數中表現出***結果。
圖14不同幹燥方式及對應幹燥的棗片
(Li et al., 2022)利用短波紅外（1000~2500 nm）高光譜成像技術預測幹哈密棗的可溶性固形物含量，並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.）的高光譜成像係統，結合150W鹵素燈光源，在黑暗環境下進行數據采集。實驗通過調整檢測位置（果柄朝上、果柄朝下、水平放置），發現果柄朝下的位置對SSC預測的準確性影響***。構建了卷積神經網絡（CNN）回歸模型，並與傳統的偏最小二乘回歸（PLSR）和支持向量回歸（SVR）模型進行了對比。使用競爭自適應重加權采樣（CARS）、遺傳算法（GA）和迭代保留信息變量（IRIV）算法選擇有效波長。結果表明，基於全光譜數據的CNN模型表現優異，預測決定係數（Rp²）為0.857，預測均方根誤差（RMSEP）為0.563，殘差預測偏差（RPD）為2.648，優於PLSR和SVR模型。與特征選擇相關的分析表明，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，能夠自動從光譜數據中提取深層特征，取得***預測性能。
圖15幹棗高光譜圖像采集和構建的光譜
(Wei et al., 2024)提出一種結合高光譜成像技術和光譜紋理特征融合的方法，用於估算和田棗的可溶性固形物含量（SSC）。采用了HySpex係列高光譜成像儀（Norsk Elektro Optikk A/S），其波長範圍為1003.22–2512.97 nm，掃描獲取了紅棗樣本的高光譜數據。在特征提取方麵，研究結合了灰度共生矩陣（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，減少了光譜冗餘，並提高了預測精度。研究使用了XGBoost集成學習模型進行SSC預測。與傳統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確性上表現更優，預測決定係數（R²）達到0.9061，均方根誤差（RMSEP）為0.7031，殘差預測偏差（RPD）為3.2630，明顯優於單一光譜信息的預測結果。此外，研究還通過MOEA/D算法選擇的光譜波長（31個波長）提供了較高的預測性能，相較於傳統的SPA、CARS和UVE方法，表現出更好的靈活性和預測精度。
圖16果實可溶性固形物（SSC）的高光譜成像技術估算流程圖。
(Tan et al., 2024)jiehegaoguangpuchengxiangjishuheshenduxuexifangfa，tichuleyizhongyongyubutongzhucunqiganzaoshuifenhanlianghezongtanghanliangyucejizhucunqifenleidewusunjiancefangfa。shiyancaiyongleVis-NIR（376–1044 nm）和NIR（915–1699 nm）高光譜成像係統，分別使用SOC 710VP和SOC 710SWIR設備進行數據采集。通過對三個貯存期（期1、期2、期3）的幹棗樣本進行高光譜成像，研究構建了多種基於傳統機器學習算法（如RF、LR、SVM）與深度學習模型（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域的光譜提取過程
基於Vis-NIR數據的分類模型優於NIR數據，ResNet模型在Vis-NIR數據下的分類準確率達到99.86%，表現出***的性能。通過PCA和SPA波段提取方法進行特征選擇，結果顯示SPA方法提取的特征波段模型優於PCA模型。此外，針對水分含量和總糖含量的預測，基於NIR數據的深度學習模型在水分預測上取得了R²值高達0.94，RPD值為4.45，表明該模型在多貯存期的預測效果優於傳統機器學習模型。
(Liu et al., 2024)探討了高光譜成像技術在幹棗質量評估中的應用，重點研究了不同幹燥條件下的幹棗質量分類和可溶性固形物含量（SSC）的預測。實驗使用了可見-近紅外（Vis-NIR）高光譜成像係統，波段範圍為376–1044 nm，通過對不同成熟階段的棗（包括鮮棗、幹棗、不同成熟度）進行掃描，結合圖像預處理（如區域歸一化、基線校正、多重散射校正等）提高數據的質量與準確性。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），並結合特征選擇方法（如成功投影算法（SPA）、競爭自適應重加權采樣（CARS）和無信息變量剔除（UVE））進行優化。研究結果表明，基於AN-UVE-SPA-SVM模型的分類準確率***，訓練集分類準確率達到96.0%，驗證集準確率為93.1%，顯示出較高的分類性能。在幹棗的質量屬性分析方麵，研究評估了硬度、可溶性固形物含量（SSC）和水分含量等指標，發現不同成熟度的幹棗在SSC和硬度上存在顯著差異。PLSR模型在預測SSC和水分含量方麵表現出色，結合AN-UVE-SPA方法選擇的特征波長，得到了較高的預測精度。
圖18高光譜成像係統示意圖
(Liu et al., 2025)本研究提出了結合高光譜成像技術和深度學習模型（CNN-BiLSTM-SE）對紅棗熱風幹燥過程中可溶性固形物含量（SSC）、可滴定酸度（TA）、水分和硬度等質量參數進行無損監測與過程評價的方法。實驗中，采用了SOC710高光譜成像係統，在55°C、60°C、65°C三個幹燥溫度下進行幹燥過程的實時監測。基於不同的預處理方法（如MSC、基線校正和MSC_1st），比較了傳統的PLSR、SVR模型與CNN-BiLSTM-SE模型的預測效果，發現CNN-BiLSTM-SE模型在預測紅棗質量參數方麵表現***。
圖19不同幹燥階段的棗高光譜圖像，包括感興趣區域的確定和光譜數據的提取
研究表明，在不同的幹燥階段，水分的降低與SSC和TAdezengjiachengxianzhuxiangguan，qiesuizheganzaoshijiandeyanchang，yingduzaichuqixiajianghouzhujianhuisheng。tongguojieheshenduxueximoxing，nenggoushixianduibutongganzaojieduandezhiliangcanshukongjian-時間分布的可視化，為幹棗幹燥過程的質量控製提供了有效工具。進一步分析表明，CNN-BiLSTM-SE模型通過結合卷積神經網絡（CNN）、雙向長短期記憶（BiLSTM）網絡與Squeeze-and-Excitation (SE)注意力機製，能夠有效提取時間序列中的長期依賴關係，在水分、SSC、TA和硬度的預測中相較於傳統模型有明顯提升。該模型優化後的R²值分別為SSC 0.955、TA 0.919、硬度0.940、水分0.975，表明深度學習模型在高維數據處理方麵具有顯著優勢。
suizhekejidejinbuheshichangxuqiudebuduanbianhua，hongzaopinzhijiancejishuyezaibuduanchuangxinhefazhan，youqishigaoguangpuchengxiangjishuzainongchanpinzhiliangjiancezhongdeguangfanyingyong，tuidonglehongzaochanyedezhinenghua、精準化發展。未來，紅棗品質檢測的研究前景將集中在以下幾個方麵：
1.高光譜成像技術作為一種無損、***的(de)檢(jian)測(ce)方(fang)法(fa)，未(wei)來(lai)有(you)望(wang)在(zai)紅(hong)棗(zao)品(pin)質(zhi)控(kong)製(zhi)中(zhong)得(de)到(dao)更(geng)廣(guang)泛(fan)的(de)應(ying)用(yong)。隨(sui)著(zhe)傳(chuan)感(gan)器(qi)分(fen)辨(bian)率(lv)和(he)數(shu)據(ju)處(chu)理(li)算(suan)法(fa)的(de)不(bu)斷(duan)提(ti)升(sheng)，未(wei)來(lai)的(de)高(gao)光(guang)譜(pu)成(cheng)像(xiang)係(xi)統(tong)將(jiang)在(zai)空(kong)間(jian)分(fen)辨(bian)率(lv)和(he)光(guang)譜(pu)分(fen)辨(bian)率(lv)方(fang)麵(mian)實(shi)現(xian)更(geng)大(da)的(de)突(tu)破(po)，能(neng)夠(gou)更(geng)***地分析紅棗的內部質量，如糖分、酸度、shuifendengzhibiao。tongshi，suizhedashujuheyunjisuanjishudefazhan，shishishujuchuliheyuanchengjiankongjiangchengweihongzaopinzhijiancedechangtai，zhebujintishenglejiancexiaolv，yeweishengchanqiyedezhiliangguanlitigonglegengjia***的技術支持。
2.weilai，zidonghuahezhinenghuajiancexitongjiangchengweihongzaopinzhijiankongdezhuyaofangxiang。suizherengongzhinengjishu，tebieshishenduxuexihejiqishijiaodefazhan，jiyuhongzaodegaoguangpushujuyutuxiangshuju，jiehejuanjishenjingwangluo（CNN）等深度學習模型，可以實現對紅棗品質的全自動***檢測。這些技術將能夠實時監控紅棗的外觀、內部缺陷以及營養成分等，為紅棗的生產、加工和儲存提供持續的質量控製，***地提升整個產業鏈的生產效率和質量一致性。
3.多(duo)傳(chuan)感(gan)器(qi)融(rong)合(he)與(yu)多(duo)維(wei)數(shu)據(ju)分(fen)析(xi)，未(wei)來(lai)的(de)紅(hong)棗(zao)品(pin)質(zhi)檢(jian)測(ce)不(bu)僅(jin)僅(jin)依(yi)賴(lai)於(yu)單(dan)一(yi)的(de)高(gao)光(guang)譜(pu)數(shu)據(ju)，還(hai)將(jiang)結(jie)合(he)多(duo)傳(chuan)感(gan)器(qi)融(rong)合(he)技(ji)術(shu)。例(li)如(ru)，結(jie)合(he)紅(hong)外(wai)傳(chuan)感(gan)器(qi)、紫外光傳感器、X射線成像等技術，可以獲取更多維度的信息，進行多層次、多角度的質量分析，提升紅棗品質評估的準確性與***性。此外，通過多維數據分析，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量變化規律，為產業的精細化管理提供更為科學的依據。
4.jiyudashujudehongzaosuyuanxitong，suizhexiaofeizheduishipinanquanhezhiliangdeguanzhubuduanzengjia，hongzaosuyuanxitongdejianshejiangchengweiweilaifazhandezhongdian。tongguojianggaoguangpuchengxiangjishuyuwulianwang（IoT）技術相結合，可以建立全程可追溯的紅棗生產、加工、運輸、xiaoshoudenghuanjiedezhiliangguanlixitong。liyongdashujufenxi，keyishishigenzonghejiancemeiyikehongzaodezhiliangxinxi，quebaoxiaofeizhehuodefangxindechanpin，tishengpinpaixinrendu。zhebujinyouzhuyubaozhangshipinanquan，hainenggoutuidonghongzaochanyedepinpaihuaheguojihuafazhan。
5.lvsehuanbaoyukechixufazhan，suizhehuanbaofaguideriyiyange，lvseshengchanhekechixufazhanyijingchengweixiandainongyefazhandehexinmubiao。weilai，hongzaopinzhijiancejishujianggengjiazhuzhonghuanbaohejieneng，jianshaohuaxuepindeshiyonghewuranpaifang，tuidonghongzaochanyedelvsefazhan。gaoguangpuchengxiangjishuzuoweiwusunjiancefangfa，nenggoujianshaoyangpindelangfeihehuaxueshijideshiyong，fuhexiandainongyekechixufazhandeyaoqiu。
6.紅hong棗zao品pin質zhi檢jian測ce標biao準zhun化hua，隨sui著zhe市shi場chang對dui紅hong棗zao質zhi量liang要yao求qiu的de提ti高gao，質zhi量liang標biao準zhun化hua將jiang成cheng為wei未wei來lai發fa展zhan的de重zhong點dian。通tong過guo高gao光guang譜pu成cheng像xiang技ji術shu的de深shen入ru應ying用yong，可ke以yi建jian立li一yi套tao紅hong棗zao品pin質zhi檢jian測ce標biao準zhun體ti係xi，為wei各ge類lei紅hong棗zao產chan品pin的de質zhi量liang評ping定ding提ti供gong明ming確que的de標biao準zhun。這zhe不bu僅jin有you助zhu於yu保bao障zhang消xiao費fei者zhe權quan益yi，也ye為wei紅hong棗zao的de貿mao易yi、進出口提供了統一的質量依據，推動紅棗行業的國際化進程。
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
Günaydın, S., Çetin, N., Sağlam, 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
地址：無錫市梁溪區南湖大道飛宏路58-1-108
.png)
電話：
.png)
郵箱：
地址：北京市海澱區中關村大街19號
電話：
郵箱：
地址：陝西省西安市高新區科技一路40號盛方科技園B座三層東區
電話：
郵箱：
地址：成都市青羊區順城大街206號四川國際大廈七樓G座
電話：
郵箱：
地址：深圳市龍華區民治梅龍路電話：郵箱：
在線谘詢