①Daily Freshness Decay of Minimally Processed Apples using Vis/NIR Multispectral Imaging: Preliminary Tests

基于Vis/ NIR多光譜成像技術(shù)的輕加工蘋果日新鮮度衰減研究：初步實驗

摘要：

近年來，鮮切（輕度加工）果蔬的市場消費量大幅增長。事實上，人類生活方式的變化往往促使消費者更傾向于選擇便捷且健康的產(chǎn)品。監(jiān)測新鮮切割產(chǎn)品的質(zhì)量變化對于控制整個生產(chǎn)鏈中的新鮮度水平至關(guān)重要。因此，采用非破壞性且可整合到生產(chǎn)鏈中的新型分析方法將極大助力新鮮果蔬行業(yè)的發(fā)展。本初步研究旨在利用可見光 / 近紅外多光譜成像技術(shù)，定性監(jiān)測鮮切蘋果切片12 小時內(nèi)新鮮度隨時間的衰減規(guī)律。實驗所用3顆粉紅佳人蘋果購自大型連鎖商超；沿果柄-果萼橫軸橫向切片制備樣品。每片蘋果對半分割處理：其中一半切片浸入含2%（w/v）L-抗壞血酸的水溶液中5分鐘以模擬即食產(chǎn)品狀態(tài)，另一半作為對照組保持未處理狀態(tài)。

采用丹麥 Videometer A/S 公司生產(chǎn)的 Videometer Lab4多光譜成像系統(tǒng)，連續(xù) 12 小時、每 60 分鐘對蘋果進行監(jiān)測，并針對每次采集數(shù)據(jù)采用與各樣本同步獲取的多色參考圖像進行歸一化校正，以確保測量條件的一致性。每張圖像均采用k均值算法對RGB彩色圖像進行分割，從而將蘋果果肉（即關(guān)注區(qū)域）與背景、果皮及果核分離。經(jīng)過上述預(yù)處理后，將當(dāng)日每個切片的所有采集數(shù)據(jù)整合為單一數(shù)據(jù)集，并以二維矩陣形式呈現(xiàn)，隨后應(yīng)用主成分分析（PCA）。最終通過偽彩色評分圖像重組技術(shù)，突顯單個蘋果切片中出現(xiàn)的顯著差異。

研究結(jié)果令人鼓舞：所有樣本的分析均能清晰區(qū)分經(jīng)處理切片與未處理切片（尤其在PC2評分維度上）；同時，經(jīng)處理與未處理切片均顯示出隨時間推移（按小時計）明顯的變化趨勢。本初步研究表明，多光譜成像技術(shù)可作為快速、非破壞性的監(jiān)測手段，有效追蹤低限度加工蘋果切片的新鮮度變化過程。

圖1. 蘋果切片示意圖（左圖），標(biāo)簽分別標(biāo)示經(jīng)L-抗壞血酸處理的部分與未處理部分；右側(cè)為掩膜處理后的感興趣區(qū)域（ROI）標(biāo)識。

主成分分析（PCA）結(jié)果顯示，三個具顯著性的主成分共同解釋了近98.21%的總方差（圖3）。PC2得分分布圖顯示其解釋了22.14%的方差，并清晰揭示了所有三個樣本時間維度上的變化趨勢（如圖2所示）。圖中三個蘋果切片按列順序排列（參見縱軸標(biāo)簽），其時間演變過程則沿橫軸方向呈現(xiàn)（參見橫軸標(biāo)簽）。

圖2. PC2得分源自主成分分析（PCA）。所監(jiān)測的蘋果切片按列順序排列，而按行順序排列則展示了這些樣本在一天中各時段的變化趨勢。

在第一次采集的樣本中（即圖2左部分），深色區(qū)域廣泛分布。這些顏色通常與較高的新鮮度相關(guān)，因為它們是新鮮切片采集樣本的典型特征。隨著時間推移，深色區(qū)域會逐漸消失，并被更明亮的顏色所取代，這表明蘋果的衰老程度正在加劇，主要與水分流失有關(guān)。在圖2右部分的最終采集數(shù)據(jù)中，最明亮的顏色占據(jù)主導(dǎo)地位，說明在整個持續(xù)12小時的實驗過程中，產(chǎn)品的新鮮度已顯著下降。

圖3.前三個主成分（PC）的PCA載荷值隨相機濾光片波長的變化關(guān)系（左圖），以及相同主成分解釋的總方差百分比（右圖）。

圖3展示了前三個主成分（PC）的PCA載荷圖。如前所述，樣品隨時間的變化特征主要由PC2來描述：其載荷圖在430–470nm可見光區(qū)及 NIR 波長大于850nm的區(qū)域呈現(xiàn)明顯的正負(fù)峰值；而在這兩個波長范圍之間的區(qū)間內(nèi)，曲線則趨近于零。因此，衰老進程主要可通過藍(lán)色區(qū)域內(nèi)的三種對顏色敏感的濾波器，以及近紅外波段中對檢測樣品隨時間變化至關(guān)重要的濾波器來表征。針對這些定性分析結(jié)果，需進一步開展深入研究以確定合適的濾波器組合并減少所需濾波器數(shù)量。

②Application of Multispectral Imaging to Determine Quality Attributes and Ripeness Stage in Strawberry Fruit

多光譜成像技術(shù)在草莓果實品質(zhì)指標(biāo)與成熟度判別中的應(yīng)用

摘要：

采用涵蓋405–970nm波長范圍內(nèi)的19個波長的多光譜成像技術(shù)，已被用于無損檢測草莓果實的硬度、總可溶性固形物（TSS）含量及成熟度等級。研究采用了偏最小二乘法（PLS）、支持向量機（SVM）和反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）等多種分析方法，建立了預(yù)測完整草莓果實硬度與TSS含量的理論模型。與PLS和 SVM 相比， BPNN 顯著提升了多光譜成像技術(shù)預(yù)測硬度和TSS含量的性能：相關(guān)系數(shù)(r)分別為0.94和0.83，均方誤差（SEP）分別為0.375和0.573，偏差分別為0.035和0.056。隨后，利用 SVM 模型和主成分分析-反向傳播神經(jīng)網(wǎng)絡(luò)（PCA- BPNN）模型驗證了該技術(shù)對果實成熟度分級的分類能力，其中 SVM 模型實現(xiàn)了高達100%的分類準(zhǔn)確率。所有模型結(jié)果均表明，光譜中的可見光（VIS）區(qū)域是決定草莓果實硬度、估算TSS含量及判定成熟度等級的主要因素。結(jié)果證明，結(jié)合合適的分析模型，多光譜成像技術(shù)是一種快速評估草莓果實品質(zhì)特性并實現(xiàn)成熟度分級的前景廣闊的技術(shù)手段。

圖1. 多光譜成像系統(tǒng)的主結(jié)構(gòu)配置：采用帶有啞光白色涂層的積分球可確保最佳光照條件；位于球體邊緣的發(fā)光二極管可實現(xiàn)窄帶照明；圖像采集由安裝在球體頂部的單色灰度CCD相機完成。

圖2展示了在三個成熟度階段采集的草莓果實于405–970 nm波長范圍內(nèi)測得的平均相對反射率光譜。盡管處于不同成熟度，草莓果實的反射率曲線在整個光譜范圍內(nèi)均較為平滑。代表草莓果實顏色特征的花青素和葉綠素此前已被分別鑒定出存在于約520nm和680nm波長處[33,34]。ElMasry等人[11]指出，NIR在840nm和960nm附近的吸收峰分別與糖分含量及水分含量相關(guān)。本研究中，由于成熟及過熟果實中的葉綠素已發(fā)生降解，其在660 nm處的葉綠素吸收帶幾乎消失。與此同時，花青素吸收帶（525 nm處）的相對反射率在成熟及過熟果實中均顯著低于未成熟果實，表明這兩種果實中的花青素含量明顯更高。該結(jié)果與ElMasry等人[11]的研究報告一致——他們同樣發(fā)現(xiàn)成熟及過熟果實中的花青素含量高于未成熟果實。先前研究已明確，總可溶性固形物含量的主要構(gòu)成成分為糖類，其占比達57%至82%[5]。過熟果實中糖類吸收帶（850nm處）的相對反射率遠(yuǎn)低于未成熟及成熟果實，這可能與過熟果實的總可溶性固形物含量（8.63 μg·g?1）顯著高于未成熟及成熟果實（分別為7.03 μg·g?1和7.79 μg·g?1）有關(guān)。

圖2. 未成熟、成熟及過熟草莓果實的多光譜圖像平均反射率。垂直條表示基于70次測量所得標(biāo)準(zhǔn)差。

③Convolutional Neural Networks of Whole Jujube Fruits Prediction Model Based on Multi-Spectral Imaging Method

基于多光譜成像法的整顆棗果預(yù)測模型卷積神經(jīng)網(wǎng)絡(luò)

摘要：

可溶性糖是評估棗子品質(zhì)的重要指標(biāo)，同時也是影響棗子口感的關(guān)鍵因素。目前測定棗子可溶性糖含量主要依賴人工化學(xué)分析法，該方法耗時且勞動強度大。本研究探討了多光譜成像技術(shù)結(jié)合深度學(xué)習(xí)方法用于快速無損檢測果實內(nèi)部品質(zhì)的可行性。通過多光譜成像方法建立了支持向量機回歸模型、偏最小二乘回歸模型以及卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，用于預(yù)測整顆棗子的可溶性糖含量，并從中篩選出優(yōu)模型用于預(yù)測三種可溶性糖的含量。研究表明：經(jīng)過CNN訓(xùn)練后，整顆棗子的蔗糖預(yù)測模型性能最佳，驗證集的相關(guān)系數(shù)達0.88，這證明了利用CNN預(yù)測棗子可溶性糖含量的可行性。

圖1為本研究方法整體試驗流程。試驗樣本選用中國新疆維吾爾自治區(qū)不同品種紅棗。基于多光譜反射率數(shù)據(jù)構(gòu)建支持向量回歸（SVR）模型與偏最小二乘回歸（PLSR）模型；完成圖像分割與數(shù)據(jù)增廣后，利用卷積神經(jīng)網(wǎng)絡(luò)搭建預(yù)測模型；最后依據(jù)預(yù)測精度篩選優(yōu)模型。

流程：樣本采集→樣本多光譜圖像采集→圖像預(yù)處理（光譜提取、圖像分割、數(shù)據(jù)擴充）→模型構(gòu)建（CNN 圖像模型、PLSR 模型、SVR 模型）→模型對比→樣本含糖量實測

試驗流程

①圖像預(yù)處理：選取880nm波段灰度圖，閾值分割+分水嶺算法實現(xiàn)單顆棗果分割；

②數(shù)據(jù)擴充：旋轉(zhuǎn)、翻轉(zhuǎn)擴增樣本，數(shù)據(jù)集按 5:1 劃分訓(xùn)練集與驗證集；

③構(gòu)建三類模型：

SVR、PLSR 傳統(tǒng)機器學(xué)習(xí)模型（3 組不同一維光譜輸入）；

淺層自制 CNN 模型，輸入19波段三維多光譜圖像，同步融合光譜+空間紋理特征；模型評價指標(biāo)：決定系數(shù)R2、均方根預(yù)測誤差 RMSPE。

圖 2 樣本采集與處理示意圖：(a) 用于紅棗圖像采集的 VideometerLab4 設(shè)備；(b) 紅棗原始多光譜圖像；(c) 對比 19 個光譜波段后，選取區(qū)分樣本與背景效果佳的 880 nm 灰度圖開展預(yù)處理，通過閾值法分離前景棗果與背景；(d) 采用分水嶺算法分割單顆棗果，生成獨立單果多光譜圖像。

試驗采用 VideometerLab 4 多光譜成像設(shè)備（圖 2 (a)），設(shè)備搭載 19 種不同波長 LED 光源，覆蓋可見光、紫外、近紅外四大成像模塊，光譜范圍 365–970 nm。密閉球體內(nèi)各 LED 依次閃爍照射樣本，生成多光譜圖像（圖 2 (b)）。

圖 3 樣本多光譜反射率感興趣區(qū)域：(a) 紅棗整體平均多光譜反射率提取區(qū)域；(b) 紅棗五點光譜采樣點位示意圖。

首先提取預(yù)處理后單顆棗果的感興趣區(qū)域（ROI），借助 Videometer Lab軟件提取該區(qū)域平均多光譜反射率，見圖3 (a)；其次在感興趣區(qū)域內(nèi)選取5個采樣點（左上、右上、左下、右下、中心）采集單點光譜反射數(shù)據(jù)，圖3(b) 為 5 個采樣點分布位置。

圖 4 樣本數(shù)據(jù)擴充方式：(a) 原始圖像；(b) 90° 旋轉(zhuǎn)；(c) 270° 旋轉(zhuǎn)；(d) 左右翻轉(zhuǎn)；(e) 上下翻轉(zhuǎn)。

本研究樣本數(shù)量有限，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)前先進行數(shù)據(jù)擴充。如圖 4 所示，每張樣本圖像執(zhí)行四種增廣操作：90° 旋轉(zhuǎn)、270° 旋轉(zhuǎn)、左右翻轉(zhuǎn)、上下翻轉(zhuǎn)。

圖5. CNN架構(gòu)示意圖：輸入為80 × 80 × 19的樣本圖像，輸出經(jīng)過五個卷積模塊、一個全連接層和一個回歸層處理。各卷積模塊包括卷積層（Conv）、批歸一化層（BN）、Leaky ReLU激活函數(shù)層、最大池化層（Max pooling）以及丟棄層。

圖5展示了CNN預(yù)測模型，該模型主要由五個卷積模塊、一個全連接層模塊以及一個回歸層組成。每個卷積模塊包含一個卷積層、一個歸一化層、一個帶泄漏的ReLU（修正線性單元）激活函數(shù)層和一個最大池化層。卷積層的卷積核尺寸為5 × 5 and 3 × 3；特征圖像數(shù)量分別為128、64、32、16和8；所有卷積層的步長均為2；填充值設(shè)為0。在該模型中采用了交叉熵?fù)p失函數(shù)和Adam優(yōu)化算法，學(xué)習(xí)率初始值設(shè)定為0.1。

研究結(jié)論：SVR、PLSR 所有輸入方案建模效果極差，CNN 模型預(yù)測精度大幅提升，果糖、葡萄糖、蔗糖中蔗糖預(yù)測效果優(yōu)。優(yōu)勢原因：CNN 輸入完整多光譜圖像，同時包含光譜、外形、紋理信息，相比一維光譜機器學(xué)習(xí)更適配多品種、小批量紅棗無損檢測。

④Chitosan inhibits the growth of Penicillium digitatum and Penicillium italicum and protects oranges from green and blue mold during postharvest

殼聚糖可抑制指狀青霉和意大利青霉的生長，在采后階段保護柑橘免受綠霉病和藍(lán)霉病侵害

摘要：由青霉屬（Penicillium spp.）感染引起的橙子采后損失是全球柑橘產(chǎn)業(yè)面臨的主要問題。本研究檢測了殼聚糖對多種青霉菌株（包括部分對殺菌劑耐藥的菌株）的抗菌特性，并評估了殼聚糖作為臍橙保護涂層預(yù)防感染的效果。在培養(yǎng)基中添加0.5%濃度的殼聚糖可抑制指狀青霉（Penicillium digitatum）的生長，而斜青霉（Penicillium italicum）則需要1%的殼聚糖才能抑制其生長。隨后，我們分別采用單獨使用殼聚糖或與商業(yè)蠟混合的方式對橙子進行涂覆處理，以比較其控制青霉感染的效果與傳統(tǒng)殺菌劑加蠟處理方案的差異；其他對照組包括僅使用蠟處理或不作處理的橙子。在適宜病害發(fā)生的條件下，對橙子進行指狀青霉和斜青霉菌株的接觸接種實驗。結(jié)果顯示：與僅使用蠟處理或未處理的橙子相比，經(jīng)1%、2%及1%+蠟混合殼聚糖涂層處理的橙子感染累積發(fā)生率顯著降低；基于殼聚糖的食用涂層效果亦優(yōu)于殺菌劑和蠟處理方案。與常規(guī)處理組相比，2%殼聚糖可使殺菌劑耐藥型指狀青霉和斜青霉引起的腐爛發(fā)生率分別降低68%和76%。此外，與所有其他處理方法相比，將殼聚糖與蠟結(jié)合使用可延長橙子的保質(zhì)期并提升其市場競爭力。這些結(jié)果表明，殼聚糖可作為合成殺菌劑的有效補充或替代品，用于防治臍橙采后供應(yīng)鏈中的青霉病和藍(lán)霉病。

試驗圖像采集

為評估殼聚糖是否具有預(yù)防感染作用并支持視覺評估，研究人員對每組實驗中的六個橙子采用多光譜成像（MSI）技術(shù)檢測真菌早期發(fā)育情況及觀察病程進展。經(jīng)nCDA算法處理后的多光譜圖像清晰顯示了受感染組織與健康組織在反射光譜上的顯著差異。雖然使用17種波長組合可獲得最佳分離效果（特征值為18），但我們最終選定包含365、490、570、645、880和940 nm六種波長的波長組合（覆蓋紫外、可見光及近紅外區(qū)域），其特征值為13.54。例如圖3展示了涂覆1%殼聚糖+蠟劑與傳統(tǒng)抑霉唑+蠟劑（陽性對照）的橙子在接觸接種斜口假單胞菌FR菌株后的對比結(jié)果：陰性對照組與殼聚糖+蠟劑組圖像中均未出現(xiàn)紅色像素點，證實視覺上健康的組織確實保持健康狀態(tài)；而殼聚糖+蠟劑處理組橙子在接觸接種48小時后感染即被抑制；相比之下，傳統(tǒng)抑霉唑處理組果實中出現(xiàn)深紅色像素點表明存在活躍的真菌生長（斜口假單胞菌FR）。

sRGB 原圖：普通可見光照片，就是人眼直觀看到的橙子外觀，早期果皮內(nèi)部霉菌肉眼看不出痕跡；

nCDA 轉(zhuǎn)換圖：Videometer軟件對 19 段多光譜波段做判別分析處理后的可視化圖像，是設(shè)備核心病害識別輸出結(jié)果。

時間梯度觀測

圖中展示接種后 2 天、6 天、10 天、14 天多個時間節(jié)點成像，每組橙子下方標(biāo)注霉變總面積（mm2）與果皮侵染占比，實現(xiàn)病害量化，不靠人主觀肉眼打分。

①陰性對照：未接觸病菌的健康橙子，全程幾乎無紅色侵染像素；

②傳統(tǒng)抑霉唑 + 果蠟處理組：隨貯藏時間延長紅色病斑持續(xù)擴大，證明耐藥青霉對化學(xué)殺菌劑已產(chǎn)生抗性，傳統(tǒng)保鮮方案失效

③1% 殼聚糖+蠟涂層組：全程僅有極小面積感染，48 小時接觸病菌后霉菌擴散被有效阻斷，防護效果突出；

圖3.橙子病害進展的多光譜成像研究。圖像對比了空白陰性對照組、傳統(tǒng)抑霉唑 + 果蠟處理組、1%殼聚糖+果蠟處理組等并經(jīng)接觸接種意大利假單胞菌FR的果實。1%殼聚糖+蠟涂層在接觸接種后有效保護了橙子免受感染。不同時間點的橙子圖像以原始（sRGB）和轉(zhuǎn)換（nCDA）格式呈現(xiàn)。果實儲存于12.5°C、相對濕度約95%的環(huán)境中。色標(biāo)表示轉(zhuǎn)換后的像素值范圍：健康果皮為藍(lán)色（-2），感染果皮為紅色(2)；比例尺=20毫米。每個橙子下方標(biāo)注了感染面積（單位：mm2）及感染組織百分比。dpci：接觸接種后天數(shù)；2 dpci：第一次接觸接種源后48小時；nCDA：非經(jīng)典判別分析；sRGB：標(biāo)準(zhǔn)紅、綠、藍(lán)色彩空間。

⑤Determination of physicochemical properties and bioactive compounds of dried apples by FTIR spectroscopy and multispectral imaging

采用傅里葉變換紅外光譜法與多光譜成像技術(shù)測定蘋果干的理化性質(zhì)及生物活性化合物

摘要：

本研究采用多光譜成像（紫外 - 近紅外光譜）、傅里葉變換紅外光譜（FTIR）結(jié)合化學(xué)計量學(xué)分析，探究膨化干燥對蘋果片理化特性與微觀結(jié)構(gòu)的影響。膨化干燥會顯著改變蘋果片品質(zhì)：亮度L*值由75.00降至43.62，水分含量由10.34%降至7.41%；紅度a*值由5.41上升至12.32，酸度由0.37%提升至0.49%，硬度由422.06大幅升高至2967.06。盡管干燥后質(zhì)地硬度提升，總酚含量卻從 3650.03mgGAE/kg下降至3307.28 mgGAE/kg，說明加工過程中存在營養(yǎng)物質(zhì)損耗。傅里葉變換紅外光譜分析證實，樣品中碳水化合物與脂質(zhì)發(fā)生結(jié)構(gòu)改變；總酚含量下降也印證酚類物質(zhì)受熱降解。主成分分析（PCA）可清晰區(qū)分對照組與膨化干燥處理樣品，第一主成分可解釋98.5%的總體變異。基于紅外光譜數(shù)據(jù)構(gòu)建偏最小二乘回歸（PLS）模型，能夠精準(zhǔn)預(yù)測樣品亮度、紅度與硬度指標(biāo)。多光譜成像結(jié)果直觀體現(xiàn)樣品顏色與質(zhì)地的顯著差異：膨化干燥后蘋果片亮度降低，表面不均勻性顯著上升；對紫外-近紅外光譜開展主成分分析可實現(xiàn)不同組別樣品有效分離，進一步證明干燥造成果肉組分發(fā)生改變。上述結(jié)果表明，多光譜成像可作為無損檢測手段，用于實時監(jiān)測干燥加工引發(fā)的果蔬內(nèi)部組分與品質(zhì)變化。

圖三.對照組與膨化干燥（PD）蘋果切片的平均紫外 NIR 光譜

平均光譜曲線（圖3）顯示，對照組與膨化干燥（PD）蘋果樣品在紫外-近紅外波段的平均光譜強度存在明顯差異，該差異源于膨化干燥處理引發(fā)的樣品理化性質(zhì)改變。在紫外-可見光區(qū)間（360–700 nm），對照組樣品平均光譜強度高于膨化干燥樣品。原因可能是膨化干燥過程使多酚、各類色素等紫外-可見光區(qū)特征吸光物質(zhì)發(fā)生降解或結(jié)構(gòu)轉(zhuǎn)化；這類物質(zhì)對干燥過程中的高溫與機械作用力十分敏感。在過渡波段（650–750 nm），兩組樣品光譜強度差值較小，說明此波段對應(yīng)的物質(zhì)結(jié)構(gòu)與化學(xué)組分變化程度微弱。近紅外區(qū)間（750–960 nm）內(nèi)，膨化干燥樣品平均光譜強度略高于對照組。近紅外波段信號通常對應(yīng)O–H、C–H、N–H 化學(xué)鍵的合頻吸收峰；該波段反射率上升與干燥失水、微觀結(jié)構(gòu)改變，以及膨化處理造成的碳水化合物、蛋白質(zhì)組分變化相關(guān)。膨化干燥形成多孔結(jié)構(gòu)會增強光散射效應(yīng)，這也是膨化干燥樣品光譜強度更高的重要原因（參考文獻 42）。

圖4.對照組(a)與膨化干燥蘋果切片(b)的多光譜圖像

多光譜成像結(jié)果（圖 4）直觀展現(xiàn)了對照組與膨化干燥蘋果片在色澤、表面質(zhì)地方面的顯著區(qū)別，直觀佐證干燥處理造成的組分與微觀結(jié)構(gòu)變化可通過外觀特征體現(xiàn)。

圖5. (a) 對照組與膨化干燥蘋果樣品紫外 - 近紅外光譜主成分分析得分圖；(b) 基于 Videometer 光譜數(shù)據(jù)建立紅度值a*實測值-預(yù)測值偏最小二乘回歸擬合圖

紫外-近紅外光譜數(shù)據(jù)的主成分分析得分圖（圖 5）進一步證明兩組樣品可全區(qū)分，說明膨化干燥引發(fā)了蘋果內(nèi)部顯著的結(jié)構(gòu)與組分變化。與色澤相關(guān)波段對應(yīng)的高載荷系數(shù)表明樣品色素體系發(fā)生明顯改變，該現(xiàn)象大概率由美拉德反應(yīng)與焦糖化反應(yīng)共同導(dǎo)致。

參考文獻：

[1] Guidetti, Riccardo , et al. "Daily Freshness Decay of Minimally Processed Apples using Vis/NIR Multispectral Imaging: Preliminary Tests." #i{Chemical Engineering Transactions} 44(2015).

[2] Liu, Changhong , et al. "Application of Multispectral Imaging to Determine Quality Attributes and Ripeness Stage in Strawberry Fruit." #i{Plos One} 9(2014).

[3] Jing, Wang , et al. "Convolutional Neural Networks of Whole Jujube Fruits Prediction Model Based on Multi-Spectral Imaging Method." #i{Chinese Journal of Electronics} 32.3(2023):655-662.

[4] Piancatelli, Simone , et al. "Chitosan inhibits the growth of Penicillium digitatum and Penicillium italicum and protects oranges from green and blue mold during postharvest." #i{Postharvest Biology and Technology} (2026):232.

[5] Baltacolu, Cem , et al. "Determination of physicochemical properties and bioactive compounds of dried apples by FTIR spectroscopy and multispectral imaging." #i{Scientific Reports}.