Ли Чэнь¹, Юй У¹, Нин Ян² и Цзунбао Сунь^1,*

¹Кафедра пищевой и биологической инженерии, Цзянсуский университет, Чжэньцзян 212013, Китай. ²Школа электротехники и информационной инженерии, Цзянсуский университет, Чжэньцзян 212013, Китай. ^*Автор для корреспонденции: zongbaos@163.com; тел.: +86-13913442131.

Тип: обзор. Академический редактор: Гневко Недбала. Получено: 15 июля 2025 г. Исправлено: 11 августа 2025 г. Принято: 15 августа 2025 г. Опубликовано: 19 августа 2025 г.

Аннотация. Благодаря неразрушающему характеру, высокой эффективности и превосходному разрешению технологии гиперспектральной и дифракционной визуализации получили широкое применение в сельскохозяйственной диагностике. В настоящем обзоре обобщены последние достижения в использовании этих двух технологий в различных областях сельского хозяйства, включая выявление болезней и вредителей растений, мониторинг роста сельскохозяйственных культур и диагностику здоровья животных. Гиперспектральная визуализация использует многополосные спектральные данные и изображения для точного определения болезней и состояния питания, а сочетание с глубоким обучением и другими технологиями повышает точность обнаружения. Дифракционная визуализация, использующая дифракционные свойства световых волн, облегчает выявление патогенных спор и оценку жизнеспособности клеток, что делает её особенно подходящей для анализа микроскопической структуры. В статье также критически рассматриваются современные проблемы, включая сложность обработки данных, адаптируемость к условиям окружающей среды и стоимость оборудования. Наконец, обозначены будущие направления, в которых интеграция гиперспектральной и дифракционной визуализации посредством слияния многоканальных данных и оптимизации интеллектуальных алгоритмов открывает перспективу создания высокоточных и эффективных систем сельскохозяйственной диагностики и тем самым способствует развитию интеллектуального сельского хозяйства.

Ключевые слова: гиперспектральная визуализация; дифракционная визуализация; сельское хозяйство; выявление вредителей; идентификация болезней сельскохозяйственных культур; безлинзовая визуализация.

Цитирование: Chen, L.; Wu, Y.; Yang, N.; Sun, Z. Advances in Hyperspectral and Diffraction Imaging for Agricultural Applications. Agriculture 2025, 15, 1775. https://doi.org/10.3390/agriculture15161775.

Авторское право: © 2025 авторы. Лицензиат MDPI, Базель, Швейцария. Статья распространяется в открытом доступе на условиях лицензии Creative CommonsAttribution (CC BY) (https://creativecommons.org/licenses/by/4.0/).

Сельское хозяйство служит краеугольным камнем глобальной продовольственной безопасности и экологической устойчивости. Будучи основополагающими элементами аграрной системы, растениеводство и управление животноводством выполняют две жизненно важные функции: обеспечивают надёжное снабжение продовольствием и одновременно стимулируют экономическое развитие сельских территорий [1]. Современное сельское хозяйство сталкивается с нарастающими проблемами, обусловленными ограниченностью ресурсов, изменчивостью климата и повышением требований к эффективности производства. Совокупное давление этих факторов требует преобразующих инноваций в сельскохозяйственной диагностике. Современные диагностические технологии позволяют точно отслеживать физиологию культур, благополучие сельскохозяйственных животных и состояние почвенных экосистем, способствуя оптимизации урожайности и более эффективному управлению ресурсами. Гиперспектральная и дифракционная визуализация являются примерами такого технологического прогресса, обеспечивая немедленное выявление болезней растений, мониторинг здоровья животных в реальном времени и раннюю идентификацию рисков для защиты продуктивности.

Эти передовые средства предоставляют участникам аграрной отрасли сведения, основанные на фактических данных, поддерживают принятие решений на уровне государственной политики и хозяйств и способствуют внедрению устойчивых практик. Революция точного земледелия усилила стратегическое значение диагностических технологий как важнейших компонентов современных агропродовольственных систем [2]. Являясь ключевыми средствами аграрной цепочки создания стоимости, эти технологии визуализации повышают качество производства и устойчивость практик благодаря совершенствованию управления ресурсами. Неразрушающий характер, высокая точность и эксплуатационная эффективность делают гиперспектральную и дифракционную визуализацию преобразующими решениями с широкими возможностями диагностического применения в сельскохозяйственных системах [1,3,4]. В этом контексте обзор содержит: 1) систематическое рассмотрение основ гиперспектральной и дифракционной визуализации; 2) углублённый анализ их передовых применений в сельскохозяйственной диагностике; 3) критическую оценку современных ограничений и перспективных направлений будущих исследований.

Гиперспектральная визуализация представляет собой передовой диагностический подход, объединяющий формирование изображений со спектроскопическим анализом. Метод регистрирует подробные спектральные сигнатуры во множестве узких диапазонов, одновременно сохраняя пространственную информацию [5]. Главное преимущество технологии обусловлено двойным выходом — возможностью получать как пространственное распределение, так и спектральные характеристики объектов, что обеспечивает точную идентификацию и классификацию [6]. Гиперспектральная визуализация регистрирует непрерывные спектральные данные от ультрафиолетового до ближнего инфракрасного диапазона, приблизительно 200–1000 нм, позволяя точно характеризовать материалы посредством детального анализа их оптических свойств [7].

Эта возможность создаёт надёжную основу для многочисленных диагностических применений [8,9], включая классификацию [10–14], количественное определение влаги [15,16] и химических элементов [17–24], подсчёт колоний [25–27] и сенсорную оценку [28]. Основные принципы гиперспектральной визуализации показаны на рисунке 1. Типичная система включает источник света, предметный столик, спектрометр и компьютер для сбора и обработки данных. Источник равномерно освещает образец, а отражённый свет регистрируется спектрометром. Для каждой пространственной точки поверхности система записывает полную спектральную сигнатуру в широком диапазоне длин волн, например 400–1000 нм. В результате формируется трёхмерный гиперспектральный куб данных, содержащий и пространственную информацию — изображение, и спектральную — длины волн.

Традиционные методы сельскохозяйственной диагностики, например визуальный осмотр, микроскопия и химический анализ, часто трудоёмки, требуют значительного времени и разрушают образцы. По сравнению с ними гиперспектральная визуализация обладает явными преимуществами: неразрушающим действием [11,29–31], быстрым сбором данных, высоким пространственным разрешением и богатым содержанием спектральной информации [32–34]. Эти возможности обеспечивают точную идентификацию объектов и комплексный сбор данных для аналитического моделирования [35].

Развитие гиперспектральной визуализации опирается на прогресс по двум направлениям: 1) совершенствование характеристик сенсорного оборудования; 2) разработка сложных вычислительных методов обработки. В следующих разделах всесторонне рассматриваются применения гиперспектральной визуализации с различными вычислительными алгоритмами, её диагностические преимущества в сельском хозяйстве и использование в аграрной науке [19,36–40]. Как показано в таблице 1, применяются разнообразные аналитические подходы, включая анализ главных компонент (PCA), свёрточные нейронные сети (CNN), машины опорных векторов (SVM), случайные леса, графовые нейронные сети и методы спектрального разделения смесей.

На рисунке 2 представлены различные виды оборудования для гиперспектральной визуализации. Рисунок 2A показывает систему на базе БПЛА, обычно применяемую для воздушного мониторинга культур. На рисунке 2B представлен портативный ручной прибор для полевого выявления стресса растений. На рисунках 2C и 2D показаны две установки для помещений: одна предназначена для сканирования образцов в контролируемых условиях, другая использует неподвижную рамную конструкцию для многоракурсной съёмки. На рисунках 2E и 2Fизображены ещё две лабораторные системы со встроенными модулями управления и оптическими узлами. На рисунке 2G показана компактная ручная гиперспектральная камера для быстрого сканирования объектов. Наконец, рисунок 2H представляет ещё одну платформу на базе БПЛА для эксплуатации на открытом воздухе в сельскохозяйственных условиях.

РИСУНОК 1. Основные принципы технологии гиперспектральной визуализации.

ТАБЛИЦА 1. Применения гиперспектральной визуализации в сочетании с различными вычислительными алгоритмами.

РИСУНОК 2. Оборудование гиперспектральной визуализации: (A) система на базе БПЛА [61]; (B) портативный ручной прибор для наружных измерений [62]; (C) система для помещений [63]; (D) система для помещений [64]; (E) система для помещений [65]; (F) ручной гиперспектральный прибор [66]; (G) ручной гиперспектральный прибор [67]; (H) система на базе БПЛА [68].

Обеспечивая превосходную точность классификации, эффективное извлечение признаков и надёжную вычислительную производительность, эти алгоритмы одновременно сталкиваются с постоянными трудностями, включая высокую вычислительную нагрузку, сложность реализации и строгие требования к качеству данных.

Дифракционная визуализация — аналитический метод, основанный на явлениях дифракции световых волн. Интерпретация дифракционных картин, возникающих при взаимодействии света с объектом, позволяет характеризовать структуру с высоким разрешением [69]. Исключительная способность метода заключается в разрешении микроскопических особенностей с превосходной чувствительностью [70], что даёт уникальные преимущества для неразрушающего исследования внутренней архитектуры материалов.

Дифракционная визуализация быстро развивается в современной сельскохозяйственной диагностике и привлекает значительный исследовательский интерес благодаря возможностям неразрушающей оценки и микроскопического анализа. Технология не только создаёт научную основу для оценки внутреннего качества сельскохозяйственных культур, но и обеспечивает мониторинг здоровья животных и выявление малых изменений состава кормов. Постоянное совершенствование аппаратуры и вычислительной обработки способствует совместному применению дифракционной визуализации с дополняющими диагностическими подходами и расширяет область её сельскохозяйственного использования.

В следующих разделах подробно рассматривается диагностическая ценность дифракционной визуализации в сельском хозяйстве. Принцип технологии показан на рисунке 3. Метод регистрирует и анализирует дифракционные картины, возникающие при взаимодействии световых волн, микроапертур и образца. При освещении образца когерентным светом образец модулирует падающий волновой фронт и формирует характерное распределение интенсивности. Эта дифракционная картина регистрируется датчиком изображения, например цветным сенсором или CMOS, и передаётся компьютеру для реконструкции изображения и извлечения признаков.

Последние достижения в области высокопроизводительных сенсоров, передовой обработки данных и новых алгоритмов существенно расширили сельскохозяйственные применения гиперспектральной и дифракционной визуализации [71]. Эти передовые технологии обеспечивают мощную поддержку интеллектуальной сельскохозяйственной диагностики и создают прочную техническую основу устойчивого земледелия. Однако их широкое внедрение по-прежнему сталкивается с серьёзными проблемами, особенно высокой стоимостью оборудования и сложностью обработки данных [72]. Ожидается, что дальнейшие технологические инновации и междисциплинарное сотрудничество постепенно устранят эти ограничения.

По мере развития гиперспектральная и дифракционная визуализация приобретают всё большее значение для сельского хозяйства. Их интеграция обладает значительным потенциалом повышения продуктивности культур, обеспечения продовольственной безопасности и поддержки устойчивого управления ресурсами. Настоящий обзор систематически оценивает последние достижения обеих технологий в сельскохозяйственной диагностике и преследует три основные цели: всесторонне проанализировать технологические прорывы, критически оценить существующие ограничения и обозначить будущие пути развития. Объединяя современное состояние знаний с перспективным взглядом, работа призвана стать основополагающим источником для исследователей и стимулировать инновации и практическое внедрение в данной области.

РИСУНОК 3. Основные принципы технологии дифракционной визуализации.

Во всех основных регионах выращивания сельскохозяйственных культур болезни растений ежегодно продолжают вызывать значительные потери урожая [73]. Во всех сельскохозяйственных районах Китая также сохраняются существенные ежегодные потери культур вследствие болезней [74]. Поэтому своевременное и точное выявление заболеваний необходимо для защиты урожайности.

Современные методы в основном опираются на трудоёмкие полевые осмотры и лабораторные химические анализы. Хотя традиционные подходы обеспечивают надёжную диагностику, их эксплуатационные ограничения — прежде всего значительные затраты времени и слабая масштабируемость — делают их неэффективными для мониторинга на региональном уровне [75]. Гиперспектральная визуализация предлагает неразрушающее высокопроизводительное решение для выявления болезней культур благодаря уникальному сочетанию высокого пространственного и спектрального разрешения [76].

Технология регистрирует подробные профили отражения во множестве узких диапазонов, что позволяет обнаруживать малые патологические изменения физиологии и структуры растений. Эта передовая возможность обеспечивает идентификацию стрессовых реакций до появления симптомов и позволяет своевременно применять точные меры борьбы с болезнями [77,78]. Болезни изменяют оптические свойства листьев вследствие биохимических и структурных изменений, включая изменение содержания хлорофилла, водного состояния и клеточной организации. Такие патологические изменения формируют диагностические спектральные сигнатуры [79], в частности снижение отражения в видимом диапазоне 400–700 нм вследствие деградации хлорофилла и повышение отражения в ближнем инфракрасном диапазоне 700–1300 нм из-за структурного повреждения тканей.

Гиперспектральная визуализация стала одним из основных инструментов раннего выявления болезней риса благодаря регистрации этих характерных спектральных откликов.

Feng et al. [80] успешно объединили гиперспектральную визуализацию с глубоким переносом обучения для повышения точности идентификации болезней риса. Авторы получили гиперспектральные изображения поражённых листьев риса, извлекли спектральные признаки и применили алгоритмы переноса обучения, продемонстрировав повышение точности. Несмотря на ограниченный объём размеченных обучающих данных, метод обеспечил высокую точность классификации и существенно расширил возможности мониторинга болезней в системах производства риса.

Zhang et al. [81] построили девять моделей выбора спектральных полос на основе данных полевой гиперспектральной съёмки растительного покрова за три последовательных года, чтобы уменьшить спектральную избыточность. Кроме того, были разработаны два новых вегетационных индекса, которые совместно с алгоритмом CARS-гребневой регрессии применили для выявления фузариоза колоса (FHB) пшеницы. Оптимизированная модель достигла точности 91,4%, значительно превзойдя традиционные методы. Использованные данные обладали высоким пространственным и временным разрешением, что обеспечило точную локализацию очагов и повысило способность модели к обобщению между регионами.

Rady et al. [82] применили гиперспектральную визуализацию VIS–NIR (400–900 нм) со сканированием типа push-broom для получения изображений отражения яблок сорта GoldRush при разных температурах хранения. Признаки отражения классифицировали пятью моделями машинного обучения: LDA, деревом решений, KNN, PLS-DA и FFNN. Наивысшую общую точность на тестовой выборке показало дерево решений — 82%; точность по классам составила 81% для здоровых яблок и 86% для заражённых CM. Остальные модели также дали перспективные результаты: LDA — 72%, KNN — 76%. Точность дерева решений показывает, что при практическом неразрушающем контроле модель способна надёжно выявлять большинство заражённых плодов, повышая эффективность сортировки и сокращая ручной осмотр. Однако остаточный риск ошибки означает, что небольшая доля заражённых плодов может быть признана здоровой либо здоровые плоды могут быть отбракованы. Последовательный прямой отбор признаков (FFS) начинается с пустого набора и итеративно добавляет длину волны, дающую наибольший прирост точности, пока улучшение не станет пренебрежимо малым или не будет достигнут заданный предел; так определяется оптимальное подмножество длин волн.

Для сокращения числа длин волн и упрощения модели авторы использовали последовательный прямой отбор (SFS). При использовании только данных для ориентации плодоножки и значительно меньшего числа длин волн выбранное SFS подмножество обеспечило почти такую же эффективность, как полноспектральная модель: общая точность 82% (81% для здоровых и 86% для заражённых плодов). Это подтверждает эффективность SFS для снижения размерности без ухудшения выявления и особенно важно при разработке компактных мультиспектральных систем практического назначения.

Интеграция гиперспектральной визуализации с глубоким обучением оказалась особенно эффективной для одновременной классификации нескольких болезней культур. Технология также обладает значительным потенциалом мониторинга экологического стресса растений. Контролируемые опыты с рисом подтвердили возможность выявлять предсимптомные стрессовые реакции, существенно повышая точность и заблаговременность предупреждения. Эти возможности дают научно подтверждённые средства управления точным земледелием. Основные применения в диагностике болезней систематически сопоставлены в таблице 2.

Таблица 2. Применение гиперспектральной визуализации для различных целевых заболеваний.

Болезни вызывают измеримые биохимические и структурные изменения листьев, включая содержание хлорофилла, водный статус и клеточную организацию. Эти патологические изменения формируют характерные спектры отражения в диапазоне 400–2500 нм. Гиперспектральная визуализация выявляет специфические спектральные сигнатуры благодаря регистрации смежных полос высокого разрешения и позволяет распознавать малые вариации, указывающие на физиологический стресс. Terentev et al. [110] получили гиперспектральные данные и междисциплинарными методами установили связи спектральных признаков с биохимическими изменениями растений. Классификация SVM с четвёртых суток после инокуляции дала точность 97–100%, подтвердив потенциал ранней диагностики. Moriya et al. [111] применили БПЛА-HSI (25 полос, 500–840 нм) с одновременной имитацией трёхполосной мультиспектральной съёмки для выявления и картирования бактериального рака цитрусовых. Благодаря большей спектральной размерности HSI превзошла мультиспектральный анализ и дала точность карты здоровья 0,94. Метод оказался пригоден и для древесных культур (цитрусовых), и для однодольных (зерновых).

Исследователи всё чаще объединяют машинное обучение с гиперспектральными данными, повышая точность распознавания болезней. В крупномасштабной сельскохозяйственной аналитике это повышает надёжность систем раннего предупреждения. Bai et al. [112] исследовали HSI как быстрое средство пространственно разрешённого мониторинга: анализ спектральных признаков тканей обеспечивает раннее выявление и точную локализацию вспышки, то есть неразрушающий инструмент управления болезнями. БПЛА-системы дополнительно позволяют своевременно наблюдать большие площади и вмешиваться до широкого распространения, повышая устойчивость сельского хозяйства. Xu et al. [113] подчеркнули роль слияния разнородных данных: объединили HSI, RGB и тепловые инфракрасные данные для мониторинга мучнистой росы пшеницы и получили более высокую долю ранней диагностики и меньше ложных срабатываний, чем при одном источнике. Примеры систематизированы в таблице 2.

Рисунок 4 представляет примеры раннего выявления заболеваний у хлопчатника (A), риса (B), пшеницы (C) и земляники (D).

Рисунок 4. Продолжение.

Рисунок 4. Продолжение.

Рисунок 4. Применение гиперспектральной визуализации для раннего предупреждения заболеваний: (A) вертициллёзное увядание хлопчатника [114]; (B) пирикуляриоз риса [115]; (C) болезни пшеницы [116]; (D) болезни листьев земляники [117].

Гиперспектральная визуализация стала незаменимой для мониторинга роста культур, поскольку детальные спектральные сигнатуры отражают физиологическое состояние, включая концентрации элементов питания и стрессовые реакции. БПЛА-HSI усиливает эти возможности, обеспечивая высокоразрешающий мониторинг поля в реальном времени и поддерживая основанное на данных точное земледелие — дифференцированное внесение удобрений и раннее выявление болезней [118]. Многие группы успешно объединили гиперспектральные данные с машинным обучением для оперативного мониторинга динамики роста. Moghimi et al. [62] показали синергизм БПЛА-HSI и DNN для высокопроизводительного фенотипирования пшеницы и прогноза урожайности. По изображениям опытных делянок глубокие модели выделяли ключевые признаки, точно классифицировали стадии роста и оценивали урожайность. Wang et al. [119] обнаружили значимые различия поглощения листьев кукурузы в ближнем и коротковолновом ИК-диапазонах на разных стадиях развития. Эти вариации служат ценными биомаркерами динамики роста.

HSI также критически важна для оценки питания растений. Отражение листьев в отдельных областях спектра значительно меняется с концентрацией азота; на этой основе созданы модели прогноза азотного статуса для точного внесения удобрений. БПЛА-HSI применяли и для мониторинга плотности хлорофилла в пологе кукурузы при полегании. В контролируемых опытах определяли чувствительные спектральные параметры моделирования. Повышенное отражение стеблей по сравнению с листьями оказалось главным источником спектральных изменений.

При полегании модели на основе вегетационных индексов показали наивысшую точность прогноза и позволили эффективно классифицировать тяжесть полегания кукурузы [120]. Гиперспектральное дистанционное зондирование имеет значительный потенциал различения видов культур и существенно повышает точность сельскохозяйственной статистики. В новых работах данные дистанционного зондирования объединяют с глубоким переносом обучения. Особенно новаторский подход состоит в адаптации предварительно обученных CNN, первоначально предназначенных для общего распознавания изображений, к мультиспектральным спутниковым данным для точной идентификации культур в разных агросистемах. Он особенно эффективен при малом объёме размеченных данных и повышает масштабируемость и точность программ мониторинга [121]. Всесторонний обзор применений HSI в дистанционном наблюдении приведён в таблице 2.

HSI стала мощным средством оценки здоровья животных и диагностики заболеваний. По спектральным сигнатурам поверхностей тела или органов она неинвазивно различает здоровые и патологические ткани. Один из примеров — быстрое выявление микропластика в кишечнике рыб для оценки влияния окружающей среды на водные виды [98]. Кроме того, анализ спектральных изменений кожи или шерсти при паразитарных и бактериальных инфекциях позволяет раньше выявлять заболевания сельскохозяйственных животных и своевременно вмешиваться.

Помимо применений таблицы 2, гипер- и мультиспектральную визуализацию используют в чайной промышленности для оценки качества и контроля ферментации (рисунок 5). На панели A показано спектроскопическое получение спектров и изображений образцов чая; панель Bиллюстрирует комплексную схему, объединяющую мультиспектральную съёмку, химические показатели, расширение данных, моделирование PLS и CNN и попиксельную визуализацию динамики ферментации чёрного чая.

В сравнении с разрушающими методами и визуальным осмотром HSI с машинным обучением даёт неинвазивное, точное и раннее предупреждение о вредителях и способна распознавать внутренние физиологические изменения до видимых симптомов. Сохраняются ограничения: высокая стоимость приборов, сложная предобработка и чувствительность к состоянию поверхности. Точность можно повысить, расширив набор данных за счёт сортов и садов разного происхождения, улучшив выбор длин волн и предобработку спектров, а также применив ансамбли — случайный лес или градиентный бустинг — с перекрёстной проверкой для уменьшения переобучения.

Рисунок 5. Применение спектроскопических методов в науке и технологии чая: (A) применение спектроскопии в исследовании чая [122]; (B) мониторинг ферментации чёрного чая с помощью мультиспектральной визуализации [123].

Микроструктурный анализ играет ключевую роль в оценке роста культур, характеристике клеток, идентификации патогенов и контроле качества после уборки. Оптическая, сканирующая электронная и лазерная конфокальная микроскопия дают высокое разрешение, но требуют сложной подготовки проб и значительных затрат, особенно для полевой диагностики. Новые дифракционные методы, прежде всего безлинзовые, радикально расширили возможности сельскохозяйственного микроанализа. Отсутствие линз, простота и высокая производительность делают их пригодными для поля (рисунок 6).

На рисунке 6A показан безлинзовый мониторинг жизнеспособности клеток в реальном времени, где фазовый контраст дифрагированного света различает живые и мёртвые клетки. На 6B — система регистрации переходных процессов, например быстрых биохимических реакций, объединяющая микрофлюидику и компактную оптику. На 6C — высокопроизводительная безлинзовая микроскопическая платформа, использующая дифракционный элемент и последовательное во времени освещение для извлечения динамических спектральных данных из кадров. На 6D — выявление грибных спор: патогенные грибы формируют на CMOS-датчике уникальные дифракционные отпечатки, по которым вычислительная реконструкция идентифицирует и классифицирует виды.

Рисунок 6. Применения безлинзовой визуализации: (A) мониторинг жизнеспособности клеток в реальном времени [124]; (B) регистрация переходных процессов [125]; (C) высокопроизводительное микроскопическое выявление [126]; (D) выявление грибных спор [127].

При распространении болезней образование и рассеивание спор — один из важнейших ранних индикаторов. Споры как переносчики грибных заболеваний присутствуют в воздухе или на растениях ещё до симптомов, поэтому их выявление и идентификация являются ключевыми этапами раннего предупреждения и точной защиты. В закрытом и открытом грунте особенно важны быстрый высокопроизводительный захват и распознавание спор из воздуха и с поверхностей. По сравнению с одноцветной дифракционной съёмкой безлинзовая система лучше различает морфологически сходные споры благодаря нескольким длинам волн и регистрации расфокусированных дифракционных картин. Различия пигментов и внутреннего состава дают специфическое поглощение; объединение спектральной и дифракционной информации делает сходные споры различимыми, повышая точность и устойчивость классификации.

В последние годы методы выявления спор заметно развились [128,129]. Для контроля патогенов риса важным направлением стала интеграция микрофлюидики и дифракционной реконструкции [130–136]. Yang et al. [137] разработали выявление спор пирикуляриоза посредством анализа светового поля дифракционного изображения и текстурных признаков. Метод оказался точнее ручной микроскопии, а после оптимизации нейросети классифицировал споры за секунды с тестовой точностью 97,18%, что важно для полевой фитопатологической диагностики.

В другом подходе создана микрофлюидная очистка воздушных спор. Оптимизация архитектуры чипа, материалов и изготовления позволила преодолеть помехи загрязнителей и низкую концентрацию целевых спор [138]. Для теплиц эффективно сочетание дифракционно-поляризационных сигнатур и машинного обучения. Специализированная система регистрировала отпечатки при нескольких состояниях поляризации; SVM классифицировала Botrytis cinerea (серая гниль томата), Pseudoperonospora cubensis (ложная мучнистая роса огурца) и Podosphaera xanthii (мучнистая роса огурца) со средней точностью 95,85% [139].

Для различения морфологически сходных спор созданы широкопольные безлинзовые мультиспектральные системы. Настраиваемая оптика и вычислительные алгоритмы обеспечивают точную таксономическую дифференциацию. Подбор диапазона длин волн, однородности углов освещения и расстояния образец–датчик максимизирует разрешение и контраст дифракционных картин и выявляет видоспецифичные детали полос. Оптимальный набор спектральных полос подчёркивает малые различия оптического отклика и непосредственно улучшает классификацию и устойчивость модели.

Вычислительные алгоритмы декодируют сложные мультиспектральные дифракционные данные, которые практически невозможно надёжно анализировать вручную. Каждый вид имеет уникальный спектрально-дифракционный отклик; CNN автоматически извлекают различающие признаки из многомерных данных. Совмещение спектральной и пространственной информации повышает разделимость классов, а нормализация спектров, снижение размерности и многоканальное слияние улучшают обобщение. Компактная недорогая безлинзовая архитектура масштабирует мониторинг патогенов, допускает миниатюризацию и работу в теплицах, открытом поле и хранилищах. Совместимость с автоматическими пробоотборниками и микрофлюидными модулями позволяет высокопроизводительное распределённое развёртывание [140]. Итоги приведены в таблице 3.

Таблица 3. Применение различных видов визуализации для целевых заболеваний.

Подсчёт спор — фундаментальная процедура микробиологических и сельскохозяйственных исследований. Традиционно используют микроскопический подсчёт и культуральные методы. При микроскопическом подсчёте аликвоту суспензии помещают в гемоцитометр, визуально считают споры в заданных участках сетки и рассчитывают концентрацию с учётом разведения. Метод прост, но чувствителен к различиям между операторами и требует высокой квалификации. При культуральном методе образцы засевают на селективные среды, инкубируют в контролируемых условиях и по числу колониеобразующих единиц судят об исходной концентрации. Его преимущество — различение метаболически активных и неактивных спор. Тем не менее эти методы требуют продолжительной обработки и строгого поддержания условий культивирования для воспроизводимости результатов.

В последние годы дифракционная, особенно безлинзовая, визуализация стала перспективным методом количественного учёта спор: их быстро и точно подсчитывают по характерным дифракционным картинам. Zhang et al. [151] представили систему мониторинга болезней культур, использующую датчики воздушных спор на основе рассеяния дифрагированного света для идентификации и отслеживания источников патогенов. Анализ уникальных сигнатур грибных спор в реальном времени обеспечивает точную локализацию источника и полевой мониторинг, создавая новый подход к раннему выявлению и защите. Система получает высокоразрешающие изображения отдельных спор в реальном времени и точно определяет их число. Интеграция с платформой Интернета вещей (IoT) и данными нескольких экологических датчиков обеспечивает оперативную оценку болезни и предоставляет земледельцам практически применимую высокоточную информацию. Эти работы подтверждают преимущества метода и его потенциал для раннего выявления и профилактики.

Для теплиц предложено быстрое выявление спор Botrytis cinerea томата на основе обогащения в микрофлюидном чипе и обработки безлинзовых дифракционных изображений. Воздушные споры концентрировали микрофлюидным устройством, а картины регистрировали безлинзовой системой [136]. Алгоритмы анализа обеспечивали быструю идентификацию. Хотя количественный подсчёт специально не проводился, масштабируемая схема регистрации и обработки создаёт теоретическую и техническую основу оценки концентрации и автоматического подсчёта. Другие исследования классифицировали споры до вида по текстурам или поляризационным отпечаткам. Сочетание извлечения текстур с сетями глубокого подсчёта может одновременно идентифицировать и количественно оценивать споры на одном изображении, повышая точность и автоматизацию. Эти работы приведены в разделе «Другие применения» таблицы 3.

Определение жизнеспособности важно в сельскохозяйственной микробиологии, оценке токсичности пестицидов и разработке биологических средств защиты. Жизнеспособность влияет на эффективность микробных удобрений и точность токсикологических оценок; как биологический показатель она отражает совокупное поведение больших клеточных популяций и требует статистического анализа высокопроизводительных данных. MTT-тест, окрашивание трипановым синим и проточная цитометрия чувствительны и точны, но требуют сложной подготовки, дорогих приборов или реагентов, что ограничивает полевое применение. Методы на основе дифракции, особенно безлинзовые, перспективны для оценки жизнеспособности сельскохозяйственных патогенных микроорганизмов благодаря безметочности, низкой стоимости и высокой производительности [152].

Дифракционные технологии позволили создать безлинзовую трёхмерную систему, одновременно и без меток отслеживающую свыше 1500 сперматозоидов. Лишь 4–5% подвижных клеток двигались по спирали, причём семенная плазма подавляла такое движение; около 90% спиралей были правозакрученными. Количественно определены параметры, включая радиус спирали, что даёт мощное средство микробиологических исследований [153].

Li et al. [126] предложили два параметра дифракционной картины клетки: контраст интенсивности полос (FIC) и дисперсию полос (FD). С ростом концентрации метилртути FIC заметно снижался, а FD увеличивалась, отражая потерю целостности мембраны и деградацию полос, то есть снижение жизнеспособности. В отличие от окрашивания и мечения, метод неинвазивно наблюдает живые клетки в реальном времени. Клетки BRL подвергали действию разных концентраций метилртути и измеряли FIC и FD собственной безлинзовой системой; параллельно выполняли классический MTT-тест. Высокое согласие результатов подтвердило надёжность параметров. Переносимость на другие типы клеток может зависеть от размера, однородности морфологии и силы сигнала, поэтому нужны стандартизация и улучшение обработки. Отсутствие меток и периодических биохимических реакций повышает точность и эффективность мониторинга.

Высокопроизводительные безлинзовые методы применялись также к неоднородным клеточным суспензиям. Su et al. [154] предложили чиповую платформу LUCAS, за менее чем секунду регистрирующую дифракционные картины многослойных клеток в 4 мл раствора при поле зрения около 10 см² и глубине 4 мм. Алгоритм одновременно локализует и классифицирует клетки в 3D. Автоматизация и производительность полезны для совместного анализа числа и активности клеток в микробных удобрениях. Подход можно перенести на культуру растительных тканей и оценку жизнеспособности семян. В культуре тканей возможен неразрушающий скрининг клеточных кластеров, повышающий стабильность культивирования [154]. В зародыше семени дифракционные текстуры активных микроклеток могут стать бесконтактным индикатором всхожести [155]. Эти междисциплинарные применения связывают фундаментальные исследования с полевыми задачами.

Безлинзовая дифракционная визуализация имеет особые преимущества в сельскохозяйственной микробиологии. Jiang et al. [144] предложили идентификацию видов по отпечаткам колоний: изображения микроколоний диаметром 10–500 мкм различали по морфологическим и физиологическим характеристикам. Технология перспективна и для здоровья сельскохозяйственных животных и птицы. Chen et al. [156] объединили микрофлюидику и безлинзовую визуализацию в системе разделения и выявления частиц: стоячие поверхностные акустические волны (SSAW) эффективно разделяли частицы, после чего система наблюдала их в реальном времени. По сравнению с ПЦР это удобнее для крупномасштабного полевого мониторинга.

Безлинзовая дифракция широко применима также в биомедицине, материаловедении, экологическом мониторинге и безопасности пищевых продуктов. Она перспективна для болезней животных. При профилактике ветеринарных заболеваний её использовали для наблюдения заражения свиней вирусом псевдобешенства (PRV). По оптическим дифракционным отпечаткам клеток визуализировали инфекцию в реальном времени и с высокой производительностью. Создана онлайн-система пространственно привязанного выявления. Её линейная корреляция с традиционной «золотой стандартной» диагностикой составила 98,9%; высокая автоматизация, производительность и низкая стоимость открывают новый путь профилактики вирусных болезней и клеточной селекции улучшенных пород животных и птицы [146].

Гиперспектральная и дифракционная визуализация обладают разными преимуществами и дают эффективные неразрушающие решения для мониторинга болезней, анализа роста культур, оценки качества продукции и выявления патогенов. Используя их взаимодополняемость, новые работы объединяют технологии. Один из подходов совмещает размытые вращением дифракционные изображения с резкими эталонными для высококачественной реконструкции гиперспектральных данных [157]. Jeon et al. [158] предложили HSI-систему, объединяющую дифракционную оптику и одномоментную вращательную съёмку для преодоления ограничений скорости и размера. Дифракционные оптические элементы (DOE) заменяют дисперсионные компоненты, кодированные апертуры и релейные линзы, делая устройство компактнее и быстрее.

Представлена также одномоментная мультиспектральная дифракционная метрология, где анализ линейной связи внедиагональных элементов матрицы Мюллера с ошибками совмещения позволил измерять широкий спектр за одну экспозицию, резко повысив скорость и стабильность. Подход применим и к нанометровой метрологии совмещения слоёв в производстве полупроводников [159].

Несмотря на перспективность, практическое внедрение сдерживают сложная обработка, стоимость оборудования и адаптация к среде [160]. Приоритеты будущих исследований следующие.

Глубокая интеграция пока изучена мало. Мультимодальное слияние может соединить богатую спектральную информацию HSI с микроструктурным анализом дифракционных методов и повысить точность. Например, HSI обеспечит массовый скрининг, а дифракция — последующую идентификацию спор, формируя точное многоуровневое выявление.

Обе технологии создают огромные объёмы данных, а традиционный анализ вычислительно дорог и затрудняет мониторинг в реальном времени. Глубокое и машинное обучение могут ускорить обработку и повысить точность. Мультимодальные модели, объединяющие CNN с механизмами внимания, способны улучшить раннее распознавание болезней.

Высокая стоимость ограничивает применение в малых и средних хозяйствах. Требуются портативные недорогие датчики, объединяющие оптоэлектронику, MEMS и мобильные вычисления. Компактные гиперспектрально-дифракционные системы на малых БПЛА могут вести мониторинг поля в реальном времени.

Освещение, температура и влажность влияют на качество полевой съёмки. Адаптивная оптическая коррекция и моделирование факторов среды могут стабилизировать систему. Спектральная коррекция, например, уменьшит влияние внешнего освещения на HSI и повысит надёжность.

Развитие требует глубокой связи аграрной науки, материаловедения, компьютерного зрения и робототехники. Интеллектуальные системы поддержки решений могут объединять данные многих датчиков и обеспечивать точное управление.

Технологии обладают большим потенциалом, но сохраняются стоимость оборудования, сложность данных и недостаточная адаптивность. Для безлинзовой мультиспектральной дифракции специфичны колебания освещения, аэрозольные частицы и влажность, ухудшающие согласованность изображений. Реальные пробы содержат посторонние загрязнители, затрудняющие выделение спор без предварительной фильтрации. Для надёжной работы необходимо обеспечить долговременную стабильность, предотвратить разъюстировку оптики и загрязнение датчика. Мультимодальное слияние, оптимизация на основе ИИ, недорогие портативные устройства и встраивание в интеллектуальные агросистемы повысят точность и интеллектуальность диагностики и будут способствовать устойчивому развитию современного сельского хозяйства.

Вклад авторов: концепция — L.C.; методология — Y.W.; курирование данных — Z.S.; анализ изображений — L.C.; первоначальный текст — L.C. и Y.W.; рецензирование и редактирование — N.Y.; финансирование — N.Y. и Z.S. Все авторы прочитали и одобрили опубликованную версию рукописи.

Финансирование: Национальная ключевая программа исследований и разработок — проект для молодых учёных Министерства науки и технологий Китая (2022YFD2000200); Национальный фонд естественных наук Китая, общая программа (32171895); Ключевая программа исследований и разработок провинции Цзянсу (BE2023017-2); Фонд независимых инноваций в аграрной науке и технологиях провинции Цзянсу (CX(23)3041); Ключевая программа исследований и разработок города Чжэньцзян (NY2023002).

Заявление институционального наблюдательного совета: не применимо.

Доступность данных: исходные материалы исследования включены в статью; дополнительные запросы можно направлять автору для корреспонденции.

Благодарности: благодарим редактора и рецензентов за полезные предложения по улучшению рукописи.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Библиографические записи воспроизведены полностью в исходном языке публикаций; имена авторов, названия источников, тома, страницы и идентификаторы сохранены без изменений.

1. Ozcelik, A.E. Driving initiatives for future improvements of specialty agricultural crops. Comput. Electron. Agr. 2016, 121, 122–134. [CrossRef]

2. Gebbers, R.; Adamchuk, V.I. Precision Agriculture and Food Security. Science 2010, 327, 828–831. [CrossRef] [PubMed]

3. Shi, Y.; Wang, Y.T.; Hu, X.T.; Li, Z.Z.; Huang, X.W.; Liang, J.; Zhang, X.A.; Zheng, K.Y.; Zou, X.B.; Shi, J.T. Nondestructive discrimination of analogous density foreign matter inside soy protein meat semi-finished products based on transmission hyperspectral imaging. Food Chem. 2023, 411, 135431. [CrossRef]

4. Nirere, A.; Sun, J.; Kama, R.; Atindana, V.A.; Nikubwimana, F.D.; Dusabe, K.D.; Zhong, Y.H. Nondestructive detection of adulterated wolfberry (Lycium Chinense) fruits based on hyperspectral imaging technology. J. Food Process Eng. 2023, 46, e14293. [CrossRef]

5. Ram, B.G.; Oduor, P.; Igathinathane, C.; Howatt, K.; Sun, X. A systematic review of hyperspectral imaging in precision agriculture: Analysis of its current state and future prospects. Comput. Electron. Agr. 2024, 222, 109037. [CrossRef]

6. Massaro, G.; Francesco, V.P.; And, M.D.A. Correlation Hyperspectral Imaging. Phys. Rev. Lett. 2024, 18, 183802. [CrossRef]

7. Yang, C.; Guo, Z.; Fernandes Barbin, D.; Dai, Z.; Watson, N.; Povey, M.; Zou, X. Hyperspectral Imaging and Deep Learning for Quality and Safety Inspection of Fruits and Vegetables: A Review. J. Agr. Food Chem. 2025, 73, 10019–10035. [CrossRef]

8. Sun, J.; Zhang, L.; Zhou, X.; Yao, K.S.; Tian, Y.; Nirere, A. A method of information fusion for identification of rice seed varieties based on hyperspectral imaging technology. J. Food Process Eng. 2021, 44, e13797. [CrossRef]

9. Sun, J.; Lu, X.Z.; Mao, H.P.; Jin, X.M.; Wu, X.H. A Method for Rapid Identification of Rice Origin by Hyperspectral Imaging Technology. J. Food Process Eng. 2017, 40, e12297. [CrossRef]

10. Tang, N.Q.; Sun, J.; Yao, K.S.; 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. [CrossRef]

11. Fu, L.H.; Sun, J.; Wang, S.M.; Xu, M.; Yao, K.S.; Cao, Y.; Tang, N.Q. Identification of maize seed varieties based on stacked sparse autoencoder and near-infrared hyperspectral imaging technology. J. Food Process Eng. 2022, 45, e14120. [CrossRef]

12. 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. Pres. 2020, 44, e14591. [CrossRef]

13. Sun, J.; Lu, X.Z.; Mao, H.P.; Wu, X.H.; Gao, H.Y. Quantitative Determination of Rice Moisture Based on Hyperspectral Imaging Technology and BCC-LS-SVR Algorithm. J. Food Process Eng. 2017, 40, e12446. [CrossRef]

14. 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. [CrossRef]

15. Zhou, X.; Sun, J.; Mao, H.P.; Wu, X.H.; Zhang, X.D.; Yang, N. Visualization research of moisture content in leaf lettuce leaves based on WT-PLSR and hyperspectral imaging technology. J. Food Process Eng. 2018, 41, e12647. [CrossRef]

16. Lu, B.; Sun, J.; Yang, N.; Wu, X.H.; Zhou, X.; Shen, J.F. Quantitative detection of moisture content in rice seeds based on hyperspectral technique. J. Food Process Eng. 2018, 41, e12916. [CrossRef]

17. Sun, J.; Wu, M.M.; Hang, Y.Y.; Lu, B.; Wu, X.H.; Chen, Q.S. Estimating cadmium content in lettuce leaves based on deep brief network and hyperspectral imaging technology. J. Food Process Eng. 2019, 42, e13293. [CrossRef]

18. Zhou, X.; Sun, J.; Tian, Y.; Lu, B.; Hang, Y.Y.; Chen, Q.S. Hyperspectral technique combined with deep learning algorithm for detection of compound heavy metals in lettuce. Food Chem. 2020, 321, 126503. [CrossRef]

19. Tian, X.Y.; Aheto, J.H.; Bai, J.W.; Dai, C.X.; Ren, Y.; Chang, X.H. Quantitative analysis and visualization of moisture and anthocyanins content in purple sweet potato by Vis–NIR hyperspectral imaging. J. Food Process. Pres. 2021, 45, e15128. [CrossRef]

20. Zhou, X.; Zhao, C.J.; Sun, J.; Yao, K.S.; Xu, M. Detection of lead content in oilseed rape leaves and roots based on deep transfer learning and hyperspectral imaging technology. Spectrochim. Acta Part A 2023, 290, 122288. [CrossRef]

21. Zhou, X.; Zhao, C.J.; Sun, J.; Cao, Y.; Yao, K.S.; Xu, M. A deep learning method for predicting lead content in oilseed rape leaves using fluorescence hyperspectral imaging. Food Chem. 2023, 409, 135251. [CrossRef]

22. Lu, X.; Sun, J.; Mao, H.P.; Wu, X.H.; Gao, H.Y. Quantitative determination of rice starch based on hyperspectral imaging technology. Int. J. Food Prop. 2017, 20, S1037–S1044. [CrossRef]

23. Sun, J.; Cong, S.L.; Mao, H.P.; Wu, X.H.; Yang, N. Quantitative detection of mixed pesticide residue of lettuce leaves based on hyperspectral technique. J. Food Process Eng. 2018, 41, e12654. [CrossRef]

24. Cheng, J.H.; Sun, J.; Yao, K.S.; Xu, M.; Wang, S.M.; Fu, L.H. Hyperspectral technique combined with stacking and blending ensemble learning method for detection of cadmium content in oilseed rape leaves. J. Sci. Food Agr. 2023, 103, 2690–2699. [CrossRef]

25. Shi, J.Y.; Zhang, F.; Wu, S.B.; Guo, Z.M.; Huang, X.W.; Hu, X.T.; Holmes, M.; Zou, X.B. Noise-free microbial colony counting method based on hyperspectral features of agar plates. Food Chem. 2019, 274, 925–932. [CrossRef]

26. Cao, Y.; Li, H.R.; Sun, J.; Zhou, X.; Yao, K.S.; Nirere, A. Nondestructive determination of the total mold colony count in green tea by hyperspectral imaging technology. J. Food Process Eng. 2020, 43, e13570. [CrossRef]

27. Sun Li, C.; Jun, S.; Han Ping, M.; Xiao Hong, W.; Pei, W.; Xiao Dong, Z. Non-destructive detection for mold colonies in rice based on hyperspectra and GWO-SVR. J. Sci. Food Agr. 2018, 98, 1453–1459. [CrossRef] [PubMed]

28. Ouyang, Q.; Wang, L.; Park, B.; Kang, R.; Wang, Z.; Chen, Q.S.; Guo, Z.M. Assessment of matcha sensory quality using hyperspectral microscope imaging technology. Lwt 2020, 125, 109254. [CrossRef]

29. Sun, J.; Yang, F.Y.; Cheng, J.H.; Wang, S.M.; Fu, L.H. Nondestructive identification of soybean protein in minced chicken meat based on hyperspectral imaging and VGG16-SVM. J. Food Compos. Anal. 2024, 125, 105713. [CrossRef]

30. Xiong, C.H.; She, Y.X.; Jiao, X.; Zhang, T.W.; Wang, M.; Wang, M.Q.; Abd El-Aty, A.M.; Wang, J.; Xiao, M. Rapid nondestructive hardness detection of black highland Barley Kernels via hyperspectral imaging. J. Food Compos. Anal. 2024, 127, 105966. [CrossRef]

31. Cheng, J.H.; 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. [CrossRef]

32. Zhu, W.J.; Li, J.Y.; Li, L.; Wang, A.C.; Wei, X.H.; Mao, H.P. Nondestructive diagnostics of soluble sugar, total nitrogen and their ratio of tomato leaves in greenhouse by polarized spectra–hyperspectral data fusion. Int. J. Agr. Biol. Eng. 2020, 13, 189–197. [CrossRef]

33. Yao, K.S.; Sun, J.; Zhang, L.; Zhou, X.; Tian, Y.; Tang, N.Q.; Wu, X.H. Nondestructive detection for egg freshness based on hyperspectral imaging technology combined with harris hawks optimization support vector regression. J. Food Saf. 2021, 41, e12888. [CrossRef]

34. Yao, K.S.; 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. [CrossRef]

35. Khulal, U.; Zhao, J.W.; Hu, W.W.; Chen, Q.S. Nondestructive quantifying total volatile basic nitrogen (TVB-N) content in chicken using hyperspectral imaging (HSI) technique combined with different data dimension reduction algorithms. Food Chem. 2016, 197, 1191–1199. [CrossRef]

36. Li, H.H.; Kutsanedzie, F.; Zhao, J.W.; Chen, Q.S. Quantifying Total Viable Count in Pork Meat Using Combined Hyperspectral Imaging and Artificial Olfaction Techniques. Food Anal. Methods 2016, 9, 2–9913. [CrossRef]

37. Li, Y.T.; Sun, J.; Wu, X.H.; Lu, B.; Wu, M.M.; Dai, C. Grade Identification of Tieguanyin Tea Using Fluorescence Hyperspectra and Different Statistical Algorithms. J. Food Sci. 2019, 84, 2234–2241. [CrossRef]

38. Xu, M.; Sun, J.; Yao, K.S.; Wu, X.H.; Shen, J.F.; 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. [CrossRef]

39. Yao, K.S.; Sun, J.; Cheng, J.H.; Xu, M.; Chen, C.; Zhou, X.; Dai, C.X. Development of Simplified Models for Non-Destructive Hyperspectral Imaging Monitoring of S-ovalbumin Content in Eggs during Storage. Foods 2022, 11, 2024. [CrossRef]

40. Yang, F.Y.; Sun, J.; Cheng, J.H.; Fu, L.H.; Wang, S.M.; Xu, M. Detection of starch in minced chicken meat based on hyperspectral imaging technique and transfer learning. J. Food Process Eng. 2023, 46, e14304. [CrossRef]

41. Zhang, X.; Jiang, X.; Jiang, J.; Zhang, Y.; Liu, X.; Cai, Z. Spectral–Spatial and Superpixelwise PCA for Unsupervised Feature Extraction of Hyperspectral Imagery. IEEE T. Geosci. Remote 2022, 60, 1–10. [CrossRef]

42. Gao, S.; Xu, J.H. Hyperspectral image information fusion-based detection of soluble solids content in red globe grapes. Comput. Electron. Agr. 2022, 196, 106822. [CrossRef]

43. Mei, S.H.; Geng, Y.H.; Hou, J.H.; Du, Q. Learning hyperspectral images from RGB images via a coarse-to-fine CNN. Sci. China Inf. Sci. 2021, 65, 152102. [CrossRef]

44. Yang, J.Y.; Lee, Y.K.; Chi, J. Spectral unmixing-based Arctic plant species analysis using a spectral library and terrestrial hyperspectral Imagery: A case study in Adventdalen, Svalbard. Int. J. Appl. Earth Obs. 2023, 125, 103583. [CrossRef]

45. Jia, S.; Zhao, Q.Q.; Zhuang, J.Y.; Tang, D.D.; Long, Y.Q.; Xu, M. Flexible Gabor-Based Superpixel-Level Unsupervised LDA for Hyperspectral Image Classification. IEEE T. Geosci. Remote 2021, 59, 10394–10409. [CrossRef]

46. Li, D.; Neira-Molina, H.; Huang, M.; Syam, S.M.; Zhang, Y.; Feng, Z.J.; Bhatti, U.A.; Asif, M.; Sarhan, N.; Awwad, E.M. CSTFNet: A CNN and Dual Swin-Transformer Fusion Network for Remote Sensing Hyperspectral Data Fusion and Classification of Coastal Areas. IEEE J. Stars 2025, 18, 5853–5865. [CrossRef]

47. Uddin; Md, P.; Mamun, M.A.; Md, A.H. Effective feature extraction through segmentation-based folded-PCA for hyperspectral image classification. Int. J. Remote Sens. 2019, 40, 7190–7220. [CrossRef]

48. Uddin, M.P.; Mamun, M.A.; Afjal, M.I.; Hossain, M.A. Information-theoretic feature selection with segmentation-based folded principal component analysis (PCA) for hyperspectral image classification. Int. J. Remote Sens. 2021, 42, 286–321. [CrossRef]

49. Chen, Y.X.; Liu, Z.H.; Chen, Z.Q. AMS: A hyperspectral image classification method based on SVM and multi-modal attention network. Knowl. Based Syst. 2025, 314, 113236. [CrossRef]

50. Sahadevan, A.S. Extraction of spatial-spectral homogeneous patches and fractional abundances for field-scale agriculture monitoring using airborne hyperspectral images. Comput. Electron. Agr. 2021, 188, 106325. [CrossRef]

51. Zhang, Z.; Huang, L.H.; Tang, B.; Wang, Q.W.; Ge, Z.X.; Jiang, L.H. Non-Euclidean Spectral-Spatial feature mining network with Gated GCN-CNN for hyperspectral image classification. Expert Syst. Appl. 2025, 272, 126811. [CrossRef]

52. Lin, J.; Mou, L.; Zhu, X.X.; Ji, X.; Wang, Z.J. Attention-Aware Pseudo-3-D Convolutional Neural Network for Hyperspectral Image Classification. IEEE T. Geosci. Remote 2021, 59, 7790–7802. [CrossRef]

53. Yang, J.; Sun, J.; Ren, Y.P.; Li, S.B.; Ding, S.J.; Hu, J.J. GACP: Graph neural networks with ARMA filters and a parallel CNN for hyperspectral image classification. Int J. Digit Earth 2023, 16, 1770–1800. [CrossRef]

54. Peng, M.; Liu, Y.X.; Qadri, I.A.; Bhatti, U.A.; Ahmed, B.; Sarhan, N.M.; Awwad, E.M. Advanced image segmentation for precision agriculture using CNN-GAT fusion and fuzzy C-means clustering. Comput. Electron. Agr. 2024, 226, 109431. [CrossRef]

55. Zhu, C.M.; Ding, J.L.; Zhang, Z.P.; Wang, Z. Exploring the potential of UAV hyperspectral image for estimating soil salinity: Effects of optimal band combination algorithm and random forest. Spectrochim. Acta Part A Mol. Biomol. Spectrosc. 2022, 279, 121416. [CrossRef] [PubMed]

56. Ali, M.A.; Lyu, X.; Ersan, M.S.; Xiao, F. Critical evaluation of hyperspectral imaging technology for detection and quantification of microplastics in soil. J. Hazard. Mater. 2024, 476, 135041. [CrossRef]

57. Chen, H.; Shin, T.; Park, B.; Ro, K.; Jeong, C.; Jeon, H.J.; Tan, P. Coupling hyperspectral imaging with machine learning algorithms for detecting polyethylene (PE) and polyamide (PA) in soils. J. Hazard. Mater. 2024, 471, 134346. [CrossRef]

58. Jiang, R.Z.; Sui, Y.Y.; Zhang, X.; Lin, N.; Zheng, X.M.; Li, B.Z.; Zhang, L.; Li, X.K.; Yu, H.Y. Estimation of soil organic carbon by combining hyperspectral and radar remote sensing to reduce coupling effects of soil surface moisture and roughness. Geoderma 2024, 444, 116874. [CrossRef]

59. Li, X.Y.; Qiu, H.M.; Fan, P.P. A review of spectral feature extraction and multi-feature fusion methods in predicting soil organic carbon. Appl. Spectrosc. Rev. 2025, 60, 78–101. [CrossRef]

60. Xu, H.; Ran, J.; Chen, M.X.; Sui, B.W.; Bai, X.Y. Non-Destructive Testing Based on Hyperspectral Imaging for Determination of Available Silicon and Moisture Contents in Ginseng Soils of Different Origins. J. Food Sci. 2025, 90, e70285. [CrossRef]

61. Bohnenkamp, D.; Behmann, J.; Mahlein, A. In-Field Detection of Yellow Rust in Wheat on the Ground Canopy and UAV Scale. Remote Sens. 2019, 11, 2495. [CrossRef]

62. Moghimi, A.; Yang, C.; Anderson, J.A. Aerial hyperspectral imagery and deep neural networks for high-throughput yield phenotyping in wheat. Comput. Electron. Agr. 2020, 172, 105299. [CrossRef]

63. Ahmed, M.T.; Monjur, O.; Khaliduzzaman, A.; Kamruzzaman, M. A comprehensive review of deep learning-based hyperspectral image reconstruction for agri-food quality appraisal. Artif. Intell. Rev. 2025, 58, 96. [CrossRef]

64. Genangeli, A.; Avola, G.; Bindi, M.; Cantini, C.; Cellini, F.; Riggi, E.; Gioli, B. A Novel Correction Methodology to Improve the Performance of a Low-Cost Hyperspectral Portable Snapshot Camera. Sens. 2023, 23, 9685. [CrossRef]

65. Arad, O.; Cheplanov, L.; Afgin, Y.; Reshef, L.; Brikman, R.; Elatrash, S.; Stern, A.; Tsror, L.; Bonfil, D.J.; Klapp, I. Low-Cost Dispersive Hyperspectral Sampling Scanner for Agricultural Imaging Spectrometry. IEEE Sens. J. 2023, 23, 18292–18303. [CrossRef]

66. Li, Q.F.; Yang, Y.P.; Tan, M.; Xia, H.; Peng, Y.X.; Fu, X.R.; Huang, Y.G.; Yang, X.P.; Ma, X.Y. Rapid pesticide residues detection by portable filter-array hyperspectral imaging. Spectrochim. Acta. Part A Mol. Biomol. Spectrosc. 2025, 330, 125703. [CrossRef] [PubMed]

67. Habib, A.; Han, Y.; Xiong, W.F.; Fang Ning, H.; Zhou, Z.; Crawford, A. Automated Ortho-Rectification of UAV-Based Hyperspec- tral Data over an Agricultural Field Using Frame RGB Imagery. Remote Sens. 2016, 8, 796. [CrossRef]

68. Mäkynen, J.; Litkey, P.; Hakala, T.; Pölönen, I.; Kaivosoja, J.; Saari, H.; Honkavaara, E.; Pesonen, L. Processing and Assessment of Spectrometric, Stereoscopic Imagery Collected Using a Lightweight UAV Spectral Camera for Precision Agriculture. Remote Sens. 2013, 5, 5006–5039.

69. Sun, M.J.; Jing, X.T.; Ma, Y.X.; Huang, H.X. Lensless imaging via LED array based computational ghost imaging. Opt. Laser Technol. 2025, 180, 111401. [CrossRef]

70. Greenbaum, A.; Zhang, Y.B.; Feizi, A.; Chung, P.; Luo, W.; Kandukuri, S.R.; Ozcan, A. Wide-field computational imaging of pathology slides using lens-free on-chip microscopy. Sci. Transl. Med. 2014, 6, 267ra175. [CrossRef]

71. Xu, M.; Sun, J.; Zhou, X.; Tang, N.Q.; Shen, J.F.; Wu, X.H. Research on nondestructive identification of grape varieties based on EEMD-DWT and hyperspectral image. J. Food Sci. 2021, 86, 2011–2023. [CrossRef] [PubMed]

72. Jia, W.Y.; Ferragina, A.; Hamill, R.; Koidis, A. Modelling and numerical methods for identifying low-level adulteration in ground beef using near-infrared hyperspectral imaging (NIR-HSI). Talanta 2024, 276, 126199. [CrossRef]

73. Savary, S.; Willocquet, L.; Pethybridge, S.J.; Esker, P.; McRoberts, N.; Nelson, A. The global burden of pathogens and pests on major food crops. Nat. Ecol. Evol. 2019, 3, 430–439. [CrossRef]

74. Shen, G.H.; Cao, Y.Y.; Yin, X.C.; Dong, F.; Xu, J.H.; Shi, J.R.; Lee, Y. Rapid and nondestructive quantification of deoxynivalenol in individual wheat kernels using near-infrared hyperspectral imaging and chemometrics. Food Control 2022, 131, 108420. [CrossRef]

75. Liu, J.; Wang, X.W. Plant diseases and pests detection based on deep learning: A review. Plant Methods 2021, 17, 22. [CrossRef]

76. Lu, B.; Jun, S.; Ning, Y.; Xiao Hong, W.; Xin, Z. Identification of tea white star disease and anthrax based on hyperspectral image information. J. Food Process Eng. 2021, 44, e13584. [CrossRef]

77. Wan, L.; Li, H.; Li, C.S.; Wang, A.C.; Yang, Y.H.; Wang, P. Hyperspectral Sensing of Plant Diseases: Principle and Methods. Agronomy 2022, 12, 1451. [CrossRef]

78. Zhang, X.D.; Wang, Y.F.; Zhou, Z.K.; Zhang, Y.X.; Wang, X.Z. Detection Method for Tomato Leaf Mildew Based on Hyperspectral Fusion Terahertz Technology. Foods 2023, 12, 535. [CrossRef]

79. Jiang, X.P.; Zhen, J.N.; Miao, J.; Zhao, D.M.; Shen, Z.; Jiang, J.C.; Gao, C.J.; Wu, G.F.; Wang, J.J. Newly-developed three-band hyperspectral vegetation index for estimating leaf relative chlorophyll content of mangrove under different severities of pest and disease. Ecol. Indic. 2022, 140, 108978. [CrossRef]

80. Feng, L.; Wu, B.H.; He, Y.; Zhang, C. Hyperspectral Imaging Combined With Deep Transfer Learning for Rice Disease Detection. Front. Plant Sci. 2021, 12, 693521. [CrossRef]

81. Zhang, H.; Zhao, J.; Huang, L.; Huang, W.; Dong, Y.; Ma, H.; Ruan, C. Development of new indices and use of CARS-Ridge algorithm for wheat fusarium head blight detection using in-situ hyperspectral data. Biosyst. Eng. 2024, 237, 13–25. [CrossRef]

82. Rady, A.; Ekramirad, N.; Adedeji, A.A.; Li, M.; Alimardani, R. Hyperspectral imaging for detection of codling moth infestation in GoldRush apples. Postharvest Biol. Tec. 2017, 129, 37–44. [CrossRef]

83. Cheshkova, A.F. A review of hyperspectral image analysis techniques for plant disease detection and identification. Vavilovskii Zh Genet. 2022, 26, 202–213.

84. Shi, Y.; Han, L.X.; Kleerekoper, A.; Chang, S.; Hu, T.L. A Novel CropdocNet for Automated Potato Late Blight Disease Detection from the Unmanned Aerial Vehicle-based Hyperspectral Imagery. arXiv 2021, arXiv:2107.13277. [CrossRef]

85. Gu, Q.; Sheng, L.; Zhang, T.H.; Lu, Y.W.; Zhang, Z.J.; Zheng, K.F.; Hu, H.; Zhou, H.K. Early detection of tomato spotted wilt virus infection in tobacco using the hyperspectral imaging technique and machine learning algorithms. Comput. Electron. Agr. 2019, 167, 105066. [CrossRef]

86. Bai, Y.L.; Nie, C.W.; Yu, X.; Gou, M.Y.; Liu, S.B.; Zhu, Y.Q.; Jiang, T.T.; Jia, X.; Liu, Y.D.; Nan, F.; et al. Comprehensive analysis of hyperspectral features for monitoring canopy maize leaf spot disease. Comput. Electron. Agr. 2024, 225, 109350. [CrossRef]

87. Shi, Y.; Wang, Y.Y.; Hu, X.T.; Li, Z.H.; Huang, X.W.; Liang, J.; Zhang, X.A.; Zhang, D.; Zou, X.B.; Shi, J.Y. Quantitative characterization of the diffusion behavior of sucrose in marinated beef by HSI and FEA. Meat Sci. 2023, 195, 109002. [CrossRef] [PubMed]

88. Liu, X.; Liu, X.; Meng, K.X.; Zhang, K.X.; Yang, W.J.; Yang, J.T.; Feng, L.Y.; Gong, H.R.; Zhou, C.A. Discrimination of leaf diseases in Maize/Soybean intercropping system based on hyperspectral imaging. Front. Plant Sci. 2024, 15, 1434163. [CrossRef]

89. Baek, I.; Kim, M.S.; Cho, B.; Changyeun, M.; Jinyoung, Y.B.; McClung, A.M.; Oh, M. Selection of Optimal Hyperspectral Wavebands for Detection of Discolored, Diseased Rice Seeds. Appl. Sci. 2019, 9, 1027. [CrossRef]

90. Qi, C.; Sandroni, M.; Westergaard, J.C.; Sundmark, E.H.R.; Bagge, M.; Alexandersson, E.; Gao, J.F. In-field early disease recognition of potato late blight based on deep learning and proximal hyperspectral imaging. arXiv 2021, arXiv:2111.12155. [CrossRef]

91. Zhang, Y.; Li, X.; Wang, M.; Xu, T.; Huang, K.; Sun, Y.; Yuan, Q.; Lei, X.; Qi, Y.; Lv, X. Early detection and lesion visualization of pear leaf anthracnose based on multi-source feature fusion of hyperspectral imaging. Front. Plant Sci. 2024, 15, 1461855. [CrossRef]

92. Bharadwaj, S.; Midha, A.; Sharma, S.; Sidhu, G.S.; Kumar, R. Optical screening of citrus leaf diseases using label-free spectroscopic tools: A review. J. Agr. Food Res. 2024, 18, 101303. [CrossRef]

93. Ferreira, L.D.C.; Carvalho, I.C.B.; Jorge, L.A.D.C.; Quezado-Duval, A.M.; Rossato, M. Hyperspectral imaging for the detection of plant pathogens in seeds: Recent developments and challenges. Front. Plant Sci. 2024, 15, 1387925. [CrossRef] [PubMed]

94. Jia, Z.C.; Qi Feng, D.; Yue, W.; Ke, W.; Hong Zhe, J. Detection Model and Spectral Disease Indices for Poplar (Populus L.) Anthracnose Based Hyperspectral Reflectance. Forest 2024, 15, 1309. [CrossRef]

95. Rouš, R.; Peller, J.; Polder, G.; Hageraats, S.; Ruigrok, T.; Blok, P.M. Apple scab detection in orchards using deep learning on colour and multispectral images. arXiv 2023, arXiv:2302.08818. [CrossRef]

96. Guo, L.; Sun, X.R.; Fu, P.; Shi, T.Z.; Dang, L.N.; Chen, Y.Y.; Linderman, M.; Zhang, G.L.; Zhang, Y.; Jiang, Q.H.; et al. Mapping soil organic carbon stock by hyperspectral and time-series multispectral remote sensing images in low-relief agricultural areas. Geoderma 2021, 398, 115118. [CrossRef]

97. Mehedi, I.M.; Bilal, M.; Hanif, M.S.; Palaniswamy, T.; Vellingiri, M.T. Leveraging Hyperspectral Remote Sensing Imaging for Agricultural Crop Classification Using Coot Bird Optimization With Entropy-Based Feature Fusion Model. IEEE Access 2024, 12, 130214–130227. [CrossRef]

98. Zhang, Y.T.; Wang, X.; Shan, J.J.; Zhao, J.B.; Zhang, W.; Liu, L.F.; Wu, F.C. Hyperspectral Imaging Based Method for Rapid Detection of Microplastics in the Intestinal Tracts of Fish. Environ. Sci. Technol. 2019, 53, 5151–5158. [CrossRef]

99. Duma, Z.; Zemcik, T.; Bilik, S.; Sihvonen, T.; Honec, P.; Reinikainen, S.; Horak, K. Varroa destructor detection on honey bees using hyperspectral imagery. Comput. Electron. Agr. 2024, 224, 109219. [CrossRef]

100. Chen, S.Y.; Chang, C.Y.; Ou, C.S.; Lien, C.T. Detection of Insect Damage in Green Coffee Beans Using VIS-NIR Hyperspectral Imaging | Semantic Scholar. Remote Sens. 2020, 15, 2348. [CrossRef]

101. Dashti, A.; Müller-Maatsch, J.; Roetgerink, E.; Wijtten, M.; Weesepoel, Y.; Parastar, H.; Yazdanpanah, H. Comparison of a portable Vis-NIR hyperspectral imaging and a snapscan SWIR hyperspectral imaging for evaluation of meat authenticity. Food Chem. X 2023, 18, 100667. [CrossRef]

102. Zheng, L.; Zhao, M.Y.; Zhu, J.C.; Huang, L.S.; Zhao, J.L.; Liang, D.; Zhang, D.Y. Fusion of hyperspectral imaging (HSI) and RGB for identification of soybean kernel damages using ShuffleNet with convolutional optimization and cross stage partial architecture. Front. Plant Sci. 2022, 13, 1098864. [CrossRef]

103. Sun, Y.; Liang, D.D.; Wang, X.C.; Hu, Y.H. Assessing and detection of multiple bruises in peaches based on structured hyperspectral imaging. Spectrochim. Acta Part A Mol. Biomol. Spectrosc. 2024, 304, 123378. [CrossRef] [PubMed]

104. Vignati, S.; Tugnolo, A.; Giovenzana, V.; Pampuri, A.; Casson, A.; Guidetti, R.; Beghi, R. Hyperspectral Imaging for Fresh-Cut Fruit and Vegetable Quality Assessment: Basic Concepts and Applications. Appl. Sci. 2023, 13, 9740. [CrossRef]

105. Jin, S.S.; Liu, X.H.; Wang, J.L.; Pan, L.Q.; Zhang, Y.M.; Zhou, G.H.; Tang, C.B. Hyperspectral imaging combined with fluorescence for the prediction of microbial growth in chicken breasts under different packaging conditions. Lwt 2023, 181, 114727. [CrossRef]

106. Wang, S.M.; Sun, J.; Fu, L.H.; Xu, M.; Tang, N.Q.; Cao, Y.; Yao, K.S.; Jing, J.P. Identification of red jujube varieties based on hyperspectral imaging technology combined with CARS-IRIV and SSA-SVM. J. Food Process Eng. 2022, 45, e14137. [CrossRef]

107. Ge, X.; Sun, J.; Lu, B.; Chen, Q.S.; Xun, W.; Jin, Y.T. Classification of oolong tea varieties based on hyperspectral imaging technology and BOSS-LightGBM model. J. Food Process Eng. 2019, 42, e13289. [CrossRef]

108. Tian, Y.; Sun, J.; Zhou, X.; Yao, K.S.; Tang, N.Q. Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm. J. Food Process. Pres. 2022, 46, e16414. [CrossRef]

109. Nirere, A.; Sun, J.; Atindana, V.A.; Hussain, A.; Zhou, X.; Yao, K.S. 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. Pres. 2022, 46, e16320. [CrossRef]

110. Terentev, A.; Badenko, V.; Shaydayuk, E.; Dmitriy, E.; Danila, E.; Dmitriy, K.; Alexander, F.; Dolzhenko, V. Hyperspectral Remote Sens. Early Detect. Wheat Leaf Rust Caused By Puccinia triticina. Mol. Plant Pathol. 2023, 13, 1186.

111. Moriya, É.A.S.; Imai, N.N.; Tommaselli, A.M.G.; Berveglieri, A.; Santos, G.H.; Soares, M.A.; Marino, M.; Reis, T.T. Detection and mapping of trees infected with citrus gummosis using UAV hyperspectral data. Comput. Electron. Agr. 2021, 188, 106298. [CrossRef]

112. Bai, Y.L.; Jin, X.L. Hyperspectral approaches for rapid and spatial plant disease monitoring. Trends Plant Sci. 2024, 6, 711–712. [CrossRef]

113. Xu, P.; Fu, L.; Xu, K.; Sun, W.B.; Tan, Q.; Zhang, Y.P.; Zha, X.T.; Yang, R.B. Investigation into maize seed disease identification based on deep learning and multi-source spectral information fusion techniques. J. Food Compos. Anal. 2023, 119, 105254. [CrossRef]

114. Tan, F.; Cang, H.; Gao, X.W.; Wu, N.Y.; Di, R.Y.; Zhang, Y.; Gao, P.; Lv, X.; Zhang, C. Early detection of cotton Verticillium wilt based on generative adversarial networks and hyperspectral imaging technology. Ind. Crop. Prod. 2025, 231, 121167. [CrossRef]

115. Liu, T.; Qi, Y.; Yang, F.; Yi, X.Y.; Guo, S.L.; Wu, P.Y.; Yuan, Q.Y.; Xu, T.Y. Early detection of rice blast using UAV hyperspectral imagery and multi-scale integrator selection attention transformer network (MS-STNet). Comput. Electron. Agr. 2025, 231, 110007. [CrossRef]

116. Bohnenkamp, D.; Behmann, J.; Paulus, S.; Steiner, U.; Mahlein, A. A Hyperspectral Library of Foliar Diseases of Wheat. Phytopathology 2021, 111, 1583–1593. [CrossRef]

117. Wu, G.S.; Fang, Y.L.; Jiang, Q.Y.; Cui, M.; Li, N.; Ou, Y.M.; Diao, Z.H.; Zhang, B.H. Early identification of strawberry leaves disease utilizing hyperspectral imaging combing with spectral features, multiple vegetation indices and textural features. Comput. Electron. Agr. 2023, 204, 107553. [CrossRef]

118. Zhu, W.X.; Sun, Z.G.; Huang, Y.H.; Yang, T.; Li, J.; Zhu, K.Y.; Zhang, J.Q.; Yang, B.; Shao, C.X.; Peng, J.B.; et al. Optimization of multi-source UAV RS agro-monitoring schemes designed for field-scale crop phenotyping. Precis. Agric. 2021, 22, 1768–1802. [CrossRef]

119. Wang, L.J.; Jin, J.; Song, Z.H.; Wang, J.L.; Zhang, L.B.; Rehman, T.U.; Ma, D.; Carpenter, N.R.; Tuinstra, M.R. LeafSpec: An accurate and portable hyperspectral corn leaf imager. Comput. Electron. Agr. 2020, 169, 105209. [CrossRef]

120. Sun, Q.; Gu, X.H.; Chen, L.P.; Xu, X.B.; Wei, Z.H.; Pan, Y.C.; Gao, Y.B. Monitoring maize canopy chlorophyll density under lodging stress based on UAV hyperspectral imagery. Comput. Electron. Agr. 2022, 193, 106671. [CrossRef]

121. Thangadeepiga, E.; Alagu Raja, R.A. Remote Sensing-Based Crop Identification Using Deep Learning. In Intelligent Data Engineering and Analytics; Spinger: Berlin/Heidelberg, Germany, 2021; pp. 109–122.

122. Li, D.S.; Chen, Q.S.; Ou Yang, Q.; Liu, Z.H. Advances of Vis/NIRS and imaging techniques assisted by AI for tea processing. Crit. Rev. Food Sci. 2025, 1–19. [CrossRef] [PubMed]

123. Ou Yang, Q.; Chang, H.L.; Fan, Z.Z.; Ma, S.Z.; Chen, Q.S.; Liu, Z.H. Monitoring changes in constituents during black tea fermentation using snapshot multispectral imaging and 1D-CNN enhanced with data augmentation. Comput. Electron. Agr. 2025, 237, 110643. [CrossRef]

124. Wang, Y.Y.D.; Duan, Z.J. Advances in Mask-Modulated Lensless Imaging. Electronics 2024, 3, 617. [CrossRef]

125. Zhao, J.; Li, M.S. Lensless ultrafast optical imaging. Light Sci. Appl. 2022, 11, 97. [CrossRef]

126. Li, T.G.; Wang, Y.F.; Yang, N.; Wang, A.Y.; Dong, S.Z.; Wang, S.H.; Jiang, F.Y.; Li, S.F. Portable multispectral diffraction microfluidic sensing system for pathogenic fungal detection. Sens. Actuators B Chem. 2024, 411, 135775. [CrossRef]

127. Zhang, X.D.; Song, H.J.; Wang, Y.F.; Hu, L.; Wang, P.; Mao, H.P. Detection of Rice Fungal Spores Based on Micro- Hyperspectral and Microfluidic Techniques. Biosensors 2023, 13, 278. [CrossRef]

128. Zhang, X.D.; Guo, B.X.; Wang, Y.F.; Hu, L.; Yang, N.; Mao, H.P. A Detection Method for Crop Fungal Spores Based on Microfluidic Separation Enrichment and AC Impedance Characteristics. J. Fungi 2022, 8, 1168. [CrossRef]

129. Yang, N.; Hu, J.Q.; Zhou, X.; Wang, A.Y.; Yu, J.J.; Tao, X.Y.; Tang, J. A rapid detection method of early spore viability based on AC impedance measurement. J. Food Process Eng. 2020, 43, e13520. [CrossRef]

130. Yang, N.; Qian, Y.; Mesery, H.S.E.; Zhang, R.B.; Wang, A.Y.; Tang, J. Rapid detection of rice disease using microscopy image identification based on the synergistic judgment of texture and shape features and decision tree–confusion matrix method. J. Sci. Food Agr. 2019, 99, 6589–6600. [CrossRef]

131. Xu, P.F.; Zhang, R.B.; Yang, N.; Kwabena Oppong, P.; Sun, J.; Wang, P. High-precision extraction and concentration detection of airborne disease microorganisms based on microfluidic chip. Biomicrofluidics 2019, 13, 24110. [CrossRef] [PubMed]

132. Yang, N.; Ji, Y.Y.; Wang, A.Y.; Tang, J.; Liu, S.H.; Zhang, X.D.; Xu, L.J.; He, Y. An integrated nucleic acid detection method based on a microfluidic chip for collection and culture of rice false smut spores. Lab Chip 2022, 22, 4894–4904. [CrossRef]

133. Yang, N.; Chen, C.Y.; Li, T.; Li, Z.; Zou, L.R.; Zhang, R.B.; Mao, H.P. Portable Rice Disease Spores Capture and Detection Method Using Diffraction Fingerprints on Microfluidic Chip. Micromachines 2019, 10, 289. [CrossRef]

134. Zhang, X.D.; Bian, F.; Wang, Y.F.; Hu, L.; Yang, N.; Mao, H.P. A Method for Capture and Detection of Crop Airborne Disease Spores Based on Microfluidic Chips and Micro Raman Spectroscopy. Foods 2022, 11, 3462. [CrossRef]

135. Wang, Y.F.; Shi, Q.; Ren, S.J.; Li, T.Z.; Yang, N.; Zhang, X.D.; Ma, G.X.; Mohamed, F.T.; Mao, H.P. Application of a spore detection system based on diffraction imaging to tomato gray mold. Int. J. Agric. Biol. Eng. 2024, 6, 212–217. [CrossRef]

136. Wang, Y.F.; Mao, H.P.; Zhang, X.D.; Liu, Y.; Du, X.X. A Rapid Detection Method for Tomato Gray Mold Spores in Greenhouse Based on Microfluidic Chip Enrichment and Lens-Less Diffraction Image Processing. Foods 2021, 10, 3011. [CrossRef]

137. Yang, N.; Yu, J.J.; Wang, A.Y.; Tang, J.; Zhang, R.B.; Xie, L.L.; Shu, F.Y.; Kwabena, O.P. A rapid rice blast detection and identification method based on crop disease spores’ diffraction fingerprint texture. J. Sci. Food Agr. 2020, 100, 3608–3621. [CrossRef]

138. Li, X.X.; Zhang, X.L.; Liu, Q.; Zhao, W.; Liu, S.X.; Sui, G.D. Microfluidic System for Rapid Detection of Airborne Pathogenic Fungal Spores. Acs Sens. 2018, 3, 2095–2103. [CrossRef]

139. Wang, Y.F.; Zhang, X.D.; Taha, M.F.; Chen, T.H.; Yang, N.; Zhang, J.R.; Mao, H.P. Detection Method of Fungal Spores Based on Fingerprint Characteristics of Diffraction-Polarization Images. J. Fungi 2023, 9, 1131. [CrossRef] [PubMed]

140. Wang, Y.F.; Mao, H.P.; Xu, G.L.; Zhang, X.D.; Zhang, Y.K. A Rapid Detection Method for Fungal Spores from Greenhouse Crops Based on CMOS Image Sensors and Diffraction Fingerprint Feature Processing. J. Fungi 2022, 8, 374. [CrossRef]

141. Li, G.X.; Zhang, R.B.; Yang, N.; Yin, C.S.; Wei, M.J.; Zhang, Y.C.; Sun, J. An approach for cell viability online detection based on the characteristics of lensfree cell diffraction fingerprint. Biosens. Bioelectron. 2018, 107, 163–169. [CrossRef] [PubMed]

142. Chen, P.; Shu Hua, L.; Yanjun, K.; Jian, T.; Ya Fei, W.; Ning, Y.; Ru Bing, H. Crop Disease Source Location and Monitoring System Based on Diffractive Light Identification Airborne Spore Sensor Network. IEEE Internet Things J. 2022, 13, 11030–11042.

143. Shi, Z.S.; Zhao, Y.; Liu, S.; Wang, Y.T.; Yu, Q.L. Size-Dependent Impact of Magnetic Nanoparticles on Growth and Sporulation of Aspergillus niger. Molecules 2022, 27, 5840. [CrossRef] [PubMed]

144. Jiang, S.W.; Guo, C.F.; Bian, Z.C.; Wang, R.H.; Zhu, J.K.; Song, P.M.; Hu, P.; Hu, D.; Zhang, Z.B.; Hoshino, K.; et al. Ptychographic sensor for large-scale lensless microbial monitoring with high spatiotemporal resolution. Biosens. Bioelectron. 2022, 196, 113699. [CrossRef]

145. Wang, J.Y.; You, W.; Jiao, Y.H.; Zhu, Y.H.; Liu, X.J.; Jiang, X.Q.; Hu, C.F.; Lu, W.L. Quantitative phase imaging of opaque specimens with flexible endoscopic microscopy. Opt. Laser. Eng. 2024, 180, 108342. [CrossRef]

146. Li, T.G.; Yang, N.; Xiao, Y.; Liu, Y.; Pan, X.Q.; Wang, S.H.; Jiang, F.Y.; Zhang, Z.Y.; Zhang, X.C. Virus detection light diffraction fingerprints for biological applications. Sci. Adv. 2024, 10, eadl3466. [CrossRef] [PubMed]

147. Kalwa, U.; Legner, C.; Wlezien, E.; Tylka, G.; Pandey, S. New methods of removing debris and high-throughput counting of cyst nematode eggs extracted from field soil. PLoS ONE 2019, 14, e0223386. [CrossRef]

148. Sasagawa, K.; Sasagawa, K.; Ohta, Y.; Kawahara, M.; Haruta, M.; Tokuda, T.; Ohta, J. Wide field-of-view lensless fluorescence imaging device with hybrid bandpass emission filter. Aip. Adv. 2019, 3, 35108. [CrossRef]

149. Feshki, M.; De Koninck, Y.; Gosselin, B. Deep Learning Empowered Fresnel-based Lensless Fluorescence Microscopy. In Proceedings of the EMBC 2023 45th Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), Sydney Australia, 24–27 July 2023; pp. 1–4.

150. Gurkan, U.A.; Moon, S.; Geckil, H.; Xu, F.; Wang, S.Q.; Lu, T.J.; Demirci, U. Miniaturized lensless imaging systems for cell and microorganism visualization in point-of-care testing. Biotechnol J. 2011, 6, 138–149. [CrossRef]

151. Chen, J.; Han, W.; Fu, L.; Lv, Z.; Chen, H.; Fang, W.; Hou, J.; Yu, H.; Huang, X.; Sun, L. A Miniaturized and Intelligent Lensless Holographic Imaging System With Auto-Focusing and Deep Learning-Based Object Detection for Label-Free Cell Classification. IEEE Photonics J. 2024, 16, 1–8. [CrossRef]

152. Bian, Y.X.; Jiang, Y.N.; Wang, J.X.; Yang, S.M.; Deng, W.J.; Yang, X.F.; Shen, R.B.; Shen, H.; Kuang, C.F. Deep learning colorful ptychographic iterative engine lens-less diffraction microscopy. Opt. Laser. Eng. 2022, 150, 106843. [CrossRef]

153. Su, T.; Xue, L.; Ozcan, A. High-throughput lensfree 3D tracking of human sperms reveals rare statistics of helical trajectories. Proc. Natl. Acad. Sci. USA 2012, 109, 16018–16022. [CrossRef]

154. Su, T.; Seo, S.; Erlinger, A.; Ozcan, A. High-throughput lensfree imaging and characterization of a heterogeneous cell solution on a chip. Biotechnol. Bioeng. 2009, 102, 856–868. [CrossRef]

155. Young, L.W.; Parham, C.; Zhong, Z.; Chapman, D.; Reaney, M.J.T. Non-destructive diffraction enhanced imaging of seeds. J. Exp. Bot. 2007, 58, 2513–2523. [CrossRef]

156. Chen, J.; Huang, X.W.; Xu, X.F.; Wang, R.J.; Wei, M.Y.; Han, W.T.; Cao, J.F.; Xuan, W.P.; Ge, Y.K.; Wang, J.C.; et al. Microfluidic Particle Separation and Detection System Based on Standing Surface Acoustic Wave and Lensless Imaging. IEEE Trans. Bio-Med. Eng. 2022, 69, 2165–2175. [CrossRef] [PubMed]

157. Xu, H.; Hu, H.Q.; Chen, S.Q.; Xu, Z.H.; Li, Q.; Jiang, T.T.; Chen, Y.T. Hyperspectral image reconstruction based on the fusion of diffracted rotation blurred and clear images. Opt. Laser. Eng. 2023, 160, 107274. [CrossRef]

158. Jeon, D.S.; Baek, S.; Shinyoung, Y.; Qiang, F.; Xiong, D.; Wolfgang, H.; Min, H.K. Compact snapshot hyperspectral imaging with diffracted rotation. Communities Collect. 2019, 38, 111–117. [CrossRef]

159. Chen, X.G.; Hu, J.; Chen, W.L.; Yang, S.L.; Wang, Y.F.; Tang, Z.R.; Liu, S.Y. Multi-spectral snapshot diffraction-based overlay metrology. Opt. Lett. 2023, 48, 3383–3386. [CrossRef]

160. Bai, J.; Niu, Z.; Bi, K.; Yang, X.; Huang, Y.; Fu, Y.; Wu, M.; Wang, L. Toward an Advanced Method for Full-Waveform Hyperspectral LiDAR Data Processing. IEEE T. Geosci. Remote 2024, 62, 1–16. [CrossRef]

Заявления, мнения и данные, содержащиеся во всех публикациях, принадлежат исключительно соответствующим авторам и участникам и не отражают позицию MDPI и/или редакторов. MDPI и/или редакторы не несут ответственности за какой-либо вред людям или имуществу, возникший вследствие идей, методов, инструкций или продуктов, упомянутых в материале.