Juan Sebastián Ramírez-Navas
Departamento de Alimentación y Nutrición – Centro Interdisciplinario de Estudios en Salud – Facultad de Ciencias de la Salud – Pontificia Universidad Javeriana Cali. Colombia.
La imagen hiperespectral (HSI, por sus siglas en inglés) es una tecnología avanzada que combina simultáneamente dos enfoques fundamentales: la espectroscopía, que permite analizar la composición química de una muestra en función de cómo interactúa con la luz, y la captura de imágenes, que registra la distribución espacial de esa información. Mientras que una imagen convencional en color (RGB) representa sólo tres bandas del espectro visible (rojo, verde y azul), una HSI contiene cientos de bandas continuas y estrechas a lo largo del espectro electromagnético, incluyendo regiones visibles, infrarrojas cercanas (NIR) e incluso infrarrojas de onda corta (SWIR). Este conjunto tridimensional de datos se denomina “cubo hiperespectral”, y permite construir mapas químicos detallados de cada píxel de la muestra.
La base funcional de la HSI radica en cómo la radiación electromagnética interactúa con la materia. Cuando un alimento es iluminado por una fuente controlada de luz, distintos compuestos en su estructura absorben, reflejan o dispersan esa energía en proporciones específicas, dependiendo de su composición molecular. Esta interacción genera lo que se denomina un espectro, es decir, una firma óptica única que puede ser registrada en forma de intensidad por cada longitud de onda. Estas firmas espectrales permiten diferenciar entre componentes como agua, azúcares, lípidos, proteínas y pigmentos.
Las regiones del espectro electromagnético más empleadas en HSI para alimentos son el visible (VIS: 400–700 nm), el infrarrojo cercano (NIR: 700–1000 nm) y el infrarrojo de onda corta (SWIR: 1000–2500 nm). Cada una revela distintos atributos. Por ejemplo, la región visible está relacionada con la coloración superficial (clorofilas, antocianinas), mientras que la región NIR es sensible a vibraciones moleculares asociadas al contenido de agua, alcoholes y carbohidratos. La región SWIR, por su parte, es especialmente útil para detectar grupos funcionales como CH, OH y NH, útiles para identificar grasas, proteínas y humedad.
EL SISTEMA DE IMAGEN HIPERESPECTRAL
Un sistema HSI se compone de varios elementos integrados que permiten adquirir información espectral y espacial de los alimentos en condiciones controladas (Tabla 1). Su configuración varía según la aplicación específica, pero en general incluye: un sistema óptico (cámara hiperespectral), una fuente de iluminación, una plataforma de muestreo (estática o en movimiento) y una unidad de procesamiento para adquisición, calibración y análisis de datos. La elección adecuada de cada componente es fundamental para garantizar resultados reproducibles y significativos.
Existen dos arquitecturas principales de captura: las cámaras pushbroom (también llamadas de barrido lineal) y las snapshot (de captura instantánea). Las primeras son las más utilizadas en contextos agroalimentarios industriales debido a su alta resolución espectral y eficiencia en escenarios de línea de producción. Funcionan capturando una línea a la vez mientras la muestra se mueve bajo la cámara, formando el cubo hiperespectral de forma progresiva. En contraste, las cámaras snapshot capturan todo el cubo en una sola toma, siendo más adecuadas para objetos estáticos o aplicaciones portátiles, aunque con menor resolución espectral.
Por otra parte, la fuente de iluminación debe cubrir el rango espectral de interés, siendo comunes las lámparas halógenas para VIS–NIR. En paralelo, la óptica debe minimizar aberraciones y estar calibrada para cada sistema. La selección del rango espectral responde al tipo de análisis: por ejemplo, para clasificación de frutas según madurez superficial, una cámara VNIR (400–1000 nm) es suficiente, mientras que para detección de contenido de grasa o humedad interna se requiere el rango SWIR (1000-2500 nm).
La adquisición de un cubo hiperespectral consiste en capturar, para cada píxel de la imagen, un espectro completo de reflectancia en un rango determinado del espectro electromagnético. El resultado es un conjunto tridimensional de datos con dos dimensiones espaciales (x, y) y una dimensión espectral (λ). No obstante, la calidad espectral bruta está influenciada por condiciones instrumentales y ambientales, por lo que es imprescindible realizar una calibración adecuada para convertir las señales en datos comparables y físicamente interpretables.
El primer paso de calibración incluye la corrección radiométrica, basada en dos imágenes de referencia: una imagen oscura (obtenida con el obturador cerrado o con la fuente apagada) que corrige el ruido electrónico del sensor, y una imagen blanca (adquirida sobre un panel reflectante estandarizado, como Spectralon®) que permite normalizar la señal respecto a una referencia de reflectancia conocida. Esta doble corrección elimina efectos de fondo y variaciones de iluminación, y permite expresar la señal medida en unidades de reflectancia relativa, facilitando comparaciones entre muestras, equipos o sesiones experimentales.
Una vez calibrado el cubo, se procede a la selección de la región de interés (ROI, por sus siglas en inglés), es decir, el área específica del alimento que será analizada. Este paso evita incluir píxeles irrelevantes (como fondo o sombras) que podrían distorsionar los modelos posteriores. La selección puede hacerse manualmente o mediante segmentación automática basada en umbrales espectrales.
El preprocesamiento de datos hiperespectrales es una etapa crítica que busca mejorar la calidad del cubo espectral antes del análisis estadístico o qumiométrico. Dado que cada cubo puede contener cientos de bandas espectrales, muchas de ellas altamente correlacionadas o ruidosas, es indispensable aplicar técnicas que eliminen variaciones no relacionadas con la composición química real del alimento y, al mismo tiempo, reduzcan la dimensionalidad de los datos sin pérdida significativa de información relevante.
Entre las técnicas más utilizadas para limpiar el ruido y homogenizar la señal están la corrección por Standard Normal Variate (SNV) y la Multiplicative Scatter Correction (MSC), que corrigen los efectos de dispersión y diferencias de espesor superficial. Además, el cálculo de derivadas (primera o segunda derivada de Savitzky-Golay) permite eliminar tendencias de fondo y realzar picos espectrales característicos de compuestos químicos específicos. Posteriormente, se aplican técnicas de reducción de dimensionalidad. El Análisis de Componentes Principales (PCA) transforma los datos originales en un nuevo sistema de variables ortogonales que retiene la mayor parte de la varianza explicativa en las primeras componentes, lo que facilita la visualización de estructuras latentes. Otra técnica robusta es el Minimum Noise Fraction (MNF), que maximiza la relación señal/ruido, permitiendo seleccionar sólo las bandas informativas.
El modelado quimiométrico en HSI permite transformar los datos espectrales preprocesados en información útil sobre propiedades fisicoquímicas, microbiológicas o sensoriales de los alimentos. Dependiendo del objetivo, se aplican técnicas de clasificación o de regresión. La clasificación se utiliza cuando las muestras se agrupan en categorías discretas (por ejemplo, fruta sana vs dañada), mientras que la regresión se emplea para predecir variables continuas (como el contenido de sólidos solubles o humedad).
En modelos de clasificación, métodos como el Análisis Discriminante Lineal (LDA) y las Máquinas de Vectores de Soporte (SVM) son ampliamente utilizados. LDA busca maximizar la separabilidad entre clases mediante funciones lineales, siendo efectivo cuando las clases están bien definidas y las varianzas son homogéneas. SVM, por su parte, proyecta los datos en espacios de mayor dimensión para encontrar hiperplanos óptimos de separación, mostrando alta capacidad en escenarios con clases no lineales o superpuestas.
Para regresión, el método más común es la Regresión por Mínimos Cuadrados Parciales (PLS), o su versión modificada PLSR, que correlaciona directamente los espectros con propiedades cuantitativas de referencia, como pH, acidez o ºBrix. PLS reduce el número de variables latentes, evitando el sobreajuste en presencia de alta colinealidad espectral.
La validación del modelo es esencial para garantizar su generalización. Se recurre a técnicas como validación cruzada, partición de datos en conjuntos de entrenamiento/prueba (por ejemplo 70/30), o validación externa con lotes independientes. En aplicaciones prácticas, es posible entrenar un modelo SVM para clasificar frutos con defectos superficiales, y en paralelo construir un modelo PLS para predecir su contenido de sólidos solubles a partir de bandas en el NIR. Ambos enfoques pueden integrarse en procesos de control de calidad en línea.
PANORAMA DE APLICACIONES EN LA INDUSTRIA ALIMENTARIA
La HSI ha dejado de ser una tecnología exclusivamente de laboratorio para convertirse en una herramienta funcional y aplicada en diversos segmentos de la industria alimentaria. Su adopción responde a la necesidad de realizar análisis rápidos, no destructivos y multivariados, permitiendo resolver de manera simultánea problemas relacionados con la calidad, la autenticidad, la trazabilidad y la seguridad alimentaria. Esta versatilidad ha favorecido su integración progresiva en líneas de procesamiento industrial, donde la velocidad de inspección, la precisión y la automatización son requisitos fundamentales.
La HSI se ha consolidado como una herramienta de inspección no destructiva, lo cual significa que los alimentos pueden ser analizados sin ser alterados ni destruidos. Esto contrasta fuertemente con técnicas tradicionales como la cromatografía o la espectroscopía infrarroja puntual (NIR), que requieren preparación previa de las muestras, contacto directo o incluso extracción de componentes. Además, la HSI ofrece una capacidad de análisis en tiempo real y a escala de producción, lo que permite implementar controles de calidad más eficientes en líneas de procesamiento industrial. Sin embargo, la correcta calibración radiométrica y espectral del sistema es indispensable para obtener datos confiables.
En términos de calidad, HSI permite clasificar productos según parámetros visuales (color, textura) y no visuales (contenido interno de agua, azúcares, grasa o daño mecánico), mejorando la estandarización de productos frescos como frutas, hortalizas, carnes o pescados. Por ejemplo, en líneas de clasificación de manzanas, peras o tomates, los sistemas HSI pueden separar automáticamente los productos por grado de madurez, presencia de defectos internos o daños superficiales invisibles al ojo humano. Esto permite reducir el desperdicio y aumentar el valor de mercado del producto.
En lo referente a autenticidad, HSI se ha utilizado para verificar el origen geográfico, la pureza de ingredientes o la presencia de sustituciones fraudulentas, como la mezcla de especies en productos cárnicos o la adulteración de leche en polvo. Para trazabilidad, esta tecnología facilita la identificación de patrones espectrales que diferencian lotes por proveedor, variedad o condición postcosecha.
SEGURIDAD ALIMENTARIA: CONTAMINANTES Y PATÓGENOS
En seguridad alimentaria, HSI ha demostrado eficacia en la detección de cuerpos extraños (plásticos, vidrios, insectos), residuos químicos y contaminaciones microbianas. La implementación en línea mediante cámaras pushbroom sincronizadas con cintas transportadoras y algoritmos de clasificación en tiempo real permite el rechazo automático de unidades no conformes, optimizando el control de calidad sin interrumpir el flujo de producción. Adicionalmente, mientras una cámara RGB convencional no detecta residuos de plaguicidas incoloros o defectos internos, la HSI puede identificar su firma espectral específica, aunque no sean visibles a simple vista. Esto mejora significativamente la seguridad y calidad del producto final. Su fundamento se basa en la identificación de firmas espectrales anómalas, es decir, patrones ópticos que difieren de los perfiles espectrales esperados para un alimento sano o limpio. Estas diferencias, invisibles al ojo humano, pueden ser detectadas en distintas regiones del espectro, particularmente en el NIR y SWIR, donde las vibraciones moleculares de contaminantes muestran contrastes específicos.
Los contaminantes físicos, como fragmentos de vidrio, plástico, madera o metal, pueden ser detectados con HSI gracias a sus propiedades ópticas distintas respecto a la matriz alimentaria. En el caso de contaminantes químicos (residuos de plaguicidas, micotoxinas, compuestos alergénicos o aditivos no autorizados), la tecnología permite diferenciarlos por sus bandas de absorción únicas. La contaminación microbiana, aunque más compleja de detectar directamente, puede ser inferida a partir de cambios metabólicos o de degradación reflejados en el espectro, como alteraciones en contenido de agua, lípidos o proteínas superficiales. Por ejemplo, en productos agrícolas como espinacas o fresas, la contaminación por hongos o bacterias genera metabolitos secundarios que modifican la firma espectral. Algoritmos de clasificación entrenados con muestras contaminadas y no contaminadas permiten reconocer estos cambios y detectar el problema antes de que se manifiesten signos visibles. Estos modelos requieren validación frente a métodos de referencia microbiológicos o químicos, estableciendo límites de detección y tasas de falsos positivos aceptables para aplicaciones industriales.
La implementación de HSI en contextos de seguridad alimentaria está creciendo en sectores sensibles como productos frescos, lácteos, alimentos infantiles y materias primas de alta rotación. Su integración en líneas de inspección automatizada mejora la trazabilidad y reduce riesgos sin interrumpir el flujo productivo.
CALIDAD DE FRUTAS Y HORTALIZAS
En frutas y hortalizas, la calidad es un atributo multifactorial que abarca desde la apariencia visual hasta la composición interna. La HSI permite evaluar estos parámetros con alta precisión, tanto de manera superficial como subsuperficial, gracias a su capacidad para detectar cambios químicos y estructurales que preceden a los signos visibles de deterioro. Esta tecnología se basa en el análisis de bandas espectrales sensibles a componentes clave como clorofilas, agua, carotenoides y azúcares, lo que permite establecer criterios objetivos para clasificar productos por madurez, frescura, daño mecánico o presencia de defectos internos.
En particular, las regiones del espectro visible e infrarrojo cercano (VIS-NIR) son útiles para evaluar el contenido de clorofila y la pérdida de agua, dos indicadores directos del estado de madurez y senescencia. Por ejemplo, la disminución progresiva de la reflectancia en la región de 670 nm puede indicar la degradación de clorofilas, asociada al avance del proceso de maduración. De forma complementaria, las bandas en el NIR (970–1450 nm) permiten detectar variaciones en el contenido de agua celular, útil para identificar deshidratación o daños fisiológicos.
Uno de los casos más estudiados es la detección precoz de magulladuras en manzanas. Aunque visualmente las zonas dañadas no muestran diferencias iniciales, la microestructura celular se altera rápidamente, afectando la distribución del agua y provocando modificaciones en la absorción espectral. A través de análisis de imágenes HSI y algoritmos de clasificación (como SVM o LDA), es posible identificar estos daños latentes y separarlos automáticamente evitando que productos no conformes lleguen al consumidor y se reduzcan las pérdidas poscosecha.
POLVOS LÁCTEOS Y FUNCIONALIDAD
La aplicación de HSI en productos lácteos en polvo ha demostrado un alto potencial para evaluar propiedades tecnofuncionales de forma no destructiva, rápida y sin necesidad de disolver las muestras. Estas propiedades (como la dispersibilidad, solubilidad, higroscopicidad o contenido de humedad) son esenciales en la formulación de alimentos infantiles, suplementos nutricionales y productos industriales, y tradicionalmente se evalúan mediante métodos destructivos, lentos y con alta variabilidad analítica.
En este contexto, la HSI, especialmente en la región del infrarrojo cercano (NIR: 1000–1700 nm), permite capturar información espectral asociada a las interacciones moleculares de agua, proteínas y lactosa presentes en la matriz del polvo. Los espectros adquiridos, una vez preprocesados, pueden ser correlacionados con valores de referencia mediante modelos de regresión multivariante como PLS, o agrupados mediante técnicas no supervisadas como PCA para revelar patrones latentes.
Un caso ilustrativo es la clasificación de polvos lácteos de distintas plantas de producción, incluso cuando presentan características sensoriales y composicionales similares. Estudios recientes han demostrado que modelos PLS pueden predecir con precisión la dispersibilidad de polvos en agua, propiedad crítica para determinar su funcionalidad en bebidas reconstituidas. Esta predicción se basa en la absorción espectral de las bandas asociadas al contenido de agua ligada y a la estructura superficial del polvo, las cuales inciden en su capacidad de disolución.
Adicionalmente, estas metodologías permiten implementar controles de calidad más finos en líneas de producción, diferenciando lotes por desempeño tecnológico y no sólo por composición bruta, abriendo la posibilidad de desarrollar sistemas en línea para monitoreo continuo de calidad funcional sin necesidad de muestreo destructivo.
ADULTERACIÓN Y MICROESTRUCTURA DE DERIVADOS LÁCTEOS
La HSI constituye una herramienta poderosa para detectar adulteraciones en productos lácteos y para visualizar la distribución microestructural de sus componentes principales, como grasas, proteínas y lactosa. En productos líquidos como la leche, las adulteraciones pueden incluir la adición de agua, urea, almidón, detergentes u otras sustancias que alteran su composición natural y comprometen la inocuidad del alimento. En polvos lácteos, se ha reportado la sustitución con proteínas vegetales, maltodextrinas o carbonatos.
Desde el punto de vista espectral, cada adulterante presenta una firma óptica característica en regiones específicas del espectro, en especial en el NIR (1000–1700 nm) y en el Raman visible. Los modelos de clasificación multiclase permiten discriminar entre leche pura y muestras adulteradas, incluso cuando las concentraciones son bajas (por ejemplo, <5%). Métodos como SVM o Random Forest han demostrado alta precisión cuando se entrenan con bases de datos robustas y preprocesadas con técnicas como SNV o derivadas de Savitzky-Golay.
En paralelo, la combinación de HSI con espectroscopía Raman hiperespectral ofrece una visión microscópica de la distribución espacial de macronutrientes. Por ejemplo, mapas Raman permiten observar la co-localización de grasa y lactosa en matrices lácteas, lo cual es relevante para evaluar procesos de homogenización o para detectar inconsistencias que sugieran adulteración. Estas técnicas se aplican tanto en investigación como en aseguramiento de calidad industrial. Un ejemplo representativo es la detección simultánea de agua y urea en leche fresca. Mientras que la dilución con agua reduce la intensidad de bandas asociadas a lípidos y proteínas, la urea se identifica por sus picos característicos en la región de 1450–1550 nm. La integración de estos datos en modelos multiclase permite diferenciar adulterantes específicos y cuantificarlos, incluso en mezclas complejas.
OTROS CASOS DE ÉXITO
Entre algunos ejemplos adicionales de uso en industria se tienen: mediante HSI en el NIR, es posible cartografiar la concentración de azúcares en frutas como el melón o la manzana, correlacionándola con su dulzor, o estimar el contenido de agua en vegetales de hoja, lo que resulta clave para predecir su frescura o deterioro postcosecha. Al analizar distintos lotes de hortalizas con fines comparativos (como espinacas o lechugas), la adquisición sobre un fondo estandarizado con corrección blanco/oscuro permite comparar directamente el contenido de agua o pigmentos entre muestras, sin que las diferencias de iluminación o posición afecten la interpretación espectral. Al analizar tomates en diferentes estados de madurez, un cubo inicial de 200 bandas puede ser reducido a 10 bandas clave mediante PCA o selección de bandas basada en importancia espectral, sin comprometer la capacidad de discriminación. Esto permite optimizar el tiempo de cómputo y facilitar el desarrollo de modelos clasificadores más eficientes y menos propensos al sobreajuste.
IMPLEMENTACIÓN EN PLANTA: DEL LABORATORIO A LA LÍNEA
La implementación de sistemas de HSI en entornos industriales plantea desafíos técnicos específicos que deben ser resueltos para lograr un funcionamiento en tiempo real, con precisión y robustez. El paso del laboratorio a la planta implica adaptar el sistema HSI a condiciones variables de operación, tales como iluminación no controlada, vibraciones mecánicas, velocidades de transporte elevadas y diversidad de matrices alimentarias. Para ello, es necesario optimizar cuatro aspectos clave: velocidad de adquisición, automatización del análisis, validación continua del sistema y mantenimiento operativo:
La velocidad de adquisición está determinada por la tasa de captura de la cámara, el tipo de escaneo (pushbroom o snapshot), la resolución espectral y el tiempo de integración necesario para una señal adecuada. En líneas de procesamiento donde los productos se mueven rápidamente, se requieren cámaras de alta sensibilidad y sistemas de sincronización con la cinta transportadora, junto con algoritmos optimizados que permitan la toma de decisiones en milisegundos.
La automatización implica integrar el sistema HSI con mecanismos de rechazo o clasificación automática, controlados por software en tiempo real. Esto se logra mediante modelos quimiométricos preentrenados que ejecutan tareas de clasificación o regresión directamente sobre los datos adquiridos. La conexión con actuadores neumáticos o brazos robóticos permite separar productos no conformes de forma autónoma.
La validación en proceso debe realizarse de forma periódica para asegurar que el sistema sigue generando predicciones confiables bajo condiciones industriales. Esto incluye el uso de estándares de referencia, muestreo aleatorio y recalibración del modelo en caso de cambios en la materia prima, iluminación o entorno.
En cuanto al mantenimiento, se debe considerar la limpieza óptica, la verificación de estabilidad espectral del sensor y el chequeo de componentes electrónicos y mecánicos expuestos al ambiente industrial. La existencia de protocolos de mantenimiento predictivo mejora la disponibilidad del sistema y evita fallos operativos. Un ejemplo aplicado es la instalación de una estación HSI en una línea de selección de vegetales frescos, donde los productos pasan por debajo de la cámara, se escanean en fracciones de segundo, y son separados mediante chorros de aire si presentan defectos internos, daños mecánicos o desviaciones de calidad. Este enfoque ha sido validado en aplicaciones comerciales con tasas de acierto superiores al 90%.
DESAFÍOS Y TENDENCIAS
La evolución de la HSI en la industria alimentaria está marcada por un conjunto de desafíos tecnológicos y tendencias emergentes que buscan ampliar su adopción más allá del laboratorio y de las grandes líneas de producción. Uno de los principales retos sigue siendo la miniaturización de los equipos, tanto en términos de tamaño físico como de consumo energético, lo que permitiría el desarrollo de dispositivos portátiles o integrables en sistemas móviles para control de calidad en campo o en puntos de venta.
En paralelo, el costo de adquisición y operación continúa siendo una barrera significativa, especialmente para pequeñas y medianas empresas agroalimentarias. Sin embargo, el avance en sensores CMOS, ópticas compactas y espectrómetros integrados ha permitido el surgimiento de cámaras hiperespectrales de bajo costo y reducido volumen, capaces de operar en rangos espectrales clave (VNIR), facilitando su incorporación en inspecciones móviles, drones agrícolas o módulos de control distribuido.
Otro eje central es el procesamiento eficiente del volumen masivo de datos generado por HSI, lo que ha impulsado el desarrollo de herramientas de inteligencia artificial (IA) y aprendizaje automático, especialmente modelos de deep learning para clasificación, segmentación y predicción multivariable. No obstante, la interpretación de estos modelos aún presenta limitaciones en entornos regulatorios, debido a la falta de explicabilidad (explainable AI). Por ello, se están priorizando enfoques híbridos que combinen modelos interpretables con precisión predictiva, facilitando su validación en sistemas de aseguramiento de calidad.
Asimismo, se vislumbra un avance hacia la computación en el borde (edge computing), donde el análisis espectral y las decisiones se realizan directamente en el dispositivo, sin necesidad de enviar los datos a servidores centrales. Esto permite tiempos de respuesta inmediatos y reduce la dependencia de conectividad o almacenamiento masivo. Por último, las nuevas generaciones de sensores, que combinan espectroscopía y visión en 3D, o que integran tecnologías como espectroscopía Raman o fluorescencia, abrirán nuevas vías para caracterizar propiedades funcionales, texturales o microbiológicas de alimentos en tiempo real y con mayor resolución.
LITERATURA RECOMENDADA
Ali, F., Razzaq, A., Tariq, W., et al. (2024). Spectral Intelligence: AI-Driven Hyperspectral Imaging for Agricultural and Ecosystem Applications. Agronomy, 14(10). https://doi.org/10.3390/agronomy14102260
Basantia, N., Nollet, L. M., & Kamruzzaman, M. (2018). Hyperspectral imaging analysis and applications for food quality. CRC Press.
Chang, C.-I. (2013). Hyperspectral data processing: algorithm design and analysis. John Wiley & Sons. https://doi.org/10.1002/9781118269787
García-Vera, Y. E., Polochè-Arango, A., Mendivelso-Fajardo, C. A., & Gutiérrez-Bernal, F. J. (2024). Hyperspectral Image Analysis and Machine Learning Techniques for Crop Disease Detection and Identification: A Review. Sustainability, 16(14). https://doi.org/10.3390/su16146064
Park, B., & Lu, R. (2015). Hyperspectral imaging technology in food and agriculture (Vol. 1). Springer. https://doi.org/10.1007/978-1-4939-2836-1
Sun, D.-W. (2010). Hyperspectral imaging for food quality analysis and control. Elsevier. https://doi.org/10.1016/C2009-0-01853-4
Wen Lin, J., Mohd Asaari, M. S., Ibrahim, H., et al. (2023). A Review on Analysis Method of Proximal Hyperspectral Imaging for Studying Plant Traits. Pertanika Journal of Science and Technology, 31(6), 2823-2850. https://doi.org/10.47836/pjst.31.6.11
Wu, J., Zhang, Y., Hu, P., & Wu, Y. (2024). A Review of the Application of Hyperspectral Imaging Technology in Agricultural Crop Economics. Coatings, 14(10). https://doi.org/10.3390/coatings14101285
Zhang, J., Liu, Z., Pu, Y., et al. (2023). Identification of Transgenic Agricultural Products and Foods Using NIR Spectroscopy and Hyperspectral Imaging: A Review. Processes, 11(3). https://doi.org/10.3390/pr11030651
