(Shao et al., 2024)采用可见-近红外（Vis-NIR）高光谱成像技术，探索了不同成熟阶段冬枣的可溶性固形物含量（SSC）监测与贮藏期分析方法。通过支持向量回归（SVR）和偏最小二乘回归（PLSR）模型，研究了中熟与熟透冬枣的SSC与光谱数据之间的关系，结果表明SVR模型在筛选的有效波长下表现出最佳的预测性能，外部验证集的决定系数（R²）和残差预测偏差（RPD）分别为0.837和2.47（中熟）及0.806和2.28（熟透）。该研究还发现，SSC与果实成熟度和贮藏期之间存在显著的空间分布相关性，并利用预测图展示了不同成熟度和贮藏期下SSC的时空演化。进一步，通过支持向量机（LIBSVM）库建立了贮藏期分析模型，结果显示中熟和熟透冬枣的贮藏期预测准确率分别为89%和91%。这些结果表明，高光谱成像技术在冬枣质量监测及贮藏期分析中具有重要潜力，能够提供非破坏性的质量评估和储藏期预测，促进冬枣在储存和市场中的管理。
(Ma et al., 2024)基于无人机（UAV）多光谱技术，提出了一种用于检测红枣果实水分含量（MC）和可溶性固形物含量（SSC）的无损检测方法。研究利用DJI Phantom 4 RTK UAV搭载的多光谱相机，采集了不同相对方位角下的红枣多光谱数据，并采用偏最小二乘回归（PLSR）和支持向量机（SVM）构建了预测模型。研究发现，90°相对方位角下获取的多光谱数据在MC预测中效果*佳，而180°相对方位角下的数据则在SSC预测中表现最佳。
研究进一步提出了相对方位角数据融合方法，通过将来自8个不同相对方位角的数据进行融合，建立了MC和SSC的联合预测模型。结果显示，相比于单一相位角的数据，多角度数据融合的模型在预测精度上有显著提升，其中MC预测模型在PLSR与SVM模型中分别达到0.9067和0.9319的训练集R²，1.9935和2.1368的RMSEP；而在SSC预测方面，SVM模型表现更优，训练集R²为0.8624，预测集R²为0.7663。
(Di et al., 2025)基于高光谱成像技术，提出了一种冬枣含水量的定量检测方法，采用了光谱形态特征来提取与水分含量相关的特征。研究选取了四个特征波段（波峰R1、波谷R2、波峰R3、波谷R4）进行光谱形态特征提取，包含了波高、全宽半高、左坡、右坡、肩宽、峰区面积等七个形态参数。通过多元线性回归（MLR）分析，建立了不同波段的回归模型，分析了各特征波段对冬枣水分含量的影响。使用了部分最小二乘回归（PLSR）模型来构建冬枣含水量的检测模型，并利用竞争自适应重加权采样（CARS）方法选择有效的波长变量。结果表明，波谷R2（1146 nm）的回归模型在校准集和预测集中的表现最佳，校准集的相关系数（Rc）为0.9942，预测集的相关系数（Rp）为0.8698，表明该模型具有较高的预测精度。
图13高光谱采集及分析可视化流程
(Zhao et al., 2020)探讨了高光谱成像技术（HSI）在冬枣果实可溶性固形物含量（SSC）非破坏性测定与可视化中的应用。研究使用了两个不同的光谱范围：可见光-近红外（Vis-NIR，380–1030 nm）和近红外（NIR，874–1734 nm），并采用了面积归一化（Area Normalization）方法，旨在减少果实表面球形形状引起的光照不均匀性对反射率的影响。研究采用了线性最小二乘支持向量机（LS-SVM）和成功投影算法（SPA）进行建模，得出两种光谱范围下的回归模型。结果表明，Vis-NIR范围的LS-SVM模型在预测SSC时表现较好，预测的决定系数（Rp²）为0.894，残差预测偏差（RPD）为3.07，相比之下，NIR范围模型的表现稍逊。通过对区域感兴趣（ROI）内的像素光谱进行处理和可视化，面积归一化能够显著提高预测的准确性，特别是在果实中心和边缘的反射率不均匀性问题上，进一步优化了预测地图。此外，研究还比较了局部回归模型（针对单一品种）与全局回归模型（结合多个品种）之间的差异，发现全局模型的表现优于局部模型，能够更好地预测不同品种的SSC。通过SPA波长选择，减少了光谱数据的维度，同时保持了较高的预测准确度。
(Günaydın et al., 2025)探讨了三种不同干燥条件（开窗阳光、闭阴阴凉、微波干燥）下红枣切片的水分比（MR）预测及其与可见与近红外光谱（Vis-NIR）的对比分析。研究使用了ASD FieldSpec handheld 2 Pro光谱仪，该仪器能够在325–1075 nm波段范围内提供高分辨率光谱数据。实验中，红枣切片在三种干燥条件下进行处理，并测量了包括颜色、光谱反射率、水合作用率（RR）、干燥动力学及最终厚度等参数。
微波干燥在最短的时间内（24分钟）显著提高了干燥效率，远快于闭阴干燥（1140分钟）和开窗阳光干燥（1680分钟）。在颜色变化方面，微波干燥处理的红枣切片颜色变化最小，保持了接近新鲜状态的色彩，而阴凉干燥则因长时间暴露空气中导致颜色的明显变暗。针对水分比（MR）预测，基于多层感知机（MLP）和随机森林（RF）算法的机器学习模型表现最佳，MLP的R值达到0.9997，RF为0.9968，显著优于其他算法（如支持向量回归SVR）。此外，通过植物指数（VIs）分析，微波干燥处理下的红枣在所有指数中表现出*优结果。
图14不同干燥方式及对应干燥的枣片
(Li et al., 2022)利用短波红外（1000~2500 nm）高光谱成像技术预测干哈密枣的可溶性固形物含量，并通过不同的回归模型进行对比分析。研究采用ImSpector N25E光谱仪（Specim）和Zephir-2.5–320 CCD相机（Photon Etc.）的高光谱成像系统，结合150W卤素灯光源，在黑暗环境下进行数据采集。实验通过调整检测位置（果柄朝上、果柄朝下、水平放置），发现果柄朝下的位置对SSC预测的准确性影响最佳。构建了卷积神经网络（CNN）回归模型，并与传统的偏最小二乘回归（PLSR）和支持向量回归（SVR）模型进行了对比。使用竞争自适应重加权采样（CARS）、遗传算法（GA）和迭代保留信息变量（IRIV）算法选择有效波长。结果表明，基于全光谱数据的CNN模型表现优异，预测决定系数（Rp²）为0.857，预测均方根误差（RMSEP）为0.563，残差预测偏差（RPD）为2.648，优于PLSR和SVR模型。与特征选择相关的分析表明，CARS方法*适合PLSR和SVR模型的建模，而CNN模型在无需特征工程的情况下，能够自动从光谱数据中提取深层特征，取得最佳预测性能。
(Wei et al., 2024)提出一种结合高光谱成像技术和光谱纹理特征融合的方法，用于估算和田枣的可溶性固形物含量（SSC）。采用了HySpex系列高光谱成像仪（Norsk Elektro Optikk A/S），其波长范围为1003.22–2512.97 nm，扫描获取了红枣样本的高光谱数据。在特征提取方面，研究结合了灰度共生矩阵（GLCM）、局部二值模式（LBP）与Gabor滤波器三种图像纹理特征提取方法，进一步增强了空间信息。采用MOEA/D算法进行特征波长选择，减少了光谱冗余，并提高了预测精度。研究使用了XGBoost集成学习模型进行SSC预测。与传统的单纯光谱特征模型相比，融合了空间纹理特征的模型在准确性上表现更优，预测决定系数（R²）达到0.9061，均方根误差（RMSEP）为0.7031，残差预测偏差（RPD）为3.2630，明显优于单一光谱信息的预测结果。此外，研究还通过MOEA/D算法选择的光谱波长（31个波长）提供了较高的预测性能，相较于传统的SPA、CARS和UVE方法，表现出更好的灵活性和预测精度。
图16果实可溶性固形物（SSC）的高光谱成像技术估算流程图。
(Tan et al., 2024)结合高光谱成像技术和深度学习方法，提出了一种用于不同贮存期干枣水分含量和总糖含量预测及贮存期分类的无损检测方法。实验采用了Vis-NIR（376–1044 nm）和NIR（915–1699 nm）高光谱成像系统，分别使用SOC 710VP和SOC 710SWIR设备进行数据采集。通过对三个贮存期（期1、期2、期3）的干枣样本进行高光谱成像，研究构建了多种基于传统机器学习算法（如RF、LR、SVM）与深度学习模型（如LeNet、ResNet、DenseNet、MobileNet、EfficientNet）的分类与回归模型。
图17高光谱采集及感兴趣区域的光谱提取过程
基于Vis-NIR数据的分类模型优于NIR数据，ResNet模型在Vis-NIR数据下的分类准确率达到99.86%，表现出*好的性能。通过PCA和SPA波段提取方法进行特征选择，结果显示SPA方法提取的特征波段模型优于PCA模型。此外，针对水分含量和总糖含量的预测，基于NIR数据的深度学习模型在水分预测上取得了R²值高达0.94，RPD值为4.45，表明该模型在多贮存期的预测效果优于传统机器学习模型。
(Liu et al., 2024)探讨了高光谱成像技术在干枣质量评估中的应用，重点研究了不同干燥条件下的干枣质量分类和可溶性固形物含量（SSC）的预测。实验使用了可见-近红外（Vis-NIR）高光谱成像系统，波段范围为376–1044 nm，通过对不同成熟阶段的枣（包括鲜枣、干枣、不同成熟度）进行扫描，结合图像预处理（如区域归一化、基线校正、多重散射校正等）提高数据的质量与准确性。研究使用了多种分类算法，包括线性偏最小二乘判别分析（PLS-DA）、K最近邻（KNN）和支持向量机（SVM），并结合特征选择方法（如成功投影算法（SPA）、竞争自适应重加权采样（CARS）和无信息变量剔除（UVE））进行优化。研究结果表明，基于AN-UVE-SPA-SVM模型的分类准确率最佳，训练集分类准确率达到96.0%，验证集准确率为93.1%，显示出较高的分类性能。在干枣的质量属性分析方面，研究评估了硬度、可溶性固形物含量（SSC）和水分含量等指标，发现不同成熟度的干枣在SSC和硬度上存在显著差异。PLSR模型在预测SSC和水分含量方面表现出色，结合AN-UVE-SPA方法选择的特征波长，得到了较高的预测精度。
图18高光谱成像系统示意图
(Liu et al., 2025)本研究提出了结合高光谱成像技术和深度学习模型（CNN-BiLSTM-SE）对红枣热风干燥过程中可溶性固形物含量（SSC）、可滴定酸度（TA）、水分和硬度等质量参数进行无损监测与过程评价的方法。实验中，采用了SOC710高光谱成像系统，在55°C、60°C、65°C三个干燥温度下进行干燥过程的实时监测。基于不同的预处理方法（如MSC、基线校正和MSC_1st），比较了传统的PLSR、SVR模型与CNN-BiLSTM-SE模型的预测效果，发现CNN-BiLSTM-SE模型在预测红枣质量参数方面表现最佳。
图19不同干燥阶段的枣高光谱图像，包括感兴趣区域的确定和光谱数据的提取
研究表明，在不同的干燥阶段，水分的降低与SSC和TA的增加呈显著相关，且随着干燥时间的延长，硬度在初期下降后逐渐回升。通过结合深度学习模型，能够实现对不同干燥阶段的质量参数空间-时间分布的可视化，为干枣干燥过程的质量控制提供了有效工具。进一步分析表明，CNN-BiLSTM-SE模型通过结合卷积神经网络（CNN）、双向长短期记忆（BiLSTM）网络与Squeeze-and-Excitation (SE)注意力机制，能够有效提取时间序列中的长期依赖关系，在水分、SSC、TA和硬度的预测中相较于传统模型有明显提升。该模型优化后的R²值分别为SSC 0.955、TA 0.919、硬度0.940、水分0.975，表明深度学习模型在高维数据处理方面具有显著优势。
随着科技的进步和市场需求的不断变化，红枣品质检测技术也在不断创新和发展，尤其是高光谱成像技术在农产品质量检测中的广泛应用，推动了红枣产业的智能化、精准化发展。未来，红枣品质检测的研究前景将集中在以下几个方面：
1.高光谱成像技术作为一种无损、高效的检测方法，未来有望在红枣品质控制中得到更广泛的应用。随着传感器分辨率和数据处理算法的不断提升，未来的高光谱成像系统将在空间分辨率和光谱分辨率方面实现更大的突破，能够更精确地分析红枣的内部质量，如糖分、酸度、水分等指标。同时，随着大数据和云计算技术的发展，实时数据处理和远程监控将成为红枣品质检测的常态，这不仅提升了检测效率，也为生产企业的质量管理提供了更加全面的技术支持。
2.未来，自动化和智能化检测系统将成为红枣品质监控的主要方向。随着人工智能技术，特别是深度学习和机器视觉的发展，基于红枣的高光谱数据与图像数据，结合卷积神经网络（CNN）等深度学习模型，可以实现对红枣品质的全自动高效检测。这些技术将能够实时监控红枣的外观、内部缺陷以及营养成分等，为红枣的生产、加工和储存提供持续的质量控制，极大地提升整个产业链的生产效率和质量一致性。
3.多传感器融合与多维数据分析，未来的红枣品质检测不仅仅依赖于单一的高光谱数据，还将结合多传感器融合技术。例如，结合红外传感器、紫外光传感器、X射线成像等技术，可以获取更多维度的信息，进行多层次、多角度的质量分析，提升红枣品质评估的准确性与全面性。此外，通过多维数据分析，能够更好地揭示红枣在不同生长阶段、不同储藏条件下的质量变化规律，为产业的精细化管理提供更为科学的依据。
4.基于大数据的红枣溯源系统，随着消费者对食品安全和质量的关注不断增加，红枣溯源系统的建设将成为未来发展的重点。通过将高光谱成像技术与物联网（IoT）技术相结合，可以建立全程可追溯的红枣生产、加工、运输、销售等环节的质量管理系统。利用大数据分析，可以实时跟踪和监测每一颗红枣的质量信息，确保消费者获得放心的产品，提升品牌信任度。这不仅有助于保障食品安全，还能够推动红枣产业的品牌化和国际化发展。
5.绿色环保与可持续发展，随着环保法规的日益严格，绿色生产和可持续发展已经成为现代农业发展的核心目标。未来，红枣品质检测技术将更加注重环保和节能，减少化学品的使用和污染排放，推动红枣产业的绿色发展。高光谱成像技术作为无损检测方法，能够减少样品的浪费和化学试剂的使用，符合现代农业可持续发展的要求。
6.红枣品质检测标准化，随着市场对红枣质量要求的提高，质量标准化将成为未来发展的重点。通过高光谱成像技术的深入应用，可以建立一套红枣品质检测标准体系，为各类红枣产品的质量评定提供明确的标准。这不仅有助于保障消费者权益，也为红枣的贸易、进出口提供了统一的质量依据，推动红枣行业的国际化进程。
参考文献
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.
Günaydın, S., Çetin, N., Sağlam, 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.
© 2019 版权所有：江苏双利合谱科技有限公司 备案号：苏ICP备2021046114号-3 技术支持：化工仪器网 GoogleSitemap 管理登陆
在线客服