| 应用 | 波长范围(nm) | 关键波长(nm) | 应用模型 | 精度 | 成像优势 | 参考文献 | | 植物表型鉴定 | 446, 452, 473, 505, 524, 534, 568, 594, 673, 704, 715, 734, 949 | - | PLSR (偏最小二乘回归); PLS-DA (偏最小二乘判别分析); SPA (连续投影算法); RF (随机森林) | 0.79 | 玉米表型高通量鉴定的新方法 | Feng et al., 2018 | | 植物病害检测 | 365-960
350-2500 | 520, 540, 580, 610, 630, 650, 770 | SVM (支持向量机); OLS (普通最小二乘法) | 平均高于0.85 | 可检测未产生肉眼可见变化时的病害 | Veys et al., 2019;
Liu et al., 2020a | | 果实品质鉴定 | 325-1100
550-950 | 640, 670, 760 | LDA (线性判别式分析); K- NN (K-近邻); FCMA (模糊C-均值聚类算法) | 平均高于0.97 | 柑橘类水果高通量品质鉴定的新方法 | Wei et al., 2017;
Li et al., 2017 | | 微生物侵染检测 | 400-1000
375-1600
475, 560, 668,
840, 717
382-1032
400-1100 | 396, 578, 741, 420, 631, 990; 494, 578, 639, 678; 840; 475.56, 548.91, 652.14, 516.31, 720.05, 915.64 | ANOVA (方差分析); Kruskal-Wallis检验; LDA; QDA (二次判别分析); PLS (偏最小二乘法); LR (线性回归); SVM; PCA (主成分分析) | 平均高于0.93 | 可检测未产生肉眼可见变化时的侵染 | Vrešak et al., 2016;
Yin et al., 2017; Nagasubramanian et al., 2018; Baek et al., 2019a; Fahrentrapp et al., 2019 | | 植物损伤鉴定 | 375-970
650-830 | - | SVM; RF; CNN (卷积神经网络) | 平均高于0.89 | 可检测未产生肉眼可见变化时的损伤 | Lu and Lu, 2018; Salimi and Boelt, 2019 | | 生理状态检测 | 405, 560, 660, 860
400-1100
375, 405, 435, 450, 470, 505, 525, 570, 590, 630, 645, 660, 700, 780, 850, 870, 890, 910, 940, 970
400-1000
380-2200 | 510, 550
700, 800, 900,
1000 | LR (线性回归); RC (相关
曲线); PLS (偏最小二乘法); MLR (多元线性回归);
LDA; PCA (主成分分析); OTSU (最大类间方差); BPANN (反向传播人工神经网络); SVMR (支持向量机回归) | 平均高于0.96 | 可实现植物无机元素、代谢物的
无损检测 | Lara et al., 2016; Khodabakhshian et al., 2017; Wang et al., 2018; ElMasry et al., 2019a; Wang et al., 2020
| | 种子鉴定 | 405, 470, 530, 590, 660, 850
1000-2500 | - | MLR (多元线性回归); PLS-DA | 平均高于0.97 | 可实现种子生活力或化学处理的非侵入式检测 | Mcdonald et al., 2019; Baek et al., 2019b |
|