新型無損檢測技術在番茄品質檢測中的研究與應用進展

韓子馨，張麗麗，張 博，鄒方磊，尚 楠

（中國農業大學工學院，北京 100083）

番茄因其營養、風味、口感以及加工屬性成為全球蔬菜市場的“寵兒”，是全球栽培最廣、消費量最大的蔬菜作物，常年位列全球蔬菜作物產量榜首。我國作為農業大國，擁有全球最高的鮮食番茄產量以及全球最大的番茄種子市場。據統計，“十三五”期間我國番茄種植面積穩步提升，除露天種植外，設施番茄種植面積不斷擴大；與此同時，我國番茄出口總量呈現上升趨勢，在抗逆、抗病及優化育種方面碩果累累[1]。

當代番茄市場在育種科技發展和市場需要的雙重催化下，誕生了一系列的“新生”番茄品種[2]；同時，隨著人民消費水平的不斷升級和生鮮領域的蓬勃發展，消費者對番茄的綜合品質有了更全面的追求；此外，食品加工等行業飛速發展使番茄的精深加工逐漸成為主流趨勢，貿易全球化也不斷推動我國番茄及其制品的出口。面對當前市場需求，完善出品等級、提高加工質量、建立國際接軌的質量標準體系[3]，是滿足消費者需求的必經之路。完善番茄品質的綜合評價，首先需要對番茄的各項品質指標進行檢測，以提供理論依據和數據基礎，這個過程不僅需要大量數據的采集，同時對檢測技術的精準度和靈敏度也有較高的要求。番茄品質的檢測可分為外部品質檢測和內部品質檢測。我國普遍應用的外部品質檢測主要依靠人工檢測方法，不僅主觀性強、效率較低，且僅能對外部品質進行粗略評價，難以形成統一準確的評價標準；內部營養成分含量的檢測方法雖然能夠達到較高的準確度，但存在破壞性強、耗時費力、應用場景單一等缺點，難以對大規模的樣品進行全面、高效、準確的檢測，使其無法在市場上得到廣泛應用。

綜上，為滿足各層面的消費需求和加工需要，急需探求更加全面、便捷、無損的番茄品質檢測技術。20世紀中葉，西方一些國家已經開展了針對番茄無損檢測的研究，當時主要集中在對番茄外部品質的檢測上。我國番茄無損檢測研究開展于20世紀90年代，近年來在智慧農業的大力推動下，先后在傳感器和光譜技術領域取得大量成果。本文在傳統番茄品質檢測技術的基礎上，重點總結了基于圖像識別的人工智能、電子鼻技術和光譜技術在番茄無損檢測方面的發展與應用。

1 番茄品質指標及傳統檢測方法

番茄的主要品質指標如表1所示，包括外觀、風味、營養和安全等多個方面，所涵蓋的指標類型眾多，各指標均有其標準規定或常用的檢測方法。

表1 番茄主要品質指標Table 1 Major quality indicators of tomatoes

1.1 番茄的品質指標

1.1.1 外觀品質

外觀是消費者對商品產生印象的首要因素，番茄的外觀品質包含果色、大小、果形、損傷、缺陷和硬度等指標[4]。作為最直觀的因素，番茄的外觀品質被作為其育種、種植以及采收等工作的關注重心[5]，對番茄的外觀品質的研究，為番茄的種植條件優化、田間監控、采收貯存的科學化提供了依據，同時為番茄育種行業提供了重要參考。

1.1.2 風味品質

番茄的風味是決定鮮食體驗和加工產品質量的決定性因素，成熟番茄中的可溶性糖主要是葡萄糖和果糖，其酸度主要來自檸檬酸和蘋果酸等有機酸，而番茄的糖酸比主要由影響較大的果糖和檸檬酸決定[6]。研究表明，番茄中較高的糖含量能提高番茄的適口性，適量的酸使風味濃厚[7]，最適宜的番茄糖酸比為7～11[8]。作為番茄獨特風味的來源[9]，揮發性芳香物質的組成是決定番茄風味的重要因素，截至目前，在成熟的番茄果實中發現的醇、醛、酮、酯、萜等揮發性芳香物質多達400多種，其中醛類化合物使番茄具有新鮮感，增加了番茄的甜度，提升了感官愉悅度[10]，而酯類化合物和酚類化合物可接受度較低[11]。

1.1.3 營養品質

SSC是番茄最主要的營養品質指標，它具體是指番茄汁液中諸如可溶性糖、有機酸、番茄紅素等溶質所占的百分比。在番茄果實中，糖分占總干物質質量的55%，有機酸占總干物質質量的12%，主要是檸檬酸、蘋果酸。

VC又稱抗壞血酸，是維持人體健康不可或缺的必需維生素之一[12]，通過對控制基因的研究培育高VC含量的番茄可以滿足人的攝取需要。在生長過程中，番茄果實的果色受番茄紅素含量的正向調控，番茄紅素與番茄醬等番茄制品的色澤等品質有關，且具有抗氧化性，可以降低一系列非傳染性慢性疾病的發生率[13]。多酚是果蔬營養與風味品質的主要決定性因素，具有顯著的抗氧化、抑菌、抗病毒和抗炎癥作用[14]。番茄中主要的類黃酮組分為槲皮素和蘆丁，而果肉中主要的酚酸有綠原酸、沒食子酸、龍膽酸及較少的咖啡酸和苯甲酸[15]。

1.1.4 安全品質

為了減少病蟲害造成的損失、提高產量，在實際種植過程中會通過噴灑農藥預防病蟲害。為滿足貯藏和運輸的需求，市售的番茄一般通過外源乙烯利處理達到提前催熟的目的[16]。但是農藥和乙烯利等化學用品的使用劑量始終難以在實際生產中得到完全的規范與控制，過量的有害化學物質殘留危害人類健康，影響番茄的安全性[17]，故乙烯利殘留量和農藥殘留量是番茄安全品質評價的重要指標。

1.2 傳統檢測方法

番茄的品質檢測可分為外觀品質檢測和內部品質檢測。目前，針對番茄外部品質的檢測以人工檢測為主。果色的判斷和損傷缺陷的識別一般依靠人工篩選；番茄果實果徑和硬度數值一般也是人工用游標卡和硬度儀尺測量獲得，這些方法均依賴人工操作，過于依靠個人經驗，主觀性過強，難以形成固定的標準，也難以實現大規模的全面篩查。表2則列舉了番茄內部主要成分的含量檢測依據。

表2 番茄內部主要成分傳統測定方法與參考依據Table 2 Traditional detection methods established in national and industry standards for major components in tomatoes

綜上，傳統的番茄品質檢測方法存在諸多問題，包括主觀性強，難以形成固定的標準；破壞性強，預處理過程復雜，檢測步驟繁多；難以直接獲得指標，難以滿足定性、定量分析的需求；基本停留在實驗室層面，無法實現市場化、實時化、大規模的檢測及監控。

2 新型檢測技術及其利用

當今，傳統的番茄品質檢測方法難以滿足我國番茄市場對番茄品質評價標準更加精細化的要求。在科技發展和消費升級的雙重催化下，一系列新型檢測技術快速發展，并更多的服務于番茄品質的檢測。新型檢測技術實現了對番茄各項指標更加快捷精準、高效、無損化的測定，借助各類數據分析方法以及數學模型，構建了各指標之間聯系，為實現番茄品質的大規模的預測、監控提供了可能。下面，本文將結合國內外學者在該領域的研究，對新型檢測技術及其在番茄品質檢測方面的應用進行概述。

2.1 機器視覺

近年來，人工智能快速發展，并逐步在農業機械裝備中得到實用化，機器視覺技術是其中的重要分支。機器視覺是通過計算機模擬人類的視覺功能的技術，該技術利用光學裝置和圖像傳感器獲得被檢測物體的圖像信息，通過圖像處理系統將圖像信號轉化為數字化信息，提取目標特征信息，利用計算機進行分析處理而實現識別、檢測等功能[18]。自20世紀末以來，基于機器視覺技術的番茄色澤[19-20]、大小[21-23]等指標的檢測以及缺陷、病害等[24-25]的識別已獲得了諸多成果，近年來，機器學習算法的進步為機器視覺在番茄無損化檢測及分級應用方面帶來了突破性的發展。

成熟度的判斷對番茄的采收、貯藏及銷售具有重要的參考意義。番茄果皮顏色是國內外接受度和實用性較高的成熟度判斷依據，利用機器視覺技術對番茄成熟度進行判別的要點包括成熟階段的定義和相應顏色特征的提取，契合度高的顏色特征可以提升判別效果。王俊平等[26]為探究機器視覺在果蔬成熟度檢測中的能力，參考SB/T 10331—2000《番茄》劃分了6 個番茄成熟度階段，并采集這6 個階段的番茄圖像，在紅色、綠色、藍色（red，green，bule，RGB），色調、飽和度、明度（hue，saturationand，value，HSV）和CIEL*a*b*3 種顏色模型下，獲取各彩色單通道圖像的灰色均值箱線圖，提取出6 個有效的顏色特征，建立顏色特征與番茄成熟度之間的最小二乘支持向量機（least squares support vector machine，LS-SVM）模型；為驗證模型效果，取不同成熟度的番茄共108 組，按照2∶1的比例隨機分為訓練集和驗證集，結果表明所建模型的驗證集準確率可達88.09%。畢智健等[27]在基于機器視覺的番茄成熟度研究中，提出另一種成熟度定義和顏色分析方法，此研究依照GB 8852—1988《番茄》將成熟度定義為完熟、成熟、綠熟、未熟4 個階段，采集處于4 個成熟階段番茄的花萼區3 個區域和頂部1 個區域的RGB圖像，處理后，提取R、G、B單分量的值，使用SPSS軟件篩選有效的自由組合分量，又將RGB圖像轉換為HSV，色調、色彩、強度（hue，saturationand and intensity，HSI）2 種顏色模型提取顏色特征H、S、V、I值，所有的特征分量運用Matlab軟件進行歸一化處理獲得歸一化均值，應用Mahalanobis、Quadratic、Linear 3 種函數模型，利用所提取特征分量對不同成熟度番茄分別進行判別分析；但該實驗中，僅使用Linear判別函數對綠熟階段番茄的判別效果較佳，對于成熟階段和完熟階段番茄的判別，3 種模型的效果均不理想。

對番茄進行有效的分級能夠提高番茄的產品價值，然而傳統的人工目測分級具有主觀性強、費時費力的局限。近年來，各國學者研制的以傳送單元搭載的機器視覺系統構成的分級系統，為機器視覺的商品化應用提供了可能。常英[28]基于機器視覺設計了一個由輸送裝置、圖像采集裝置和氣泵分選裝置構成的分級檢測系統（圖1），通過統計連通區域個數并比較櫻桃番茄RGB分量結合度量范圍的方法，實現了對櫻桃番茄缺陷果的識別，檢測精度可達90%左右。

圖1 櫻桃番茄在線分級檢測裝置Fig.1 Cherry tomato online grading device

以番茄果徑作為指示番茄大小的參數，對番茄進行分級是目前應用較為廣泛的分級模式。曾令培等[29]基于機器視覺提取采集番茄圖像的尺寸特征，并以橫徑作為分級依據實現了對番茄的智能包裝，所采番茄圖像首先經過圖像灰度化、中值濾波器去噪音，對比了不同灰度下的閾值分割效果，結果顯示將灰度值調節為180時可以獲得最優的分割效果，并利用二值圖和形態學的結合處理，填充了分割圖產生的毛刺與孤立點。為提取番茄尺寸特征，研究者對比了最小外接矩形法和最小外接圓法提取番茄橫徑的準確性，他們從200 組番茄中抽取10 組番茄進行測定，發現采用最小外接矩陣法得到的數值比較接近游標卡尺測量值。在另一組實驗中，研究者利用canny邊緣檢測提取番茄的果徑，通過統計像素點數提取番茄色澤特征，最小外接矩陣法提取果形特征，灰色共生矩陣法提取紋理特征；結合判別樹法和經粒子群優化算法（partical swarm optimization，PSO）優化的SVM分類法進行融合決策，實現了對番茄的綜合分級，簡明地對多個條件影響的結果進行了判別，避免了單獨決策的局限性，分級速率可達4 個/s，分級準確率可達95%以上[28]。Nyalala等[23]利用機器視覺設計了一種櫻桃番茄模式下的分級分選系統，研究對所采圖像進行二維、三維的深度分析，并建立了櫻桃番茄的體積-質量函數，但所建立的模型只適用于櫻桃番茄，若想提高普適性還需大量數據。相關研究優化了基于視覺提取番茄尺寸特征的方法，通過對算法的改良提高了分級準確度，實現了對番茄的自動分級和智能包裝，為機器視覺的商品化提供了思路。

計算機的高速發展輔助推動著機器視覺技術的應用，Joice等[30]基于機器視覺設計的番茄色選機利用微型電腦Raspberry Pi對所采圖像進行分選，經由Open CVPython編程的系統提高了圖像的實時處理效率，該色選機處理效率可達2 個/s，且準確率高達98%。在當前，計算機技術的快速迭代為機器視覺的發展提供了支持，國際上已經存在基于機器視覺研發的果蔬分級設備，為推進機器視覺技術的商品化，協調番茄在動態狀態下的識別與分析可以作為后續研究的方向。由于待測物品為農產品的特殊屬性造成的檢測場景復雜多變、待測物結構缺乏統一標準等問題，機器視覺在番茄檢測技術方面依舊存在所需計算量大、所需數據量大、魯棒性差等問題，而機器視覺檢測技術的核心在于圖像的處理分析，未來檢測技術的提高還需依賴處理系統計算能力的提高與算法的改進升級。

2.2 可見-近紅外（visible-near infrared，Vis-NIR）光譜

Vis-NIR光譜是分子吸收光譜的一種。Vis-NIR光譜分析方法利用各種物質組分對特定頻率的光產生差異性吸收的特點結合化學計量學方法實現對物質組分進行定量和定性分析，其檢測設備如圖2所示。Vis-NIR光譜具有特征性強、測定快速、不破壞試樣、操作簡便、能分析各種狀態的試樣的特點，被廣泛應用于番茄內部成分的檢測[31-33]。

圖2 Vis-NIR光譜檢測設備Fig.2 Vis-NIR spectroscopic inspection equipment

近年來，國內外各學者利用Vis-NIR光譜技術采集番茄樣品光譜信息，利用理化分析方法測定番茄的內部成分含量，研究番茄光譜信息和內部品質的關聯性，比較不同的光譜預處理方法對番茄原始光譜預處理效果，對比不同光譜變量優選算法，構建番茄內部品質的定量模型，選出預測性能最佳的模型，進而綜合評價番茄的內部品質。

Huang Yifeng等[34]基于全透射光譜獲取番茄的Vis-NIR光譜，建立SSC預測模型，研究發現檢測方向對SSC預測模型的性能有顯著影響，其莖頂軸垂直于輸送帶時的檢測效果顯著優于莖頂軸平行于輸送帶。為減少雜光、優化光路在番茄內部的傳播，Yang Yi等[35]通過對不同番茄圖像采集方向和不同光照參數設置下所采數據的全光譜建模，確定了最優測量參數，為建立番茄SSC預測模型，原始光譜經Savitzky-Golay（S-G）卷積平滑處理結合多元散射校正（multiplicative scatter correction，MSC）的預處理方法消除光譜差異、降低系統噪聲，應用競爭性自適應重加權算法（competitive adaptative reweighted sampling，CARS）選擇了22 個關鍵波長；相較于全光譜，偏最小二乘回歸（partial least squares regression，PLSR）建模結果顯示特征波長的選擇有效提高了分析精度。除此之外，為探究融合建模的效果，有研究將番茄的質量、高度和寬度3 個數據單一或聯合與特征波長光譜融合，分別建立特征波長光譜、融合數據與番茄SSC的PLSR模型，結果顯示，數據的融合有效地提高了模型的擬合程度，其中聯合質量和高度信息對CARS-PLSR模型補償效果最好，補償模型的預測相關系數（predictive correlation coefficient，RP）為0.91、預測均方根誤差（root mean square error of prediction，RMSEP）為0.17%。研究證明了物理性狀與光譜信息融合可以有效提高檢測的準確性，為探究更加準確高效的番茄SSC檢測方法提供了新的思路。

番茄內部結構較為復雜，不同部位的內部品質也具有一定差異，故圖像采集點位的選擇也成為學者研究的目標。有研究選擇在番茄的赤道部位等角度取4 點進行光譜采集，每點采集5 次，共取20 個光譜曲線的平均值作為該樣品的分析光譜[36]，基于Vis-NIR光譜原理搭建了櫻桃番茄SSC投射檢測系統；以前人經驗為參考，研究選取較為平滑的600～960 nm波段光波信息，分別經S-G卷積平滑處理平滑后進行一階導數、二階導數預處理，利用果徑歸一化進行番茄果徑修正，分別建立光譜信息處理前后的偏最小二乘（partial least squares，PLS）模型以驗證效果，結果顯示，經果徑歸一化后的二階微分光譜預測模型的校正集和預測集相關系數分別達到0.9383和0.9360，均方根誤差分別為0.2796 °Brix和0.3955 °Brix，相較于原始光譜，建模效果明顯提高。研究表明，果徑歸一化處理可有效消除基線漂移，改善因果徑不同帶來的預測誤差，該方法對于提高番茄內部品質測量結果的穩定性做出了貢獻。

為使檢測方法更具普適性，Brito等[37]選擇來自5 個不同地區的兩個收獲季的番茄作為樣本，基于Vis-NIR光譜技術開發番茄果實SSC的檢測模型，采集840～1050 nm波段的光譜信息，采用正交信號校正（orthogonal signal correction，OSC）預處理，進行主成分分析（principal component analysis，PCA）和番茄可溶性固形物PLSR建模，結果顯示，PCA不能很好地識別不同來源的番茄光譜信息，PLSR模型則呈現了較好的擬合效果，RMSEP為0.32%、預測決定系數（prediction coefficient，R2p）為0.67%、標準差為0.56%，模型的預測標準偏差與矯正RMSEP的比值大于1.5，證明該模型具有區分高低值的能力。研究證明了Vis-NIR光譜預測番茄SSC的能力，實現了利用番茄SSC的快速量化，但這也同樣證明，想要獲得更好的建模效果，還需要添加大量不同來源的番茄作為樣本。

王凡等[38]基于Vis-NIR光譜技術搭建番茄中番茄紅素含量的檢測系統，考慮番茄紅素對番茄果色的影響，選擇78 個不同成熟度的番茄作為樣品，采集番茄的完整透射光譜，對比多種圖像預處理方法，分別用PLS進行建模分析，結果表明標準正態變量變換（standard normal variate transform，SNV）預處理后的模型效果最好；為進一步簡化模型，采用無信息變量剔除（uninformative variables elimination，UVE）法、連續投影算法（successive projections algorithm，SPA）、CARS 3 種方法單獨或聯合處理（UVE-SPA、UVE-CARS）對全光譜進行變量優選，結果顯示UVE-CARS-PLS模型預測效果最佳，以此構建了番茄紅素含量檢測方法。為證明有效性，選用25 個番茄樣品對所建立模型進行了驗證，UVECARS-PLS模型的Rp為0.9812，RMSEP為0.7071 mg/kg，平均相對誤差為4.3%，預測效果顯著優于針對全光譜的PLS模型，證明了采用UVE-CARS的特征波長篩選方法有效，可提高模型精度。實驗室層面，Vis-NIR檢測平臺的搭建在果蔬品質無損檢測方面取得了眾多研究成果，但由于光學儀器的復雜性，無法實現實時檢測的要求和市場化的推廣。

在微機電加工技術進步的推動下，為實現Vis-NIR光譜檢測技術的大范圍的推廣，檢測儀器的便攜化成為大勢所趨。Zhang Dongyan等[39]基于Vis-NIR技術開發了一種便攜式設備，在對不同成熟度番茄果實SSC的檢測方面進行了嘗試，研究利用開發的便攜式設備采集番茄在500～930 nm和900～1400 nm波段的光譜信息，對比CARS和隨機蛙跳（random frog，RF）算法選擇特征波長對模型優化，將光譜波段和特征波長選擇方法作為因素，進行雙因素完全隨機設計，分別結合PLSR和LS-SVM兩種建模方式進行分析，比較Rp和RMSEP綜合考察預處理效果。建模結果表明，通過CARS算法在900～1400 nm范圍內選擇特征波長建立的PLS模型具有最佳性能。在后續實驗中，模型效果得到了驗證，模型可對5 個不同成熟度的番茄進行預測，獨立集檢測的Rp和RMSEP分別為0.830、0.316 °Brix。而孫陽等[40]利用AMBERII便攜式近紅外光譜儀器對櫻桃番茄的糖分進行了快速分析，所采集的172 個櫻桃番茄樣品的近紅外光譜數據經SNV聯合S-G卷積平滑預處理后，通過UVE和SPA兩種方法聯用提取12 個特征波長，建立PLS模型，R2p為0.9347，RMSEP為0.1744，相對分析誤差為2.81。為滿足市場需求，國內外相關企業已成功研制并推出了商業化的便攜式近紅外分析儀，這些儀器在果蔬品質檢測中均有較好的適用性，為進一步提高其實用性，完善相關輔助軟件的開發，提高儀器的用戶友好性和操作簡便性可以作為制造商的研究方向[41]。

Vis-NIR檢測技術具有低成本、高效率、普適性高等優點，被廣泛的應用于番茄品質的在線無損檢測，但Vis-NIR光譜檢測技術存在易受環境等外界因素影響的缺點，提高檢測技術的抗干擾性將是提高近紅外光譜技術實用性的要點；就農產品成分組成復雜的特點而言，近紅外光譜檢測技術的精度有待提高。便攜式紅外光譜的商品化推進了近紅外光譜檢測技術的應用，但在應用于番茄品質檢測時還需建立針對待測項目的方法和標準，另外還應擴大模型庫的數據量，提高檢測技術的通用性。

2.3 高光譜成像

高光譜成像技術是基于非常多窄波段的影像數據技術，它將成像技術與光譜技術相結合，探測目標的二維幾何空間及一維光譜信息，具有多波段、高分辨率和圖譜合一的技術優勢[42]。高光譜圖像具有更高的光譜分辨率，通常其精度可達到2～3 nm；高光譜圖像的數據是三維的，其中兩維是圖像的空間像素坐標信息，第三維是波長信息，彌補了傳統成像技術和光譜技術的局限性[43]。由于包含光譜和空間信息，在番茄無損化檢測領域，高光譜圖像不僅能反映番茄如果色[44]、缺陷[45-46]等的外在特征，還能反映番茄的化學成分[47]等品質特征。

由于光源類型、打光方式等條件的不同，光在果蔬內部所形成的光路不同，由此可將高光譜成像分為高光譜反射成像、高光譜透射成像和高光譜散射成像3 種形式[48]。為探究3 種成像形式對果蔬內部成分測定的效果，張若宇[49]以番茄為研究對象，搭建3 種光譜成像系統，利用PLSR法建立番茄SSC和硬度定量分析模型，評價3 種成像模式單一及聯用模型的預測效果，研究創新性地利用簡化的PC大津法進行背景分割并進一步獲取目標光譜及紋理參數，引入像素點校正的思路，在高光譜反射和漫透射兩種成像模式下，利用像素歸一化校正減少了樣本由于輻照不均、樣本個體差異及其他因素對檢測結果造成的影響。經過對比，高光譜漫透射成像技術在番茄SSC檢測中更具優勢，高光譜反射成像對修正硬度的檢測效果最好，不同模式聯用的模型較單一模型并無改善。研究表明3 種成像模式下平均光譜對番茄SSC檢測效果均較佳，而硬度檢測中，僅針對Fxz的檢測較為有效。

針對高光譜檢測技術難以對硬度進行精準預測的問題，龍燕等[50]基于改進型隨機區間蛙跳算法結合高光譜技術檢測番茄硬度，選擇性地截取了信息量豐富且較為平滑的波段光譜的數據進行MSC和歸一化處理。應用改進型隨機區間蛙跳算法提取特征波長，對比結果證明，其改善了傳統RF算法收斂時間過長和模型實用性差的缺陷，同時在一定程度上克服了光譜信息缺失或冗余的問題，提高了番茄硬度檢測的時效性和準確度，以此建立番茄硬度的PLSR模型，測試集RP可達0.9685，RMSEP為0.0040 kg/mm2，證明高光譜技術和RF算法結合可實現對番茄硬度的快速、無損檢測。

Rahman等[51]基于高光譜成像技術研發了一種無損化檢測番茄化學成分的方法，采集了95 個成熟番茄1000～1550 nm范圍內的光譜信息，為探究更加高效準確的檢測方法，分別應用移動加權平均平滑、歸一化、S-G卷積平滑、MSC和SNV等方法對原始光譜進行預處理，分別建立對番茄水分含量、pH值和SSC的PLS模型，RP和RMSEP被用于評價建模效果。結果表明，1階S-G平滑預處理下的PLS模型的水分含量、pH值具有更好的性能，而基于移動加權平均平滑預處理光譜的模型對SSC中具有更優的預測效果，RP分別為0.81、0.69和0.74，RMSEP分別為0.63%、0.06%和0.33%。該研究建立的基于高光譜成像技術建立的PLS模型可以有效地對番茄內部品質進行檢測，這證明了高光譜技術可以作為番茄無損化快速檢驗的有效手段，但為獲得更好的魯棒性，還需要覆蓋更多品種、收獲季節的樣本。

由于番茄內部番茄紅素等胡蘿卜素具有特殊的光譜吸收波段，并且這些成分與番茄的成熟度存在相關性，因此，國外一些學者嘗試利用高光譜成像檢測番茄的成熟度。石玉康[52]利用高光譜成像技術構建番茄成熟度判別模型，獲取3 個不同番茄品種不同成熟度果實的圖像數據，原始圖像數據首先經灰度處理等預處理后采用最小外接矩形法提取番茄的縱、橫經尺寸，平均誤差分別為0.27 mm和0.13 mm；以顏色特征a*和b*的比值作為劃分不同成熟度的依據，對所獲取的光譜信息進行PCA，選擇11 個特征波長后建立的番茄成熟度SPA-LIBSVM模型測試集的準確率可達86.3%；為建立番茄果實形態結構和組分含量性狀表型的PLSR模型，使用SPXY算法將各性狀表型值結合光譜值進行劃分，利用SPA法進行特征波長提取，最終所得的預測模型對顏色性狀參數的預測非常準確，對硬度的預測效果尚佳，但對番茄組分含量的預測效果較差，這仍為番茄的采摘期預測提供了有效的信息。

Jiang Yiping等[53]基于高光譜成像技術設計了一種半監督算法用于番茄成熟度判別，研究通過少量標記樣本的稀疏編碼描述未知樣本的類概率信息，利用基于拉普拉斯分數和光譜信息散度的半監督算法將該信息構造為圖以實現特征波長的選擇，建立基于類概率信息的模型并構建連接圖，利用標簽傳播算法對番茄成熟度進行了判別，最終所得算法的判別準確度高達96.78%，驗證了該算法可以以少量樣本構建精準的番茄成熟度標簽，證明了深度學習的進步為光譜數據的處理提供了一種新的出路。

高光譜成像技術在番茄品質檢測方面展現出極大的潛力，但目前，受硬件性能、數據處理速度和設備成本的限制，高光譜檢測技術的相關研究基本還停留在實驗室規模，依舊缺少在實際應用層面的經驗。針對高光譜檢測技術數據量大、算法復雜等問題，還需探索有效措施對全波段高光譜圖像進行特征波長選取，降低數據冗余量，提高高光譜圖像的處理效率，還期待機器學習背景下算法的升級。高光譜成像技術在番茄品質檢測領域的實際應用，還需提升檢測性能、降低儀器成本，這有賴于光學技術和計算機技術的發展。

2.4 表面增強拉曼光譜（surface-enhanced Raman spectroscopy，SERS）技術

拉曼光譜基于拉曼效應，通過記錄拉曼位移波數實現從分子水平上反映樣品化學組成和分子結構上的差異，同時光譜強度與入射光強度和樣品分子的濃度呈正比[54]，拉曼光譜由此實現對樣品的定性定量分析。SERS技術是基于入射光和電磁場在等離子體局域場表面的耦合作用，使拉曼散射信號增強106～1015倍的一種信號放大檢測技術，SERS技術因其幾乎不受水分影響、靈敏度高、響應迅速以及特異性強等優勢[55]，成為果蔬作物農殘快速檢測的主要手段。

近些年，隨著科學的不斷進步，傳統的剛性SERS基底逐步被取代，可彎曲、靈活性強、可吸附在復雜表面進行原位檢測的柔性材料[56]被廣泛應用于果蔬表面農藥殘留的鑒別。劉霄希[57]基于SERS技術研發了一種用于快速檢測番茄表面農藥殘留的新型柔性材料，研究首先以光譜信號強度和農藥采樣效率為依據選擇3M9080作為柔性支撐物；為進一步使信號增強優化，針對3 種待測農藥分別確定了膠體的濃度和用量以及凝聚劑的種類和用量；為去除無關變量、提升建模效果，分別采用PLS、LS-SVM模型，對SPA法、CASR法選擇的特征變量和拉曼特征峰波段建模，結果顯示基于拉曼特征峰波段建立的LS-SVM模型效果最好。研究證明該新型柔性SERS基底可適用于番茄表面農藥殘留的快速無損檢測。

Ma Pei等[58]基于SERS技術對番茄表面殘留毒死蜱濃度進行檢測，研究首先以標準毒死蜱溶液為測量對象，獲得毒死蜱濃度與SERS關鍵特征峰之間的線性方程；應用以銀膠體作為增強基底的SESR技術獲取番茄表面拉曼光譜，光譜經過處理分析后，將所獲關鍵特征峰信息與標準方程進行對照以獲得番茄表面農藥殘留的濃度信息，結果表明SERS技術所獲光譜的重復性極高，所得線性方程也具有極高的擬合度，為SERS技術在毒死蜱含量測定方面提供了新的思路。

SERS基底的制備是擴大SERS研究范圍和應用領域的重點，隨著納米材料的制備技術日益成熟，可控粒度與形狀的納米顆粒被廣泛作為模型材料應用于SERS檢測。Hu Bingxue等[59]基于SERS技術，以大面積的高密度金納米棒陣列基板作為基底獲取番茄表面混合農藥的光譜信息；采用簡單線性混合光譜分解方法從所獲拉曼光譜中實現了對每種農藥光譜的識別和分離，結果表明SERS技術結合簡單線性混合光譜分解方法，可以將單一組分的光譜信息從混合物光譜中分離出來，實現了對番茄表面殘留農藥的定性和定量分析。

2.5 電子鼻

電子鼻又稱氣味掃描儀，主要由氣敏傳感器陣列、信號預處理和模式識別3 部分組成。電子鼻技術通過模擬人類嗅覺機理，在檢測過程中采集揮發成分的整體信息，利用不同傳感器對一種氣味靈敏度的差異，將氣味信息轉化為電信號，與數據庫中的信號加以比較從而實現智能檢測[60]。電子鼻技術操作簡單、快速高效，且避免了樣品復雜的預處理，被廣泛應用于果蔬品質檢測領域。

芳香物質在番茄中的含量雖然不高，但其種類和含量隨著品種和成熟階段的不同呈現明顯差異，對風味有著較大的影響，而電子鼻通過對這些揮發性成分的響應實現對番茄品質的檢測。

番茄在生長、采后貯藏的過程中，營養成分和與氣味相關的芳香物質也會發生改變，利用電子鼻采集番茄的氣味信息，提取合適的氣味特征，結合模式識別，可對番茄成熟度進行識別。潘思慧[61]基于電子鼻技術，提取每根傳感器對番茄氣味響應信號的穩定值作為特征變量對番茄成熟度進行判斷，分別采用K近鄰（K-nearest-neighbor，KNN）法和SVM建立番茄成熟度識別模型，結果表明，基于氣味特征的SVM模型能更好地識別番茄成熟度，模型訓練集準確率為84.72%，預測集準確率為83.33%。

不同成熟階段中，番茄的內部組分不斷發生變化，隨著番茄內部果膠酶的作用，番茄硬度也產生顯著變化，研究人員基于番茄成熟度與硬度之間的關系，利用電子鼻技術采集番茄的特征信息實現對番茄成熟度的判別和硬度的預測[62]。實驗劃分了6 個番茄成熟度等級，選取不同成熟階段的番茄共209 個，利用選定的10 個傳感器對番茄的氣味做出交互響應，記錄傳感器響應值，提取傳感器的平均值作為變量數據，利用PCA法減少變量個數，利用分析后的數據建立番茄成熟度的Fisher判別分析模型和支持向量分類器分類模型，對比準確度發現后者對番茄成熟度的判別具有更高的準確性，預測集準確度可達94.20%；同時建立響應值和番茄硬度的PLS和支持向量回歸模型，結果顯示，硬度的支持向量回歸模型的擬合程度更好，Rp為95.14%，RMSEP為0.03 N，呈現更好的線性關系。研究證明了電子鼻在番茄成熟度相關品質檢測方面的潛力。

氣味可以作為食物新鮮與否的判斷依據，馮蕾[63]證明了櫻桃番茄的風味特征與其新鮮度及相關品質指標之間存在較強的相關性。電子鼻技術的發展，成功克服了人類嗅覺的靈敏程度的局限性和感官難以量化的問題，使得通過氣味特征對番茄相關指標進行檢測得以實現。

Wang Xiaoliang等[64]利用電子鼻對番茄的新鮮度進行判別，比較了鞘系數特征、相似熵特征和能量特征3 種特征提取方法，實驗證明相似熵特征提取方法在電子鼻檢測中具有優勢。Feng Lei等[65]直接以電子鼻傳感器負載作為變量進行分析，討論了電子鼻評價櫻桃番茄新鮮度的可靠性，研究首先將番茄新鮮度分為4 個等級，櫻桃番茄樣品被隨機分為兩組，一組作為空白對照，另一組分別在0.4、0.8、1.2 MPa下進行高壓氬氣處理，分別對貯藏0、5、10、15、20、25 d的兩組櫻桃番茄進行檢測，實驗中14 個電子鼻傳感器被用于對番茄氣味做出相響應，收集的響應值經PCA法處理確定了兩個PC，成功對不同壓力條件不同貯藏時間的番茄進行新鮮度辨別，得出0.8 MPa條件下高壓氬氣處理櫻桃番茄具有更好的保鮮效果的結論。同樣Xu Sai等[66]也以電子鼻響應值作為特征，檢測和監控采后不同處理番茄的風味變化，實驗使用10 個傳感器用于發生響應，響應值采用PCA和線性判別分析進行處理，為進一步驗證電子鼻檢測采后風味變化的效果，采用非線性的KNN法建模，結果顯示，電子鼻響應值的KNN模型可對室溫放置、5 ℃冷藏的番茄和不同溫度熱燙處理的番茄進行識別，驗證集準確率高達100%。研究證實了電子鼻對于番茄風味變化檢測的準確性，電子鼻技術的應用為番茄采后處理中風味的檢測提供了新的思路，為番茄貯藏過程中的品質實時監測提供了可能。

氣味特征與番茄物化指標之間的關系同樣得到了驗證。基于電子鼻響應值，PLS及SVM兩種方法成功地識別新鮮、可接受及腐敗3 個新鮮度等級的櫻桃番茄樣品，兩種模型訓練集、測試集正確識別率均可達100.00%；采用PLS法對櫻桃番茄的硬度、pH值及SSC進行建模，以、RMSEP和相對百分比差異（relative percentage difference，RPD）作為標準對建模效果進行評價；結果顯示，硬度預測模型的為0.9079，RMSEP為0.5399%，RPD為3.3505；pH值預測模型的為0.9323，RMSEP為0.0247，RPD為3.9070；SSC預測模型的為0.9249，RMSEP為0.1613%，RPD為3.7108，證明了櫻桃番茄貯藏期間品質與風味特征變化具有良好的線性關系，基于電子鼻結合PLS法可以對櫻桃番茄的新鮮度相關品質指標進行快速而準確的定量預測。

由環境變化、待測組分變化、儀器老化等原因造成的電子鼻響應漂移[67]不可避免，這將降低電子鼻的有效性，解決電子鼻傳感器響應漂移的問題，對在農產品檢測方面充分發揮電子鼻技術的作用具有重要意義。Valcárcel等[68]利用基于與分量校正的PLS自適應耦合的乘法漂移校正過程矯正了短期漂移，并通過使用合成參考標準混合物標定了長期漂移，在此基礎上優化了電子鼻對番茄揮發性成分的分析。

隨著電子鼻領域研究的不斷進步，以及納米材料的創新研發與應用投產，電子鼻的商業化產品已經在番茄品質檢測方面得到了實際應用。目前，研究人員不再局限于使用商業化模式下傳感器陣列固定的電子鼻，而是根據檢測對象的特性，設計相應的傳感器陣列以獲得更好的檢測效果，在未來，結合待測目標的揮發性氣體對電子鼻的傳感器進行深入研究，選擇出檢測精度更高的傳感器是電子鼻技術的前進方向。同時，電子鼻的傳感器只能對氣味信息做出響應，獲取的信息有限，在后續的研究道路上還需結合實際用途與其他信息源的特征信息進行補充融合，消除單一信息源的局限性，結合人工智能算法，尋求更好的數據特征提取技術和識別方法，提升智能化程度。

3 展 望

番茄是世界范圍內種植最廣泛的蔬菜之一，消費的升級與貿易全球化的進程帶動了人們對番茄品質更高的追求。對番茄的品質進行更加全面的檢測、分析和評價，為育種工作提供了理論基礎，為出品等級劃分提供了依據，為提高加工質量提供了保障，對提升番茄的商業價值有重大意義。

但由于番茄復雜的結構與豐富的成分，很難實現對番茄品質快速、準確的測量。隨著科技的進步與時代的需要，電子器官及各類光譜檢測技術被廣泛的用于番茄品質檢測。國內外學者針對新型檢測技術在番茄品質檢測上做出了眾多的研究，這些研究開辟了番茄檢測的新思路，為我國番茄行業的進步創造了更多可能，同時開拓了更大的進步空間。下文將從5 個角度出發，展望新型檢測技術為我國番茄行業的創造的機遇以及面臨的挑戰。

3.1 番茄品質檢測技術的無損化發展

在國內外的各項研究中，諸如各類光學檢測技術作為無損化檢測手段被廣泛應用于番茄品質檢測領域。利用各類光學技術對番茄SSC、番茄紅素含量等理化指標進行檢測的研究均獲得了良好的預測結果，證明了該技術在番茄品質無損化檢測技術方面的潛力。但在目前的研究中，無損檢測技術在番茄品質的檢測上也體現出一些局限性，例如Vis-NIR光譜的使用依賴待測組分對特定頻率的光產生差異性吸收，而針對可揮發性物質等，這些成分在番茄中的含量較低，難以通過光吸收差異對其進行定性定量分析。

目前的研究中，有學者分析番茄各組分之間的相關性，以此構建方程，間接獲得相關待測指標，但番茄成分復雜導致的干擾多等問題，使得所建方程存在預測效果一般、魯棒性差等缺陷。在后續研究中，還需進一步研究對于此類指標的無損化研究手段，或通過優化數據處理手段減少干擾，構建更有效的數學模型。

3.2 番茄檢測技術優缺點及應用現狀對比

與傳統檢測技術相比，新型檢測技術克服了傳統方法費時費力、操作繁瑣、破壞性強等缺點，可作為快速有效的檢測技術應用于番茄品質檢測，具備極大的應用潛力。然而，目前基于硬件設施以及處理方法等因素的約束，新型檢測技術仍具有一定局限性，商品化程度和應用推廣度的提高還需要大量的理論研究和應用研究支撐。表3總結了現有無損檢測技術的優勢、局限性以及應用現狀，旨在為后續研究提供參考。

表3 新型番茄檢測技術的優勢、局限性和應用現狀Table 3 Advantages,limitations and current status of application of new tomato detection technologies

3.3 智能化檢測技術的多元融合

機器學習是一門多領域交叉的學科。機器學習以計算機作為工具通過模仿人類的學習行為獲取新的知識和技能并改善自身的性能，是人工智能的核心。隨著農業智能化進程的推進，機器學習被廣泛的應用于農業生產領域的研究。在農產品檢測方面，機器學習在果實的識別與檢測的研究方面取得了令人滿意的成果，RF算法、SVM法、KNN法等顯著提高了數據處理速度，提高了檢測效率。但針對龐大的數據量和復雜的實際應用背景，傳統的機器學習算法依然存在處理步驟繁雜、識別精度不足等問題。

深度學習是機器視覺的一個子部分，是近些年機器學習領域熱門的研究方向。深度學習的概念源于人工神經網絡，“深度”是一個技術術語，指的是“網絡”中的層/段數[69]，深度學習通過各種卷積提供數據的分層表示，提供了更大的學習能力，從而提高了算法的性能和精度。深度學習是一類模式分析方法的統稱，其中比較典型的模型有卷積神經網絡（convolutional neural networks，CNN）、深度信念網絡、堆棧自編碼網絡模型等。Kamilaris等[70]通過分析農業領域內40余項采用深度學習技術的研究工作得出結論，深度學習的圖像處理和數據分析能力優于其他的主流技術。

CNN是目前較為流行的算法之一。在農業領域，CNN結合的圖像識別技術被廣泛的應用于果蔬的識別與分類等[71-73]，相關研究證明CNN具備對果蔬進行品質檢測的潛力[74-75]。CNN模型需要大量的數據進行訓練，在數據量較小的情況下模型會出現過度擬合導致性能下降的情況；但針對大規模的數據樣本，模型的特征提取能力將會相應提高，處理速度和準確率增強。

由此，結合機器學習的檢測技術將會是農業智能化的必然趨勢，但其實用化進程需要建立相應數據庫的支持。目前，在我國農產品檢測領域，機器學習還需要克服成本投入較高和專業人才缺乏的局限。

3.4 番茄品質的消費段快速查詢

番茄的品質決定了番茄的產品等級、加工用途等，是番茄產業消費段的選擇依據。當今的番茄消費群體中，番茄深加工企業為追求良好的產品品質，希望明確番茄的各項內部品質；番茄零售商希望對番茄有更明確的分級以實現利益最大化；廣大的消費者不僅追求“形”，更對番茄的“味”有更高的追求。在這樣的要求下，實現對番茄品質消費端的快速檢測成為新的想法。新型檢測技術的誕生，極大地提高了番茄品質檢測的效率，使這樣的想法成為了可能。隨著光譜技術的進步，眾多研究采用多種光譜處理方法消除噪音，極大地減弱了番茄背景對檢測效果的影響，實現了番茄品質的田間監控，電子鼻的應用可對貯藏期番茄的品質進行監控，但目前檢測應用的手段還存在檢測儀器體積龐大、操作專業性強等問題，難以實現番茄品質現場快速檢測的預期。

為解決上述問題，便攜式檢測儀器的開發成為主流趨勢，眾多學者在該領域做出了嘗試，但大多存在魯棒性不佳、檢測重現性差等問題，還需要通過數據處理方法的優化和對更廣泛樣本的建模以提高效率。另外，有學者開發了一種從手機拍攝的單幅RGB圖片的重建高光譜圖像的技術[76]，重建技術解決了光譜儀器價格高昂、操作專業性強的問題，為實現番茄各項指標的現場化檢測提供了新的思路。

除在技術方面的提高外，我國番茄市場還應大力推廣番茄快速檢測技術，通過多行業接力實現對番茄品質的監控，以實踐經驗為技術進步提供數據技術，以技術進步推動方法實際應用。搭建番茄品質檢測平臺，從種植基地對番茄進行編碼，沿產業鏈布置番茄品質檢測系統，番茄生產過程中的各類信息均可云端同步，下級的使用者可通過“智能標簽”對上級信息進行查看。

在數字化的當今，手機成為人們生活中重要的工具，相關手機軟件的開發為番茄質量品質信息的實時化共享提供了可能，真正實現對番茄“從田間到餐桌”的品質檢測。目前已有學者基于Android系統開發了相應軟件[77]，用戶通過手機客戶端下載軟件獲得權限，即可獲得相應便攜式裝置獲得的櫻桃番茄近紅外光譜實時數據，軟件可經實驗所驗證的SPA-PLS模型實時分析、顯示樣品的待測指標結果。該軟件的成功開發，推進了番茄品質實時檢測的進程，為后續研究指引了新的道路。

3.5 番茄品質標準的升級革新

經濟全球化進程趨勢下，出口貿易是我國番茄的主要銷售手段之一，但目前我國番茄質量的相關標準存在標齡較長、指導力度不足等問題，同時相較于一些進口國，這些標準在系統性、科學性和實用性等方面也亟待提高。為使我國番茄品質標準體系與國際接軌，需要實現對番茄品質更加具體、更加精確的檢測，同時對番茄品質的綜合評價提出了新的期望。

表4展示了我國標準NY/T 940—2006《番茄等級規格》與外標FFV-36:2000《番茄》中關于番茄規格的劃分標準，可見，FFV-36:2000的劃分標準不僅更加細致，且對測量的精度有著更高的要求。為此，在后續的研究中，新型檢測技術除要提高檢測準確性外，還需提高其檢測精度。

表4 國內外標準對番茄規格的劃分Table 4 Classification of tomato specifications by national and international standards

我國的劃分標準較為籠統，應更多地關注不同品種、不同地域番茄之間的差異，這要求更大規模樣本的番茄品質參數的采集；目前我國的標準也較為單一，大多是針對番茄的某幾個指標對番茄進行等級規格的劃分，各項研究中大多也是針對番茄單個指標進行建模，而面向番茄綜合品質評價模型的研究較少。在后續的研究中，應考慮多種快速檢測方法所獲信息的聯合處理，結合多種不同的數據建立番茄綜合品質的評價模型，既可使各項指標彼此之間互為彌補，又可避免單一數據源造成的偏差。應結合各類數據處理方法，建立番茄綜合品質的量化評價模型，輸入番茄的各個品質參數獲得番茄的評分；同時考慮各類用途番茄中各項品質參數的最佳配比，對待測番茄給出響應的評價；綜合考量多個因素對番茄進行等級、用途等的劃分，使劃分更具有科學性和目的性。

4 結語

番茄無損檢測技術能夠快速、準確的判斷番茄的質量，提高產品的附加值和市場競爭力。本文從外觀、風味、營養、安全4 個方面系統性的總結了番茄品質檢測的主要指標，著重對機器視覺、電子鼻、Vis-NIR光譜、高光譜成像技術和SERS等新型檢測技術進行綜合性的論述與分析，結合當前研究所暴露的問題和當今番茄市場的需求，對新型檢測技術在番茄品質檢測領域的發展進行了展望。

目前番茄無損檢測技術已具有相當的突破，但在實際應用中仍存在一定局限性。因此，未來的發展前景還有很大的提升空間。一方面，可以通過不斷優化檢測技術，提高檢測的準確性和效率，同時減少檢測成本，提高技術的可行性和經濟性；另一方面，還可以通過與智能化設備和大數據技術的結合，實現對大規模番茄生產的檢測和控制，為農業生產的智能化發展提供更加完善的解決方案。

總之，番茄無損檢測技術具有廣泛的應用前景，在農業、食品等領域具有重要意義。隨著技術的不斷發展和完善，它將成為提高番茄生產質量和效率的重要手段，也將為現代農業的智能化發展提供強有力的支持。