高光谱成像技术（hyperspectral imaging，HI）起源于20世纪80年代，能够可视化分析样品外部特征并且定量预测内部有效成分，因具有可重复无损、快速检测样本的功能而受到关注[1]。传统的高光谱成像技术主要应用于遥感领域，所获取的高光谱图像空间分辨率低[2]。随着该技术的不断发展，其所获取的光谱信息逐渐精确，具有纳米级的光谱分辨率，广泛应用于医药[3]、农业[4]、军事[5]等领域。常见的高光谱成像技术包括光栅分光、声光可调谐滤波分光、棱镜分光等[6-7]。
近年来，高光谱成像技术以其无损、绿色、高效等优点引起了食品领域研究者的关注[8-10]，常被用于食品品质的快速无损评价。张冬妍等[11]将光谱特征与纹理特征融合完成了榛子霉变的快速无损检测。王子轩等[12]使用高光谱成像技术与深度学习算法，与不同的光谱预处理相结合，实现了桑椹采后总可溶性固形物含量的快速无损预测。高光谱成像技术与化学计量学方法结合，被广泛用于各种物质含量检测及可视化[13]，例如王玉娜等[14]利用无人机高光谱进行冬小麦氮素检测，张骁等[15]利用高光谱预测水稻籽粒直链淀粉含量。
目前，对于某一特定食品的高光谱成像技术应用研究较多，而在整个食品领域该技术应用的研究现状及发展趋势的定量分析较为缺乏。文献计量学是将数学、统计学的相关理论以及文献情报研究相结合的一门学科[16]，能够深入挖掘信息并进行文献聚类分析，具有数据全面、客观的优点[17]。CiteSpace软件是一种常见的文献计量分析工具，利用数据挖掘、网络分析、科学计量和图谱绘制等技术，能够可视化表达某一研究领域发展趋势及动态[18-19]。本文利用文献计量学分析法，基于中国知网（China National Knowledge Infrastructure，CNKI）数据库、万方数据库和Web of Science（WOS），借助Citespace工具对相关文献进行可视化分析。通过对比国内外文献，总结高光谱成像技术在食品领域的应用现状，以期对该技术在食品领域研究的拓展提供参考。
1 方法
1.1 数据来源
以CNKI数据库、万方数据库作为中文文献数据库，WOS数据库作为英文文献数据库，以“无损检测”“食品安全”“高光谱”“品质检测”“快速检测”“模式识别”“新鲜度”为关键词分别和“高光谱成像技术”组合进行文献检索，检索时间范围2000年1月～2024年5月。随后，排除文献类型为会议、报纸、专利和成果的文献、重复发表文献，以及关键词、作者、机构等信息缺失的文献。最初检索获得文献1 649篇，其中中文文献584篇，英文文献1 065篇，最终纳入文献1 602篇。
1.2 数据处理
将检索到的全部文献导入NoteExpress4.0.0.9788软件，查重后检查文献的摘要和关键词，根据纳排标准删除不符合标准的文献。对作者、关键词、机构名进行统一，例如作者的中文名和英文名归为一起；将“食品”“食品品质”统一为“食品安全”，将“光谱”“近红外”统一为“高光谱”，将“检测”“品质”统一为“品质检测”；机构名只保留一级单位。将整理好的数据以refworks格式导入（英文文献以纯文本格式带导入）CiteSpace 6.3.R1软件进行分析。
利用CiteSpace对一定时间段内的发文趋势、发文作者、发文机构进行分析，再对关键词进行分析，关键词的分析包括共现分析、聚类分析以及突现分析。
2 结果与分析
2.1 发文趋势
高光谱成像技术在食品领域的中英文研究文献分布如图1和图2所示。
图1 高光谱成像技术在食品领域应用的中文文献分布
Fig.1 Publication time distribution of Chinese research papers on the application of hyperspectral imaging technology in food field
图2 高光谱成像技术在食品领域应用的英文文献分布
Fig.2 Publication time distribution of English research papers on the application of hyperspectral imaging technology in food field
由图1～图2可知，国内外高光谱成像技术在食品领域的研究整体呈现增长态势。该领域的中文文献最早发布于2007年，英文文献最早发布于2001年，表明国内对于该领域的研究相对较晚。国内外发文趋势大致可分为两个阶段。
萌芽期（2000年～2015年），该时间段年发文数量较少，且增长速度缓慢，表明该时期为高光谱测序技术在食品领域研究的探索阶段。国内该领域早期的研究聚集在高光谱成像技术检测水果和蔬菜的品质，如马本学等[20]应用高光谱成像技术检测水果表面缺陷和污染；周全等[21]应用高光谱成像技术检测农产品，表明其在该领域具有广泛的用途。而国外更偏向于对高光谱成像技术本身的技术研究，在食品领域的应用较少，如He等[22]在农业和食品领域微生物成分的快速检测应用高光谱成像技术中，提出高光谱成像技术有望发展为线上检测；Mollazade等[23]探究高光谱成像技术在质量检测中的原理；Bhargava等[24]研究高光谱成像技术的原理。
发展期（2015年～2023年），该时间段年发文量较大且增长速度较快，发文量波动式增加，其中中文文献最高年发文量为89篇，英文文献最高年发文量为154篇。此时间段高光谱成像技术得到广泛应用，研究者对于其在食品领域的应用进行了大量研究，国内外研究皆逐渐成熟。
2.2 中外作者
关于高光谱成像技术在食品领域的应用发文作者共845位，其中中文作者237位，英文作者608位。发文量前十位作者如表1和表2所示。
表1 高光谱成像技术在食品领域应用的中文研究文献高发文作者（前十位）
Table 1 Authors of Chinese research papers on the application of hyperspectral imaging technology in food field （top 10）
序号发文量1 2 3 4 5 6 7 8 9 1 0作者邹小波何鸿举吴迪王魏马骥孙大文马汉军姜洪喆王飞翔石吉勇9 8 7 6 6 6 6 5 5 5所属单位江苏大学河南科技学院爱尔兰国立都柏林大学食品冷冻与计算机化食品技术研究所河南科技学院华南理工大学华南理工大学河南科技学院南京林业大学河南科技大学江苏大学
表2 高光谱成像技术在食品领域应用的英文研究文献高发文作者（前十位）
Table 2 Authors of English research papers on the application of hyperspectral imaging technology in food field（top 10）
序号1 2 3 4 5 6 7 8 9 1 0作者Kim Moon S Sun Da-Wen Cho Byoung-Kwan Qin jianwei Chao Kuanglin Sun Jun He Yong Chao K Lawrence K C Baek Insuck发文量48 44 27 23 17 13 12 11 10 10所属单位United States Department of Agriculture （USDA）South China University of Technology Chungnam National University United States Department of Agriculture （USDA）United States Department of Agriculture （USDA）Jiangsu University Zhejiang University United States Department of Agriculture （USDA）United States Department of Agriculture （USDA）United States Department of Agriculture （USDA）
根据普赖斯定律（Price law）[27-28]，核心作者认证公式为
（max为最高发文量），经计算可知，在中文文献领域，发文量≥2的作者可以被认定为核心作者；在英文文献领域，发文量≥5的作者可以被认定为核心作者。国内外共有202位核心作者，其中中文核心作者161位，共计发文406篇，中文核心作者发文量在中文总发文量中占比超过50%；英文核心作者41位，共计发文410篇，英文核心作者发文量不足英文总发文量的一半。表明国内在该领域已形成较稳定的核心作者群，而国外暂未形成核心作者群。采用CiteSpace6.3.R1绘制中英文作者共现网络，结果如图3和图4所示。
图3 高光谱成像技术在食品领域应用的中文研究文献作者共现网络
Fig.3 Co-occurrence network of authors of Chinese research papers on the application of hyperspectral imaging technology in food field
节点代表作者，连线代表作者之间存在合作关系，不同颜色代表不同机构。
图4 高光谱成像技术在食品领域应用的英文研究文献作者共现网络
Fig.4 Co-occurrence network of authors of English research papers on the application of hyperspectral imaging technology in food field
节点代表作者，连线代表作者之间存在合作关系，不同颜色代表不同机构。
由图3和图4可知，国内形成以何鸿举、王魏、马汉军、孙大文、吴迪、马骥等为代表的核心作者团队，从整体来看，跨团队合作较少。英文发文形成以Kim，Moon S、Sun，Da-Wen、Chao，Kuanglin、Insuck，Baek为代表的核心作者研究团队，跨团队合作较中文多。从该领域主要研究者以及团队的发文来看，在国内，何鸿举团队主要研究高光谱成像技术在食品成分的化学分析，例如冷鲜猪肉脂质氧化[29]、牛肉糜中大豆成分分离蛋白[30]、评估冷鲜猪肉酸价[31]等文献，建立起一套关于检测肉质食品的研究方法，该方法也在慢慢地成熟。在国外，Kim等[32]探索玉米中黄曲霉素和伏马菌毒素的检测方法，运用可见光、近红外和短波红外区域的反射率荧光对玉米进行污染程度分类。Kim等[33]对动物昆虫食品黑水虻幼虫内营养成分进行检测，为活物检测的领域作出了贡献。
2.3 研究机构
中英文研究机构共现网络如图5、图6所示。
图5 高光谱成像技术在食品领域应用的中文文献研究机构共现网络
Fig.5 Co-occurrence network of institutions of Chinese research papers on the application of hyperspectral imaging technology in food field
节点代表机构，连线代表机构间存在合作。
图6 高光谱成像技术在食品领域应用的英文文献研究机构共现网络
Fig.6 Co-occurrence network of institutions of English research papers on the application of hyperspectral imaging technology in food field
节点代表机构，连线代表机构间存在合作。
由图5、图6可知，中文文献研究机构发文量前三的分别是江苏大学、华南理工大学、北京工商大学。江苏大学发布的关于咸鸭蛋腌制品质的检测时间较近，该研究为咸鸭蛋生产及下游食品加工企业提供了一种基于光谱技术的快速检测方法[34]。华南理工大学最新发布的加工猪肉品质检测的进一步深入与探究，该研究为高光谱成像技术快速化和小型化提供了理论和技术支持[35]。北京工商大学最新发布的利用高光谱成像技术对板栗构建模型，对其进行估计，该研究为板栗的产地溯源提供了一种新方法[36]。英文文献研究机构发文量前三的分别是Agricultural Research Service、Jiangsu University、Zhejiang University。ARS最新发布的文献是利用高光谱成像技术对植物叶片和冠层光合作用能力进行评估，该研究为了解植物的生物学性质和生产提供了一种新方法[37]。Jiangsu University最新发布的文献是高光谱成像技术检测三七粉中皂苷含量的可行性，该研究进一步完善了食品检测理论[38]。国内机构的合作交流较少，而国外机构的合作交流较多。中文文献涉及机构211个，多数机构为国内各大高校，专业的研究机构占比较少；英文文献涉及机构428个，高校占比较少，多数机构为专业的研究机构。
2.4 关键词
2.4.1 共现分析
对关键词进行规范后采用Citespace 6.3.R1分析中英文关键词共现网络，结果如图7和图8所示。
图7 高光谱成像技术在食品领域应用的中文研究文献关键词共现网络
Fig.7 Keyword co-occurrence network of Chinese research papers on the application of hyperspectral imaging technology in food field
节点代表关键词，连线代表在同一篇论文出现，颜色代表聚类。
图8 高光谱成像技术在食品领域应用的英文研究文献关键词共现网络
Fig.8 Keyword co-occurrence network of English research papers on the application of hyperspectral imaging technology in food field
节点代表关键词，连线代表在同一篇论文出现，颜色代表聚类。
由图7～图8可知，中文关键词共现图中有180个节点，322条连线。英文关键词共现图中有289个节点，1 012条连线。中心性能表明关键词之间的相关性，中心性越高，关键词之间的联系越大，文献中出现的次数也越多[39]。中心性≥0.2的关键词有3个，分别是无损分析（0.53）、食品安全（0.27）、高光谱（0.28）。共纳入中文关键词180个，合并同义关键词，频次≥4的关键词有无损检测、食品安全、高光谱、品质检测、快速检测、模式识别、新鲜度、食品、冷鲜羊肉。共纳入英文关键词289个，频次≥40的关键词有hyperspectral imaging、quality、spectroscopy、classification、food quality、prediction、food safety、near infrared spectroscopy、reflectance、identification、system、machine learning等。从整体上看，高光谱成像技术在食品领域应用的中文文献研究热点是无损检测，英文文献研究热点为食品质量。
2.4.2 聚类分析
通过Citespace 6.3.R1对关键词进行聚类分析，中文文献聚类模块值Q=0.676，轮廓值S=0.906，英文文献聚类模块值Q=0.654，轮廓值S=0.897，说明聚类结果可信度极高[40]。中英文文献聚类图谱见图9和图10。
图9 高光谱成像技术在食品领域应用的中文研究文献关键词聚类图谱
Fig.9 Keyword clustering of Chinese research papers on the application of hyperspectral imaging technology in food field
图10 高光谱成像技术在食品领域应用的英文研究文献关键词聚类图谱
Fig.10 Keyword clustering of English research papers on the application of hyperspectral imaging technology in food field
由图9和图10可知，共得到10个中文关键词聚类，可以进一步归纳为3个方面。无损检测、品质表明高光谱成像技术在检测食品方面的简便性和优越性；近红外、模式识别、光谱成像、光谱分析展示了高光谱成像技术的研究历程、目前的研究成果以及其能实现的功能[41]；牛肉[42-43]、菌落总数[44]、蛋白质[45]揭示了该领域的研究方向。共得到10个英文关键词聚类，归纳内容与中文聚类类似。根据中英文关键词的聚类分析可以看出，国内外在该领域的研究方向大体一致。中英文各聚类内容如表3和表4所示。
表3 高光谱成像技术在食品领域应用的中文研究文献关键词聚类图谱内容
Table 3 Content of keyword cluster map of Chinese research papers on the application of hyperspectral imaging technology in food field
聚类ID 0 1 2 3 4 5 6 7 8 9聚类标签无损检测近红外模式识别牛肉分类品质菌落总数光谱成像蛋白质光谱分析节点数14 19 19 14 11 8 8 8 5 4轮廓值0.993 0.976 0.963 0.975 0.987 0.974 0.971 0.963 0.985 0.942主要关键词无线扫描、判别模型、神经网络快速检测、机器视觉、定量分析光谱降维、数据融合、图像处理食品安全、食品质量、熟度检测、变量选择、稀疏表示健康、污染、卫生曲线拟合、模型、定量检测异物检测、无人机、像素级白肉鱼、水分、脂肪光谱检测、光谱分析、光谱成像
表4 高光谱成像技术在食品领域应用的英文研究文献关键词聚类图谱内容
Table 4 Content of keyword cluster map of English research papers on the application of hyperspectral imaging technology in food field
聚类ID 0 1 2 3 4 5 6 7 8 9聚类标签Food safety Deep learning Meat quality Discrimination Foodborne pathogen Spectroscopy Hyperspectral image Hyperspectral imaging rechnology Benzoyl peroxide Spectral imaging节点数43 35 27 24 25 29 21 13 11 11轮廓值0.993 0.976 0.963 0.975 0.987 0.974 0.971 0.963 0.985 0.942主要关键词Food、safety Selection、model food quality、beef food product data fusion、remote sensing shelf life、chemical composition Image、nir spectroscopy machine vision、quantification Quantification、principal component analysis Disease、prediction near infrared spectroscopy、selection
2.4.3 突现分析
突现词是指出现频率陡增的词组，关键词突现分析在分析研究、预测趋势、揭示热点方面有着重要的作用[46-48]。中英文突现词分析见图11和图12。
图11 高光谱成像技术在食品领域应用的中文研究文献突现关键词
Fig.11 Emergent keywords in Chinese research papers on the application of hyperspectral imaging technology in food field
图12 高光谱成像技术在食品领域应用的英文研究文献突现关键词
Fig.12 Emergent keywords in English research papers on the application of hyperspectral imaging technology in food field
由图11和图12可知，中文关键词突现强度≥1的关键词有食品安全（1.57）、成像光谱（1.16）、食品（1.25）、品质检测（1.09）、品质（1.00）、数据融合（1.32）、深度学习（1.08）；英文关键词突现强度≥5的关键词有food safety（10.39）、fecal contamination（7.32）、reflectance（6.55）、machine vision（5.30）、chemical imaging（5.23）、nondestructive determination（6.17）等，其中，食品安全在中英文关键词突现分析中突现强度均为最大，表明食品安全问题为该领域的最核心的问题。
3 结论
随着高光谱成像技术的不断发展，其在食品领域的应用也逐渐深入。通过文献计量法对中国知网、万方数据库以及WOS核心和及数据库的相关研究进行可视化分析，国内外高光谱成像技术在食品领域的应用研究整体数量较多，且呈现波动式增长趋势，说明国内外对于该领域的研究逐渐趋于成熟。2015年后，高光谱成像技术在食品领域的研究高速发展。国内外研究团队相较而言，国外跨团队合作交流较多，而国内跨团队合作交流有待加强。无损检测和食品质量分别为国内外高光谱成像技术在食品领域的研究热点，食品安全问题为该领域的最核心的问题。总结高光谱成像技术在食品领域的应用现状和研究热点，对挖掘高光谱成像技术在食品领域的应用潜力具有重要意义。
[1] 邹小波, 徐艺伟, 陈武, 等. 高光谱图像技术检测枇杷叶片三萜酸含量及叶面分布[J]. 现代食品科技, 2015, 31(9): 263-267, 288.ZOU Xiaobo, XU Yiwei, CHEN Wu, et al. Measurement of triterpenic acid content and its distribution in loquat leaves based on the hyperspectral imaging technique[J]. Modern Food Science and Technology, 2015, 31(9): 263-267, 288.
[2] 赵佳乐, 王广龙, 周冰, 等. 联合空间位置信息的陆基高光谱图像目标检测算法[J]. 光谱学与光谱分析, 2024, 44(7): 2056-2065.ZHAO Jiale, WANG Guanglong, ZHOU Bing, et al. Target detection algorithm for land-based hyperspectral images associated with geospatial data[J]. Spectroscopy and Spectral Analysis, 2024, 44(7): 2056-2065.
[3] SU X S, WANG Y N, MAO J X, et al. A review of pharmaceutical robot based on hyperspectral technology[J]. Journal of Intelligent &Robotic Systems, 2022, 105(4): 75.
[4] MALOUNAS I, PALIOURAS G, NIKOLOPOULOS D, et al. Early detection of broccoli drought acclimation/stress in agricultural environments utilizing proximal hyperspectral imaging and AutoML[J].Smart Agricultural Technology, 2024, 8: 100463.
[5] SHIMONI M, HAELTERMAN R, PERNEEL C. Hyperspectral imaging for military and security applications: Combining myriad processing and sensing techniques[J]. IEEE Geoscience and Remote Sensing Magazine, 2019, 7(2): 101-117.
[6] 周明丽. 近红外高光谱成像的建筑材料缺陷自动检测系统[J].自动化技术与应用, 2024, 43(7): 30-34.ZHOU Mingli. Building material defect detection system based on near infrared hyperspectral imaging[J]. Techniques of Automation and Applications, 2024, 43(7): 30-34.
[7] 张显峰, 周子琛, 丁奕文, 等. 城市河道水质监测无人机高光谱技术应用研究[J]. 上海国土资源, 2023, 44(1): 132-137.ZHANG Xianfeng, ZHOU Zichen, DING Yiwen, et al. Study on the application of UAV hyperspectral technology in water quality monitoring of urban river[J]. Shanghai Land & Resources, 2023, 44(1):132-137.
[8] 李鸿强, 孙红, 李民赞. 基于高光谱的马铃薯微型种薯分类检测[J]. 分析测试学报, 2020, 39(11): 1421-1426.LI Hongqiang, SUN Hong, LI Minzan. Classification detection of potato micro seed potato based on hyperspectral[J]. Journal of Instrumental Analysis, 2020, 39(11): 1421-1426.
[9] 何馥娴, 蒙庆华, 唐柳, 等.高光谱成像技术在水果品质检测中的研究进展[J].果树学报, 2021, 38(9): 1590-1599.HE Fuxian, MENG Qinghua, TANG Liu, et al. Research progress of hyperspectral imaging technology in fruit quality detection[J].Journal of Fruit Science, 2021, 38(9): 1590-1599.
[10] 姜洪喆, 蒋雪松, 杨一, 等.肉类掺杂掺假的高光谱成像检测研究进展[J].食品与发酵工业, 2021, 47(6): 300-305.JIANG Hongzhe, JIANG Xuesong, YANG Yi, et al. Advances in hyperspectral imaging detection of meat adulteration[J].Food and Fermentation Industries, 2021, 47(6): 300-305.
[11] 张冬妍, 毛思雨, 杨子健, 等. 基于高光谱特征融合的榛子霉变检测方法研究[J].食品与发酵工业, 2025, 51(2): 311-319.ZHANG Dongyan, MAO Siyu, YANG Zijian, et al. Detection method of hazelnut mildew based on hyperspectral feature fusion[J]. Food and Fermentation Industries, 2025, 51(2): 311-319.
[12] 王子轩, 杨良, 黄凌霞, 等. 高光谱结合深度学习的桑椹采后TSS 含量无损检测[J]. 光谱学与光谱分析, 2024, 44(6): 1724-1730.WANG Zixuan, YANG Liang, HUANG Lingxia, et al. Nondestructive determination of TSS content in postharvest mulberry fruits using hyperspectral imaging and deep learning[J]. Spectroscopy and Spectral Analysis, 2024, 44(6): 1724-1730.
[13] 刘亮, 黄丹平, 田建平, 等. 基于高光谱成像技术的大曲还原糖含量预测及其可视化[J]. 食品与发酵工业, 2022, 48(5): 247-254.LIU Liang, HUANG Danping, TIAN Jianping, et al. Prediction and visualization of reducing sugar content in Daqu based on hyperspectral imaging technology[J]. Food and Fermentation Industries,2022, 48(5): 247-254.
[14] 王玉娜, 李粉玲, 王伟东, 等. 基于无人机高光谱的冬小麦氮素营养监测[J]. 农业工程学报, 2020, 36(22): 31-39.WANG Yuna, LI Fenling, WANG Weidong, et al. Monitoring of winter wheat nitrogen nutrition based on UAV hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(22): 31-39.
[15] 张骁, 闫岩, 王文辉, 等. 基于小波分析的水稻籽粒直链淀粉含量高光谱预测[J]. 作物学报, 2021, 47(8): 1563-1580.ZHANG Xiao, YAN Yan, WANG Wenhui, et al. Application of continuous wavelet analysis to laboratory reflectance spectra for the prediction of grain amylose content in rice[J]. Acta Agronomica Sinica, 2021, 47(8): 1563-1580.
[16] 曹天正, 韩冬梅, 宋献方, 等. 滨海地区地表水—地下水相互作用研究进展的文献计量分析[J]. 地球科学进展, 2020, 35(2): 154-166.CAO Tianzheng, HAN Dongmei, SONG Xianfang, et al. Bibliometric analysis of research progress on coastal surface water and groundwater interaction[J]. Advances in Earth Science, 2020, 35(2): 154-166.
[17] KIM M C, CHEN C M. A scientometric review of emerging trends and new developments in recommendation systems[J]. Scientometrics, 2015, 104(1): 239-263.
[18] CHEN C M. Predictive effects of structural variation on citation counts[J]. Journal of the American Society for Information Science and Technology, 2012, 63(3): 431-449.
[19] 项骁野, 王佑汉, 李谦, 等. 中国耕地保护与粮食安全研究进展可视化分析[J]. 中国农业资源与区划, 2022, 43(10): 267-277.XIANG Xiaoye, WANG Youhan, LI Qian, et al. A review of cultivated land protection and food security in China based on citespace analysis[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2022, 43(10): 267-277.
[20] 马本学, 应义斌, 饶秀勤.高光谱成像在水果表面缺陷及污染检测中的研究进展[C]//2007 年中国农业工程学会学术年会摘要集.大庆: 中国农业工程学会, 2007.MA Benxue, YING Yibin, RAO Xiuqin. Research progress of hyperspectral imaging in the detection of fruit surface defects and pollution[C]//Abstracts of 2007 Chinese Society of Agricultural Engineering Academic Annual Meeting. Daqing: Chinese Society of Agricultural Engineering, 2007.
[21] 周全, 朱大洲, 王成, 等. 成像光谱技术在农产品/食品检测中的研究进展[J]. 食品科学, 2010, 31(23): 423-428.ZHOU Quan, ZHU Dazhou, WANG Cheng, et al. Research progress in the detection of agricultural products/food by imaging spectrometry[J]. Food Science, 2010, 31(23): 423-428.
[22] HE H J, SUN D W. Hyperspectral imaging technology for rapid detection of various microbial contaminants in agricultural and food products[J]. Trends in Food Science & Technology, 2015, 46(1): 99-109.
[23] MOLLAZADE K, OMID M, TAB F A, et al. Principles and applications of light backscattering imaging in quality evaluation of agrofood products: A review[J]. Food and Bioprocess Technology, 2012,5(5): 1465-1485.
[24] BHARGAVA A, SACHDEVA A, SHARMA K, et al. Hyperspectral imaging and its applications: A review[J]. Heliyon, 2024, 10(12):e33208.
[25] 吴俣, 袁伟东, 周禹, 等.显微高光谱成像技术在食品质量安全检测中的研究进展[J].食品与发酵工业, 2024, 50(24): 381-391.WU Yu, YUAN Weidong, ZHOU Yu, et al. Research progress of hyperspectral microscope imaging technology in food quality and safety inspection[J].Food and Fermentation Industries, 2024, 50(24): 381-391.
[26] SUN D W, PU H B, YU J X. Applications of hyperspectral imaging technology in the food industry[J]. Nature Reviews Electrical Engineering, 2024, 1: 251-263.
[27] 胡臻, 张阳. 基于普赖斯定律与综合指数法的核心作者和扩展核心作者分析——以《西南民族大学学报》(自然科学版)为例[J]. 西南民族大学学报(自然科学版), 2016, 42(3): 351-354.HU Zhen, ZHANG Yang. Analysis of core authors and extended core authors based on price law and comprehensive index method—Take Journal of Southwest University for Nationalities(Natural Science Edition) for example[J]. Journal of Southwest University for Nationalities (Natural Science Edition), 2016, 42(3): 351-354.
[28] DONNINGER R, SCHLAG W, SOFFER A. A proof of Price′s Law on Schwarzschild black hole manifolds for all angular momenta[J].Advances in Mathematics, 2011, 226(1): 484-540.
[29] 何鸿举, 王魏, 李波, 等.近红外高光谱快速无接触评估冷鲜猪肉脂质氧化[J].食品与机械, 2020, 36(8): 117-122.HE Hongju, WANG Wei, LI Bo, et al. Rapid non-contact evaluation of lipid oxidation in cold fresh pork using near-infrared hyperspectral spectroscopy[J]. Food and Machinery, 2020, 36(8): 117-122.
[30] 何鸿举, 朱亚东, 陈岩, 等. 基于高光谱成像快速检测牛肉糜中大豆分离蛋白掺入量[J]. 食品工业科技, 2020, 41(20): 206-211.HE Hongju, ZHU Yadong, CHEN Yan, et al. Rapid detection of soy protein isolate concentration in minced beef by hyperspectral imaging technology[J]. Science and Technology of Food Industry,2020, 41(20): 206-211.
[31] 何鸿举, 王魏, 王洋洋, 等. 基于近红外高光谱技术快速检测冷鲜猪肉酸价[J]. 食品与发酵工业, 2020, 46(10): 264-270.HE Hongju, WANG Wei, WANG Yangyang, et al. NIR hyperspectral imaging technology for rapid detection of acid value in fresh chilled pork[J]. Food and Fermentation Industries, 2020, 46(10):264-270.
[32] KIM Y K, BAEK I, LEE K M, et al. Rapid detection of single-and co-contaminant aflatoxins and fumonisins in ground maize using hyperspectral imaging techniques[J]. Toxins, 2023, 15(7): 472.
[33] KIM J, KURNIAWAN H, FAQEERZADA M A, et al. Proximate content monitoring of black soldier fly larval (Hermetia illucens) dry matter for feed material using short-wave infrared hyperspectral imaging[J]. Food Science of Animal Resources, 2023, 43(6): 1150-1169.
[34] 徐佛言, 赵欣, 张晓瑞, 等. 基于高光谱成像的咸鸭蛋腌制品质快速检测[J]. 食品工业科技, 2024, 45(2): 260-268.XU Foyan, ZHAO Xin, ZHANG Xiaorui, et al. Rapid detection on the quality of salted duck eggs based on hyperspectral imaging[J].Science and Technology of Food Industry, 2024, 45(2): 260-268.
[35] 马骥. 基于高光谱成像技术的加工猪肉品质快速检测方法研究[D]. 广州: 华南理工大学, 2019.MA Ji. Study on rapid detection method of processed pork quality based on hyperspectral imaging technology[D]. Guangzhou: South China University of Technology, 2019.
[36] 孙晓荣, 张晨光, 刘翠玲, 等. 基于高光谱成像技术的板栗产地溯源[J]. 食品安全质量检测学报, 2023, 14(18): 59-65.SUN Xiaorong, ZHANG Chenguang, LIU Cuiling, et al. Origin tracing of Castanea mollissima based on hyperspectral imaging technology[J]. Journal of Food Safety & Quality, 2023, 14(18): 59-65.
[37] FU P, MONTES C, MEACHAM - HENSOLD K. Hyperspectral proximal sensing for estimating photosynthetic capacities at leaf and canopy scales[J]. Methods in Molecular Biology, 2024, 2790:355-372.
[38] SUN J, YAO K S, CHENG J H, et al. Nondestructive detection of saponin content in Panax notoginseng powder based on hyperspectral imaging[J]. Journal of Pharmaceutical and Biomedical Analysis, 2024, 242: 116015.
[39] 刘晓冰, 王姝婷, 白朝阳. 基于科学知识图谱的数字孪生发展可视化分析[J]. 计算机集成制造系统, 2022, 28(6): 1673-1684.LIU Xiaobing, WANG Shuting, BAI Zhaoyang. Visual analysis of digital twin development based on scientific knowledge graph[J].Computer Integrated Manufacturing Systems, 2022, 28(6): 1673-1684.
[40] CHEN C M, HU Z G, LIU S B, et al. Emerging trends in regenerative medicine: A scientometric analysis in CiteSpace[J]. Expert Opinion on Biological Therapy, 2012, 12(5): 593-608.
[41] 夏杨毅, 赵鸾. 高光谱成像技术在肉类安全无损检测的应用研究进展[J]. 食品与生物技术学报, 2020, 39(12): 6-13.XIA Yangyi, ZHAO Luan. Advances in application of hyperspectral imaging in nondestructive testing for meat safety evaluation[J].Journal of Food Science and Biotechnology, 2020, 39(12): 6-13.
[42] WEI Q Y, PAN C Y, PU H B, et al. Prediction of freezing point and moisture distribution of beef with dual freeze-thaw cycles using hyperspectral imaging[J]. Food Chemistry, 2024, 456: 139868.
[43] JIA W Y, FERRAGINA A, HAMILL R, et al. Modelling and numerical methods for identifying low-level adulteration in ground beef using near-infrared hyperspectral imaging (NIR-HSI)[J]. Talanta, 2024, 276: 126199.
[44] CAO Y, LI H R, SUN J, et al. Nondestructive determination of the total mold colony count in green tea by hyperspectral imaging technology[J]. Journal of Food Process Engineering, 2020, 43(12):e13570.
[45] XUAN G T, JIA H J, SHAO Y Y, et al. Protein content prediction of rice grains based on hyperspectral imaging[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2024, 320:124589.
[46] 郭源秩, 吴彼, 戴莉莉. 针刺技术治疗疾病的可视化分析[J]. 时珍国医国药, 2021, 32(1): 234-237.GUO Yuanzhi, WU Bi, DAI Lili. Visual analysis of acupuncture treatment of diseases[J]. Lishizhen Medicine and Materia Medica Research, 2021, 32(1): 234-237.
[47] 唐琍萍, 龚星星, 陈晴晴, 等.中医药治疗卵巢早衰的CiteSpace知识图谱分析[J].中国中药杂志, 2022, 47(13): 3658-3666.TANG Liping, GONG Xingxing, CHEN Qingqing, et al. CiteSpace knowledge graph analysis of traditional Chinese medicine in treating premature ovarian failure[J]. Chinese Journal of Traditional Chinese Medicine, 2022, 47(13): 3658-3666.
[48] 陈悦, 陈超美, 刘则渊, 等.CiteSpace 知识图谱的方法论功能[J].科学研究, 2015, 33(2): 242-253.CHEN Yue, CHEN Chaomei, LIU Zeyuan, et al. The methodological function of CiteSpace knowledge graph[J]. Scientific Research,2015, 33(2): 242-253.