Достижения в области гиперспектральной визуализации для определения качества и безопасности зерна: обзор

7
views
ЗАКАЗАТЬ СИСТЕМУ

В данном обзоре представлен обзор последних достижений в области гиперспектральной визуализации (ГСИ) для оценки качества и безопасности зерна, с акцентом на ее влияние на глобальную продовольственную безопасность и экономическую стабильность. Традиционные методы оценки качества зерна трудоемки, занимают много времени и являются разрушительными, в то время как ГСИ предлагает неразрушающую, эффективную и быструю альтернативу за счет интеграции пространственных и спектральных данных. За последние пять лет ГСИ добилась значительных успехов в нескольких ключевых областях, включая обнаружение заболеваний, оценку качества, анализ физико-химических свойств, идентификацию остатков пестицидов и определение географического происхождения. Несмотря на свой потенциал, такие проблемы, как высокая стоимость, сложная обработка данных и отсутствие стандартизированных моделей, ограничивают ее широкое внедрение. В этом обзоре освещаются эти достижения, определяются существующие ограничения и обсуждаются будущие перспективы ГСИ в повышении безопасности пищевых продуктов, отслеживаемости и устойчивости в зерновой промышленности.

1. Введение

Зерновые культуры имеют основополагающее значение для глобального питания и экономической стабильности, являясь основным источником углеводов, белков и микроэлементов для миллиардов людей, а также участвуя в производстве разнообразных пищевых продуктов, от основных продуктов питания, таких как рис и пшеница, до переработанных продуктов, таких как лапша, каша, хлеб и выпечка [1, 2]. В аграрных экономиках, таких как Китай, зерновые культуры имеют решающее значение как для продовольственной безопасности, так и для экономического роста [3, 4].

Согласно Статистическому ежегоднику Продовольственной и сельскохозяйственной организации ООН (ФАО) за 2024 год, мировое производство основных сельскохозяйственных культур составило 9,9 млрд тонн, при этом кукуруза, пшеница и рис составляют 91% от общего объема производства зерновых. Однако изменчивость климата, деградация почв и устойчивость к вредителям угрожают стабильности урожая [5, 6], что увеличивает потребность в эффективных неразрушающих методах оценки качества для обеспечения продовольственной безопасности [7].

Оценка качества зерна имеет важное значение для определения как рыночной стоимости, так и пригодности к потреблению. Традиционные методы физической сортировки и обнаружения колоний являются трудоемкими, ограничиваются поверхностной оценкой и не позволяют определить внутренние свойства, такие как химический состав и восприимчивость к болезням или загрязнениям [8, 9]. Такие методы, как высокоэффективная жидкостная хроматография (ВЭЖХ), газовая хроматография (ГХ) и масс-спектрометрия (МС), демонстрируют высокую чувствительность и специфичность при обнаружении остатков пестицидов, микотоксинов и химического состава зерна [10, 11]. Однако эти методы часто являются разрушительными, субъективными и требуют сложной предварительной обработки образцов, что делает их трудоемкими [12, 13]. В отличие от них, спектроскопия представляет собой многообещающую неразрушающую альтернативу, позволяющую проводить более быстрый и всесторонний анализ свойств зерна без повреждения образцов [14, 15, 16].

Среди распространенных спектральных методов, ближнеинфракрасная спектроскопия позволяет быстро обнаруживать химические вещества, такие как влага и белок, в зернах, используя колебания молекулярных обертонов [1]. Однако ее применение в структурном анализе ограничено, поскольку она предоставляет только спектральные данные без пространственных деталей. Флуоресцентная спектроскопия позволяет обнаруживать микотоксины в злаках путем индуцирования характерной флуоресценции некоторых микотоксинов при возбуждении определенной длиной волны [17]. Но ее сигнал чувствителен к факторам окружающей среды, что снижает точность обнаружения.

Гиперспектральная визуализация (ГСИ) сочетает пространственное разрешение традиционной визуализации со спектральными данными отдельных пикселей в широком диапазоне длин волн, что позволяет извлекать как пространственную, так и химическую информацию из одного сканирования [18]. Она стала мощным неразрушающим инструментом для оценки качества сельскохозяйственной продукции [19]. Этот метод позволяет быстро проводить оценку путем построения регрессионных моделей между данными гиперспектральной визуализации собранных зерен и химическими параметрами (например, содержанием белка, влаги, жира и углеводов).

Вычислительный анализ спектров пикселей позволяет количественно определить химические показатели и создать подробные карты пространственного распределения [2, 20]. Как показано на  рисунке 1 , эта двойная возможность облегчает комплексный анализ качества зерна, включая обнаружение и количественную оценку грибкового загрязнения, остатков пестицидов, физико-химических свойств, сорта, повреждений и обнаружения вредителей [21, 22].

Рисунок 1.  Основные области применения гиперспектральной визуализации в контроле качества и безопасности зерна: (1) обнаружение грибкового загрязнения, (2) обнаружение остатков пестицидов, (3) анализ физико-химических свойств, (4) идентификация сортов, (5) обнаружение повреждений, (6) обнаружение вредителей, (7) определение географического происхождения и (8) обнаружение фальсификации.

На рисунке 2  показаны ключевые области исследований и тенденции в гиперспектральной визуализации на основе основных тем: «гиперспектральная визуализация», «зерно» и «неразрушающий контроль». Исследования сгруппированы в три основные области: сельское хозяйство, неразрушающий контроль и обработка данных. В сельском хозяйстве основное внимание уделяется урожайности, качеству (например, «белок», «содержание») и мониторингу роста, что подчеркивает его актуальность в точном земледелии. Неразрушающий контроль акцентирует внимание на характеристике композитных материалов, анализе дефектов поверхности и разработке алгоритмов (например, «алгоритм обнаружения»). Временные тенденции показывают переход от ранних исследований по характеристике физических свойств к недавним достижениям в классификации на основе машинного обучения («классификация»). Гиперспектральная визуализация развивается от традиционных подходов к более сложным, интеллектуальным приложениям, особенно в области глубокого обучения и оптимизации признаков.

Рисунок 2.  Сетевая карта, созданная на основе программы просмотра VOS, с указанием точек интереса и тенденций, одновременно встречающихся в исследованиях гиперспектральной визуализации: сельское хозяйство и неразрушающий контроль.

В этом обзоре обобщены достижения в области гиперспектральной визуализации за последние пять лет, с акцентом на ее принципы, компоненты системы и прогресс в обнаружении зерен. Мы выделяем ключевые области применения в обнаружении заболеваний, оценке качества, анализе физико-химических свойств, обнаружении остатков пестицидов и определении географического происхождения. До этих достижений гиперспектральная визуализация сталкивалась с рядом ограничений, включая высокую стоимость, низкое пространственное разрешение и сложную обработку данных [23, 24, 25, 26]. Мы также обсуждаем текущие проблемы и рассматриваем перспективные направления будущих исследований и технологического развития.

2. Технология гиперспектральной визуализации

2.1. Компоненты гиперспектральной системы визуализации

На рисунке 3  показаны основные компоненты типичной гиперспектральной системы визуализации. Источник света освещает систему в широком диапазоне длин волн, от ультрафиолетового (200–400 нм) и видимого света (400–760 нм) до ближнего инфракрасного (760–2500 нм) и более 2500 нм [27]. К распространенным источникам света относятся ксеноновые лампы (100–1000 Вт), галогенные лампы (10–300 Вт), светодиоды (от нескольких ватт до десятков ватт) и лазеры (от нескольких милливатт до десятков ватт) [28]. Гиперспектральная камера захватывает как спектральные, так и графические данные, которые передаются на компьютер для обработки и анализа. Камера ImSpector V10E (Spectra Imaging Ltd., Оулу, Финляндия), широко используемая в большинстве лабораторий, оснащена CMOS-чипом с разрешением 1280 (пространственное) × 1024 (спектральное) пикселей, частотой кадров 14 кадров в секунду, спектральным диапазоном 408–1117 нм и спектральным разрешением 2,8 нм.

Рисунок 3.  Гиперспектральная система визуализации.

2.2. Принципы технологии гиперспектральной визуализации

Гиперспектральная визуализация объединяет машинное зрение и спектроскопию для одновременного получения пространственных (двумерных; 2D) и спектральных (одномерных; 1D) данных, что позволяет проводить неразрушающую характеризацию материалов с высоким разрешением (спектральная полоса пропускания 5–10 нм) в диапазоне длин волн от ультрафиолетового до ближнего инфракрасного (200–2500 нм) [3]. По сравнению с традиционными оптическими методами, гиперспектральная визуализация обеспечивает превосходную аналитическую точность за счет разрешения внутренних свойств материала в узких спектральных полосах [29]. В видимом диапазоне (400–760 нм) обнаруживаются цветовые вариации и особенности поверхности зерен, такие как грибковое загрязнение пшеницы, идентифицируемое по деградации хлорофилла на длине волны 680 нм [30]. В ближнем инфракрасном диапазоне (760–2500 нм) гиперспектральная визуализация использует особенности поглощения от молекулярных колебаний (CH, OH, NH) для количественного анализа физико-химических свойств зерен, включая влажность и химический состав [31].

Гиперспектральные изображения представляют собой трехмерные кубы данных, состоящие из двух пространственных измерений (x, y) и одного спектрального измерения (λ), где каждый пиксель кодирует как пространственные координаты, так и непрерывный спектр (400–2500 нм) [32, 33]. Как показано на  рисунке 4  [34], пространственные измерения определяют положение пикселей, а спектральное измерение кодирует спектральные данные [35]. На заданной длине волны значения оттенков серого пикселя коррелируют с поглощением, специфичным для аналита, что позволяет одновременно количественно определять внешние характеристики (например, размер, цвет, форма и дефекты поверхности) и внутренние атрибуты (например, внутренние дефекты и химический состав) [36, 37, 38]. Эта двойная пространственно-спектральная возможность лежит в основе применения гиперспектральной визуализации в сельском хозяйстве.

Рисунок 4.  Трехмерный куб данных гиперспектральной визуализации. Связь между пространственным разрешением (x, y) и спектральным разрешением (λ) [34].

2.3. Режим получения гиперспектральных изображений

Режимы гиперспектрального получения включают отражение, пропускание и рассеяние в зависимости от расположения источника света, гиперспектральной камеры и образца [3]. В режиме отражения источник света и образец находятся на одной стороне, и камера захватывает свет, отраженный от поверхности образца, обычно используемый для оценки внешних характеристик зерен, таких как размер, цвет и дефекты поверхности [39]. В режиме пропускания источник света и камера расположены на противоположных сторонах образца, при этом камера собирает прошедший свет. Этот режим используется для оценки внутреннего состава и дефектов, требуя, чтобы образец имел достаточную пропускающую способность [32]. Режим рассеяния, являющийся расширением режима пропускания, используется реже.

2.4. Подходы к получению гиперспектральных изображений

Рисунок 5  [32] иллюстрирует классификацию гиперспектральной визуализации на основе методов получения и формирования изображения: точечное сканирование, линейное сканирование и сканирование области [40]. Оси x и y представляют пространственные измерения (ширина и высота образца), а ось λ — спектральное измерение (диапазон длин волн). При точечном сканировании гиперспектральная камера или образец перемещаются вдоль осей x и y, захватывая спектр одного пикселя за раз, который затем объединяется для формирования гиперспектрального изображения. Этот подход хорошо подходит для статических высокоточных проверок [32]. Линейное сканирование включает перемещение камеры или образца вдоль заданного пути для захвата спектра всех пикселей в линии, что делает его эффективным для динамического обнаружения объектов на конвейерной ленте [41]. При сканировании области все изображение захватывается последовательно на каждой длине волны с повторными измерениями на разных длинах волн. Гиперспектральное изображение строится путем наложения этих изображений, что делает этот метод эффективным для приложений, требующих данных с нескольких длин волн [1, 42].

Рисунок 5.  Подходы к получению гиперспектральных изображений: точечное сканирование, линейное сканирование и сканирование области [ 32 ].

2.5. Основные этапы обработки гиперспектральных изображений

После получения гиперспектрального изображения (рис. 6) обработка данных осуществляется с помощью ENVI (версия 6.0) для предварительной обработки изображения и извлечения области интереса (ROI), а также MATLAB (версия R2022a) или Python (версия 3.8) для спектральной предварительной обработки, извлечения признаков и построения модели. Процесс состоит из трех основных этапов: снижение шума и спектральная коррекция (предварительная обработка), извлечение длины волны признаков и разработка прогностической модели [1, 43].

Рисунок 6.  Блок-схема анализа гиперспектральных изображений.

Предварительная обработка уменьшает артефакты от помех окружающей среды (например, колебания окружающего света) и шума прибора, повышая отношение сигнал/шум в исходных спектрах [44, 45]. Затем отбор признаков выделяет соответствующие характерные длины волн, уменьшая размерность данных при сохранении точности прогнозирования [1]. Затем модели машинного обучения связывают спектральные характеристики с целевыми атрибутами. Качественный анализ фокусируется на идентификации и классификации веществ. В отличие от этого, количественный анализ связывает конкретные индикаторы образца со спектральными данными, стремясь предсказать характеристики вещества. Этот рабочий процесс позволяет проводить оценку качества зерна в режиме реального времени без разрушения образца. Наиболее часто используемые методы предварительной обработки, отбора признаков и моделирования перечислены в  таблице 1.

Таблица 1.  Статистические таблицы распространенных методов спектральной предварительной обработки, отбора признаков и моделирования.

Метод Функция Ссылка
Предварительная обработка Фильтрация Савицкого – Голея (SG) Сглаживание и снижение уровня шума с помощью полиномиальной аппроксимации. [ 3 , 46 ]
Метод производной Улучшение спектральных характеристик путем вычисления 1-й и 2-й производных.
Мультипликативная коррекция рассеяния (MSC) Устранение эффектов рассеяния, вызванных неровностями поверхности.
Центрирование по среднему значению (MC) Вычтите средний спектр, чтобы подчеркнуть вариации.
Ортогональная коррекция сигнала (OSC) Удалите ортогональный шум, не связанный с целевыми переменными.
Стандартная нормальная вариация (SNV) Нормализуйте спектры путем построчного масштабирования.
Выбор функций Метод анализа главных компонентов (PCA) Снижение размерности путем проецирования данных на ортогональные оси. [ 28 , 32 , 47 ]
Конкурентная адаптивная перевзвешенная выборка (CARS) Выбор оптимальных длин волн осуществляется с помощью адаптивного взвешивания.
Алгоритм последовательных проекций (SPA) Минимизация избыточности длин волн за счет векторной проекции.
Случайная лягушка (РЛ) Стохастический выбор длины волны, основанный на вероятности.
Генетический алгоритм (ГА) Эволюционная оптимизация подмножеств длин волн.
Исключение неинформативных переменных (UVE) Удалите неинформативные длины волн с помощью анализа стабильности.
Метод опорных векторов (SVM) Классификация образцов с помощью оптимизации гиперплоскостей.
Метод k-ближайших соседей (KNN) Присваивайте метки на основе близости объектов в пространстве признаков.
Искусственная нейронная сеть (ИНС) Нелинейная классификация с помощью многослойных нейронных сетей.
Линейный дискриминантный анализ (ЛДА) Для разделения необходимо максимизировать межклассовую дисперсию.
Дискриминантный анализ методом частичных наименьших квадратов (PLS-DA) Классификация с учителем, сочетающая PLS и LDA.
Регрессия опорных векторов (SVR) Прогнозирование непрерывных переменных с помощью регрессии на основе ядра.
Пошаговая линейная регрессия (SLR) Итеративно выбирайте переменные для линейного моделирования.
Регрессия методом частичных наименьших квадратов (PLSR) Сопоставьте спектральные данные с эталонными значениями с помощью скрытых переменных.
Множественная линейная регрессия (MLR) Многофакторная линейная регрессия для быстрого прогнозирования.

В качестве показательного примера, для обеспечения разнообразия образцов отбираются образцы пшеницы с различным состоянием качества (например, здоровая, загрязненная). Гиперспектральная система визуализации захватывает данные изображения каждого образца, при этом каждый пиксель содержит как визуальную (например, цвет, текстура), так и химическую информацию (например, содержание влаги, уровень белка). Калибровка изображения исключает внешние факторы окружающей среды. Области интереса (ROI), такие как зерна пшеницы, выделяются для исключения нерелевантных данных. В процессе спектральной предварительной обработки применяются методы шумоподавления для повышения точности данных. Разработана качественная модель для различения здоровой и загрязненной пшеницы, а количественная модель количественно определяет такие показатели, как содержание влаги и белка. После проверки эти модели применяются в режиме реального времени, что позволяет быстро классифицировать пшеницу как «приемлемую» или «неприемлемую» и рассчитывать конкретные значения (например, содержание влаги, белка), обеспечивая быструю оценку качества и безопасности зерна в режиме реального времени.

3. Применение гиперспектральной визуализации для обнаружения зерен

За последние пять лет гиперспектральная визуализация получила широкое распространение в зерновой промышленности [34, 48]. Ее применение охватывает обнаружение болезней, оценку качества, анализ физико-химических свойств, обнаружение остатков пестицидов и определение географического происхождения. В следующих разделах подробно рассматривается каждое из этих применений.

3.1. Выявление заболеваний

Болезни зерна могут серьезно повлиять на качество и урожайность [49]. Традиционные методы, такие как визуальный осмотр или лабораторные исследования, являются трудоемкими и часто неточными [50, 51]. Гиперспектральная визуализация предлагает быструю, неразрушающую альтернативу, позволяющую обнаруживать заболевания путем идентификации спектральных характеристик, связанных с патологическими изменениями в структуре зерна [52, 53 , 54 ]. Как показано в  таблице 2 , недавние исследования подчеркивают эффективность гиперспектральной визуализации как инструмента для обнаружения различных заболеваний зерна. Специфические спектральные сигнатуры в видимом и ближнем инфракрасном диапазонах длин волн были определены как надежные индикаторы наличия заболевания, что позволяет проводить раннее обнаружение и вмешательство.

Таблица 2.  Применение гиперспектральной визуализации для обнаружения болезней зерна.

Зерно Загрязняющее вещество Спектральный диапазон Метод предва-рительной обработки Типы моделей Точность модели Ссылка
Кукуруза Возбудители гнили початков кукурузы ИК-спектр PCA ПЛС-ДА 93,75% [ 55 ]
Пшеница ФХБ ИК-спектр SNV ПЛС-ДА >92% [ 30 ]
Пшеница ФХБ Визуальный-ИК ReliefF, SFLA,
UVE, RF		 АССДН 98,31% [ 56 ]
Пшеница ФХБ ИК-спектр MSC, PCA Faster R-CNN 99,00% [ 57 ]
Пшеница ДОН ИК-спектр SG, NG, SNV, MSC АНН 85,80% [ 58 ]
Кукуруза Афлатоксин B1 Визуальный-ИК MSC, SNV, SG КНН 98,20% [ 59 ]
Кукуруза Грибковое заражение Визуальный-ИК SNV, SG 1D-CNN >98% [ 60 ]
Овес Токсины Т-2 и HT-2 ИК-спектр SNV, Первая производная КНН 94,10% [ 61 ]
Ячмень ДОН ИК-спектр АВТОМОБИЛИ, ISSPA ЛВПЛС R P 2 = 0,728
RMSEP = 3,802		 [ 62 ]
Просо Эргостерол и дезоксиниваленол Визуальный-ИК ВТ WT-LSTM R 2 > 0,95
RPD > 3,50		 [ 63 ]
Рис Загрязнение промышленным парафином ИК-спектр MSC, SNV, SG ПЛСР R² = 0,9338, RMSE
= 0,090%		 [ 64 ]
Пшеница ДОН ИК-спектр SNV ЛДА 100% [ 65 ]
3.1.1. Гиперспектральная визуализация в обнаружении болезней пшеницы и алгоритмические проблемы.

Гиперспектральная визуализация в обнаружении болезней зерна подчеркивает сложное взаимодействие между спектральной биохимией, передовыми алгоритмами и уникальными физиологическими реакциями зерна. Последние достижения показывают, как гиперспектральная визуализация выявляет патологические изменения, позволяя раннее обнаружение грибковых инфекций и микотоксинов.

Исследования показали, что гиперспектральная визуализация в ближнем инфракрасном диапазоне (900–1700 нм) в сочетании с дискриминантным анализом методом частичных наименьших квадратов (PLS-DA) достигает точности более 92% при количественной оценке загрязнения дезоксиниваленолом (ДОН) в пшенице, зараженной фузариозным колосом (FHB).

Эта высокая точность объясняется спектральными характеристиками, связанными с денатурацией белка, вызванной ДОН, на длине волны 1660 нм и деградацией хлорофилла на длине волны 680 нм [30]. Однако линейные дискриминантные модели испытывают трудности с многопатогенными инфекциями, например, когда овес одновременно заражен фузариозом, аспергиллом и пенициллием, что приводит к значительным ошибкам классификации.

Для решения этой проблемы Лян и др. [57] объединили Faster Region-based Convolutional Neural Network (Faster R-CNN) с гиперспектральными полосами признаков, чтобы достичь 99% точности с использованием нелинейных границ принятия решений. Эти результаты подчеркивают эволюцию гиперспектральных методов, с алгоритмическими инновациями, решающими сложные задачи, связанные с многофакторными заболеваниями зерна.

3.1.2. Гиперспектральная визуализация в обнаружении болезней кукурузы и специфические проблемы.

Крахмальные матрицы в кукурузе приводят к спектральному перекрытию на 980 нм (амилоза) и 1450 нм (амилопектин), что затрудняет традиционные методы анализа главных компонентов (PCA). Для решения этой проблемы в одном исследовании была интегрирована гиперспектральная визуализация Vis-NIR с конкурентной адаптивной перевзвешенной выборкой (CARS) для выделения полос, специфичных для афлатоксина B1, с целью достижения точности классификации 98,2% с использованием метода k-ближайших соседей (KNN) [59]. Кроме того, ориентация зерен кукурузы может изменять спектральную отражательную способность, что требует использования одномерных сверточных нейронных сетей (1D-CNN) для уменьшения пространственной изменчивости [60].

Этот подход аналогичен достижениям в обнаружении заболеваний растений по изображениям листьев, где глубокие модели CNN использовались для идентификации болезней растений по изображениям листьев [66]. Это подчеркивает более широкую применимость CNN для обнаружения тонких патологических признаков. В отличие от исследований пшеницы, эта задача подчеркивает необходимость усовершенствования алгоритмов, специфичных для данной культуры, для решения сложных спектральных проблем, возникающих из-за биохимического состава и физической морфологии при обнаружении болезней зерна.

3.1.3. Новые области применения в других зерновых культурах: овес, ячмень и просо.

Хотя в исследованиях гиперспектральной визуализации доминируют пшеница и кукуруза, новые применения в овсе, ячмене и просе подчеркивают адаптивность этой технологии. Например, Тейшидо-Орриес и др. [61] использовали гиперспектральную визуализацию в ближнем инфракрасном диапазоне с предварительной обработкой первой производной для обнаружения токсинов T-2 и HT-2 в овсе, идентифицировав ключевые длины волн на 1038, 1110 и 1393 нм. Их модель KNN достигла точности 94,1%, что свидетельствует об эффективности гиперспектральной визуализации в обнаружении этих токсинов в лабораторных условиях.

В случае проса Ни и др. [63] впервые обнаружили эргостерол и ДОН, используя спектральные данные, преобразованные вейвлетами, и сети attention-LSTM. Компактная структура ядра проса усиливает спектральный шум, поэтому для шумоподавления требуется вейвлет-преобразование. Аналогично, Су и др. [62] автоматическое количественное определение ДОН в ячмене с использованием итеративного выбора признаков (ISSPA), компенсирующего более низкую проникающую способность ячменя в ближнем инфракрасном диапазоне по сравнению с пшеницей. Эти исследования демонстрируют расширяющуюся область применения и адаптируемость гиперспектральной визуализации для обнаружения токсинов в различных зерновых культурах.

3.1.4. Гиперспектральная визуализация для обнаружения загрязняющих веществ и количественной оценки тяжести заболеваний

Гиперспектральная визуализация выходит за рамки обнаружения биологических патогенов и включает в себя промышленные загрязнители, такие как парафин в рисе. Ван и др. [64] разработали эффективный метод, основанный на гиперспектральной визуализации, для быстрого обнаружения загрязнения парафином, продемонстрировав его полезность в обеспечении чистоты и безопасности зерна. Помимо обнаружения, гиперспектральная визуализация сыграла важную роль в количественной оценке тяжести заболевания и скрининге признаков устойчивости.

Сюэ и др. [67] использовали проксимальную гиперспектральную визуализацию для количественной оценки тяжести гнили колосков риса, отслеживая прогрессирование заболевания на уровне органов. С помощью извлечения спектральных характеристик они различали больные и здоровые колоски риса, подчеркивая потенциал гиперспектральной визуализации в точном земледелии. Это исследование подтверждает полезность гиперспектральной визуализации как быстрого, неинвазивного метода различения здоровых и зараженных культур, устраняющего необходимость в сложных лабораторных процедурах.

3.1.5. Проблемы и ограничения

Гиперспектральная визуализация стала ключевым инструментом в оценке безопасности и качества пищевых продуктов, особенно для обнаружения грибкового загрязнения, оценки степени тяжести заболеваний и количественного определения микотоксинов в зерновых культурах. Последние достижения показали ее потенциал в неразрушающем контроле, позволяя проводить быструю проверку и принимать решения в режиме реального времени в производстве и переработке пищевых продуктов. Интеграция гиперспектральной визуализации с передовыми моделями машинного обучения, особенно алгоритмами глубокого обучения, расширила ее потенциал для высокоточных задач прогнозирования и классификации. Однако остаются проблемы в стандартизации протоколов гиперспектральной визуализации, особенно в отношении спектральной калибровки, предварительной обработки данных и обучения моделей. Будущие исследования должны быть сосредоточены на повышении надежности, масштабируемости и согласованности систем гиперспектральной визуализации, а также на изучении новых применений в области безопасности пищевых продуктов, отслеживаемости и проверки подлинности.

3.2. Оценка качества

В последние годы гиперспектральная визуализация получила значительное распространение в сельском хозяйстве, особенно для оценки качества зерна [68]. Она позволяет обнаруживать ключевые характеристики, такие как морфология, состав, повреждения и загрязнения, путем получения подробной спектральной информации [69, 70]. Это позволяет точно классифицировать зерно и выявлять внутренние дефекты и примеси, поддерживая мониторинг качества в режиме реального времени [71]. В таблице 3 представлен обзор основных исследований в этой области, охватывающий идентификацию сортов, обнаружение физических повреждений, анализ фальсификации и оценку свежести и всхожести.

Таблица 3.  Применение гиперспектральной визуализации в оценке качества зерна.

Зерно Параметр качества Спектральный диапазон Метод предварительной обработки Типы моделей Точность модели Ссылка
Семена кукурузы Идентификация сортов ИК-спектр SG, SNV, SSAE SSAE-CS-SVM 95,81% [ 72 ]
Злак Идентификация сортовв Визуальный-ИК PCA BPNN 90% [ 73 ]
Мука из бобовых Идентификация сортов Визуальный-ИК PCA ПЛС-ДА 100% [ 74 ]
Зерно Идентификация сортов 397–1004,5 ​​нм DBSCAN, MD, PCA, IVSO, CARS BPNN 99,00% [ 75 ]
Просо Идентификация сортов ИК-спектр SG, SVN, PCA Градиентный бустинг деревьев 99,4% [ 76 ]
Семена льна Идентификация сортов ИК-спектр SG, PCA, LDA, SPA, CARS CNN 95,26% [ 77 ]
Сорго Идентификация сортов ИК-спектр IF, MSC, CR,
OSC		 АлексНет 95,91% [ 78 ]
Пшеница Идентификация сортов Визуальный-ИК SG, CARS ДЛФМ 92,87% [ 79 ]
Пшеница Идентификация сортов Визуальный-ИК, ближний инфракрасный диапазон SVN, SG, LDA, SVM, ANN ЛДА-СВН 94,93% [ 80 ]
Пшеница Идентификация сортов Визуальный-ИК Не упомянуто 3D CNN 98,40% [ 81 ]
Пшеница Идентификация сортов Визуальный-ИК SG, MSC, CARS BP 92,29% [ 82 ]
Мука из крупнозерновых злаков Уровень фальсификации ИК-спектр PCA, SPA, CARS ПЛС-ДА >94,8% [ 83 ]
Сорго Уровень фальсификации ИК-спектр PCA ПЛС-ДА 91,00% [ 84 ]
Сорго Уровень фальсификации ИК-спектр IF, MSC, CARS, SPA ДФ >91% [ 85 ]
Пшеница Проросшие зерна Визуальный-ИК SG, CARS ДФ 89% [ 86 ]
Пшеница Механические
повреждения		 ИК-спектр PCA, SPA LS-SVM 100% [ 39 ]
Кукурузные семена Механические
повреждения		 Визуальный-ИК PCA, KPCA, FA ResNeSt_E 99,00% [ 87 ]
3.2.1. Идентификация сортов

Способность гиперспектральной визуализации различать сорта зерна является значительным шагом вперед для сельскохозяйственной и пищевой промышленности [79, 82]. Недавние исследования демонстрируют высокую точность классификации, особенно для пшеницы, с помощью стандартизированных рабочих процессов, которые сочетают в себе спектральную предварительную обработку (например, SG, MSC), выбор признаков (например, CARS, SPA) и модели машинного обучения (например, CNN, PLS-DA). Эти методы эффективно выявляют тонкие спектральные вариации, связанные с генетикой сортов, физико-химическими свойствами и структурной целостностью [73, 78].

Помимо пшеницы, гиперспектральная визуализация показала перспективность в идентификации других зерновых культур. Например, использование новой одномерной сверточной нейронной сети (CAM-TM-1DCNN), в которую встроен модуль внимания к каналам (CAM) и модуль трансформера (TM), для замены традиционных сверточных нейронных сетей (CNN) позволяет точно идентифицировать сорта льна [77]. При прогнозировании сортов проса применение алгоритма градиентного бустинга деревьев позволило достичь точности классификации 99% [76]. Эти достижения подчеркивают потенциал глубокого обучения и гибридных моделей в достижении высокоточной классификации разнообразной сельскохозяйственной продукции.

3.2.2. Выявление механических повреждений и фальсификации

Обнаружение механических повреждений и фальсификации демонстрирует переход от традиционных линейных моделей к гибридным и глубоким методам обучения [40, 88]. Например, при анализе зерен пшеницы передовые модели машинного обучения, такие как метод наименьших квадратов-опорных векторов (LS-SVM), применяемые к ближнеинфракрасным (NIR) спектрам, достигли 100% точности в выявлении механических повреждений [39]. В отличие от этого, для обнаружения повреждений семян кукурузы потребовались архитектуры ResNeSt_E для уменьшения пространственной неоднородности, достигнув 99% точности за счет объединения данных Vis-NIR [87].

Обнаружение фальсифицированного зерна стало важнейшим применением гиперспектральной визуализации в пищевой промышленности, существенно влияющим на качество зерна и его рыночную стоимость [89, 90]. Исследования сорго [84] и муки из крупнозерновых культур [83] подчеркнули превосходство PLS-DA и CARS или PCA в выделении длин волн, специфичных для фальсификаторов. В частности, обнаружение фальсификации сорго имеет решающее значение, поскольку чистота сорго напрямую влияет на качество и вкус байцзю.

3.2.3. Мониторинг внутренних биохимических изменений

В отличие от традиционных методов анализа поверхности, гиперспектральная визуализация позволяет характеризовать внутренние биохимические изменения в зернах злаков, предлагая важную основу для неразрушающего обнаружения проросших зерен пшеницы. Слабо проросшие зерна пшеницы, визуально похожие на целые зерна, могут ухудшить качество продукта. Чжан и др. [86] использовали гиперспектральные данные с обеих сторон зерна пшеницы для всесторонней оценки его состояния, достигнув многообещающих результатов для применения в контроле качества в сельском хозяйстве. Аналогично, модель случайного леса (RF) правильно идентифицировала прорастающее сорго с точностью 91% [85]. Эти исследования подчеркивают значимость гиперспектральной визуализации в мониторинге таких важных параметров, как прорастание, свежесть и сортовые характеристики, обеспечивая качество зерна.

3.2.4. Проблемы и ограничения

Хотя гиперспектральная съемка в сочетании с передовыми алгоритмами машинного обучения значительно улучшила оценку качества зерна, остается ряд проблем. К ним относятся проблемы стандартизации данных, спектральной калибровки и необходимость в надежных моделях, способных обрабатывать большие и разнообразные наборы данных. Кроме того, интеграция гиперспектральной съемки в рутинные методы контроля качества зерна сталкивается с препятствиями с точки зрения масштабируемости, стоимости и сложности обработки данных в реальном времени. Несмотря на эти проблемы, потенциал гиперспектральной съемки для преобразования протоколов безопасности пищевых продуктов и повышения прозрачности цепочки поставок значителен. В перспективе интеграция с системами Интернета вещей (IoT) и платформами анализа в реальном времени может обеспечить непрерывную оценку качества в процессе переработки зерна, гарантируя использование в производстве продуктов питания только высококачественного зерна.

3.3. Определение физико-химических свойств

Гиперспектральная визуализация произвела революцию в неразрушающем анализе ключевых физико-химических свойств зерна, таких как содержание влаги, белка и жира [91, 92]. Регрессионные модели, разработанные с использованием алгоритмов моделирования, могут прогнозировать концентрации этих параметров, которые имеют решающее значение для отбора и сортировки зерна. Поскольку пищевая ценность тесно связана с этими внутренними свойствами, их оценка необходима для различных применений [41, 93].  В таблице 4  обобщены области применения гиперспектральной визуализации за последние пять лет. В ней подчеркивается интеграция машинного обучения и спектральной предварительной обработки для решения специфических задач, связанных с зерном, хотя проблемы с обобщением и масштабируемостью моделей сохраняются.

Таблица 4.  Применение гиперспектральной визуализации для определения физико-химических свойств.

Зерно Свойство Спектральный диапазон Метод предвари-тельной обработки Типы моделей Точность модели Ссылка
Кукуруза Содержание масла ИК-спектр SNV, SG, SG1,SG2, SPA, CARS,PCA, CNN ACNNR R p 2 = 0,9198 [ 94 ]
Сорго Содержание масла ИК-спектр SNV ПЛС SEC = 0,25%SEP = 0,26% [ 95 ]
Семена кукурузы Содержание влаги ИК-спектр SG PLSR-UVE R p = 0,970RMSEP = 0,454% [ 96 ]
Рис Содержание влаги ИК-спектр SG, вторая производная ПЛСР R² = 0,9673 RMSE= 0,5300 [ 97 ]
Рис Содержание масла ИК-спектр АВТОМОБИЛИ, СПА ПЛСР R p 2 = 0,9650RMSEP = 0,0031 [ 31 ]
содержание жирных кислот RP2 = 0,8573RMSEP = 1,6956
Ферменти-рованные зерна Содержание масла ИК-спектр SNV, MSC,CARS, SPA XGBoost R p 2 = 0,9757RMSEP = 0,0442 г/100 г [ 98 ]
Кислотность R p 2 = 0,9941RMSEP = 0,0216 ммоль/10 г
Рис Содержание  белка Визуальный-ИК Шумоподав-ление иповышение резкости BPNN R² = 0,9516 RMSE= 0,3492 [ 20 ]
Пшеница Содержание  белка ИК-спектр MSC, CARS СЕЛ R p 2 = 0,9939RMSEP = 0,0116 г/кг [ 99 ]
Сорго Содержание  белка ИК-спектр PCA, SPA BP-GA RPD = 5,1716AB_RMSE = 0,0916 г/100 г [ 100 ]
Содержание  белка УВЕ, СПА CF RPD = 12,9724AB_RMSE = 0,0243 г/100 г
Пшеница Содержание  белка ИК-спектр АВТОМОБИЛИ, СПА AdaBoost-SVR R p 2 = 0,9789 [ 101 ]
Содержание  белка R p 2 = 0,9651
Ферменти-рованные зерна Общая кислотность Визуальный-ИК MSC, АВТОМОБИЛИ, СПА CF R p 2 = 0,9988RMSEP = 0,0278 ммоль/10 г [ 102 ]
редуцирующий сахар SNV, CARS, SPA PSO-SVR R p 2 = 0,9987RMSEP = 0,0287 г/100 г
Зерновые содержание танинов ИК-спектр ДТ, IVSO-VIP ДФ R p 2 = 0,9922RMSEP = 0,0222 г/100 г [ 103 ]
Пшеница Микронутриенты Визуальный-ИК Первая производная, Вторая производная, COE,VN, MMN, MSC PSLR r 2 > 0,70% [ 104 ]
Пшеница Питательное вещество Визуальный-ИК SG SLR R 2 > 0,6 [ 105 ]
Сорго Содержание амилозы ИК-спектр MSC, KS, PCA, SPA CF 85,33% [ 106 ]
Состав амилопектина 92,00%
Ферменти-рованные зерна Содержание крахмала Визуальный-ИК SNV, CARS,SPA, PCA SVM-AdaBoost R p 2 = 0,9976RMSEP = 0,0992 [ 107 ]
Содержание алкоголя XGBoost R p 2 = 0,9969RMSEP = 0,0605
Многозер-новые мучные смеси Количественное определение ингредиентов Визуальный-ИК PCA LDA-QDC >90% [ 108 ]
3.3.1. Определение содержания масла

Содержание масла является критически важным показателем качества зерна. Традиционные методы обнаружения трудоемки и основаны на сложных химических реагентах. В отличие от них, технология гиперспектральной визуализации позволяет быстро и точно прогнозировать содержание масла путем анализа спектров отражения зерен. Этот метод успешно применялся к кукурузе и сорго. Чжан и др. [94] интегрировали гиперспектральную визуализацию с регрессией на основе сверточной нейронной сети с механизмом внимания (ACNNR) для прогнозирования содержания масла в отдельных зернах кукурузы, превзойдя традиционные модели PLSR [95]. Эффективность ACNNR обусловлена ​​прямым использованием необработанных спектральных данных, что исключает необходимость ручной предварительной обработки, извлечения или выбора признаков. Этот подход устойчив к неточностям измерений, вызванным неоднородностью частиц, что является менее значительной проблемой для сорго. Однако PLSR остается предпочтительным для сорго из-за своей простоты и меньших вычислительных затрат. Это подчеркивает компромисс между точностью и практичностью.

3.3.2. Определение содержания влаги

Содержание влаги существенно влияет на хранение и переработку зерна [97]. Гиперспектральная визуализация в сочетании с хемометрией стала широко распространенным методом обнаружения влаги [109]. В последние годы ее применение эволюционировало от статических измерений [98, 100, 110] до мониторинга в реальном времени во время обработки. Например, Чжан и др. [97] использовали гиперспектральную визуализацию для определения и визуализации содержания влаги и степени клейстеризации риса во время замачивания и варки. Это способствовало развитию интеллектуальных систем обработки риса. Эти исследования демонстрируют практический потенциал технологии. Кроме того, содержание влаги коррелирует с другими показателями качества, такими как текстурные характеристики, например, твердость, что обеспечивает более полное понимание качества зерна и его внутренних свойств.

3.3.3. Комплексный мониторинг показателей качества зерна

Технология гиперспектральной визуализации позволяет отслеживать ряд показателей качества зерна, включая такие важные компоненты, как крахмал [106], белок [20, 99], жир [ 100 , 101], общая кислотность [102], содержание танинов [103], редуцирующие сахара [102], питательные вещества [104, 105] и содержание спирта [107]. Эти компоненты напрямую влияют на пищевую ценность и функциональные характеристики зерна в процессе пищевой переработки [111]. Захватывая спектральные сигнатуры, связанные с этими компонентами, технология позволяет проводить всесторонний анализ их взаимосвязей. Эта возможность превосходит ограничения однопараметрических тестов, повышая точность оценки качества зерна и поддерживая анализ множества характеристик зерна [108, 112].

3.3.4. Проблемы и ограничения

Несмотря на значительный прогресс в гиперспектральной визуализации для анализа зерен, ряд проблем препятствует ее широкому внедрению. Во-первых, показатели качества для различных типов зерен на разных стадиях распределения часто непоследовательны. Это требует тщательного отбора соответствующих образцов и показателей, адаптированных к каждому контексту анализа. Кроме того, определение соответствующих методов предварительной обработки, методов сегментации образцов и алгоритмов моделирования остается крайне важным. Этот процесс часто включает итеративное тестирование для выявления наиболее эффективных конфигураций модели. Во-вторых, высокая стоимость и сложная эксплуатация гиперспектральных систем визуализации ограничивают их использование в производственных условиях. Большие вычислительные затраты на обработку данных еще больше усложняют оптимизацию алгоритмов обработки спектральных данных для повышения эффективности и точности. Преодоление этих проблем имеет важное значение для полной реализации потенциала гиперспектральной визуализации в контроле качества зерен.

3.4. Обнаружение остатков пестицидов

Использование пестицидов может эффективно смягчить воздействие насекомых и болезней на урожай, способствуя здоровому росту зерна [109]. Однако неправильное применение представляет значительные риски для здоровья человека [113]. Поэтому разработка быстрых и точных аналитических методов обнаружения остатков пестицидов остается актуальной задачей обеспечения безопасности в глобальных системах сельскохозяйственного и пищевого производства. В отличие от традиционных методов, таких как газовая хроматография (ГХ) и высокоэффективная жидкостная хроматография (ВЭЖХ), гиперспектральная визуализация предлагает значительные преимущества. К ним относятся скорость и неразрушающий анализ, что делает ее хорошо подходящей для современных сельскохозяйственных нужд. Хотя гиперспектральное обнаружение пестицидов широко изучалось на фруктах и ​​овощах, его применение к зерновым культурам все еще находится на ранних стадиях.

Большинство современных методов обнаружения остатков пестицидов с использованием гиперспектральной технологии применяют алгоритмы выбора признаков для выбора определенных длин волн для сельскохозяйственной продукции. Затем традиционные модели машинного обучения обучаются прогнозировать концентрации остатков пестицидов на основе этих длин волн, что позволяет визуализировать распределение остатков [113]. Однако большинство исследований сосредоточены на одном пестициде и игнорируют распространенность нескольких пестицидов в сельскохозяйственной практике. Исключением является работа Биана и др. [114], которые использовали гиперспектральную съемку в сочетании с машинным обучением для обнаружения остатков трех различных инсектицидов в дынях. Это исследование не только подтверждает возможность обнаружения нескольких остатков, но и предоставляет методологическую основу, адаптируемую к другим сельскохозяйственным продуктам.

Успех гиперспектральной визуализации для обнаружения пестицидов во многом зависит от передовых методов обработки данных [115]. Например, Пэн и др. [116] впервые успешно обнаружили остатки малатиона в сорго, интегрировав гиперспектральную визуализацию с моделью многослойного машинного обучения (SEL). Этот подход заполняет существенный пробел в обнаружении остатков в зерновых культурах и обеспечивает фундаментальную основу для будущих исследований.  На рисунке 7  показан процесс обнаружения. Экспериментальные результаты показали, что как для полного спектра, так и для характерных длин волн модель SEL превзошла другие модели по точности прогнозирования. Примечательно, что модель CatBoost-SEL продемонстрировала наивысшую прогностическую эффективность. Ху и др. [117] далее использовали эту модель для классификации остатков пестицидов в сорго, подчеркнув ее превосходные возможности в этом контексте.

Рисунок 7.  ( I ). Обработка гиперспектральных изображений. ( a ) Исходное псевдоцветное изображение; ( b ) изображение в оттенках серого; ( c ) бинаризованное изображение; ( d ) сегментированное бинарное изображение. ( II ). Спектральные кривые: ( a ) средний исходный спектр чистого малатиона и сорго; ( b ) средний исходный спектр M2, M6, M10, M14, M18; ( c ) исходный спектр; ( d ) спектр после предварительной обработки SG; ( e ) спектр после предварительной обработки SNV; ( f ) спектр после предварительной обработки MSC. ( III ). Распределение характерных длин волн и коэффициентов вклада, выявленных четырьмя методами отбора признаков: ( a ) GBDT, ( b ) XGBoost, ( c ) CatBoost и ( d ) LGBM. ( IV ). Средние значения RMSEP, RP2 и RPD моделей прогнозирования [116].

Данное исследование подчеркивает, что гиперспектральная визуализация для обнаружения остатков пестицидов в зерне все еще находится на ранней стадии развития, особенно по сравнению с устоявшимися методами для фруктов и овощей. Основная проблема заключается во влиянии характеристик поверхности зерна (например, шероховатости и неравномерной окраски) на качество спектральных данных. Это ограничивает обобщаемость модели. Кроме того, внешние покрытия, такие как шелуха и отруби, еще больше усложняют обнаружение остатков пестицидов на поверхности [2]. Широкий спектр остатков пестицидов и перекрывающиеся спектральные характеристики также препятствуют точному обнаружению. Хотя многоуровневые модели машинного обучения повышают точность прогнозирования, их высокие вычислительные требования ограничивают применение в реальном времени. Будущие исследования должны быть сосредоточены на: (1) оптимизации предварительной обработки спектров для уменьшения поверхностных помех; (2) разработке многозадачных моделей обучения для одновременного обнаружения нескольких остатков пестицидов; (3) изучении легковесных алгоритмов машинного обучения для обнаружения в реальном времени; и (4) интеграции других методов неразрушающего контроля для повышения точности и надежности обнаружения.

3.5. Оценка географического происхождения

Географическое происхождение зерна имеет решающее значение для обеспечения качества, безопасности и защиты потребителей. Учитывая растущую обеспокоенность по поводу безопасности пищевых продуктов во всем мире, оценка географического происхождения стала жизненно важной в цепочке поставок [118]. В этом контексте гиперспектральная визуализация стала перспективным инструментом для оценки пищевых продуктов, особенно для определения происхождения зерна. Ее преимущества, включая простоту, скорость, эффективность и экологическую устойчивость, делают ее все более жизнеспособным решением.

3.5.1. Глубокое обучение расшифровывает географические сигнатуры в гиперспектральных отпечатках зерен

Гиперспектральная визуализация позволяет получить спектральные отпечатки, отражающие биохимические и физические свойства зерен, которые различаются в зависимости от географического происхождения. Например, Ни и др. [63] собрали 600 образцов проса из 12 регионов производства по всему Китаю и разработали модель глубокого обучения, достигнув точности более 99%. Это подчеркивает потенциал гиперспектральной визуализации для неразрушающего определения происхождения зерна, особенно в сочетании с глубоким обучением для повышения точности прогнозирования. Процесс обнаружения показан на  рисунке 8.

Рисунок 8.  Схема предлагаемого подхода, включающая сбор спектральных данных, анализ химического состава, прогнозирование модели (включая шумоподавление данных, определение происхождения и регрессию содержания) и выбор длины волны признака с использованием алгоритма механизма внимания (AM) [63].

3.5.2. Исследование гиперспектральной визуализации для отслеживания происхождения особых зерен.

Помимо обычных зерновых, гиперспектральная визуализация демонстрирует перспективность для особых зерновых. Их спектральные свойства могут значительно отличаться из-за вариаций физической структуры и биохимического состава. Применение этой технологии к таким зерновым позволяет понять ее потенциал для адаптации к более широкому спектру культур. Чой и др. [119] применили гиперспектральную визуализацию для определения географического происхождения семян чиа, достигнув точности классификации 91,11%. Эти исследования демонстрируют способность гиперспектральной визуализации обнаруживать тонкие различия в составе, которые могут иметь решающее значение для отслеживания происхождения.

3.5.3. Интеграция машинного обучения для улучшения классификации географического происхождения зерна.

Интеграция гиперспектральной съемки с машинным обучением значительно улучшила классификацию зерна на основе географического происхождения. Эдрисс и др. [120] использовали алгоритмы кластеризации без учителя для анализа гиперспектральных изображений риса, успешно определив его подлинность и географическое происхождение. В сочетании с надежными методами кластеризации гиперспектральная съемка может эффективно обрабатывать большие наборы данных и выявлять закономерности без размеченных обучающих данных. Этот подход предлагает экономически эффективное решение для отслеживания происхождения продуктов питания. Кроме того, Ван Де Стин и др. [121] разработали методы идентификации по отпечаткам пальцев для оценки происхождения и сорта риса, повысив точность гиперспектральной съемки за счет слияния данных. Эти достижения демонстрируют синергию между гиперспектральной съемкой и машинным обучением в решении сложных задач классификации. Алгоритмы предварительной обработки, используемые в этих исследованиях, суммированы в  таблице 5.

Таблица 5.  Применение гиперспектральной визуализации для определения географического происхождения.

Зерно Спектральный диапазон Метод предварительной обработки Типы моделей Точность модели Ссылка
Просо Визуальный-ИК ВТ WT-ALSTM 99,40% [ 63 ]
Семена чиа Визуальный-ИК МСК ПЛС-ДА 91,11% [ 119 ]
Рис Визуальный-ИК MSC, PCA K-средних Коэффициент силуэта для трех образцов риса составил 0,5169, 0,5433 и 0,4964. [ 120 ]
Рис Визуальный-ИК PCA GP-LVM >90% (за исключением образцов из Таиланда и Вьетнама) [ 121 ]
3.5.4. Проблемы и ограничения

Точное определение географического происхождения зерна имеет важное значение для отслеживания происхождения продуктов питания, их подлинности и доверия потребителей. Гиперспектральная визуализация предоставляет быстрый, неразрушающий и точный метод проверки происхождения зерна. Она также способствует соблюдению нормативных требований и контролю качества в цепочке поставок продуктов питания. Несмотря на свой потенциал, остается ряд проблем. Ключевым ограничением является необходимость обширной калибровки в различных регионах и при переменных условиях окружающей среды. Спектральные характеристики зерна зависят от таких факторов, как сезонные колебания, методы выращивания и послеуборочная обработка, что приводит к значительной изменчивости. Поэтому для разработки надежных моделей прогнозирования происхождения необходимы крупномасштабные хранилища гиперспектральных данных. Кроме того, хотя гиперспектральная визуализация демонстрирует перспективность в лабораторных условиях, ее применение в реальных условиях, таких как зернохранилища, рынки и распределительные центры, требует дальнейшей оптимизации для крупномасштабного использования.

4. Выводы и перспективы

Гиперспектральная визуализация сочетает в себе получение изображений и спектроскопию для сбора как пространственных, так и спектральных данных, что повышает качество и безопасность сельскохозяйственной продукции. Она позволяет оценивать такие характеристики, как идентификация видов, пищевая ценность, обнаружение загрязнений, свежесть и географическое происхождение. Эти особенности делают ее быстрым, неразрушающим и экономически эффективным инструментом для анализа сельскохозяйственной продукции. Однако гиперспектральная визуализация сталкивается с проблемами, включая влияние факторов окружающей среды, высокие системные затраты, сложную эксплуатацию и большие объемы данных. Кроме того, отсутствие стандартизированных протоколов затрудняет сравнение и проверку результатов исследований, ограничивая более широкое применение.

Дальнейшие исследования должны быть сосредоточены на оптимизации методов и алгоритмов обработки данных для более эффективного и быстрого анализа. Разработка алгоритмических улучшений, адаптированных к различным условиям визуализации, будет иметь решающее значение для повышения точности анализа данных. Крупногабаритность и высокая стоимость современных лабораторных гиперспектральных систем визуализации также требуют разработки более портативных и экономически эффективных альтернатив. Недавние достижения в области портативных систем, интегрированных с датчиками окружающей среды, демонстрируют перспективность для более широкого применения в пищевой промышленности. Кроме того, многоспектральная визуализация и реконструкция гиперспектральных изображений на основе RGB предлагают потенциальные решения проблемы высокой стоимости и избыточности гиперспектральных данных.

Такие проблемы, как недостаточное разнообразие образцов, ограниченные наборы данных и отсутствие стандартизированных протоколов в исследованиях гиперспектральной визуализации пищевых продуктов, подчеркивают необходимость создания специализированными учреждениями многокатегорийной базы данных гиперспектральных данных пищевых продуктов и содействия обмену ресурсами.

Стандартизированные процедуры калибровки гиперспектральных систем визуализации повысят согласованность и надежность спектральных данных в различных исследованиях. Кроме того, единые протоколы предварительной обработки и сбора спектральных данных улучшат воспроизводимость и сопоставимость результатов. Внедрение стандартизированных руководств по отчетности, подробно описывающих методы, приборы, калибровку и обработку данных, еще больше повысит прозрачность и воспроизводимость результатов.

В долгосрочной перспективе алгоритмы глубокого обучения и гиперспектральные базы данных повысят точность прогнозирования. Дальнейшее изучение гиперспектральной визуализации для обнаружения остатков пестицидов и ее интеграция с дополнительными технологиями могут обеспечить инновационные неразрушающие решения для сельскохозяйственного анализа.

Сокращения

  • 1D-CNN: Одномерная сверточная нейронная сеть;
  • AM: Механизм внимания;
  • ANN: Искусственные нейронные сети;
  • ASSDN: Глубокая сеть с самопоиском архитектуры;
  • BP: Обратное распространение ошибки;
  • BPNN: Нейронная сеть обратного распространения ошибки;
  • BP-GA: Генетический алгоритм обратного распространения ошибки;
  • CARS: Конкурентная адаптивная перевзвешенная выборка;
  • CF: Каскадный лес;
  • CNN: Сверточная нейронная сеть;
  • COE: Исключение постоянного смещения;
  • CR: Удаление континуума;
  • DBSCAN: Пространственная кластеризация приложений на основе плотности с шумом;
  • DF: Глубокий лес;
  • DLFM: Модель слияния признаков глубокого обучения;
  • DON: дезоксиниваленол;
  • FA: факторный анализ;
  • Faster R-CNN: Быстрая региональная сверточная нейронная сеть;
  • FHB: Фузариоз колоса;
  • GA: Генетический алгоритм;
  • GP-LVM: модель скрытых переменных гауссовского процесса; HSI: гиперспектральная визуализация;
  • IF: изолированный лес;
  • ISSPA: алгоритм итеративного выбора последовательных проекций;
  • IVSO: итеративная оптимизация подмножества переменных;
  • KNN: метод k-ближайших соседей;
  • KPCA: метод главных компонент с ядром;
  • KS: метод Кеннарда-Стоуна;
  • LDA: линейный дискриминантный анализ;
  • LDA-QDC: линейный дискриминантный анализ-квадратичный дискриминантный анализ;
  • LS-SVM: метод наименьших квадратов-метод опорных векторов;
  • LWPLSR: локально взвешенная регрессия методом частичных наименьших квадратов;
  • MC: центрирование по среднему значению;
  • MD: расстояние Махаланобиса;
  • MLR: множественная линейная регрессия;
  • MMN: нормализация по минимуму-максимуму;
  • MSC: мультипликативная коррекция рассеяния;
  • NIR: ближний инфракрасный диапазон;
  • OSC: ортогональная коррекция сигнала;
  • PCA: анализ главных компонент.
  • PLS-DA: Дискриминантный анализ методом частичных наименьших квадратов;
  • PLSR: Регрессия методом частичных наименьших квадратов;
  • QPC: Количественная оценка на основе подсчета пикселей методом классификации;
  • RF: Случайная лягушка;
  • SEC: Стандартная ошибка калибровки;
  • SEL: Стековый ансамблевый анализ;
  • SEP: Стандартная ошибка прогнозирования;
  • SFLA: Алгоритм прыжков перемешанной лягушки;
  • SG: Фильтрация Савицкого-Голея;
  • SLR: Пошаговая линейная регрессия;
  • SNV: Стандартная нормализованная переменная;
  • SPA: Алгоритм последовательных проекций;
  • SSAE-CS-SVM: стековый разреженный автокодировщик в сочетании с оптимизированной методом поиска кукушки машиной опорных векторов;
  • SVM: Машина опорных векторов;
  • SVN: Стандартная нормализованная переменная;
  • SVR: Регрессия опорных векторов;
  • UVE: Исключение неинформативных переменных;
  • Vis-NIR: Видимый и ближний инфракрасный диапазон;
  • VN: нормализация вектора;
  • WT: вейвлет-преобразование;
  • WT-ALSTM: механизм вейвлет-преобразования и внимания для долговременной кратковременной памяти.

Литература

  1. An, D.; Zhang, L.; Liu, Z.; Liu, J.; Wei, Y. Advances in Infrared Spectroscopy and Hyperspectral Imaging Combined with Artificial Intelligence for the Detection of Cereals Quality. Crit. Rev. Food Sci. Nutr. 2023, 63, 9766–9796. [Google Scholar] [CrossRef]
  2. Priya, T.S.R.; Manickavasagan, A. Characterising Corn Grain Using Infrared Imaging and Spectroscopic Techniques: A Review. J. Food Meas. Charact. 2021, 15, 3234–3249. [Google Scholar] [CrossRef]
  3. Zhu, M.; Huang, D.; Hu, X.-J.; Tong, W.-H.; Han, B.-L.; Tian, J.-P.; Luo, H.-B. Application of Hyperspectral Technology in Detection of Agricultural Products and Food: A Review. Food Sci. Nutr. 2020, 8, 5206–5214. [Google Scholar] [CrossRef] [PubMed]
  4. Mishra, G.; Panda, B.K.; Ramirez, W.A.; Jung, H.; Singh, C.B.; Lee, S.-H.; Lee, I. Research Advancements in Optical Imaging and Spectroscopic Techniques for Nondestructive Detection of Mold Infection and Mycotoxins in Cereal Grains and Nuts. Compr. Rev. Food Sci. Food Saf. 2021, 20, 4612–4651. [Google Scholar] [CrossRef] [PubMed]
  5. Zhou, X.; Zhao, C.; Sun, J.; Cao, Y.; Yao, K.; Xu, M. A Deep Learning Method for Predicting Lead Content in Oilseed Rape Leaves Using Fluorescence Hyperspectral Imaging. Food Chem. 2023, 409, 135251. [Google Scholar] [CrossRef]
  6. Sun, J.; Nirere, A.; Dusabe, K.D.; Zhong, Y.; Adrien, G. Rapid and nondestructive watermelon (Citrullus lanatus) seed viability detection based on visible near-infrared hyperspectral imaging technology and machine learning algorithms. J. Food Sci. 2024, 89, 4403–4418. [Google Scholar] [CrossRef]
  7. Yao, K.; Sun, J.; Chen, C.; Xu, M.; Zhou, X.; Cao, Y.; Tian, Y. Non-destructive detection of egg qualities based on hyperspectral imaging. J. Food Eng. 2022, 325, 111024. [Google Scholar] [CrossRef]
  8. Yao, K.; Sun, J.; Cheng, J.; Xu, M.; Chen, C.; Zhou, X.; Dai, C. Development of simplified models for non-destructive hyperspectral imaging monitoring of S-ovalbumin content in eggs during storage. Foods 2022, 11, 2024. [Google Scholar] [CrossRef]
  9. Tian, X.; Fang, Q.; Zhang, X.; Yu, S.; Dai, C.; Huang, X. Visualization of moisture content, reducing sugars, and chewiness in bread during oral processing based on hyperspectral imaging technology. Foods 2024, 13, 3589. [Google Scholar] [CrossRef]
  10. Yang, C.; Zhao, Y.; An, T.; Liu, Z.; Jiang, Y.; Li, Y.; Dong, C. Quantitative prediction and visualization of key physical and chemical components in black tea fermentation using hyperspectral imaging. LWT 2021, 141, 110975. [Google Scholar] [CrossRef]
  11. Sun, J.; Cao, Y.; Zhou, X.; Wu, M.; Sun, Y.; Hu, Y. Detection for lead pollution level of lettuce leaves based on deep belief network combined with hyperspectral image technology. J. Food Saf. 2021, 41, e12866. [Google Scholar] [CrossRef]
  12. Tang, N.; Sun, J.; Yao, K.; Zhou, X.; Tian, Y.; Cao, Y.; Nirere, A. Identification of Lycium barbarum varieties based on hyperspectral imaging technique and competitive adaptive reweighted sampling-whale optimization algorithm-support vector machine. J. Food Process. Eng. 2021, 44, e13603. [Google Scholar] [CrossRef]
  13. Yang, F.; Sun, J.; Cheng, J.; Fu, L.; Wang, S.; Xu, M. Detection of starch in minced chicken meat based on hyperspectral imaging technique and transfer learning. J. Food Process. Eng. 2023, 46, e14304. [Google Scholar] [CrossRef]
  14. Aheto, J.H.; Huang, X.; Tian, X.; Ren, Y.; Bonah, E.; Alenyorege, E.A.; Lv, R.; Dai, C. Combination of spectra and image information of hyperspectral imaging data for fast prediction of lipid oxidation attributes in pork meat. J. Food Process. Eng. 2019, 42, e13225. [Google Scholar] [CrossRef]
  15. Xu, M.; Sun, J.; Zhou, X.; Tang, N.; Shen, J.; Wu, X. Research on nondestructive identification of grape varieties based on EEMD-DWT and hyperspectral image. J. Food Sci. 2021, 86, 2011–2023. [Google Scholar] [CrossRef]
  16. Antequera, T.; Caballero, D.; Grassi, S.; Uttaro, B.; Perez-Palacios, T. Evaluation of fresh meat quality by hyperspectral imaging (HSI), nuclear magnetic resonance (NMR) and magnetic resonance imaging (MRI): A review. Meat Sci. 2021, 172, 108340. [Google Scholar] [CrossRef]
  17. Ahmad, H.; Sun, J.; Nirere, A.; Shaheen, N.; Zhou, X.; Yao, K. Classification of tea varieties based on fluorescence hyperspectral image technology and ABC-SVM algorithm. J. Food Process. Preserv. 2021, 45, e15241. [Google Scholar] [CrossRef]
  18. Cheng, J.; Sun, J.; Yao, K.; Dai, C. Generalized and hetero two-dimensional correlation analysis of hyperspectral imaging combined with three-dimensional convolutional neural network for evaluating lipid oxidation in pork. Food Control 2023, 153, 109940. [Google Scholar] [CrossRef]
  19. Li, L.; Xie, S.; Ning, J.; Chen, Q.; Zhang, Z. Evaluating green tea quality based on multisensor data fusion combining hyperspectral imaging and olfactory visualization systems. J. Sci. Food Agric. 2019, 99, 1787–1794. [Google Scholar] [CrossRef] [PubMed]
  20. Yan, L.; Liu, C.; Zain, M.; Cheng, M.; Huo, Z.; Sun, C. Estimation of rice protein content based on unmanned aerial vehicle hyperspectral imaging. Agronomy 2024, 14, 2479. [Google Scholar] [CrossRef]
  21. Yao, K.; Sun, J.; Zhou, X.; Nirere, A.; Tian, Y.; Wu, X. Nondestructive detection for egg freshness grade based on hyperspectral imaging technology. J. Food Process. Eng. 2020, 43, e13422. [Google Scholar] [CrossRef]
  22. Cheng, J.; Sun, J.; Xu, M.; Zhou, X. Nondestructive detection of lipid oxidation in frozen pork using hyperspectral imaging technology. J. Food Compos. Anal. 2023, 123, 105497. [Google Scholar] [CrossRef]
  23. Aheto, J.H.; Huang, X.; Tian, X.; Lv, R.; Dai, C.; Bonah, E.; Chang, X. Evaluation of lipid oxidation and volatile compounds of traditional dry-cured pork belly: The hyperspectral imaging and multi-gas-sensory approaches. J. Food Process. Eng. 2020, 43, e13092. [Google Scholar] [CrossRef]
  24. Xu, M.; Sun, J.; Yao, K.; Wu, X.; Shen, J.; Cao, Y.; Zhou, X. Nondestructive detection of total soluble solids in grapes using VMD-RC and hyperspectral imaging. J. Food Sci. 2022, 87, 326–338. [Google Scholar] [CrossRef]
  25. Li, W.; Shi, Y.; Huang, X.; Li, Z.; Zhang, X.; Zou, X.; Hu, X.; Shi, J.; Tomovic, V. Study on the diffusion and optimization of sucrose in Gaido seak based on finite element analysis and hyperspectral imaging technology. Foods 2024, 13, 249. [Google Scholar] [CrossRef]
  26. Ding, Y.; Zeng, R.; Jiang, H.; Guan, X.; Jiang, Q.; Song, Z. Classification of tea quality grades based on hyperspectral imaging spatial information and optimization models. J. Food Meas. Charact. 2024, 18, 9098–9112. [Google Scholar] [CrossRef]
  27. Min, D.; Zhao, J.; Bodner, G.; Ali, M.; Li, F.; Zhang, X.; Rewald, B. Early decay detection in fruit by hyperspectral imaging–Principles and application potential. Food Control 2023, 152, 109830. [Google Scholar] [CrossRef]
  28. Wang, B.; Sun, J.; Xia, L.; Liu, J.; Wang, Z.; Li, P.; Guo, Y.; Sun, X. The applications of hyperspectral imaging technology for agricultural products quality analysis: A review. Food Rev. Int. 2023, 39, 1043–1062. [Google Scholar] [CrossRef]
  29. Cheng, J.; Sun, J.; Shi, L.; Dai, C. An effective method fusing electronic nose and fluorescence hyperspectral imaging for the detection of pork freshness. Food Biosci. 2024, 59, 103880. [Google Scholar] [CrossRef]
  30. Delwiche, S.R.; Rodriguez, I.T.; Rausch, S.R.; Graybosch, R.A. Estimating percentages of fusarium-damaged kernels in hard wheat by near-infrared hyperspectral imaging. J. Cereal Sci. 2019, 87, 18–24. [Google Scholar] [CrossRef]
  31. Song, Y.; Cao, S.; Chu, X.; Zhou, Y.; Xu, Y.; Sun, T.; Zhou, G.; Liu, X. Non-destructive detection of moisture and fatty acid content in rice using hyperspectral imaging and chemometrics. J. Food Compos. Anal. 2023, 121, 105397. [Google Scholar] [CrossRef]
  32. Ma, J.; Sun, D.-W.; Pu, H.; Cheng, J.-H.; Wei, Q. Advanced techniques for hyperspectral imaging in the food industry: Principles and recent applications. Annu. Rev. Food Sci. Technol. 2019, 10, 197–220. [Google Scholar] [CrossRef]
  33. Tian, Y.; Sun, J.; Zhou, X.; Wu, X.; Lu, B.; Dai, C. Research on apple origin classification based on variable iterative space shrinkage approach with stepwise regression-support vector machine algorithm and visible-near infrared hyperspectral imaging. J. Food Process. Eng. 2020, 43, e13432. [Google Scholar] [CrossRef]
  34. Femenias, A.; Gatius, F.; Ramos, A.J.; Teixido-Orries, I.; Marin, S. Hyperspectral imaging for the classification of individual cereal kernels according to fungal and mycotoxins contamination: A review. Food Res. Int. 2022, 155, 111102. [Google Scholar] [CrossRef]
  35. Dai, C.; Sun, J.; Huang, X.; Zhang, X.; Tian, X.; Wang, W.; Sun, J.; Luan, Y. Application of hyperspectral imaging as a nondestructive technology for identifying tomato maturity and quantitatively predicting lycopene content. Foods 2023, 12, 2957. [Google Scholar] [CrossRef]
  36. Tian, Y.; Sun, J.; Zhou, X.; Yao, K.; Tang, N. Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm. J. Food Process. Preserv. 2022, 46, e16414. [Google Scholar] [CrossRef]
  37. Shi, Y.; Wang, Y.; Hu, X.; Li, Z.; Huang, X.; Liang, J.; Zhang, X.; Zhang, D.; Zou, X.; Shi, J. Quantitative characterization of the diffusion behavior of sucrose in marinated beef by HSI and FEA. Meat Sci. 2023, 195, 109002. [Google Scholar] [CrossRef]
  38. Xu, F.; Huang, X.; Tian, X.; Yu, S.; Zhang, X.; Zareef, M. Application of hyperspectral imaging and colorimetric sensor array coupled with multivariate analysis for quality detection during salted duck eggs processing. J. Food Process. Eng. 2024, 47, e14589. [Google Scholar] [CrossRef]
  39. Shao, Y.; Gao, C.; Xuan, G.; Gao, X.; Chen, Y.; Hu, Z. Determination of damaged wheat kernels with hyperspectral imaging analysis. Int. J. Agric. Biol. Eng. 2020, 13, 174–182. [Google Scholar] [CrossRef]
  40. Wu, X.; Liang, X.; Wang, Y.; Wu, B.; Sun, J. Non-destructive techniques for the analysis and evaluation of meat quality and safety: A review. Foods 2022, 11, 3713. [Google Scholar] [CrossRef]
  41. Tian, X.-Y.; Aheto, J.H.; Dai, C.; Ren, Y.; Bai, J.-W. Monitoring microstructural changes and moisture distribution of dry-cured pork: A combined confocal laser scanning microscopy and hyperspectral imaging study. J. Sci. Food Agric. 2021, 101, 2727–2735. [Google Scholar] [CrossRef]
  42. Lu, B.; Sun, J.; Yang, N.; Hang, Y. Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes. J. Food Process. Preserv. 2019, 43, e14198. [Google Scholar] [CrossRef]
  43. Aheto, J.H.; Huang, X.; Tian, X.; Bonah, E.; Ren, Y.; Alenyorege, E.A.; Dai, C. Investigation into crystal size effect on sodium chloride uptake and water activity of pork meat using hyperspectral imaging. J. Food Process. Preserv. 2019, 43, e14197. [Google Scholar] [CrossRef]
  44. Shi, Y.; Wang, Y.; Hu, X.; Li, Z.; Huang, X.; Liang, J.; Zhang, X.; Zheng, K.; Zou, X.; Shi, J. Nondestructive discrimination of analogous density foreign matter inside soy protein meat semi-finished products based on transmission hyperspectral imaging. Food Chem. 2023, 411, 135431. [Google Scholar] [CrossRef]
  45. Shi, L.; Sun, J.; Zhang, B.; Wu, Z.; Jia, Y.; Yao, K.; Zhou, X. Simultaneous detection for storage condition and storage time of yellow peach under different storage conditions using hyperspectral imaging with multi-target characteristic selection and multi-task model. J. Food Compos. Anal. 2024, 135, 106647. [Google Scholar] [CrossRef]
  46. Nirere, A.; Sun, J.; Atindana, V.A.; Hussain, A.; Zhou, X.; Yao, K. A comparative analysis of hybrid SVM and LS-SVM classification algorithms to identify dried wolfberry fruits quality based on hyperspectral imaging technology. J. Food Process. Preserv. 2022, 46, e16320. [Google Scholar] [CrossRef]
  47. Saha, D.; Manickavasagan, A. Machine learning techniques for analysis of hyperspectral images to determine quality of food products: A review. Curr. Res. Food Sci. 2021, 4, 28–44. [Google Scholar] [CrossRef]
  48. Tang, N.; Jun, S.; Min, X.; Yao, K.; Yan, C.; Liu, D. Identification of fumigated and dyed Lycium barbarum by hyperspectral imaging technology. J. Food Process. Eng. 2022, 45, e13950. [Google Scholar]
  49. He, P.; Wu, Y.; Wang, J.; Ren, Y.; Ahmad, W.; Liu, R.; Ouyang, Q.; Jiang, H.; Chen, Q. Detection of mites Tyrophagus putrescentiae and Cheyletus eruditus in flour using hyperspectral imaging system coupled with chemometrics. J. Food Process. Eng. 2020, 43, e13386. [Google Scholar] [CrossRef]
  50. Zhu, L.; Ma, Q.; Chen, J.; Zhao, G. Current progress on innovative pest detection techniques for stored cereal grains and thereof powders. Food Chem. 2022, 396, 133706. [Google Scholar] [CrossRef] [PubMed]
  51. Zhang, X.; Wang, Y.; Zhou, Z.; Zhang, Y.; Wang, X. Detection method for tomato leaf mildew based on hyperspectral fusion terahertz technology. Foods 2023, 12, 535. [Google Scholar] [CrossRef]
  52. Xing, F.; Yao, H.; Liu, Y.; Dai, X.; Brown, R.L.; Bhatnagar, D. Recent developments and applications of hyperspectral imaging for rapid detection of mycotoxins and mycotoxigenic fungi in food products. Crit. Rev. Food Sci. Nutr. 2019, 59, 173–180. [Google Scholar] [CrossRef]
  53. Cao, Y.; Li, H.; Sun, J.; Zhou, X.; Yao, K.; Nirere, A. Nondestructive determination of the total mold colony count in green tea by hyperspectral imaging technology. J. Food Process. Eng. 2020, 43, e13570. [Google Scholar] [CrossRef]
  54. Li, J.; Luo, W.; Han, L.; Cai, Z.; Guo, Z. Two-wavelength image detection of early decayed oranges by coupling spectral classification with image processing. J. Food Compos. Anal. 2022, 111, 104642. [Google Scholar] [CrossRef]
  55. Williams, P.J.; Bezuidenhout, C.; Rose, L.J. Differentiation of maize ear rot pathogens, on growth media, with near infrared hyperspectral imaging. Food Anal. Methods 2019, 12, 1556–1570. [Google Scholar] [CrossRef]
  56. Lv, Y.; Lv, W.; Han, K.; Tao, W.; Zheng, L.; Weng, S.; Huang, L. Determination of wheat kernels damaged by Fusarium head blight using monochromatic images of effective wavelengths from hyperspectral imaging coupled with an architecture self-search deep network. Food Control 2022, 135, 108819. [Google Scholar] [CrossRef]
  57. Liang, K.; Ren, Z.; Song, J.; Yuan, R.; Zhang, Q. Wheat FHB resistance assessment using hyperspectral feature band image fusion and deep learning. Int. J. Agric. Biol. Eng. 2024, 17, 240–249. [Google Scholar] [CrossRef]
  58. Femenias, A.; Llorens-Serentill, E.; Ramos, A.J.; Sanchis, V.; Marin, S. Near-infrared hyperspectral imaging evaluation of Fusarium damage and DON in single wheat kernels. Food Control 2022, 142, 109239. [Google Scholar] [CrossRef]
  59. Chakraborty, S.K.; Mahanti, N.K.; Mansuri, S.M.; Tripathi, M.K.; Kotwaliwale, N.; Jayas, D.S. Non-destructive classification and prediction of aflatoxin-B1 concentration in maize kernels using Vis-NIR (400–1000 nm) hyperspectral imaging. J. Food Sci. Technol. 2021, 58, 437–450. [Google Scholar] [CrossRef]
  60. Mansuri, S.M.; Chakraborty, S.K.; Mahanti, N.K.; Pandiselvam, R. Effect of germ orientation during Vis-NIR hyperspectral imaging for the detection of fungal contamination in maize kernel using PLS-DA, ANN and 1D-CNN modelling. Food Control 2022, 139, 109077. [Google Scholar] [CrossRef]
  61. Teixido-Orries, I.; Molino, F.; Gatius, F.; Sanchis, V.; Marin, S. Near-infrared hyperspectral imaging as a novel approach for T-2 and HT-2 toxins estimation in oat samples. Food Control 2023, 153, 109952. [Google Scholar] [CrossRef]
  62. Su, W.-H.; Yang, C.; Dong, Y.; Johnson, R.; Page, R.; Szinyei, T.; Hirsch, C.D.; Steffenson, B.J. Hyperspectral imaging and improved feature variable selection for automated determination of deoxynivalenol in various genetic lines of barley kernels for resistance screening. Food Chem. 2021, 343, 128507. [Google Scholar] [CrossRef]
  63. Nie, S.; Gao, W.; Liu, S.; Li, M.; Li, T.; Ren, J.; Ren, S.; Wang, J. Hyperspectral imaging combined with deep learning models for the prediction of geographical origin and fungal contamination in millet. Front. Sustain. Food Syst. 2024, 8, 1454020. [Google Scholar] [CrossRef]
  64. Wang, Z.; Fu, Z.; Weng, W.; Yang, D.; Wang, J. An efficient method for the rapid detection of industrial paraffin contamination levels in rice based on hyperspectral imaging. LWT 2022, 171, 114125. [Google Scholar] [CrossRef]
  65. Femenias, A.; Bainotti, M.B.; Gatius, F.; Ramos, A.J.; Marin, S. Standardization of near infrared hyperspectral imaging for wheat single kernel sorting according to deoxynivalenol level. Food Res. Int. 2021, 139, 109925. [Google Scholar] [CrossRef]
  66. Kurmi, Y.; Saxena, P.; Kirar, B.S.; Gangwar, S.; Chaurasia, V.; Goel, A. Deep CNN model for crops’ diseases detection using leaf images. Multidimens. Syst. Signal Process. 2022, 33, 981–1000. [Google Scholar] [CrossRef]
  67. Xue, B.; Tian, L.; Wang, Z.; Wang, X.; Yao, X.; Zhu, Y.; Cao, W.; Cheng, T. Quantification of rice spikelet rot disease severity at organ scale with proximal imaging spectroscopy. Precis. Agric. 2023, 24, 1049–1071. [Google Scholar] [CrossRef]
  68. Zhang, F.; Cui, X.; Zhang, C.; Cao, W.; Wang, X.; Fu, S.; Teng, S. Rapid non-destructive identification of selenium-enriched millet based on hyperspectral imaging technology. Czech J. Food Sci. 2022, 40, 445–455. [Google Scholar] [CrossRef]
  69. Wang, S.; Sun, J.; Fu, L.; Xu, M.; Tang, N.; Cao, Y.; Yao, K.; Jing, J. Identification of red jujube varieties based on hyperspectral imaging technology combined with CARS-IRIV and SSA-SVM. J. Food Process. Eng. 2022, 45, e14137. [Google Scholar] [CrossRef]
  70. Liang, J.; Wang, Y.; Shi, Y.; Huang, X.; Li, Z.; Zhang, X.; Zou, X.; Shi, J. Non-destructive discrimination of homochromatic foreign materials in cut tobacco based on VIS-NIR hyperspectral imaging. J. Sci. Food Agric. 2023, 103, 4545–4552. [Google Scholar] [CrossRef]
  71. Zhang, L.; Sun, J.; Zhou, X.; Nirere, A.; Wu, X.; Dai, R. Classification detection of saccharin jujube based on hyperspectral imaging technology. J. Food Process. Preserv. 2020, 44, e14591. [Google Scholar] [CrossRef]
  72. Fu, L.; Sun, J.; Wang, S.; Xu, M.; Yao, K.; Cao, Y.; Tang, N. Identification of maize seed varieties based on stacked sparse autoencoder and near-infrared hyperspectral imaging technology. J. Food Process. Eng. 2022, 45, e14120. [Google Scholar] [CrossRef]
  73. Bai, Z.; Tian, J.; Hu, X.; Sun, T.; Luo, H.; Huang, D. A back-propagation neural network model using hyperspectral imaging applied to variety nondestructive detection of cereal. J. Food Process. Eng. 2022, 45, e13973. [Google Scholar] [CrossRef]
  74. Sivakumar, C.; Chaudhry, M.M.A.; Paliwal, J. Classification of pulse flours using near-infrared hyperspectral imaging. LWT 2022, 154, 112799. [Google Scholar] [CrossRef]
  75. Lei, Y.; Hu, X.; Tian, J.; Zhang, J.; Yan, S.; Xue, Q.; Ma, X.; Chen, M.; Huang, D. Rapid resolution of types and proportions of broken grains using hyperspectral imaging and optimization algorithm. J. Cereal Sci. 2022, 108, 103565. [Google Scholar] [CrossRef]
  76. Ekramirad, N.; Doyle, L.; Loeb, J.; Santra, D.; Adedeji, A.A. Hyperspectral imaging and machine learning as a nondestructive method for proso millet seed detection and classification. Foods 2024, 13, 1330. [Google Scholar] [CrossRef]
  77. Zhu, D.; Han, J.; Liu, C.; Zhang, J.; Qi, Y. Vis-NIR and NIR hyperspectral imaging combined with convolutional neural network with attention module for flaxseed varieties identification. J. Food Compos. Anal. 2025, 137, 106880. [Google Scholar] [CrossRef]
  78. Bu, Y.; Jiang, X.; Tian, J.; Hu, X.; Han, L.; Huang, D.; Luo, H. Rapid nondestructive detecting of sorghum varieties based on hyperspectral imaging and convolutional neural network. J. Sci. Food Agric. 2023, 103, 3970–3983. [Google Scholar] [CrossRef] [PubMed]
  79. Han, L.; Tian, J.; Huang, Y.; He, K.; Liang, Y.; Hu, X.; Xie, L.; Yang, H.; Huang, D. Hyperspectral imaging combined with dual-channel deep learning feature fusion model for fast and non-destructive recognition of brew wheat varieties. J. Food Compos. Anal. 2024, 125, 105785. [Google Scholar] [CrossRef]
  80. Ozdogan, G.; Gowen, A. Wheat grain classification using hyperspectral imaging: Concatenating Vis-NIR and SWIR data for single and bulk grains. Food Control 2025, 168, 110953. [Google Scholar] [CrossRef]
  81. Zhu, J.; Li, H.; Rao, Z.; Ji, H. Identification of slightly sprouted wheat kernels using hyperspectral imaging technology and different deep convolutional neural networks. Food Control 2023, 143, 109291. [Google Scholar] [CrossRef]
  82. Jiang, X.; Bu, Y.; Han, L.; Tian, J.; Hu, X.; Zhang, X.; Huang, D.; Luo, H. Rapid nondestructive detecting of wheat varieties and mixing ratio by combining hyperspectral imaging and ensemble learning. Food Control 2023, 150, 109740. [Google Scholar] [CrossRef]
  83. Shao, Y.; Xuan, G.; Hu, Z.; Wang, Y. Detection of adulterants and authenticity discrimination for coarse grain flours using NIR hyperspectral imaging. J. Food Process. Eng. 2019, 42, e13265. [Google Scholar] [CrossRef]
  84. Bai, Z.; Hu, X.; Tian, J.; Chen, P.; Luo, H.; Huang, D. Rapid and nondestructive detection of sorghum adulteration using optimization algorithms and hyperspectral imaging. Food Chem. 2020, 331, 127290. [Google Scholar] [CrossRef]
  85. Huang, H.; Hu, X.; Tian, J.; Peng, X.; Luo, H.; Huang, D.; Zheng, J.; Wang, H. Rapid and nondestructive determination of sorghum purity combined with deep forest and near-infrared hyperspectral imaging. Food Chem. 2022, 377, 131981. [Google Scholar] [CrossRef]
  86. Zhang, L.; Sun, H.; Rao, Z.; Ji, H. Non-destructive identification of slightly sprouted wheat kernels using hyperspectral data on both sides of wheat kernels. Biosyst. Eng. 2020, 200, 188–199. [Google Scholar] [CrossRef]
  87. Huang, H.; Liu, Y.; Zhu, S.; Feng, C.; Zhang, S.; Shi, L.; Sun, T.; Liu, C. Detection of mechanical damage in corn seeds using hyperspectral imaging and the ResNeSt_E deep learning network. Agriculture 2024, 14, 1780. [Google Scholar] [CrossRef]
  88. Kadam, S.; Pabrekar, S.; Sawardekar, S.; Barage, S. High-throughput and molecular interventions for identification and characterization of rice germplasm. Cereal Res. Commun. 2023, 51, 325–335. [Google Scholar] [CrossRef]
  89. Nirere, A.; Sun, J.; Kama, R.; Atindana, V.A.; Nikubwimana, F.D.; Dusabe, K.D.; Zhong, Y. Nondestructive detection of adulterated wolfberry (Lycium Chinense) fruits based on hyperspectral imaging technology. J. Food Process. Eng. 2023, 46, e14293. [Google Scholar] [CrossRef]
  90. Sun, J.; Yang, F.; Cheng, J.; Wang, S.; Fu, L. Nondestructive identification of soybean protein in minced chicken meat based on hyperspectral imaging and VGG16-SVM. J. Food Compos. Anal. 2024, 125, 105713. [Google Scholar] [CrossRef]
  91. Alvarez, J.; Martinez, E.; Diezma, B. Application of hyperspectral imaging in the assessment of drought and salt stress in magneto-primed triticale seeds. Plants 2021, 10, 835. [Google Scholar] [CrossRef] [PubMed]
  92. Tian, X.-Y.; Aheto, J.H.; Bai, J.-W.; Dai, C.; Ren, Y.; Chang, X. Quantitative analysis and visualization of moisture and anthocyanins content in purple sweet potato by Vis-NIR hyperspectral imaging. J. Food Process. Preserv. 2021, 45, e15128. [Google Scholar] [CrossRef]
  93. Cheng, J.; Sun, J.; Yao, K.; Xu, M.; Tian, Y.; Dai, C. A decision fusion method based on hyperspectral imaging and electronic nose techniques for moisture content prediction in frozen-thawed pork. LWT 2022, 165, 113778. [Google Scholar] [CrossRef]
  94. Zhang, L.; An, D.; Wei, Y.; Liu, J.; Wu, J. Prediction of oil content in single maize kernel based on hyperspectral imaging and attention convolution neural network. Food Chem. 2022, 395, 133563. [Google Scholar] [CrossRef]
  95. Mendoza, P.T.D.; Armstrong, P.R.; Peiris, K.H.S.; Siliveru, K.; Bean, S.R.; Pordesimo, L.O. Prediction of sorghum oil content using near-infrared hyperspectral imaging. Cereal Chem. 2023, 100, 775–783. [Google Scholar] [CrossRef]
  96. Zhang, Y.; Guo, W. Moisture content detection of maize seed based on visible/near-infrared and near-infrared hyperspectral imaging technology. Int. J. Food Sci. Technol. 2020, 55, 631–640. [Google Scholar] [CrossRef]
  97. Zhang, Y.; Yang, T.; Wang, Z.; Li, S.; Chen, Y. In situ detection of moisture content and gelatinization degree during rice processing using hyperspectral imaging. J. Food Compos. Anal. 2024, 130, 106172. [Google Scholar] [CrossRef]
  98. Han, L.; Jiang, X.; Zhou, S.; Tian, J.; Hu, X.; Huang, D.; Luo, H. Hyperspectral imaging technology combined with the extreme gradient boosting algorithm (XGBoost) for the rapid analysis of the moisture and acidity contents in fermented grains. J. Am. Soc. Brew. Chem. 2024, 82, 281–293. [Google Scholar] [CrossRef]
  99. Huang, Y.; Tian, J.; Yang, H.; Hu, X.; Han, L.; Fei, X.; He, K.; Liang, Y.; Xie, L.; Huang, D.; et al. Detection of wheat saccharification power and protein content using stacked models integrated with hyperspectral imaging. J. Sci. Food Agric. 2024, 104, 4145–4156. [Google Scholar] [CrossRef] [PubMed]
  100. Fei, X.; Jiang, X.; Lei, Y.; Tian, J.; Hu, X.; Bu, Y.; Huang, D.; Luo, H. The rapid non-destructive detection of the protein and fat contents of sorghum based on hyperspectral imaging. Food Anal. Methods 2023, 16, 1690–1701. [Google Scholar] [CrossRef]
  101. He, K.; Tian, J.; Hu, X.; Fei, X.; Han, L.; Huang, Y.; Liang, Y.; Xie, L.; Yang, H.; Huang, D. Rapid and non-destructive determination of the protein and fat contents in wheat by hyperspectral imaging combined with AdaBoost-SVR modeling. J. Am. Soc. Brew. Chem. 2024, 82, 335–348. [Google Scholar] [CrossRef]
  102. Jiang, X.; Tian, J.; Huang, H.; Hu, X.; Han, L.; Huang, D.; Luo, H. Nondestructive visualization and quantification of total acid and reducing sugar contents in fermented grains by combining spectral and color data through hyperspectral imaging. Food Chem. 2022, 386, 132779. [Google Scholar] [CrossRef]
  103. Zhang, J.; Lei, Y.; He, L.; Hu, X.; Tian, J.; Chen, M.; Huang, D.; Luo, H. The rapid detection of the tannin content of grains based on hyperspectral imaging technology and chemometrics. J. Food Compos. Anal. 2023, 123, 105604. [Google Scholar] [CrossRef]
  104. Hu, N.; Li, W.; Du, C.; Zhang, Z.; Gao, Y.; Sun, Z.; Yang, L.; Yu, K.; Zhang, Y.; Wang, Z. Predicting micronutrients of wheat using hyperspectral imaging. Food Chem. 2021, 343, 128473. [Google Scholar] [CrossRef]
  105. Shi, T.; Gao, Y.; Song, J.; Ao, M.; Hu, X.; Yang, W.; Chen, W.; Liu, Y.; Feng, H. Using VIS-NIR hyperspectral imaging and deep learning for non-destructive high-throughput quantification and visualization of nutrients in wheat grains. Food Chem. 2024, 461, 140651. [Google Scholar] [CrossRef]
  106. Huang, H.; Hu, X.; Tian, J.; Jiang, X.; Sun, T.; Luo, H.; Huang, D. Rapid and nondestructive prediction of amylose and amylopectin contents in sorghum based on hyperspectral imaging. Food Chem. 2021, 359, 129954. [Google Scholar] [CrossRef] [PubMed]
  107. Liang, Y.; Tian, J.; Hu, X.; Huang, Y.; He, K.; Xie, L.; Yang, H.; Huang, D.; Zhou, Y.; Xia, Y. Rapid determination of starch and alcohol contents in fermented grains by hyperspectral imaging combined with data fusion techniques. J. Food Sci. 2024, 89, 3540–3553. [Google Scholar] [CrossRef] [PubMed]
  108. Blanch-Perez-del-Notario, C.; Saeys, W.; Lambrechts, A. Fast ingredient quantification in multigrain flour mixes using hyperspectral imaging. Food Control 2020, 118, 107366. [Google Scholar] [CrossRef]
  109. Zhong, Y.; Sun, J.; Yao, K.; Cheng, J.; Du, X. Detection of rice (with husk) moisture content based on hyperspectral imaging technology combined with MSLPP-ESMA-SVR model. J. Food Saf. 2024, 44, e13112. [Google Scholar] [CrossRef]
  110. Qiao, M.; Xu, Y.; Xia, G.; Su, Y.; Lu, B.; Gao, X.; Fan, H. Determination of hardness for maize kernels based on hyperspectral imaging. Food Chem. 2022, 366, 130559. [Google Scholar] [CrossRef]
  111. Cheng, J.; Sun, J.; Yao, K.; Xu, M.; Zhou, X. Nondestructive detection and visualization of protein oxidation degree of frozen-thawed pork using fluorescence hyperspectral imaging. Meat Sci. 2022, 194, 108975. [Google Scholar] [CrossRef]
  112. Medina-Garcia, M.; Roca-Nasser, E.A.; Martinez-Domingo, M.A.; Valero, E.M.; Arroyo-Cerezo, A.; Cuadros-Rodriguez, L.; Jimenez-Carvelo, A.M. Towards the establishment of a green and sustainable analytical methodology for hyperspectral imaging-based authentication of wholemeal bread. Food Control 2024, 166, 110715. [Google Scholar] [CrossRef]
  113. Kang, Z.; Zhao, Y.; Chen, L.; Guo, Y.; Mu, Q.; Wang, S. Advances in machine learning and hyperspectral imaging in the food supply chain. Food Eng. Rev. 2022, 14, 596–616. [Google Scholar] [CrossRef] [PubMed]
  114. Bian, H.; Ma, B.; Yu, G.; Dong, F.; Li, Y.; Xu, Y.; Tan, H. Fusion features of microfluorescence hyperspectral imaging for qualitative detection of pesticide residues in Hami melon. Food Res. Int. 2024, 196, 115010. [Google Scholar] [CrossRef]
  115. ElMasry, G.; Gou, P.; Al-Rejaie, S. Effectiveness of specularity removal from hyperspectral images on the quality of spectral signatures of food products. J. Food Eng. 2021, 289, 110148. [Google Scholar] [CrossRef]
  116. Peng, J.; Zhang, J.; Han, L.; Ma, X.; Hu, X.; Lin, T.; He, L.; Yi, X.; Tian, J.; Chen, M. Determination of malathion content in sorghum grains using hyperspectral imaging technology combined with stacked machine learning models. J. Food Compos. Anal. 2024, 135, 106635. [Google Scholar] [CrossRef]
  117. Hu, X.; Zhang, J.; Lei, Y.; Tian, J.; Peng, J.; Chen, M. Classification of pesticide residues in sorghum based on hyperspectral and gradient boosting decision trees. J. Food Saf. 2024, 44, e13166. [Google Scholar] [CrossRef]
  118. Quinn, B.; McCarron, P.; Hong, Y.; Birse, N.; Wu, D.; Elliott, C.T.; Ch, R. Elementomics combined with DD-SIMCA and K-NN to identify the geographical origin of rice samples from China, India, and Vietnam. Food Chem. 2022, 386, 132738. [Google Scholar] [CrossRef]
  119. Choi, J.-Y.; Kim, H.-C.; Moon, K.-D. Geographical origin discriminant analysis of chia seeds (Salvia hispanica L.) using hyperspectral imaging. J. Food Compos. Anal. 2021, 101, 103916. [Google Scholar] [CrossRef]
  120. Edris, M.; Ghasemi-Varnamkhasti, M.; Kiani, S.; Yazdanpanah, H.; Izadi, Z. Identifying the authenticity and geographical origin of rice by analyzing hyperspectral images using unsupervised clustering algorithms. J. Food Compos. Anal. 2024, 125, 105737. [Google Scholar] [CrossRef]
  121. Van De Steene, J.; Ruyssinck, J.; Fernandez-Pierna, J.-A.; Vandermeersch, L.; Maes, A.; Van Langenhove, H.; Walgraeve, C.; Demeestere, K.; De Meulenaer, B.; Jacxsens, L.; et al. Fingerprinting methods for origin and variety assessment of rice: Development, validation and data fusion experiments. Food Control 2023, 151, 109780. [Google Scholar] [CrossRef]

Авторы: Yuting Liang. Zhihua Li, Jiyong Shi, Ning Zhang, Zhou Qin, Liuzi Du, Xiaodong Zhai, Tingting Shen, Roujia Zhang, Xiaowei Huang

ЗАКАЗАТЬ СИСТЕМУ

СХОЖИЕ СТАТЬИБОЛЬШЕ ОТ АВТОРА