欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 , Vol. 7 >Issue 5: 52 - 66

DOI: https://doi.org/10.12133/j.smartag.SA202507020

专刊--光智农业创新技术与应用

高光谱成像技术在水果品质检测中的应用研究进展

  • 张子申 1, 2 ,
  • 程红 2 ,
  • 耿文娟 , 1 ,
  • 关军锋 , 2
展开
  • 1. 新疆农业大学 园艺学院，新疆 乌鲁木齐 830000，中国
  • 2. 河北省农林科学院生物技术与食品科学研究所，河北 石家庄 050051，中国
耿文娟，博士，教授，研究方向为果树种质资源及栽培生理。E-mail：
关军锋，博士，研究员，研究方向为水果品质及其贮藏加工。E-mail：

张子申，博士研究生，研究方向为果树学。E-mail：

收稿日期: 2025-07-13

  网络出版日期: 2025-10-28

基金资助

财政部、农业农村部：国家梨产业技术体系(CARS-28-23)

河北省农林科学院创新专项(2025KJCXZX-XXXK-3)

收起

Research Advances in Hyperspectral Imaging Technology for Fruit Quality Assessment

  • ZHANG Zishen 1, 2 ,
  • CHENG Hong 2 ,
  • GENG Wenjuan , 1 ,
  • GUAN Junfeng , 2
Expand
  • 1. College of Horticulture, Xinjiang Agruicultural University, Urumqi 830000, China
  • 2. Institute of Biotechnology and Food Science, Hebei Academy of Agricultural and Forestry Sciences, Shijiazhuang 050051, China
GENG Wenjuan, E-mail:
GUAN Junfeng, E-mail:

ZHANG Zishen, E-mail:

Received date: 2025-07-13

  Online published: 2025-10-28

Supported by

Ministry of Finance, Ministry of Agriculture and Rural Affairs: Modern Agricultural Industry (Pear) Technology System Project(CARS-28-23)

HAAFS Agriculture Science and Technology Innovation Project(2025KJCXZX-XXXK-3)

Copyright

copyright©2025 by the authors
Fold

摘要

［目的/意义］ 高光谱成像（Hyperspectral Imaging, HSI）作为一种融合空间与光谱信息的先进检测技术，能够同步获取水果表面纹理特征及连续波段光谱数据，从而实现无损、可视化和在线化评估水果的外观与内在品质指标。尽管现有研究已广泛探讨HSI在农产品无损检测中的通用性，但针对水果领域的系统评述仍显不足。本文拟从场景适配性、技术演变趋势和产业落地瓶颈等维度深入总结HSI在水果品质检测中的应用研究进展。 ［进展］ HSI技术通过无损、快速的光谱成像，显著提高了水果外观品质、表面缺陷、内在品质（如糖分、酸度、水分）及成熟度的检测精度。此外，HSI技术在病害检测、品种鉴别和产地溯源方面也取得了显著进展，为水果质量控制和供应链管理提供了强有力的技术支持。同时，本文用文献计量分析法表明了HSI技术在水果品质检测中的研究热点与发展趋势。 ［结论/展望］ 未来的研究应优化光谱降维方法，以提高模型的效率和准确性，同时探索迁移学习和增量学习，以增强模型的泛化能力；应着力开发轻量化系统硬件和边缘处理能力，推动技术的实际应用，并结合轻量级深度网络与加速模块，实现实时推理加速；加强标准化体系建设，促进成果的共享与广泛应用；通过融合多模态技术，进一步提升检测平台的精度和智能化水平，最终推动HSI技术在水果产业中实现全面的数字化和智能化应用。

关键词： 高光谱成像; 水果; 品质检测; 知识图谱; CiteSpace

本文引用格式

张子申 , 程红 , 耿文娟 , 关军锋 . 高光谱成像技术在水果品质检测中的应用研究进展[J]. 智慧农业, 2025 , 7(5) : 52 -66 . DOI: 10.12133/j.smartag.SA202507020

Abstract

[Significance] Hyperspectral imaging (HSI) is an advanced sensing technique that simultaneously acquires high-resolution spatial data and continuous spectral information, enabling non-destructive, real-time evaluation of both external and internal fruit quality attributes. Despite its widespread application in agricultural product assessment, comprehensive reviews specifically addressing fruit quality evaluation using HSI are limited. This paper presents a comprehensive review of recent advancements in the application of HSI technology for fruit quality detection. [Progress] This paper provides a comprehensive review from three key dimensions: scenario adaptability, technological evolution trends, and industrial implementation bottlenecks, with a further analysis of the research outlook in HSI applications for fruit quality assessment. Specifically, by employing non-destructive and rapid spectral imaging techniques, HSI has markedly enhanced the accuracy of assessing various quality parameters, including external appearance, surface defects, internal quality (such as sugar content, acidity, and moisture), and ripeness. Furthermore, significant progress has been achieved in utilizing HSI for disease detection, variety classification, and origin traceability, thereby providing robust technical support for fruit quality control and supply chain management. In addition, bibliometric analysis is utilized to identify key research areas and emerging trends in the application of HSI technology for fruit quality assessment. [Conclusions and Prospects] Future research should focus on optimizing spectral dimensionality reduction techniques to enhance both the efficiency and accuracy of models. Transfer learning and incremental learning approaches should also be explored to improve the models' ability to generalize across various scenarios and fruit types. In parallel, developing lightweight system hardware and strengthening edge processing capabilities will be essential for enabling the practical deployment of HSI technology in real-world applications. Integrating lightweight deep learning networks and acceleration modules will support real-time inference, enhancing processing speed and facilitating faster data analysis. It is also crucial to establish standardized systems and protocols to promote the sharing of research findings and ensure broader application across different industries. Additionally, incorporating multimodal technologies, such as thermal imaging, gas sensors, and visual data, will improve the accuracy and robustness of detection platforms. This integration will allow for more precise and comprehensive assessments of fruit quality, further advancing the digitalization and intelligent application of HSI technology.

Key words： hyperspectral imaging; fruit; quality detection; knowledge graph; CiteSpace

0 引 言

高光谱成像技术（Hyperspectral Imaging, HSI）是一种能够同时获取目标物的几何图像和多波段光谱信息的无损检测技术。与传统的化学检测方法相比，HSI在水果品质检查方面的优势在于无需破坏样品即可同时采集水果表面和内部组织的光谱信息，实现多指标、可视化的质量评估与在线分级［1］。
在外部品质检测方面，HSI可以高效识别水果表皮的颜色、纹理、缺陷/损伤和病斑等表观特征，为水果的外观分级和病虫害果剔除提供信息支持［2, 3］。在内部品质检测方面，HSI通过特定波段的光对果皮的特异穿透性，实现对果肉内部水分、可溶性固形物含量（Soluble Solids Content, SSC）和酸度等化学成分的定量分析，从而对水果的内在品质进行无损评估［4］。
根据以往研究发现，可见/近红外（Visible/Near-Infrared, Vis/NIR）光谱、多光谱成像（Multispectral Imaging, MSI）、HSI、X射线成像及热成像技术等在果蔬无损检测中的应用较多，可用于水果外观缺陷、成熟度与内部品质的检测［5］。
CiteSpace是一种广泛使用的文献计量学工具，能够有效揭示研究领域中的知识结构、热点问题和技术演进趋势［6］。通过对关键词共现［7］、突现分析，以及合作网络的分析［8, 9］，CiteSpace能够帮助识别学术界在该领域的核心研究方向及国际合作格局。本文综述了面向水果场景的HSI应用研究进展，并结合计量可视化描绘文献热点演进与合作结构，为水果品质检测及智能农业研究提供参考。
HSI凭借其广泛的波长范围、高光谱分辨率和高空间分辨率的二维成像，能够无损检测水果的外观和内在成分，如水分、糖分和酸度，展现出显著的优势。随着便携设备和机器学习技术的快速发展，HSI在水果品质评估、分类及高通量检测中的应用潜力愈加突出。为了深入探索这一领域，本文采用 CiteSpace（6.4.R1）软件进行文献计量与可视化分析，从发文量趋势、关键词共现/突现与合作网络等维度描绘该领域的知识图谱，揭示研究热点、技术演进与国际合作格局，在此基础上，围绕水果外观品质、内在品质、成熟度与贮藏期评估、病害与腐烂检测、品种鉴别与产地溯源等关键应用场景，系统梳理了近年来的研究进展，并对国内外研究动向进行比较分析，进一步归纳应用层面的关键挑战与瓶颈，理清技术演进脉络，提出面向产业应用，如优化算法与硬件装备、提升实时推理能力、建立标准化体系、推进多模态融合，以及实现全产业链整合等方面的建议，为后续研究与技术落地提供参考。

1 高光谱成像技术的核心优势与设备

HSI在水果无损检测中展现出显著优势，其核心在于广泛的波长范围和高光谱分辨率。常见的HSI系统覆盖从可见光到近红外波段（约400~ 2 500 nm），能够探测水果中多种化学成分的特征吸收峰，尤其在光谱的近红外波段，对水果的糖分［10］、酸度［11］和水分［12］等内在成分具有良好的敏感性［13］。此外，HSI提供像素级光谱与高空间分辨率的二维成像，可识别细微表面损伤，并刻画果实内部品质的空间异质性［14］，从而支持对果实外观与理化属性的同步建模与可视化映射［15］。现有HSI系统集成成像光学与精密探测器，可在多波段获取高信噪比数据，满足水果的外观、内在品质及病害状况的检测［16］。
相比之下，计算机视觉主要反映表面特征，难以推断内部理化属性；X射线成像可揭示内部结构缺陷（如空腔、腐败），但设备成本与辐射管理限制通量与应用范围；气体传感（如电子鼻）适用于贮藏/成熟状态监测，然而对具体成分的解析度有限；点测近红外光谱（Near-Infrared, NIR）在内部质量测量上具备快速的优势，但受制于空间分辨率与波段覆盖。归纳而言，HSI通过连续一体化获取光谱信息与空间纹理/几何信息，为多指标同时评估与场景化部署提供统一数据基础（图1）。
图 1 常见无损检测技术及在水果品质检测中的应用

Fig. 1 Application of common non-destructive testing techniques in fruit quality assessment

同时，HSI设备的便携性和实时性不断提高，如GaiaField-Pro-V10便携式高光谱成像系统（江苏双利合谱公司生产）的出现，可实现高效的水果品质现场检测（图2）［17］。这些便携设备通常具有较高的光谱分辨率，能在果园、贮藏库和水果销售场所等实际环境中进行实时监控，具有快速和大规模水果质量检测的绝对优势［18, 19］。例如，HSI技术已经被广泛应用于果园和水果加工行业，实时测量水果的糖分、酸度和硬度等指标，从而为现代果业管理提供精准的数据支持［20］。
图2 便携式高光谱成像系统

Fig. 2 Portable hyperspectral imaging system

此外，随着计算技术的提升，机器学习/深度学习提升了高维空间-光谱数据的特征提取、建模与推断效率，自动化图像处理与模式识别流程支撑分级、品质评估与病害识别等任务的效果，推动HSI 在高通量品质检测中的产业化应用。不过，品质预测建模方法因任务而定。如果实品质指标回归预测常用模型包括偏最小二乘回归（Partial Least Squares Regression, PLSR）［21］、多元线性回归（Multiple Linear Regression, MLR）［22］，以及基于集成学习的随机森林（Random Forest, RF）回归［23］和梯度提升（eXtreme Gradient Boosting, XGBoost）回归［24］等。这些方法能够从高维光谱数据中有效提取关键特征，实现对目标变量的高精度预测。在分类识别任务中，如成熟度等级划分、品种识别和病害检测，则常采用支持向量机（Support Vector Machine, SVM）［25］和主成分分析（Principal Component Analysis, PCA）降维后，结合具有强非线性建模能力的深度学习算法，如卷积神经网络（Convolutional Neural Network, CNN）［26］和长短期记忆网络（Long Short-Term Memory, LSTM）进行判别分析［27］。其中，CNN擅长提取空间-光谱联合特征，适合用于表面缺陷识别和图像分类建模，而LSTM则能有效处理光谱随时间变化的序列特征，提升对时序性变化信息的建模能力。面对不同的应用场景（表1），合理选择与集成优化上述模型可以为HSI技术在水果品质无损检测中的定量分析与水果的智能分类提供强有力的支撑［28, 29］。
表 1 HSI技术用于水果品质检测时的常用模型

Table 1 Common models of hyperspectral imaging technology in fruit quality assessment

模型类别 算法名称 应用类型 典型应用场景 优势特点
回归预测 PLSR 定量预测 糖度［30］、酸度［31］、水分［32］等理化指标预测 稳定性强，适用于高维小样本数据
MLR 定量预测 简单质量属性的预测分析［30， 33］ 模型结构简单，计算效率高
RF 定量预测 果实多指标并行预测，提升模型泛化能力［34， 35］ 鲁棒性好，抗噪性能强
XGBoost 定量预测 多品质指标的高精度建模与优化［36， 37］ 精度高，适用于复杂非线性回归任务
分类识别 SVM 分类识别 成熟度等级划分［38］、品种识别［39］、病害分类［40］ 分类精度高，适合高维数据
PCA + 判别模型 特征压缩+分类 波段降维后结合判别模型用于品种或缺陷识别［41， 42］ 有效降维，提高建模效率
CNN 深度分类 果面病斑识别［28］、缺陷检测［43］、复杂图像分类任务［29］ 能提取空间+光谱联合特征，表现优于浅层模型
LSTM 分类识别 预测水果成熟度［44］、检测病害［26］、评估贮藏期质量变化，以及进行品种鉴别与溯源［27］ 处理时序特征能力强，适用于动态光谱分析任务

2 高光谱成像技术在水果品质检测中的研究进展

近年来，随着HSI技术在农业信息获取与智能感知领域的快速发展，其在水果品质检测中的研究重心正由传统的单一理化参数定量预测，逐步发展为对空间、光谱和语义信息的联合特征提取，呈现出系统化、智能化和集成化并进的技术演化趋势。
从核心算法的演进来看，HSI研究已从早期依赖PLSR［45］和主成分回归分析（Principal Component Regression, PCR）［46］等经典统计建模方法，转向以机器学习和深度学习为核心的高维智能建模体系。如SVM［47, 48］、RF［49］和CNN［50］等机器学习模型，因其在高维特征空间中的优越分类和回归能力，广泛应用于水果成熟度［51, 52］、糖分含量［53］和病虫害检测［54, 55］等品质指标的预测分析。同时，在处理果实复杂表型结构及非均质组织时，CNN、三维CNN（3D-CNN）、LSTM等深度神经网络结构的引入，则有效解决光谱-空间耦合建模中的信息融合与非线性映射问题，显著提升预测模型的精度与鲁棒性。
在具体实践方面，多项研究成果已验证上述算法体系在水果品质预测中的优异表现。例如，Weng等［31］利用HSI技术结合PLSR方法，实现对草莓SSC、维生素C含量（Vc）和pH的预测，有效揭示不同贮藏时间对果实品质的影响。Gao和Xu［32］则利用CNN算法结合HSI技术，对葡萄单粒进行自动识别与分割，精准地检测采后葡萄的糖分含量，并揭示果穗内品质的差异。班兆军等［56］则提出HSI与深度学习模型相结合的方法，实现苹果糖度、酸度和糖酸比等多指标的同步检测，极大地提高了检测效率与精度。
除单一模态的光谱建模外，近年来研究者在多模态传感集成方向也取得突破性进展。典型做法包括将HSI与NIR［12］、质构仪［19］、气体传感器［23］和光声光谱［14］等传感技术融合，构建多源数据融合系统，通过特征层或决策层的集成学习方法，显著增强模型对复杂品质信号的判别能力与环境适应性。
同时，检测指标也由早期的糖酸比、SSC和pH等基础品质参数，扩展至维生素C、类黄酮、多酚与抗氧化物等营养功能成分［57-59］，以及深入研究果实成熟软化过程中细胞壁降解和果胶代谢的变化及其与光谱响应之间的耦合机制，为构建以生理机制驱动的成熟度监测模型提供理论支撑。
综上所述，HSI技术与先进数据分析方法的结合，显著提升了水果品质检测的精度与自动化水平。未来，随着算法优化与设备性能提升，HSI技术在水果品质的精确评估、智能分级及商业化规模应用中必将发挥更加重要的作用。

2.1　高光谱成像技术在水果品质检测中的文献计量分析与发展趋势

近年来，HSI在水果品质检测领域的应用取得显著进展，但其进一步推广和深入发展仍面临诸多挑战。这些挑战不仅涉及技术本身的复杂性，也与应用场景的环境因素及不同水果品种的适应性密切相关。
本文以2007年1月1日 至 2024年12月31日CNKI 与 WOS检索平台的期刊论文（Article/Review）为依据，以“高光谱成像/hyperspectral imaging”“水果/fruit”“品质/quality”为主题，经筛选与去重后共选取中文207篇、英文266篇，用于发文量趋势分析与知识图谱构建。文献计量可视化分析使用CiteSpace软件（6.4.R1版），时间切片为1年/片，节点类型为关键词（Keywords），术语来源取自题名、摘要、作者、关键词与扩展关键词（Title/Abstract/Author/Keywords/Keywords Plus）；文献聚类以对数似然比法命名（Log-Likelihood Ratio, Llr），节点阈值采用g指数（k=25），聚类网络采用路径探索法剪枝、切片网络剪枝与最小生成树三重剪枝（Pathfinder + Pruning sliced networks + MST）。在CiteSpace知识图谱分析中，模块值（Q值）与平均轮廓值（S值）是衡量聚类质量的核心指标：Q值介于［0，1］，当Q＞0.3时，表明社团结构区分显著；S值若高于0.7，则聚类结果高效且准确，而S＞0.5亦通常被视为合理可信［7］。
基于上述选取文献的分析表明，HSI技术在水果品质检测领域的学术关注度呈持续上升趋势，但其发展并非匀速，而是展现出清晰的阶段性特征。以WOS数据库为代表的国际研究，凭借其先发优势和庞大的文献体量，长期主导着该领域的核心议题与方法论创新。相比之下，CNKI数据库所反映的国内研究虽在特定时期表现出追赶势头，但在前沿的跟进与研究的原创性上，与国际研究仍存在可见差距（图3）。
图3 2007—2024年高光谱成像技术在水果品质检测中的应用发文趋势

Fig. 3 Trends in publications on the theme of hyperspectral imaging for fruit quality detection from 2007 to 2024

通过CiteSpace软件进行关键词聚类分析（图4），评估HSI技术在水果品质检测领域的研究热点和发展趋势。聚类结果显示Q＞0.6，S＞0.8，表明模块结构清晰，聚类合理。研究热点逐步从传统的光谱检测方法转向以人工智能为核心的特征提取与分类预测方法。国外研究侧重于算法优化与技术前沿探索，强调CNN、深度学习和机器学习模型的集成，解决复杂数据处理问题；国内研究则聚焦于工程应用，特别是在果园端与采后分级流水线的检测系统部署，重视便携性、低成本和多传感器融合。
图 4 高光谱成像检测水果品质研究关键词共现图

注：图a 描述了CiteSpace生成的学术术语网络分析的参数，包括节点选择阈值k=25、局部相关性因子LRF=2.5、布局选项LBY=5、边权重e=1.0，网络包含281个节点，网络密度为0.014，最大连通分量包含248个节点，Q值为0.656，S值为0.884 4，调和均值/Q和Slope为0.753；图b描述了CiteSpace生成的学术术语网络分析的参数，包括节点选择阈值k=25、局部相关性因子LRF=2.5、布局选项LBY=5、边权重e=1.0，网络包含343个节点，网络密度为0.032，最大连通分量包含298个节点，Q值为0.414，S值为0.769 8，调和均值/Q和Slope为0.539。

Fig. 4 Keywords clustering map of research on hyperspectral imaging detection for fruit quality

分析结果显示，国内外研究在HSI技术应用方面既有共性也有差异性。在共性方面，研究者普遍关注HSI技术在品质无损检测中的优势，围绕分类、预测和特征提取等主题，应用图像处理与光谱分析方法，推动自动化、智能化和多品质参数的综合评估。在国内外差异方面，国外研究聚焦算法机制与模型性能的提升，强调技术创新、跨品种和跨应用环境的广适性；国内研究则更多受产业应用需求驱动，集中于特定水果品类的检测方法优化与成本控制。这一差异反映科研体系与产业需求的不同：国外研究注重理论创新与通用模型的构建，配合高端仪器和算法平台；而国内则在工程化和实际应用中寻求突破，推动技术的实用化和规模化应用。总体而言，这种共性与差异的并存推动HSI技术的多维发展，并为未来的国际合作和跨场景应用奠定基础。
关键词演变趋势分析表明，国内外研究的差异性和共同趋势均较为清晰（图5和图6）。早期阶段，研究重点主要集中在光谱数据的基础分析与理化指标预测；中期阶段，研究逐渐转向具体的内在品质指标，如糖度和SSC的精准预测；近期研究则明显表现出对智能化数据处理方法的广泛关注，深入探索HSI与机器学习和深度学习技术的融合，关注实时监测、特征自动提取和高维数据分析的产业化应用。
图5 在CNKI数据库中2007—2024 年高光谱成像用于水果品质检测研究关键词演变趋势

注： 描述了CiteSpace生成的学术术语网络分析的参数，包括节点选择阈值k=25、局部相关性因子LRF=2.5、布局选项LBY=5、边权重e=1.0，网络包含284个节点，网络密度为0.016，最大连通分量包含268个节点，占总节点的94.4%，Q值为0.618，S值为0.774 9，调和均值/Q和Slope为0.735。

Fig. 5 Evolutionary trends of keywords in hyperspectral imaging for fruit quality detection based on the CNKI database （2007－2024）

图6 在WOS数据库中2007—2024年高光谱成像用于水果品质检测研究关键词演变趋势

注： 描述了CiteSpace生成的学术术语网络分析的参数，包括节点选择阈值k=25、局部相关性因子LRF=2.5、布局选项LBY=5、边权重e=1.0，网络包含343个节点，网络密度为0.032，最大连通分量包含298个节点，Q值为0.414，S值为0.769 8，调和均值/Q和Slope为0.539。

Fig. 6 Evolutionary trends of keywords in hyperspectral imaging for fruit quality detection based on the WOS database （2007－2024）

因此，可以更清晰地看出推动HSI研究演化趋势的深层次原因，主要可归因于技术成熟度、研究资源配置和应用需求导向的多重推动。一方面，随着高性能光谱采集设备与图像处理硬件的快速发展，HSI系统在数据获取速度、空间分辨率和光谱波段覆盖范围等方面实现跃升，为复杂模型的训练与部署提供硬件基础。另一方面，人工智能技术的兴起，促使科研人员逐步摆脱传统线性分析方法的局限，转向以深度神经网络为代表的非线性建模手段，并在处理高维度、高噪声、高相关性的光谱数据时展现出明显优势。同时，全球水果产业正朝着标准化、数字化与智能化方向迈进，研究重点从实验验证转向实际应用，进而要求HSI检测技术不仅具备理论精度，更需满足商业环境下的稳定性与通用性。正是在这些内外部条件共同作用下，HSI技术的研究逐渐从基础研究主导转变为理论与实践并重的发展格局。

2.2　水果外观品质质量检测

外观品质是评估水果市场接受度和消费价值的关键指标之一，通常涉及颜色、形态、大小、表面缺陷/损伤和病斑等特征。传统的检测方法依赖人工目视评估，存在较强的主观性，且难以提供精确的评价分析。随着HSI技术的应用，水果品质检测逐步实现了从传统光谱分析方法向智能化、高效和多维度评估的转变，显著提升了水果外观品质的检测的效果（图6），其基本原理在于：HSI在可见-近红外波段获取像素级连续光谱与空间纹理的联合信息，对果皮色素（如叶绿素、类胡萝卜素、花青素）引发的谱形变化、表皮蜡质/粗糙度导致的表面散射差异，以及微小裂痕与病斑带来的异常光谱响应进行客观表征，从而支撑对颜色、纹理与表面缺陷的定量识别和可视化评估。需要注意的是，由于光源照明方式和成像几何（入射/观测角度）不同，果面的投射与反射光路径及强度会发生变化；同时，不同型号的高光谱相机及配套光源在光谱范围、探测器材料/灵敏度和动态范围与光学设计上存在差异，所以光在不同特征果皮上的检测灵敏度和有效穿透能力并不一致。因此，在实际应用中应依据目标品类与任务，合理选择工作波段、照明/采集方式（反射、交互或透射）和设备配置，以获得稳定和可重复的外观品质评价结果。

2.2.1　水果颜色检测

颜色是影响水果市场价值和消费者购买决策的重要因素之一。传统的颜色检测方法通常依赖目测，或采用色差计法。目测法操作简便，色差计法较为费时，仅测量果实表面局部和单一波段的反射率，难以捕捉整个水果表面的颜色变化。HSI技术突破这一局限，通过获取从可见光到近红外范围的连续光谱数据，能够更全面和精准地反映水果颜色的微小变化，尤其在评估水果的成熟度、外观质量和分级中具有重要意义［60］。
研究表明，HSI技术能够有效识别水果成熟过程中颜色的细微变化。例如，番茄作为HSI技术应用的经典案例之一。番茄成熟过程中果皮的颜色由绿色转为红色或橙色，同时果实的糖分逐渐积累，二者具有密切关系［39］。同样，研究梨果实采后衰老与黄化过程发现，HSI技术能精确监测果皮从绿色到黄色的颜色变化进程，进一步揭示成熟衰老与颜色变化的关系［61］。此外，使用HSI技术同样可以有效检测苹果和葡萄等水果的果皮颜色。在苹果的成熟过程中，果皮颜色从绿色逐渐转为黄色或红色，不同品种的果皮光谱反射特征的变化显著不同。通过高光谱图像对这些光谱变化的分析，能够实时监测苹果的果实品质，并进一步推断其糖分含量、酸度和口感特性［31］。葡萄成熟过程中果皮的颜色变化直接反映糖分的积累程度。HSI技术能够精准捕捉葡萄表面颜色的变化，进而预测其糖度，并为葡萄的最佳采摘期提供重要参考［62］。
与此同时，随着数据处理算法的不断进步，特别是机器学习和深度学习的引入，进一步提升了HSI技术的应用效果。例如，有研究将HSI技术与CNN结合，开发能够自动分类和识别水果颜色变化的模型［63］。通过处理大量水果图像数据，建立品质预测模型，进而精准识别不同成熟度下水果的颜色差异，实现水果的快速分级，为采后处理和市场流通提供有力的技术支持。

2.2.2　表面缺陷/损伤检测

在果实的分拣过程中，传统人工视觉检测通常难以察觉细微损伤，尤其对于一些微小的表面裂纹、擦痕或压伤。与传统的人工目视检测方法不同，HSI不仅能够有效判定水果表面的多种损伤类型，而且可以进行定量评估。
研究表明，通过分析苹果表面的高光谱图像，能够准确检测出裂纹、裂皮和轻微划痕等损伤，尤其是在表面裂纹的情况下，HSI能够精确地区分受损区域与正常区域，从而为自动化分选系统提供高效的分级和质量控制［64］。类似地，葡萄作为果皮较为脆弱的水果，其表面易受碰撞造成轻微划痕或压伤，这些损伤难以通过肉眼识别，而HSI技术能够有效捕捉到表皮颜色变化及反射率差异，从而准确评估损伤程度，为分选和包装提供科学依据，提高商品价值［65］。桃［66］、草莓［43］和梨［67］等水果在运输过程中同样容易遭受机械损伤。通过使用HSI技术精确分析其表面光谱数据，可以有效识别果实表面的损伤程度，以便在分选过程中剔除受损果实，从而早期识别表面细微裂纹和内部瘀伤，帮助实现精确分级和处理。

2.2.3　水果形态与大小检测

随着HSI技术不断应用，其融合空间与光谱信息的能力为水果形态与大小的智能识别提供更加全面而精准的技术路径。相比传统基于RGB图像和人工测量的方法，HSI不仅能够提供多波段的反射率信息，还能在不同光谱通道下揭示果实在形状、边缘和表面结构等方面的微小差异，为非规则果形的分级提供数据支撑。
在实际应用中，HSI在水果形态参数识别与几何尺度测量方面表现出优越性能。已有研究指出，在苹果等规则圆形果实中，基于特定波段图像可提取出高对比度的边缘信息，并据此计算果实的长短轴、面积和体积估算参数，实现高精度的果形自动分级［39］。对于番茄等果形波动较大的品种，通过HSI检测，可有效判断果实是否畸形或发育不均，提升分级的一致性与商品性［68］。此外，在柑橘类水果的分选中，采用CNN与HSI数据融合策略，不仅能够精细区分果实类型，还可精准识别果梗区域和表面细纹等微结构变化，为自动化识别系统提供关键视觉特征［38］。值得一提的是，HSI系统在集成实时图像处理算法后，能够适应连续式分选流水线的高节拍作业需求，快速完成果实的大小测量和形态分级，为后续包装、运输和销售提供数据支撑。其在形态结构感知与光谱特征联合建模方面的优势，标志着水果外观质量评估从经验判断向数字驱动、从二维视觉向多维融合的技术跃迁，推动了智能分选设备在水果商品化处理环节中的实际应用与产业化落地。

2.3　水果内在品质检测

水果的内在品质，如糖分、酸度和水分含量，是衡量其营养价值和口感的关键指标。通过HSI技术，可以快速、精准地获取水果的内部品质评估，同时克服传统方法在时间消耗和破坏性方面的局限（图7）。在近红外波段，水分、可溶性固形物与有机酸等组分的分子振动频率会产生特征吸收，并呈现可分辨的光谱曲线；在此基础上，结合化学计量学获取的参考实测值进行校准与验证，从而构建稳健的定量预测模型。随着光谱分辨率和数据处理算法的提升，HSI技术可以对不同品种和成熟度的水果进行个性化分析，提供高效的自动化检测方案，在大规模水果品质评估、分级、贮藏和流通管理中应用前景广阔，是现代水果品质控制的重要技术。
图7 高光谱成像技术在水果多维度品质检测中的应用

Fig. 7 Application of hyperspectral imaging technology in multi-dimensional fruit quality assessment

2.3.1　糖分与酸度检测

糖分是决定水果甜度的主要因素，且直接影响水果的风味和市场需求。HSI技术能够通过分析水果在近红外波段的光谱数据，精确预测糖分含量。研究表明，HSI技术已成功应用于苹果［69］、葡萄［70］和香蕉［71］等多种水果的糖分检测。如使用HSI技术，研究者可以快速无损地检测苹果的糖分含量，并与传统化学分析法的结果高度一致。通过结合化学计量学和多光谱分析方法，HSI技术能够建立糖分含量的定量模型，实现水果糖分的实时评估。这一技术突破不仅提升检测的效率，也避免了传统检测中破坏性取样的问题，可在生产线上实时进行水果的糖分监测［72］。
酸度是水果风味的另一关键因素，直接影响水果的口感和市场评价。HSI技术在酸度检测中的应用，特别是在柚子和柑橘等水果中表现突出。酸度通常与水果的pH相关，而在近红外波段，水果的酸性物质，如有机酸，会在特定波长下表现出显著的吸收峰，通过分析这些光谱反射特征，HSI技术可以有效地预测水果的酸度，提供精确的无损检测结果［73］。多项研究表明，结合HSI与化学计量学模型可以实现酸度的实时评估。例如，在葡萄和柑橘类水果中，HSI技术已成功地预测其酸度值，其结果与传统化学分析方法高度一致［74］。这一技术的进展不仅提升检测精度，还能显著减少检测时间和成本，尤其适用于水果的加工、贮藏和品质控制。随着深度学习技术的发展，基于HSI技术的酸度检测系统将能够进一步提升准确度和实时性，广泛应用于大规模水果生产中。
糖分和酸度是水果风味和品质评价的核心指标，然而，在HSI应用于糖分和酸度检测时，仍然面临一些共性挑战。首先，糖分和酸度的光谱特征在不同水果种类之间差异较大。例如，不同水果在糖分和酸度的光谱响应上存在显著差异，基于HSI品质预测模型可能无法通用于所有水果品种。因此，为提高检测的准确性，必须开发适应特定水果品种的专门模型。此外，光谱数据可能因温度、湿度及光照变化等环境不同出现偏差，影响高光谱图像的质量，导致检测精度下降，进而影响糖分和酸度的检测结果。最后，HSI技术的数据处理和分析需要较强的计算能力，特别是在面对大规模水果样本时，如何提高算法的计算效率和实时性仍然是一个急需解决的问题［75, 76］。针对这些问题，未来的研究需要进一步优化光谱分析模型，改进数据处理算法，并加强对不同水果品种和环境因素的适应性研究，从而推动HSI技术在糖分和酸度检测中的应用。

2.3.2　水分含量检测

水分含量不仅是衡量水果口感、脆度与贮藏稳定性的关键内在指标，也直接关系到水果的新鲜度和保质期。传统的干燥称重法或测定汁液含水量虽然精确，但操作繁琐且具破坏性，无法满足实时、高通量的商业分选需求。相比之下，HSI技术凭借其非破坏性的光谱成像特性，能够通过检测水果在近红外波段（如970、1 450、1 940 nm）处的水分吸收特征，实现对果实整体及局部水分分布的快速、定量预测［77］。
已有研究表明，在葡萄［78］和猕猴桃［79］等高水分果实中，通过建立基于PLSR或PCR模型的预测算法，结合波长筛选技术，可实现高精度水分模型构建。在近红外波段的敏感区，通过多样本训练与交叉验证，其预测误差显著低于传统统计方法，并具备一定的泛化能力。此外，在苹果的采后贮藏期管理研究中，基于HSI的数据可用于跟踪果肉的水分变化趋势，并结合支持向量机回归（Support Vector Regression, SVR）算法或XGBoost进行动态监控，从而提前预判含水率异常和表皮失水裂皮与皱缩的风险，为采后包装与贮藏措施提供精准参考［80］。随着机器学习算法的发展，基于高光谱数据的空间分布信息，目前已能够实现果实表面与内部水分分布的可视化处理。例如，在柑橘类水果中，HSI可揭示果皮与果肉之间的水分梯度变化，为判断果实的失水区域或贮存条件提供直观依据。同时，结合CNN模型，可实现对含水量空间分布的自动识别与预测，提高在大规模流水线环境下的处理效率［76］。
综上所述，HSI技术在水果水分含量检测方面具备非接触、快速、定量和空间感知能力，已成为替代传统化验检测的新兴工具。未来，随着设备性能优化和算法自动化程度提升，其在智能分选、贮藏监控和供应链质量追踪中的应用前景将进一步拓展。

2.4　成熟度与贮藏期评估

水果的成熟度是衡量其食用品质、营养价值和市场接受度的关键参数，直接决定着果实的硬度、风味和采后贮藏性能。传统成熟度评估方法多依赖人工检测或破坏性手段，效率低且精度有限。HSI 技术可捕捉果实成熟与贮藏过程中因色素转换、水分和组织重构所致的可量化光谱特征的变化，从而实现了成熟度判别和贮藏期预测，避免早期品质劣变的风险，为水果成熟度的无损精准检测提供可靠工具［81, 82］。
现有研究表明，HSI技术已广泛应用于苹果［35］和桃子［83］等水果的成熟度监测。通过分析果实在可见光和近红外波段的光谱响应变化，并结合PCA或PLSR等建模方法，可实现对成熟度分级、最佳采摘时间及采后处理的科学决策支持。在草莓［84］、梨［85］和芒果［86］等水果中，HSI通过捕捉糖酸比、SSC和 硬度等指标变化来判断果实成熟度，同样展现出优异性能，有效优化采收和流通环节，减少采后损耗。
除了在采摘前成熟状态的评估，HSI技术在水果贮藏期间质量变化监测中的应用也不断拓展。研究发现，HSI结合化学计量学模型可对贮藏期间的水分流失、糖度衰减和组织老化过程进行动态追踪。例如，基于草莓贮藏期间可见/近红外波段HSI数据的PLSR模型，可精准预测果实的货架寿命［87］。通过分析苹果在不同温度下贮藏时光谱响应规律，实现对SSC、硬度和pH等指标的高精度预测建模，预测相关系数均超过0.90，显示出极高的商业应用潜力［88］。
总体而言，HSI技术正在逐步实现从静态检测向动态监测、从实验室验证向产业应用的跨越。其在水果成熟度和贮藏期评估方面的应用，不仅提高了品质预测的精度和效率，也为水果全流程质量控制提供技术支撑，为实现智慧农业和精准供应链管理奠定基础。

2.5　病害与腐烂检测

水果在生长和运输过程中容易受到多种病虫害的侵袭，病害可分为生理病害和真菌病害。其中常见的生理病害包括日灼、冷害、褐变和虎皮病（Superficial scald）等，真菌病害则包括青霉病、灰霉病和软腐等。这些病害不仅影响水果的外观质量，还可能损害其营养成分，引起食用安全等问题。传统的病害检测方法通常依赖人工目视检查或化学分析，既费时又容易受到人为因素的影响。相比之下，HSI以其无损、实时和精准的特点，通过分析水果表面和内部的光谱反射数据，有效捕捉病害引起的细微光谱变化，提前预警病害风险，成为一种高效的水果病害检测方法。
HSI通过对水果表面及其近表层反射光谱进行像素级解析，捕捉因病原侵染或生理失衡引发的组织化学和微结构改变所致的谱形差异，从而可在肉眼可见病变前实现“病灶”的定位与风险预警，并为区分生理性与真菌性病害提供可靠的谱学依据。研究表明，利用HSI技术能够有效识别草莓［89］、苹果［90］和柑橘［91］等水果表面的霉菌或腐烂斑块，甚至能够提前检测到肉眼看不到的初期病害。对于长期冷藏后梨果实的虎皮病现象，HSI技术能够无损地预测梨果皮中与虎皮病相关的化学成分（如α法尼烯和共轭三烯）含量，因此，通过HSI可以精确监测梨果的虎皮病发生状况［92］。
可见，通过分析这些光谱特征，HSI技术能够提供实时的病害评估，帮助果农和生产商及时采取措施，防止病害蔓延和损害水果质量。例如，已有研究成功利用HSI技术在草莓白粉病的早期检测中取得超过90%的准确率，显著提升早期病害监测的及时性和有效性［93］。类似研究也被逐步拓展到柠檬、葡萄等水果，但更多水果的验证试验仍有待进一步拓展，以推动技术的通用化和产业化［94, 95］。无论如何，HSI技术极大提高病害检测的效率和准确性，特别是在大规模水果生产和流通中，使实时监测和自动化分级成为可能。
尽管HSI技术在一些常见病害检测上已经取得显著成果，真菌病害与腐烂引发的生化与微结构改变形成可复现的光谱差异特征，使HSI能够实现对正常果实与病害果实的有效判别，但在复杂病害类型和早期检测的应用中仍然存在局限性。比如，许多病害在初期阶段表现较为微弱，光谱特征的变化不够明显，增加了检测的难度。因此，未来的研究需要加强对病害早期症状的光谱分析，并优化数据处理算法，提高小范围病害的识别能力。

2.6　品种鉴别与产地溯源

随着农产品品质标准不断提高与食品安全监管体系的日益完善，水果品种的准确识别与产地溯源成为保障供应链透明化、提升品牌附加值的重要环节。传统方法如感官判断、DNA分型或理化分析虽具有一定准确性，但存在破坏性强、检测周期长、成本高，以及对专业技术依赖多等限制。HSI为实现水果品种的快速识别与溯源管理提供高效、无损和可扩展的解决方案。
在水果种类/品种识别方面，不同水果品种由于品系、颜色和细胞结构等内在差异，其在特定光谱波段（如550~750 nm的可见光区或1 000~1 600 nm的近红外区）会呈现出具有代表性的光谱特征。HSI通过高分辨率成像可获取每个像素点的连续光谱曲线，实现对表面色泽差异和组织结构差异的精准捕捉。研究表明，结合PCA和连续投影算法（Sequential Projection Algorithm, SPA）等特征提取方法，构建如SVM、CNN等分类模型，可对苹果［96］、梨［42］、葡萄［97］和柑橘［98］等水果的多个品种实现快速区分，分类精度普遍超过90%，部分模型可达98%以上。
在产地溯源方面，HSI技术可基于环境差异所造成的光谱微变化，构建水果的“光谱指纹”，识别不同产地的果品特征。由于果实的光谱响应不仅受到品种基因的影响，还与其所处生长环境中的土壤类型、光照条件和气候因素密切相关，同一品种在不同产地所表现出的光谱曲线存在可检测的差异。研究中通常采用偏最小二乘判别分析（Partial least Squares Discriminant Analysis, PLS-DA）、RF和XGBoost算法对多源样本数据建模，实现产地的有效区分，部分模型的准确率可稳定在90%以上［99］。研究还表明，结合光谱特征和纹理信息融合分析，能进一步提升多地样本的鉴别能力。此外，HSI数据还可与地理信息系统（Geographic Information System, GIS）、农产品区块链技术等结合，构建可视化的水果品种与产地数据库，实现水果全生命周期的数据溯源与可信任管理，特别是在出口水果、特色果品认证和高端市场溯源应用中，HSI技术正逐步显现出强大的实用潜力［100］。
综上所述，HSI在水果品种识别与产地溯源的研究与应用中，已从初步验证走向系统构建阶段。未来可进一步推动标准光谱数据库建设、提升模型的区域泛化能力与算法兼容性，配合便携式设备和在线监测系统的开发，HSI技术有望全面融入水果品质评估与供应链溯源的实际应用，推动农业精细化管理，实现消费端透明化决策。

3 高光谱成像技术在水果品质检测应用中的挑战

近年来，HSI技术在水果品质检测领域的研究重点已从基础技术探索转向品质检测方法的优化和应用场景拓展。随着智能化和自动化的趋势日益明显，HSI技术在实际应用中面临着不少挑战。国内研究侧重响应市场需求，推动实时监测系统和多传感器融合技术的应用，但在数据处理速度、精度和设备成本方面依然存在瓶颈，限制了技术的普及和推广。相比之下，国外研究更注重技术先进性和理论创新，尤其是在早期病害的无损检测和精准溯源方面取得了进展，但高成本和操作复杂性仍是制约大规模应用的关键问题。此外，基于代谢组学的水果品质评估显示出巨大潜力，但HSI技术在预测复杂的代谢组分信息时，面临高维数据处理和分析算法的挑战，亟需提升算法的准确性与计算效率。尽管在个性化算法定制方面富有创新性，但如何高效、精准地评估水果的品质，依然是该领域的一个重要挑战。

3.1　高维光谱数据处理与样本稀缺问题

HSI数据具有高维度特性，每个像素包含数百个连续波段，同时冗余度大。这种高维数据的分析不仅计算资源消耗大，也容易导致过拟合问题。尽管主成分分析、竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）等方法可以削减维度，但模型在提高处理速度与保持精度之间仍难以取得平衡。在深度学习领域，不同维度的CNN与LSTM等算法可同时处理光谱与空间特征，但其对样本依赖严重，而大规模、具有代表性的数据通常难以获取。此种“维度灾难+样本量瓶颈”的局面严重限制了模型在跨品种、跨环境条件下的可迁移性与鲁棒性。

3.2　模型泛化与跨场景适应能力不足

研究表明，许多HSI模型训练限于特定环境条件（温度、湿度和光照）与特定水果品种，其在环境变化或品种变更后的预测准确性显著下降。此外，水果个体之间的生长差异亦会影响其光谱响应特征，造成预测误差。解决这一问题需要开发具有迁移学习能力的模型，并建立多源、多环境和多品种的大型光谱数据库。

3.3　设备成本、系统集成与现场适配

HSI成像系统通常体积庞大、成本高昂，包括高光谱相机、精准光源和稳定成像平台，以及数据存储模块，其结构复杂，不利于轻量化部署。在现实分级生产线或田间环境中，设备移动性差、成本高，难以实现大规模应用。因此，如何设计便携式、高通量和成本可控的HSI设备，并将其与现有分选流水线无缝连接集成是重要挑战。

3.4　环境因素干扰与光谱稳定性

环境的光照条件、温湿度波动、背景反射和样本曲面形变等因素均可对高光谱采集数据造成干扰，降低预测模型的稳定性与一致性。通过预处理技术如标准正态变量变换（Standard Normal Variate, SNV）、多散射校正（Multiplicative Scatter Correction, MSC）、Savitzky-Golay平滑等虽可缓解部分干扰，但难以完全消除环境噪声造成的偏差，并且在水果商业化流水线和田间采集的场景中，环境控制困难更突出，需结合在线校正策略和光谱稳定性机制予以解决。

3.5　算法实时性与计算负担

HSI数据处理涉及高维矩阵运算、大量图像预处理和模型推断，计算复杂度高。尤其在实时或半实时检测中，如何在保证高精度的同时实现边缘端推理与快速响应，是目前仍需解决的问题。在大规模检测环境下，检测延迟可能导致分选效率下降，影响整体分选线速度和经济效益。因此，轻量级深度模型、嵌入式算法推理和硬件优化是未来发展的重要方向。

3.6　标准化体系与行业规范缺失

目前，虽然HSI在实验室研究中应用广泛，但缺乏统一的行业标准。光谱采集协议、模型评估指标如残差预测偏差（Residual Predictive Deviation, RPD）、残差预测质量指数（Residual Predictive Index of Quality, RPIQ）、预测的均方根误差（Root Mean Square Error of Prediction, RMEP）等，数据格式与接口标准尚不统一。这样可能导致不同研究之间难以复制和比较，也影响HSI系统在实践应用中的可靠性和稳定性。

3.7　多模式融合与跨技术协同不足

尽管已有研究将HSI与NIR、计算机视觉和气体传感等技术进行融合，但跨模式、多传感器的联合检测方案仍处于初步阶段。深度融合可提供更全面的品质信息，如颜色、糖酸、硬度和贮藏气体指标的联合评估，但现阶段大多数系统仍局限于单一传感器模式，未能充分发挥不同技术的协同优势。因此，多模态融合技术的开发与系统集成是未来的研究方向。

4 展 望

当前，HSI技术在水果品质无损检测中的研究正处于从理论探索向实践转化、从实验验证向产业落地的关键阶段。尽管相关研究已取得显著进展，但在多场景适应性、系统集成度、模型泛化性，以及标准化体系构建等方面，仍面临诸多挑战。要实现HSI技术的规模化推广与可持续应用，未来应围绕7个方面持续深化研究，推动技术链与应用链的高效对接。
（1）高光谱信息的降维优化。HSI信息的高维特征固然为品质识别检测提供丰富信息，但也带来冗余维度高、信息重叠强、计算代价大的“维度灾难”。目前主流的光谱降维方法如PCA和CARS等虽然能在一定程度上提高模型效率，但仍难以同时兼顾处理效率和模型准确率之间的问题。未来的研究可从光谱与空间信息的联合建模入手，发展具备光谱选择与空间信息机制相融合的多通道降维策略，以提升对关键波段的提取能力。此外，应进一步推进以神经网络和信息机制为核心的波段压缩方法，使其更具可解释性和生物意义。
（2）检测样本的建模革新。建模样本量大是限制HSI模型泛化的重要因素。当前多数研究高度依赖人工标注的监督式学习方法，难以适配水果大规模和生化物质分布不均一的品质检测任务。因此，需要探索更具迁移性和弱监督能力的建模范式。迁移学习、自监督学习和增量学习等策略在此背景下具有高度适用性，未来研究应建立跨品种、跨地域和跨季节模型，并推动跨作物光谱共享数据库的构建，提升HSI模型的跨环境迁移能力和实用性。
（3）系统硬件的轻量化突破。在系统硬件层面，目前，商用HSI系统仍普遍存在设备体积大、成本高、可移动性差和功耗高等工程限制，这一问题已成为制约其在果园端、流通端和消费终端部署的技术瓶颈。未来应着力于开发便携式、低成本和高性能的集成化HSI传感平台，优先推进定制型窄波段滤波成像芯片的开发和嵌入式边缘处理能力的增强，以适配水果采摘分选等高频和高通量使用场景。同时，结合人工智能芯片与轻量级模型压缩技术，构建可部署于端侧的实时推理系统，大幅提升HSI技术在线环节的实际应用价值。
（4）实时检测的推理加速。水果品质评估场景多以流水线或连续操作为主，要求系统具备毫秒级推理响应与稳定处理能力。目前，3D-CNN和Transformer等复杂模型虽具有强大建模能力，但其推理计算过程耗时长的问题在商业场景下表现突出。因此，研究应聚焦于构建轻量级深度网络架构的算法，并联合现场可编程阵列和图形处理单元等异构加速模块提升系统在资源受限环境下的实时性与稳定性。
（5）标准体系的构建。当前HSI领域在标准体系建设方面仍较为滞后，尤其在光谱采集参数、建模评价指标、数据格式和接口协议等方面缺乏统一标准。这在一定程度上阻碍不同研究的成果横向对比和应用场景的系统集成。建议依托国家农产品质量安全标准体系，制定HSI技术应用指南与数据标准规范，包括标准采样流程、建模评估体系、光谱数据库格式和开源算法接口等，建立完整的数据-模型-系统闭环机制，以支撑行业协作与产业推广。
（6）多模态信息的融合。当前多数研究仍以单一模态信息为主，未能充分挖掘多传感器融合带来的协同优势。水果品质具有高度复杂性，其风味、质地、水分和气味等理化参数的综合感知能力，对HSI系统提出更高要求。因此，未来研究可重点推进HSI与热成像、气体传感、X射线、近红外光谱和RGB图像等多模态信息融合策略，集成决策系统与多源数据融合模型，实现果品质量的全维度表征与精准建模，构建具有实用性的智能检测平台。
（7）全产业链的嵌入。将HSI技术主动嵌入农业物联网、区块链和GIS系统等新兴信息平台，形成从果园采摘-物流运输-贮藏加工-终端销售的全流程质量感知链。通过高光谱数据的云端汇聚与动态建模，不仅可实现水果生产透明化、品质数字化和风险可视化，还能在食品安全追溯与品牌认证方面构建可信任体系。同时，通过与消费端的数据联动，HSI还将助力实现个性化推荐、定制分级和精准溯源等新型营销模式。
综上所述，HSI技术作为实现智能检测、供应链透明化与品质管理现代化的关键支撑，其发展不应局限于模型精度的优化，而应从软硬件系统融合、多模态协同感知、数据标准化建设和场景化应用拓展等多维度协同推进。构建“算法-设备-场景-标准”四位一体的应用体，以推动HSI技术在农业领域的系统落地与高质量发展，为数字农业与智能果业提供持续支撑。

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
丁世春, 马瑞峻, 陈瑜. 基于高光谱成像的水果品质检测研究进展[J]. 江苏农业科学, 2024, 52(15): 16-26.

DING S C, MA R J, CHEN Y. Research progress on fruit quality detection based on hyperspectral imaging[J]. Jiangsu agricultural sciences, 2024, 52(15): 16-26.

[2]
WANG B, YANG H, LI L L, et al. Non-destructive detection of Cerasus humilis fruit quality by hyperspectral imaging combined with chemometric method[J]. Horticulturae, 2024, 10(5): ID 519.

[3]
谭涛, 冯树南, 温青纯, 等. 高光谱成像技术在水果品质检测中的应用研究进展[J]. 江苏农业科学, 2024, 52(6): 11-18.

TAN T, FENG S N, WEN Q C, et al. Research progress on application of hyperspectral imaging technology in detection of fruit quality[J]. Jiangsu agricultural sciences, 2024, 52(6): 11-18.

[4]
郭志明, 桑伟兴, 杨忱, 等. 近红外光谱及成像在果品无损检测中的应用[J]. 包装与食品机械, 2024, 42(5): 1-14.

GUO Z M, SANG W X, YANG C, et al. Application of nondestructive detection of fruit by near-infrared spectroscopy and imaging[J]. Packaging and food machinery, 2024, 42(5): 1-14.

[5]
PATEL D, BHISE S, KAPDI S S, et al. Non-destructive hyperspectral imaging technology to assess the quality and safety of food: A review[J]. Food production, processing and nutrition, 2024, 6(1): ID 69.

[6]
CHEN C M. Science mapping: A systematic review of the literature[J]. Journal of data and information science, 2017, 2(2): 1-40.

[7]
CHEN C M, SONG M. Visualizing a field of research: A methodology of systematic scientometric reviews[J]. PLoS one, 2019, 14(10): ID e0223994.

[8]
ZHANG J L, QUOQUAB F, MOHAMMAD J. Plastic and sustainability: A bibliometric analysis using VOSviewer and CiteSpace[J]. Arab gulf journal of scientific research, 2024, 42(1): 44-67.

[9]
YEUNG A W K. Bibliometric analysis on the literature of monk fruit extract and mogrosides as sweeteners[J]. Frontiers in nutrition, 2023, 10: ID 1253255.

[10]
GONG Z A, ZHI Z H, ZHANG C L, et al. Non-destructive detection of soluble solids content in fruits: A review[J]. Chemistry, 2025, 7(4): ID 115.

[11]
AMORIELLO T, CIORBA R, RUGGIERO G, et al. Vis/NIR spectroscopy and vis/NIR hyperspectral imaging for non-destructive monitoring of apricot fruit internal quality with machine learning[J]. Foods, 2025, 14(2): ID 196.

[12]
LIU J Y, SUN J, WANG Y S, et al. Non-destructive detection of fruit quality: Technologies, applications and prospects[J]. Foods, 2025, 14(12): ID 2137.

[13]
CHENG M F, MUKUNDAN A, KARMAKAR R, et al. Modern trends and recent applications of hyperspectral imaging: A review[J]. Technologies, 2025, 13(5): ID 170.

[14]
WAN G L, HE J G, MENG X H, et al. Hyperspectral imaging technology for nondestructive identification of quality deterioration in fruits and vegetables: A review[J]. Critical reviews in food science and nutrition, 2025: 1-30.

[15]
VIGNATI S, TUGNOLO A, GIOVENZANA V, et al. Hyperspectral imaging for fresh-cut fruit and vegetable quality assessment: Basic concepts and applications[J]. Applied sciences, 2023, 13(17): ID 9740.

[16]
LAN W J, HUI X, NICOLAÏ B, et al. Visualizing the structural and chemical heterogeneity of fruit and vegetables using advanced imaging techniques: Fundamentals, instrumental aspects, applications and future perspectives[J]. Critical reviews in food science and nutrition, 2025, 65(21): 4147-4171.

[17]
KIM G, LEE H, CHO B K, et al. Quantitative evaluation of food-waste components in organic fertilizer using visible–near-infrared hyperspectral imaging[J]. Applied sciences, 2021, 11(17): ID 8201.

[18]
ALTIERI G, LAVEGLIA S, RASHVAND M, et al. Portable NIR spectroscopy combined with machine learning for kiwi ripeness classification: An approach to precision farming[J]. Applied sciences, 2025, 15(11): ID 6233.

[19]
SHAO Y Y, WANG Y X, XUAN G T. In-field and non-invasive determination of internal quality and ripeness stages of Feicheng peach using a portable hyperspectral imager[J]. Biosystems engineering, 2021, 212: 115-125.

[20]
谢宇彤, 牟涛涛, 陈少华. 高光谱成像技术在精准农业领域的应用方法综述[J]. 传感器世界, 2025, 31(1): 1-10.

XIE Y T, MU T T, CHEN S H. A review of the application methods of hyperspectral technology in precision agriculture[J]. Sensor world, 2025, 31(1): 1-10.

[21]
XU S, WANG H T, LIANG X, et al. Research progress on methods for improving the stability of non-destructive testing of agricultural product quality[J]. Foods, 2024, 13(23): ID 3917.

[22]
SABOURI A, BAKHSHIPOUR A, POORSALEHI M, et al. Machine learning techniques for non-destructive estimation of plum fruit weight[J]. Scientific reports, 2025, 15: ID 751.

[23]
ZHOU C L, YU Y S, AI J Y, et al. Fruit wines classification enabled by combing machine learning with comprehensive volatiles profiles of GC-TOF/MS and GC-IMS[J]. Food research international, 2025, 204: ID 115890.

[24]
OH H, MENGIST M F, MA G Y, et al. Unraveling the genetic architecture of blueberry fruit quality traits: Major loci control organic acid content while more complex genetic mechanisms control texture and sugar content[J]. BMC plant biology, 2025, 25(1): ID 36.

[25]
GU Y Q, WU J H, GUO Y J, et al. Grade classification of Camellia seed oil based on hyperspectral imaging technology[J]. Foods, 2024, 13(20): ID 3331.

[26]
KHAKI S, WANG L Z, ARCHONTOULIS S V. A CNN-RNN framework for crop yield prediction[J]. Frontiers in plant science, 2019, 10: ID 1750.

[27]
JOSHI A, PRADHAN B, CHAKRABORTY S, et al. An explainable Bi-LSTM model for winter wheat yield prediction[J]. Frontiers in plant science, 2024, 15: ID 1491493.

[28]
CHUN S W, SONG D J, LEE K H, et al. Deep learning algorithm development for early detection of Botrytis cinerea infected strawberry fruit using hyperspectral fluorescence imaging[J]. Postharvest biology and technology, 2024, 214: ID 112918.

[29]
OLISAH C C, TREWHELLA B, LI B, et al. Convolutional neural network ensemble learning for hyperspectral imaging-based blackberry fruit ripeness detection in uncontrolled farm environment[J]. Engineering applications of artificial intelligence, 2024, 132: ID 107945.

[30]
ZHAO Y Y, ZHOU L, WANG W, et al. Visible/near-infrared spectroscopy and hyperspectral imaging facilitate the rapid determination of soluble solids content in fruits[J]. Food engineering reviews, 2024, 16(3): 470-496.

[31]
WENG S Z, YU S, GUO B Q, et al. Non-destructive detection of strawberry quality using multi-features of hyperspectral imaging and multivariate methods[J]. Sensors, 2020, 20(11): ID 3074.

[32]
GAO S, XU J H. Hyperspectral image information fusion-based detection of soluble solids content in red globe grapes[J]. Computers and electronics in agriculture, 2022, 196: ID 106822.

[33]
HASANZADEH B, ABBASPOUR-GILANDEH Y, SOLTANI-NAZARLOO A, et al. Non-destructive detection of fruit quality parameters using hyperspectral imaging, multiple regression analysis and artificial intelligence[J]. Horticulturae, 2022, 8(7): ID 598.

[34]
KIM M J, YU W H, SONG D J, et al. Prediction of soluble-solid content in Citrus fruit using visible–near-infrared hyperspectral imaging based on effective-wavelength selection algorithm[J]. Sensors, 2024, 24(5): ID 1512.

[35]
MENG Q L, TAN T, FENG S N, et al. Prediction and visualization map for physicochemical indices of kiwifruits by hyperspectral imaging[J]. Frontiers in nutrition, 2024, 11: ID 1364274.

[36]
XIAO Y X, ZHAI Y N, ZHOU L, et al. Detection of soluble solid content in Citrus fruits using hyperspectral imaging with machine and deep learning: A comparative study of two Citrus cultivars[J]. Foods, 2025, 14(12): ID 2091.

[37]
GAO W J, CHENG X, LIU X H, et al. Apple firmness detection method based on hyperspectral technology[J]. Food control, 2024, 166: ID 110690.

[38]
WANG Q, LU J Z, WANG Y H, et al. In situ nondestructive identification of Citrus fruit ripeness via hyperspectral imaging technology[J]. Plant methods, 2025, 21(1): ID 77.

[39]
DAI C X, SUN J, HUANG X Y, et al. Application of hyperspectral imaging as a nondestructive technology for identifying tomato maturity and quantitatively predicting lycopene content[J]. Foods, 2023, 12(15): ID 2957.

[40]
SIRIPATRAWAN U, MAKINO Y. Hyperspectral imaging coupled with machine learning for classification of anthracnose infection on mango fruit[J]. Spectrochimica acta part A: Molecular and biomolecular spectroscopy, 2024, 309: 123825.

[41]
ZHU H Y, QIN S, LIANG S K, et al. Hyperspectral imaging and machine learning for quality assessment of apples with different bagging types[J]. Spectrochimica acta part A: Molecular and biomolecular spectroscopy, 2025, 343: ID 126443.

[42]
LI B C, HOU B L, ZHANG D W, et al. Pears characteristics (soluble solids content and firmness prediction, varieties) testing methods based on visible-near infrared hyperspectral imaging[J]. Optik, 2016, 127(5): 2624-2630.

[43]
FENG R Z, HAN X, LAN Y B, et al. Detection of early subtle bruising in strawberries using VNIR hyperspectral imaging and deep learning[J]. Vibrational spectroscopy, 2025, 138: ID 103786.

[44]
Qi H, Li H, Chen L, et al. Hyperspectral imaging using a convolutional neural network with transformer for the soluble solid content and pH prediction of cherry tomatoes[J]. Foods, 2024, 13(2): ID 251.

[45]
LIU J L, MENG H B. Research on the maturity detection method of Korla pears based on hyperspectral technology[J]. Agriculture, 2024, 14(8): ID 1257.

[46]
MENG Q L, FENG S N, TAN T, et al. Application of hyperspectral imaging and chemometrics for determining quality and maturity of loquats[J]. Journal of food safety, 2024, 44(4): ID e13159.

[47]
ANJALI, JENA A, BAMOLA A, et al. State-of-the-art non-destructive approaches for maturity index determination in fruits and vegetables: Principles, applications, and future directions[J]. Food production, processing and nutrition, 2024, 6(1): ID 56.

[48]
LIU Y F, ZHANG Z, FU Y, et al. Assessment of apple soluble sugar content by hyperspectral vegetation indexes[J]. Spectroscopy letters, 2024, 57(8): 443-451.

[49]
白大昱, 史庆华, 王建全, 等. 基于高光谱特征提取的甜瓜白粉病早期识别[J]. 中国农机化学报, 2024, 45(11): 172-177.

BAI D Y, SHI Q H, WANG J Q, et al. Early identification of melon powdery mildew based on hyperspectral feature extraction[J]. Journal of Chinese agricultural mechanization, 2024, 45(11): 172-177.

[50]
FAQEERZADA M A, KIM Y N, KIM H, et al. Hyperspectral imaging system for pre- and post-harvest defect detection in paprika fruit[J]. Postharvest biology and technology, 2024, 218: ID 113151.

[51]
YU X, NING H X, ZHANG W, et al. Nondestructive determination of soluble solids content in apples using self-designed portable visible/near-infrared diffuse transmittance spectrometer combined with feature wavelength selection algorithms[J]. Journal of food composition and analysis, 2025,148: ID 108470.

[52]
MA J, LI M J, FAN W P, et al. State-of-the-art techniques for fruit maturity detection[J]. Agronomy, 2024, 14(12): ID 2783.

[53]
吴虹璋, 蔡红星, 任玉, 等. 基于可见/近红外光谱对葡萄可溶性固形物无损检测研究[J]. 光散射学报, 2024, 36(1): 44-51.

WU H Z, CAI H X, REN Y, et al. Non-destructive detection of soluble solid content based on visible-near infrared spectroscopy[J]. The journal of light scattering, 2024, 36(1): 44-51.

[54]
PANSY D L, MURALI M. UAV hyperspectral remote sensor images for mango plant disease and pest identification using MD-FCM and XCS-RBFNN[J]. Environmental monitoring and assessment, 2023, 195(9): ID 1120.

[55]
周旭, 杨倩倩, 张进, 等. 基于便携式近红外光谱仪的黄桃腐败时间快速预测[J]. 食品与机械, 2024, 40(5): 101-106, 187.

ZHOU X, YANG Q Q, ZHANG J, et al. Rapid prediction of yellow peach spoilage time based on portable near infrared spectrometer[J]. Food & machinery, 2024, 40(5): 101-106, 187.

[56]
班兆军, 高喧翔, 马肄恒, 等. 基于高光谱和深度学习的苹果品质无损检测方法[J]. 江苏农业学报, 2024, 40(8): 1446-1454.

BAN Z J, GAO X X, MA Y H, et al. Non-destructive detection method of apple quality based on hyperspectral and deep learning[J]. Jiangsu journal of agricultural sciences, 2024, 40(8): 1446-1454.

[57]
BACA-BOCANEGRA B, ESPINAR GARCÍA A I, HERNÁNDEZ-HIERRO J M, et al. Feasibility assessment on the use of near infrared hyperspectral imaging for the screening of vitamin C content and total soluble solids in strawberries[J]. Spectrochimica acta part A: Molecular and biomolecular spectroscopy, 2025, 343: ID 126542.

[58]
LI X L, WEI Z X, PENG F F, et al. Non-destructive prediction and visualization of anthocyanin content in mulberry fruits using hyperspectral imaging[J]. Frontiers in plant science, 2023, 14: ID 1137198.

[59]
LADO J, GAMBETTA G, ZACARIAS L. Key determinants of citrus fruit quality: Metabolites and main changes during maturation[J]. Scientia horticulturae, 2018, 233(2): 238-248.

[60]
ZHANG Z S, CHENG H, CHEN M Y, et al. Detection of pear quality using hyperspectral imaging technology and machine learning analysis[J]. Foods, 2024, 13(23): ID 3956.

[61]
CHENG H, ZHANG Z S, FENG Y X, et al. Nondestructive evaluation of yellowing and senescence in 'Yali' pear using integrated hyperspectral and chlorophyll fluorescence imaging[J]. Food research international, 2025, 209: ID 116254.

[62]
TSAKIRIDIS N L, SAMARINAS N, KOKKAS S, et al. In situ grape ripeness estimation via hyperspectral imaging and deep autoencoders[J]. Computers and electronics in agriculture, 2023, 212: ID 108098.

[63]
ZHAO C Y, REN Z, LI Y, et al. Growth stages discrimination of multi-cultivar navel oranges using the fusion of near-infrared hyperspectral imaging and machine vision with deep learning[J]. Agriculture, 2025, 15(14): ID 1530.

[64]
TIAN X, LIU X F, HE X, et al. Detection of early bruises on apples using hyperspectral reflectance imaging coupled with optimal wavelengths selection and improved watershed segmentation algorithm[J]. Journal of the science of food and agriculture, 2023, 103(13): 6689-6705.

[65]
LI W X, ZHOU B K, ZHOU Y Z, et al. Grape disease detection using transformer-based integration of vision and environmental sensing[J]. Agronomy, 2025, 15(4): ID 831.

[66]
WU J, LIU C L, OUYANG A G, et al. Early detection of slight bruises in yellow peaches (Amygdalus persica) using multispectral structured-illumination reflectance imaging and an improved ostu method[J]. Foods, 2024, 13(23): ID 3843.

[67]
陈欣欣, 郭辰彤, 张初, 等. 高光谱成像技术的库尔勒梨早期损伤可视化检测研究[J]. 光谱学与光谱分析, 2017, 37(1): 150-155.

CHEN X X, GUO C T, ZHANG C, et al. Visual detection study on early bruises of Korla pear based on hyperspectral imaging technology[J]. Spectroscopy and spectral analysis, 2017, 37(1): 150-155.

[68]
MATESE A, HAMIE N, BARONTI S, et al. Integrating UAV hyperspectral imaging with machine learning techniques to predict tomato ecophysiological parameters and yield[J]. Precision agriculture, 2025, 26(4): ID 72.

[69]
LAN W J, JAILLAIS B, RENARD C M G C, et al. A method using near infrared hyperspectral imaging to highlight the internal quality of apple fruit slices[J]. Postharvest biology and technology, 2021, 175: ID 111497.

[70]
PETERS M S, AHLEBÆK M J, FRANDSEN M T, et al. Investigating the applicability of a snapshot Computed Tomography Imaging Spectrometer for the prediction of[J]. Spectrochimica acta part A: Molecular and biomolecular spectroscopy, 2025, 336: ID 126017.

[71]
XIAO H H, LI C L, WANG M Y, et al. Nutrient content prediction and geographical origin identification of bananas by combining hyperspectral imaging with chemometrics[J]. Foods, 2024, 13(22): ID 3631.

[72]
ZHAN C Y, MAO H Y, FAN R S, et al. Detection of apple sucrose concentration based on fluorescence hyperspectral image system and machine learning[J]. Foods, 2024, 13(22): ID 3547.

[73]
LI C, JIN C, ZHAI Y N, et al. Simultaneous detection of Citrus internal quality attributes using near-infrared spectroscopy and hyperspectral imaging with multi-task deep learning and instrumental transfer learning[J]. Food chemistry, 2025, 481: ID 143996.

[74]
KANWAL N, KÄMPER W, FARRAR M B, et al. Rapid assessment of lychee and mango fruit quality using hyperspectral imaging[J]. LWT, 2025, 224: ID 117833.

[75]
DATTA D, MALLICK P K, BHOI A K, et al. Hyperspectral image classification: Potentials, challenges, and future directions[J]. Computational intelligence and neuroscience, 2022, 2022(1): ID 3854635.

[76]
ZHANG J G, SU R M, FU Q, et al. A survey on computational spectral reconstruction methods from RGB to hyperspectral imaging[J]. Scientific reports, 2022, 12: ID 11905.

[77]
SZECHYŃSKA-HEBDA M, HOŁOWNICKI R, DORUCHOWS KI G, et al. Application of hyperspectral imaging for early detection of pathogen-induced stress in cabbage as case study[J]. Agronomy, 2025, 15(7): ID 1516.

[78]
BENELLI A, CEVOLI C, RAGNI L, et al. In-field and non-destructive monitoring of grapes maturity by hyperspectral imaging[J]. Biosystems engineering, 2021, 207: 59-67.

[79]
LIANG D D, WANG N, YIN H, et al. Assessment of the optical response of bruised kiwifruit using hyperspectral imaging and its relationships with water migration[J]. Postharvest biology and technology, 2025, 225: ID 113515.

[80]
SAID A G, JOSHI B. SmartRipen: LSTM-GRU feature selection& XGBoost-CNN for fruit ripeness detection[J]. Food physics, 2025, 2: ID 100053.

[81]
HUANG W N, NIE Y T, ZHU N, et al. Hybrid label-free molecular microscopies for simultaneous visualization of changes in cell wall polysaccharides of peach at single- and multiple-cell levels during postharvest storage[J]. Cells, 2020, 9(3): ID 761.

[82]
SZYMAŃSKA-CHARGOT M, CHYLIŃSKA M, PIECZYWEK P M, et al. Raman imaging of changes in the polysaccharides distribution in the cell wall during apple fruit development and senescence[J]. Planta, 2016, 243(4): 935-945.

[83]
MINAS I S, BLANCO-CIPOLLONE F, STERLE D. Accurate non-destructive prediction of peach fruit internal quality and physiological maturity with a single scan using near infrared spectroscopy[J]. Food chemistry, 2021, 335: ID 127626.

[84]
GAO Q, WANG P, NIU T, et al. Soluble solid content and firmness index assessment and maturity discrimination of Malus micromalus Makino based on near-infrared hyperspectral imaging[J]. Food chemistry, 2022, 370: ID 131013.

[85]
OUYANG H K, TANG L L, MA J L, et al. Application of hyperspectral technology with machine learning for Brix detection of pastry pears[J]. Plants, 2024, 13(8): ID 1163.

[86]
SU Z Z, ZHANG C, YAN T Y, et al. Application of hyperspectral imaging for maturity and soluble solids content determination of strawberry with deep learning approaches[J]. Frontiers in plant science, 2021, 12: ID 736334.

[87]
WENG S Z, YU S, DONG R L, et al. Nondestructive detection of storage time of strawberries using visible/near-infrared hyperspectral imaging[J]. International journal of food properties, 2020, 23(1): 269-281.

[88]
KHALED A Y, EKRAMIRAD N, DONOHUE K D, et al. Non-destructive hyperspectral imaging and machine learning-based predictive models for physicochemical quality attributes of apples during storage as affected by codling moth infestation[J]. Agriculture, 2023, 13(5): ID 1086.

[89]
SIEDLISKA A, BARANOWSKI P, ZUBIK M, et al. Detection of fungal infections in strawberry fruit by VNIR/SWIR hyperspectral imaging[J]. Postharvest biology and technology, 2018, 139: 115-126.

[90]
ZHU G Q, ZHENG S G, XU Q S, et al. Detection of fungal infection in apple using hyperspectral transformation of RGB images with kernel regression[J]. Postharvest biology and technology, 2023, 206: ID 112570.

[91]
MIN D D, ZHAO J S, BODNER G, et al. Early decay detection in fruit by hyperspectral imaging-Principles and application potential[J]. Food control, 2023, 152: ID 109830.

[92]
CHENG H, ZHANG Z S, CHENG Y D, et al. Potential of hyperspectral imaging for nondestructive determination of α-farnesene and conjugated trienol content in 'Yali' pear[J]. Spectrochimica acta part A: Molecular and biomolecular spectroscopy, 2024, 321: ID 124688.

[93]
OU Y M, YAN J Y, LIANG Z Y, et al. Hyperspectral imaging combined with deep learning for the early detection of strawberry leaf gray mold disease[J]. Agronomy, 2024, 14(11): ID 2694.

[94]
LI X L, PENG F F, WEI Z X, et al. Identification of yellow vein clearing disease in lemons based on hyperspectral imaging and deep learning[J]. Frontiers in plant science, 2025, 16: ID 1554514.

[95]
PÉREZ-RONCAL C, LÓPEZ-MAESTRESALAS A, LOPEZ-MOLINA C, et al. Hyperspectral imaging to assess the presence of powdery mildew (Erysiphe necator) in cv. carignan noir grapevine bunches[J]. Agronomy, 2020, 10(1): ID 88.

[96]
HUANG Y P, YANG Y T, SUN Y, et al. Identification of apple varieties using a multichannel hyperspectral imaging system[J]. Sensors, 2020, 20(18): ID 5120.

[97]
LÓPEZ A, OGAYAR C J, FEITO F R, et al. Classification of grapevine varieties using UAV hyperspectral imaging[J]. Remote sensing, 2024, 16(12): ID 2103.

[98]
BU Y P, HU J X, CHEN C, et al. ResNet incorporating the fusion data of RGB & hyperspectral images improves classification accuracy of vegetable soybean freshness[J]. Scientific reports, 2024, 14: ID 2568.

[99]
REVELOU P K, TSAKALI E, BATRINOU A, et al. Applications of machine learning in food safety and HACCP monitoring of animal-source foods[J]. Foods, 2025, 14(6): ID 922.

[100]
MORABITO A, DE SIMONE G, PASTORELLI R, et al. Algorithms and tools for data-driven omics integration to achieve multilayer biological insights: A narrative review[J]. Journal of translational medicine, 2025, 23(1): ID 425.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37