《食品科学》：中国农业大学尚楠副教授等：新型无损检测技术在番茄品质检测中的研究与应用进展

番茄因其营养、风味、口感以及加工属性成为全球蔬菜市场的“宠儿”，是全球栽培最广、消费量最大的蔬菜作物。番茄品质的检测可分为外部品质检测和内部品质检测。我国普遍应用的外部品质检测主要依靠人工检测方法，主观性强、效率较低，评价标准不统一；内部营养成分含量的检测方法存在破坏性强、耗时费力、应用场景单一等缺点。为满足各层面的消费需求和加工需要，急需探求更加全面、便捷、无损的番茄品质检测技术

中国农业大学工学院的韩子馨、张丽丽、尚楠*等人在传统番茄品质检测技术的基础上，重点总结了基于图像识别的人工智能、电子鼻技术和光谱技术在番茄无损检测方面的发展与应用。

1 番茄品质指标及传统检测方法

番茄的主要品质指标如表1所示，包括外观、风味、营养和安全等多个方面，所涵盖的指标类型众多，各指标均有其标准规定或常用的检测方法。

1.1 番茄的品质指标

1.1.1 外观品质

外观是消费者对商品产生印象的首要因素，番茄的外观品质包含果色、大小、果形、损伤、缺陷和硬度等指标。作为最直观的因素，番茄的外观品质被作为其育种、种植以及采收等工作的关注重心，对番茄的外观品质的研究，为番茄的种植条件优化、田间监控、采收贮存的科学化提供了依据，同时为番茄育种行业提供了重要参考。

1.1.2 风味品质

番茄的风味是决定鲜食体验和加工产品质量的决定性因素，成熟番茄中的可溶性糖主要是葡萄糖和果糖，其酸度主要来自柠檬酸和苹果酸等有机酸，而番茄的糖酸比主要由影响较大的果糖和柠檬酸决定。研究表明，番茄中较高的糖含量能提高番茄的适口性，适量的酸使风味浓厚，最适宜的番茄糖酸比为7～11。作为番茄独特风味的来源，挥发性芳香物质的组成是决定番茄风味的重要因素，截至目前，在成熟的番茄果实中发现的醇、醛、酮、酯、萜等挥发性芳香物质多达400多种，其中醛类化合物使番茄具有新鲜感，增加了番茄的甜度，提升了感官愉悦度，而酯类化合物和酚类化合物可接受度较低。

1.1.3 营养品质

SSC是番茄最主要的营养品质指标，它具体是指番茄汁液中诸如可溶性糖、有机酸、番茄红素等溶质所占的百分比。在番茄果实中，糖分占总干物质质量的55%，有机酸占总干物质质量的12%，主要是柠檬酸、苹果酸。

VC又称抗坏血酸，是维持人体健康不可或缺的必需维生素之一，通过对控制基因的研究培育高VC含量的番茄可以满足人的摄取需要。在生长过程中，番茄果实的果色受番茄红素含量的正向调控，番茄红素与番茄酱等番茄制品的色泽等品质有关，且具有抗氧化性，可以降低一系列非传染性慢性疾病的发生率。多酚是果蔬营养与风味品质的主要决定性因素，具有显著的抗氧化、抑菌、抗病毒和抗炎症作用。

1.1.4 安全品质

为了减少病虫害造成的损失、提高产量，在实际种植过程中会通过喷洒农药预防病虫害。为满足贮藏和运输的需求，市售的番茄一般通过外源乙烯利处理达到提前催熟的目的。但是农药和乙烯利等化学用品的使用剂量始终难以在实际生产中得到完全的规范与控制，过量的有害化学物质残留危害人类健康，影响番茄的安全性，故乙烯利残留量和农药残留量是番茄安全品质评价的重要指标。

1.2 传统检测方法

番茄的品质检测可分为外观品质检测和内部品质检测。目前，针对番茄外部品质的检测以人工检测为主。果色的判断和损伤缺陷的识别一般依靠人工筛选；番茄果实果径和硬度数值一般也是人工用游标卡和硬度仪尺测量获得，这些方法均依赖人工操作，过于依靠个人经验，主观性过强，难以形成固定的标准，也难以实现大规模的全面筛查。表2则列举了番茄内部主要成分的含量检测依据。

综上，传统的番茄品质检测方法存在诸多问题，包括主观性强，难以形成固定的标准；破坏性强，预处理过程复杂，检测步骤繁多；难以直接获得指标，难以满足定性、定量分析的需求；基本停留在实验室层面，无法实现市场化、实时化、大规模的检测及监控。

2 新型检测技术及其利用

当今，传统的番茄品质检测方法难以满足我国番茄市场对番茄品质评价标准更加精细化的要求。在科技发展和消费升级的双重催化下，一系列新型检测技术快速发展，并更多的服务于番茄品质的检测。

2.1 机器视觉

机器视觉是通过计算机模拟人类的视觉功能的技术，该技术利用光学装置和图像传感器获得被检测物体的图像信息，通过图像处理系统将图像信号转化为数字化信息，提取目标特征信息，利用计算机进行分析处理而实现识别、检测等功能。自20世纪末以来，基于机器 视觉技术的番茄色泽、大小等指标的检测以及缺陷、病害等的识别已获得了诸多成果，近年来，机器学习算法的进步为机器视觉在番茄无损化检测及分级应用方面带来了突破性的发展。

成熟度的判断对番茄的采收、贮藏及销售具有重要的参考意义。番茄果皮颜色是国内外接受度和实用性较高的成熟度判断依据，利用机器视觉技术对番茄成熟度进行判别的要点包括成熟阶段的定义和相应颜色特征的提取，契合度高的颜色特征可以提升判别效果。王俊平等为探究机器视觉在果蔬成熟度检测中的能力，参考SB/T 10331—2000《番茄》划分了6 个番茄成熟度阶段，并采集这6 个阶段的番茄图像，在红色、绿色、蓝色（RGB），色调、饱和度、明度（HSV）和CIE L * a * b * 3 种颜色模型下，获取各彩色单通道图像的灰色均值箱线图，提取出6 个有效的颜色特征，建立颜色特征与番茄成熟度之间的最小二乘支持向量机（LS-SVM）模型；为验证模型效果，取不同成熟度的番茄共108 组，按照2∶1的比例随机分为训练集和验证集，结果表明所建模型的验证集准确率可达88.09%。

对番茄进行有效的分级能够提高番茄的产品价值，然而传统的人工目测分级具有主观性强、费时费力的局限。近年来，各国学者研制的以传送单元搭载的机器视觉系统构成的分级系统，为机器视觉的商品化应用提供了可能。常英基于机器视觉设计了一个由输送装置、图像采集装置和气泵分选装置构成的分级检测系统（图1），通过统计连通区域个数并比较樱桃番茄RGB分量结合度量范围的方法，实现了对樱桃番茄缺陷果的识别，检测精度可达90%左右。

以番茄果径作为指示番茄大小的参数，对番茄进行分级是目前应用较为广泛的分级模式。曾令培等基于机器视觉提取采集番茄图像的尺寸特征，并以横径作为分级依据实现了对番茄的智能包装，所采番茄图像首先经过图像灰度化、中值滤波器去噪音，对比了不同灰度下的阈值分割效果，结果显示将灰度值调节为180时可以获得最优的分割效果，并利用二值图和形态学的结合处理，填充了分割图产生的毛刺与孤立点。为提取番茄尺寸特征，研究者对比了最小外接矩形法和最小外接圆法提取番茄横径的准确性，他们从200 组番茄中抽取10 组番茄进行测定，发现采用最小外接矩阵法得到的数值比较接近游标卡尺测量值。在另一组实验中，研究者利用canny边缘检测提取番茄的果径，通过统计像素点数提取番茄色泽特征，最小外接矩阵法提取果形特征，灰色共生矩阵法提取纹理特征；结合判别树法和经粒子群优化算法（PSO）优化的SVM分类法进行融合决策，实现了对番茄的综合分级，简明地对多个条件影响的结果进行了判别，避免了单独决策的局限性，分级速率可达4 个/s，分级准确率可达95%以上。

计算机的高速发展辅助推动着机器视觉技术的应用，Joice等基于机器视觉设计的番茄色选机利用微型电脑Raspberry Pi对所采图像进行分选，经由Open CVPython编程的系统提高了图像的实时处理效率，该色选机处理效率可达2 个/s，且准确率高达98%。在当前，计算机技术的快速迭代为机器视觉的发展提供了支持，国际上已经存在基于机器视觉研发的果蔬分级设备，为推进机器视觉技术的商品化，协调番茄在动态状态下的识别与分析可以作为后续研究的方向。由于待测物品为农产品的特殊属性造成的检测场景复杂多变、待测物结构缺乏统一标准等问题，机器视觉在番茄检测技术方面依旧存在所需计算量大、所需数据量大、鲁棒性差等问题，而机器视觉检测技术的核心在于图像的处理分析，未来检测技术的提高还需依赖处理系统计算能力的提高与算法的改进升级。

2.2 可见-近红外（Vis-NIR）光谱

Vis-NIR光谱是分子吸收光谱的一种。Vis-NIR光谱分析方法利用各种物质组分对特定频率的光产生差异性吸收的特点结合化学计量学方法实现对物质组分进行定量和定性分析，其检测设备如图2所示。Vis-NIR光谱具有特征性强、测定快速、不破坏试样、操作简便、能分析各种状态的试样的特点，被广泛应用于番茄内部成分的检测。

近年来，国内外各学者利用Vis-NIR光谱技术采集番茄样品光谱信息，利用理化分析方法测定番茄的内部成分含量，研究番茄光谱信息和内部品质的关联性，比较不同的光谱预处理方法对番茄原始光谱预处理效果，对比不同光谱变量优选算法，构建番茄内部品质的定量模型，选出预测性能最佳的模型，进而综合评价番茄的内部品质。

番茄内部结构较为复杂，不同部位的内部品质也具有一定差异，故图像采集点位的选择也成为学者研究的目标。有研究选择在番茄的赤道部位等角度取4 点进行光谱采集，每点采集5 次，共取20 个光谱曲线的平均值作为该样品的分析光谱，基于Vis-NIR光谱原理搭建了樱桃番茄SSC投射检测系统；以前人经验为参考，研究选取较为平滑的600～960 nm波段光波信息，分别经S-G卷积平滑处理平滑后进行一阶导数、二阶导数预处理，利用果径归一化进行番茄果径修正，分别建立光谱信息处理前后的偏最小二乘（PLS）模型以验证效果，结果显示，经果径归一化后的二阶微分光谱预测模型的校正集和预测集相关系数分别达到0.9383和0.9360，均方根误差分别为0.2796 °Brix和0.3955 °Brix，相较于原始光谱，建模效果明显提高。研究表明，果径归一化处理可有效消除基线漂移，改善因果径不同带来的预测误差，该方法对于提高番茄内部品质测量结果的稳定性做出了贡献。

Vis-NIR检测技术具有低成本、高效率、普适性高等优点，被广泛的应用于番茄品质的在线无损检测，但Vis-NIR光谱检测技术存在易受环境等外界因素影响的缺点，提高检测技术的抗干扰性将是提高近红外光谱技术实用性的要点；就农产品成分组成复杂的特点而言，近红外光谱检测技术的精度有待提高。便携式红外光谱的商品化推进了近红外光谱检测技术的应用，但在应用于番茄品质检测时还需建立针对待测项目的方法和标准，另外还应扩大模型库的数据量，提高检测技术的通用性。

2.3 高光谱成像

高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间及一维光谱信息，具有多波段、高分辨率和图谱合一的技术优势。高光谱图像具有更高的光谱分辨率，通常其精度可达到2～3 nm；高光谱图像的数据是三维的，其中两维是图像的空间像素坐标信息，第三维是波长信息，弥补了传统成像技术和光谱技术的局限性。由于包含光谱和空间信息，在番茄无损化检测领域，高光谱图像不仅能反映番茄如果色、缺陷等的外在特征，还能反映番茄的化学成分等品质特征。

由于光源类型、打光方式等条件的不同，光在果蔬内部所形成的光路不同，由此可将高光谱成像分为高光谱反射成像、高光谱透射成像和高光谱散射成像3种形式。为探究3 种成像形式对果蔬内部成分测定的效果，张若宇以番茄为研究对象，搭建3 种光谱成像系统，利用PLSR法建立番茄SSC和硬度定量分析模型，评价3种成像模式单一及联用模型的预测效果，研究创新性地利用简化的PC大津法进行背景分割并进一步获取目标光谱及纹理参数，引入像素点校正的思路，在高光谱反射和漫透射两种成像模式下，利用像素归一化校正减少了样本由于辐照不均、样本个体差异及其他因素对检测结果造成的影响。经过对比，高光谱漫透射成像技术在番茄SSC检测中更具优势，高光谱反射成像对修正硬度的检测效果最好，不同模式联用的模型较单一模 型并无改善。研究表明3 种成像模式下平均光谱对番茄SSC检测效果均较佳，而硬度检测中，仅针对Fxz的检测较为有效。

针对高光谱检测技术难以对硬度进行精准预测的问题，龙燕等基于改进型随机区间蛙跳算法结合高光谱技术检测番茄硬度，选择性地截取了信息量丰富且较为平滑的波段光谱的数据进行MSC和归一化处理。应用改进型随机区间蛙跳算法提取特征波长，对比结果证明，其改善了传统RF算法收敛时间过长和模型实用性差的缺陷，同时在一定程度上克服了光谱信息缺失或冗余的问题，提高了番茄硬度检测的时效性和准确度，以此建立番茄硬度的PLSR模型，测试集R P 可达0.9685，RMSEP为0.0040 kg/mm 2 ，证明高光谱技术和RF算法结合可实现对番茄硬度的快速、无损检测。

由于番茄内部番茄红素等胡萝卜素具有特殊的光谱吸收波段，并且这些成分与番茄的成熟度存在相关性，因此，国外一些学者尝试利用高光谱成像检测番茄的成熟度。石玉康利用高光谱成像技术构建番茄成熟度判别模型，获取3 个不同番茄品种不同成熟度果实的图像数据，原始图像数据首先经灰度处理等预处理后采用最小外接矩形法提取番茄的纵、横经尺寸，平均误差分别为0.27 mm和0.13 mm；以颜色特征a * 和b * 的比值作为划分不同成熟度的依据，对所获取的光谱信息进行PCA，选择11 个特征波长后建立的番茄成熟度SPA-LIBSVM模型测试集的准确率可达86.3%；为建立番茄果实形态结构和组分含量性状表型的PLSR模型，使用SPXY算法将各性状表型值结合光谱值进行划分，利用SPA法进行特征波长提取，最终所得的预测模型对颜色性状参数的预测非常准确，对硬度的预测效果尚佳，但对番茄组分含量的预测效果较差，这仍为番茄的采摘期预测提供了有效的信息。

高光谱成像技术在番茄品质检测方面展现出极大的潜力，但目前，受硬件性能、数据处理速度和设备成本的限制，高光谱检测技术的相关研究基本还停留在实验室规模，依旧缺少在实际应用层面的经验。针对高光谱检测技术数据量大、算法复杂等问题，还需探索有效措施对全波段高光谱图像进行特征波长选取，降低数据冗余量，提高高光谱图像的处理效率，还期待机器学习背景下算法的升级。高光谱成像技术在番茄品质检测领域的实际应用，还需提升检测性能、降低仪器成本，这有赖于光学技术和计算机技术的发展。

2.4 表面增强拉曼光谱（SERS）技术

拉曼光谱基于拉曼效应，通过记录拉曼位移波数实现从分子水平上反映样品化学组成和分子结构上的差异，同时光谱强度与入射光强度和样品分子的浓度呈正比，拉曼光谱由此实现对样品的定性定量分析。SERS技术是基于入射光和电磁场在等离子体局域场表面的耦合作用，使拉曼散射信号增强10 6 ～10 15 倍的一种信号放大检测技术，SERS技术因其几乎不受水分影响、灵敏度高、响应迅速以及特异性强等优势，成为果蔬作物农残快速检测的主要手段。

近些年，随着科学的不断进步，传统的刚性SERS基底逐步被取代，可弯曲、灵活性强、可吸附在复杂表面进行原位检测的柔性材料被广泛应用于果蔬表面农药残留的鉴别。

SERS基底的制备是扩大SERS研究范围和应用领域的重点，随着纳米材料的制备技术日益成熟，可控粒度与形状的纳米颗粒被广泛作为模型材料应用于SERS检测。

2.5 电子鼻

电子鼻又称气味扫描仪，主要由气敏传感器阵列、信号预处理和模式识别3 部分组成。电子鼻技术通过模拟人类嗅觉机理，在检测过程中采集挥发成分的整体信息，利用不同传感器对一种气味灵敏度的差异，将气味信息转化为电信号，与数据库中的信号加以比较从而实现智能检测。电子鼻技术操作简单、快速高效，且避免了样品复杂的预处理，被广泛应用于果蔬品质检测领域。

芳香物质在番茄中的含量虽然不高，但其种类和含量随着品种和成熟阶段的不同呈现明显差异，对风味有着较大的影响，而电子鼻通过对这些挥发性成分的响应实现对番茄品质的检测。

番茄在生长、采后贮藏的过程中，营养成分和与气味相关的芳香物质也会发生改变，利用电子鼻采集番茄的气味信息，提取合适的气味特征，结合模式识别，可对番茄成熟度进行识别。潘思慧基于电子鼻技术，提取每根传感器对番茄气味响应信号的稳定值作为特征变量对番茄成熟度进行判断，分别采用K近邻（KNN）法和SVM建立番茄成熟度识别模型，结果表明，基于气味特征的SVM模型能更好地识别番茄成熟度，模型训练集准确率为84.72%，预测集准确率为83.33%。

不同成熟阶段中，番茄的内部组分不断发生变化，随着番茄内部果胶酶的作用，番茄硬度也产生显著变化，研究人员基于番茄成熟度与硬度之间的关系，利用电子鼻技术采集番茄的特征信息实现对番茄成熟度的判别和硬度的预测。实验划分了6 个番茄成熟度等级，选取不同成熟阶段的番茄共209 个，利用选定的10 个传感器对番茄的气味做出交互响应，记录传感器响应值，提取传感器的平均值作为变量数据，利用PCA法减少变量个数，利用分析后的数据建立番茄成熟度的Fisher判别分析模型和支持向量分类器分类模型，对比准确度发现后者对番茄成熟度的判别具有更高的准确性，预测集准确度可达94.20%；同时建立响应值和番茄硬度的PLS和支持向量回归模型，结果显示，硬度的支持向量回归模型的拟合程度更好，R p 为95.14%，RMSEP为0.03 N，呈现更好的线性关系。研究证明了电子鼻在番茄成熟度相关品质检测方面的潜力。

气味可以作为食物新鲜与否的判断依据，冯蕾证明了樱桃番茄的风味特征与其新鲜度及相关品质指标之间存在较强的相关性。电子鼻技术的发展，成功克服了人类嗅觉的灵敏程度的局限性和感官难以量化的问题，使得通过气味特征对番茄相关指标进行检测得以实现。

气味特征与番茄物化指标之间的关系同样得到了验证。基于电子鼻响应值，PLS及SVM两种方法成功地识别新鲜、可接受及腐败3 个新鲜度等级的樱桃番茄样品，两种模型训练集、测试集正确识别率均可达100.00%；采用PLS法对樱桃番茄的硬度、pH值及SSC进行建模，以、RMSEP和相对百分比差异（RPD）作为标准对建模效果进行评价；结果显示，硬度预测模型的为0.9079，RMSEP为0.5399%，RPD为3.3505；pH值预测模型的为0.9323，RMSEP为0.0247，RPD为3.9070；SSC预测模型的为0.9249，RMSEP为0.1613%，RPD为3.7108，证明了樱桃番茄贮藏期间品质与风味特征变化具有良好的线性关系，基于电子鼻结合PLS法可以对樱桃番茄的新鲜度相关品质指标进行快速而准确的定量预测。

由环境变化、待测组分变化、仪器老化等原因造成的电子鼻响应漂移不可避免，这将降低电子鼻的有效性，解决电子鼻传感器响应漂移的问题，对在农产品检测方面充分发挥电子鼻技术的作用具有重要意义。Valcárcel等利用基于与分量校正的PLS自适应耦合的乘法漂移校正过程矫正了短期漂移，并通过使用合成参考标准混合物标定了长期漂移，在此基础上优化了电子鼻对番茄挥发性成分的分析。

随着电子鼻领域研究的不断进步，以及纳米材料的创新研发与应用投产，电子鼻的商业化产品已经在番茄品质检测方面得到了实际应用。目前，研究人员不再局限于使用商业化模式下传感器阵列固定的电子鼻，而是根据检测对象的特性，设计相应的传感器阵列以获得更好的检测效果，在未来，结合待测目标的挥发性气体对电子鼻的传感器进行深入研究，选择出检测精度更高的传感器是电子鼻技术的前进方向。同时，电子鼻的传感器只能对气味信息做出响应，获取的信息有限，在后续的研究道路上还需结合实际用途与其他信息源的特征信息进行补充融合，消除单一信息源的局限性，结合人工智能算法，寻求更好的数据特征提取技术和识别方法，提升智能化程度。

3 展 望

由于番茄复杂的结构与丰富的成分，很难实现对番茄品质快速、准确的测量。 随着科技的进步与时代的需要，电子器官及各类光谱检测技术被广泛的用于番茄品质检测。 国内外学者针对新型检测技术在番茄品质检测上做出了众多的研究，这些研究开辟了番茄检测的新思路，为我国番茄行业的进步创造了更多可能，同时开拓了更大的进步空间。 下文将从5 个角度出发，展望新型检测技术为我国番茄行业的创造的机遇以及面临的挑战。

3.1 番茄品质检测技术的无损化发展

在国内外的各项研究中，诸如各类光学检测技术作为无损化检测手段被广泛应用于番茄品质检测领域。利用各类光学技术对番茄SSC、番茄红素含量等理化指标进行检测的研究均获得了良好的预测结果，证明了该技术在番茄品质无损化检测技术方面的潜力。但在目前的研究中，无损检测技术在番茄品质的检测上也体现出一些局限性，例如Vis-NIR光谱的使用依赖待测组分对特定频率的光产生差异性吸收，而针对可挥发性物质等，这些成分在番茄中的含量较低，难以通过光吸收差异对其进行定性定量分析。

目前的研究中，有学者分析番茄各组分之间的相关性，以此构建方程，间接获得相关待测指标，但番茄成分复杂导致的干扰多等问题，使得所建方程存在预测效果一般、鲁棒性差等缺陷。在后续研究中，还需进一步研究对于此类指标的无损化研究手段，或通过优化数据处理手段减少干扰，构建更有效的数学模型。

3.2 番茄检测技术优缺点及应用现状对比

与传统检测技术相比，新型检测技术克服了传统方法费时费力、操作繁琐、破坏性强等缺点，可作为快速有效的检测技术应用于番茄品质检测，具备极大的应用潜力。然而，目前基于硬件设施以及处理方法等因素的约束，新型检测技术仍具有一定局限性，商品化程度和应用推广度的提高还需要大量的理论研究和应用研究支撑。表3总结了现有无损检测技术的优势、局限性以及应用现状，旨在为后续研究提供参考。

3.3 智能化检测技术的多元融合

机器学习是一门多领域交叉的学科。机器学习以计算机作为工具通过模仿人类的学习行为获取新的知识和技能并改善自身的性能，是人工智能的核心。随着农业智能化进程的推进，机器学习被广泛的应用于农业生产领域的研究。在农产品检测方面，机器学习在果实的识别与检测的研究方面取得了令人满意的成果，RF算法、SVM法、KNN法等显著提高了数据处理速度，提高了检测效率。但针对庞大的数据量和复杂的实际应用背景，传统的机器学习算法依然存在处理步骤繁杂、识别精度不足等问题。

深度学习是机器视觉的一个子部分，是近些年机器学习领域热门的研究方向。深度学习的概念源于人工神经网络，“深度”是一个技术术语，指的是“网络”中的层/段数，深度学习通过各种卷积提供数据的分层表示，提供了更大的学习能力，从而提高了算法的性能和精度。深度学习是一类模式分析方法的统称，其中比较典型的模型有卷积神经网络（CNN）、深度信念网络、堆栈自编码网络模型等。

CNN是目前较为流行的算法之一。在农业领域，CNN结合的图像识别技术被广泛的应用于果蔬的识别与分类等，相关研究证明CNN具备对果蔬进行品质检测的潜力。CNN模型需要大量的数据进行训练，在数据量较小的情况下模型会出现过度拟合导致性能下降的情况；但针对大规模的数据样本，模型的特征提取能力将会相应提高，处理速度和准确率增强。

由此，结合机器学习的检测技术将会是农业智能化的必然趋势，但其实用化进程需要建立相应数据库的支持。目前，在我国农产品检测领域，机器学习还需要克服成本投入较高和专业人才缺乏的局限。

3.4 番茄品质的消费段快速查询

番茄的品质决定了番茄的产品等级、加工用途等，是番茄产业消费段的选择依据。当今的番茄消费群体中，番茄深加工企业为追求良好的产品品质，希望明确番茄的各项内部品质；番茄零售商希望对番茄有更明确的分级以实现利益最大化；广大的消费者不仅追求“形”，更对番茄的“味”有更高的追求。在这样的要求下，实现对番茄品质消费端的快速检测成为新的想法。新型检测技术的诞生，极大地提高了番茄品质检测的效率，使这样的想法成为了可能。随着光谱技术的进步，众多研究采用多种光谱处理方法消除噪音，极大地减弱了番茄背景对检测效果的影响，实现了番茄品质的田间监控，电子鼻的应用可对贮藏期番茄的品质进行监控，但目前检测应用的手段还存在检测仪器体积庞大、操作专业性强等问题，难以实现番茄品质现场快速检测的预期。

为解决上述问题，便携式检测仪器的开发成为主流趋势，众多学者在该领域做出了尝试，但大多存在鲁棒性不佳、检测重现性差等问题，还需要通过数据处理方法的优化和对更广泛样本的建模以提高效率。另外，有学者开发了一种从手机拍摄的单幅RGB图片的重建高光谱图像的技术，重建技术解决了光谱仪器价格高昂、操作专业性强的问题，为实现番茄各项指标的现场化检测提供了新的思路。

除在技术方面的提高外，我国番茄市场还应大力推广番茄快速检测技术，通过多行业接力实现对番茄品质的监控，以实践经验为技术进步提供数据技术，以技术进步推动方法实际应用。搭建番茄品质检测平台，从种植基地对番茄进行编码，沿产业链布置番茄品质检测系统，番茄生产过程中的各类信息均可云端同步，下级的使用者可通过“智能标签”对上级信息进行查看。

在数字化的当今，手机成为人们生活中重要的工具，相关手机软件的开发为番茄质量品质信息的实时化共享提供了可能，真正实现对番茄“从田间到餐桌”的品质检测。目前已有学者基于Android系统开发了相应软件，用户通过手机客户端下载软件获得权限，即可获得相应便携式装置获得的樱桃番茄近红外光谱实时数据，软件可经实验所验证的SPA-PLS模型实时分析、显示样品的待测指标结果。该软件的成功开发，推进了番茄品质实时检测的进程，为后续研究指引了新的道路。

3.5 番茄品质标准的升级革新

经济全球化进程趋势下，出口贸易是我国番茄的主要销售手段之一，但目前我国番茄质量的相关标准存在标龄较长、指导力度不足等问题，同时相较于一些进口国，这些标准在系统性、科学性和实用性等方面也亟待提高。为使我国番茄品质标准体系与国际接轨，需要实现对番茄品质更加具体、更加精确的检测，同时对番茄品质的综合评价提出了新的期望。

表4展示了我国标准NY/T 940—2006《番茄等级规格》与外标FFV-36:2000《番茄》中关于番茄规格的划分标准，可见，FFV-36:2000的划分标准不仅更加细致，且对测量的精度有着更高的要求。为此，在后续的研究中，新型检测技术除要提高检测准确性外，还需提高其检测精度。

我国的划分标准较为笼统，应更多地关注不同品种、不同地域番茄之间的差异，这要求更大规模样本的番茄品质参数的采集；目前我国的标准也较为单一，大多是针对番茄的某几个指标对番茄进行等级规格的划分，各项研究中大多也是针对番茄单个指标进行建模，而面向番茄综合品质评价模型的研究较少。在后续的研究中，应考虑多种快速检测方法所获信息的联合处理，结合多种不同的数据建立番茄综合品质的评价模型，既可使各项指标彼此之间互为弥补，又可避免单一数据源造成的偏差。应结合各类数据处理方法，建立番茄综合品质的量化评价模型，输入番茄的各个品质参数获得番茄的评分；同时考虑各类用途番茄中各项品质参数的最佳配比，对待测番茄给出响应的评价；综合考量多个因素对番茄进行等级、用途等的划分，使划分更具有科学性和目的性。

4 结 语

番茄无损检测技术能够快速、准确的判断番茄的质量，提高产品的附加值和市场竞争力。本文从外观、风味、营养、安全4 个方面系统性的总结了番茄品质检测的主要指标，着重对机器视觉、电子鼻、Vis-NIR光谱、高光谱成像技术和SERS等新型检测技术进行综合性的论述与分析，结合当前研究所暴露的问题和当今番茄市场的需求，对新型检测技术在番茄品质检测领域的发展进行了展望。

目前番茄无损检测技术已具有相当的突破，但在实际应用中仍存在一定局限性。因此，未来的发展前景还有很大的提升空间。一方面，可以通过不断优化检测技术，提高检测的准确性和效率，同时减少检测成本，提高技术的可行性和经济性；另一方面，还可以通过与智能化设备和大数据技术的结合，实现对大规模番茄生产的检测和控制，为农业生产的智能化发展提供更加完善的解决方案。

总之，番茄无损检测技术具有广泛的应用前景，在农业、食品等领域具有重要意义。随着技术的不断发展和完善，它将成为提高番茄生产质量和效率的重要手段，也将为现代农业的智能化发展提供强有力的支持。

本文《新型无损检测技术在番茄品质检测中的研究与应用进展》来源于《食品科学》2024年45卷1期289-300页. 作者：韩子馨，张丽丽，张博，邹方磊，尚楠. DOI:10.7506/spkx1002-6630-20230103-014. 点击下方阅读原文即可查看文章相关信息。

实习编辑：李雄；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网

为进一步促进未来食品科学的发展，全面践行“大食物观”的指导思想，持续提升食品科技创新和战略安全。由北京食品科学研究院、中国肉类食品综合研究中心及中国食品杂志社《食品科学》杂志、《Food Science and Human Wellness》杂志、《Journal of Future Foods》杂志主办，北京工商大学食品与健康学院、北京联合大学生物化学工程学院、西华大学食品与生物工程学院、大连民族大学生命科学学院、齐齐哈尔大学食品与生物工程学院、河北科技大学食品与生物学院共同主办， 登赫（上海）生命科学有限公司、北京盈盛恒泰科技有限责任公司、古井集团、嘉必优生物技术（武汉）股份有限公司、北京三元食品股份有限公司赞助 的“第一届大食物观·未来食品科技创新国际研讨会”即将于 2024年5月16-17日 在 中国 北京 召开。

长按或微信扫码了解详情

为提高我国食品营养与安全科技自主创新和食品科技产业支撑能力，推动食品产业升级，助力‘健康中国’战略，北京食品科学研究院、中国食品杂志社将与湖北省食品科学技术学会、华中农业大学、武汉轻工大学、湖北工业大学、中国农业科学院油料作物研究所、中南民族大学、湖北省农业科学院、湖北民族大学、江汉大学、湖北工程学院、果蔬加工与品质调控湖北省重点实验室、武汉食品化妆品检验所、国家市场监管重点实验室（食用油质量与安全）、环境食品学教育部重点实验室共同举办“第五届食品科学与人类健康国际研讨会”。会议时间：2024年 8月 3—4 日，会议地点：中国 湖北 武汉。

长按或微信扫码了解详情