基于可见光-近红外高光谱成像技术对番茄品质进行综合评价
本研究主要集中于高光谱成像技术在番茄品质评估中的应用。通过可见光-近红外（Vis-NIR）高光谱成像技术，能够同时获取番茄的空间和光谱信息，实现对番茄外观（如颜色）和内部品质（如硬度、番茄红素、可溶性固形物、维生素C等）的无损检测。研究提出了一种新的综合质量指数（CQI），结合多项品质指标，通过化学计量学方法和因子分析对番茄的综合品质进行**评估。
这种基于高光谱成像的综合质量评估方法，不仅能够用于准确预测番茄的成熟度，还能生成番茄不同成熟阶段的空间分布图，实现对番茄品质的可视化分析。这为番茄的分级、采摘时机的确定、运输中的质量监控，以及冷藏保鲜策略的优化提供了科学依据。此外，该技术可扩展应用于其他水果或蔬菜的质量监控，为现代农业中的智能种植和供应链管理提供支持。
背景：
番茄是全球范围内重要的经济作物，富含维生素、矿物质和抗氧化物质如番茄红素。番茄的成熟过程不仅伴随显著的外观变化（如颜色由绿色向红色过渡），还涉及内部品质的变化。随着消费者对番茄质量要求的不断提高，传统的质量检测方法通常依赖于单一指标，不能**反映番茄的综合质量。近年来，非破坏性检测技术，如机器视觉、电子鼻、光谱分析和核磁共振技术，逐渐应用于番茄质量评估。其中，光谱分析技术，特别是可见光-近红外（Vis-NIR）高光谱成像，能够实现对番茄的外部颜色、内部化学成分以及成熟度进行无损检测。因此，基于高光谱成像的化学计量学技术为番茄的综合质量检测实现了对番茄品质的**预测和评估，从而为现代农业中的采摘、分级、储存和运输提供科学依据。
实验设计:
番茄样本采自山东省山东农业大学科技**园实验站。果实在开花期进行标记，并于开花后30天至完全成熟之间，在不同成熟阶段每隔5天采摘一次，分四次采摘。四个成熟阶段分别为绿色、转色、淡红色和红色。实验共采集了257个无皮缺陷的番茄。每次采摘完成后，用干净的白纱布擦去番茄表面的淤泥和污垢，保持清洁。然后将番茄放置在室内1-2小时。番茄的高光谱图像来自400-1000nm高光谱成像系统（GaiaField-V10E，江苏双利合谱光谱成像技术有限公司，中国江苏无锡）。该装置由高光谱成像仪（GaiaField-V10E）、光源（HSIA-LS-T-200W）、镜头（HSIA-OL23）以及配备了高光谱数据采集软件SpecView的专用计算机组成。
在采集光谱后，使用色差计测量色差值（L*，a*，b*，色度、色调）。数字水果硬度测试仪被用来测量西红柿的硬度。用榨汁机研磨并提取过滤番茄果肉，将所得番茄汁滴在ATAGOBrix计的棱镜板上，测量可溶性固溶体含量（SSC）。以无水乙醇、无水甲醇、石油醚和2%二氯甲烷为萃取剂，从未过滤的全番茄酱中提取番茄红素。利用蒽酮硫酸比色法测定可溶性糖，碱性滴定法测定可滴定酸。采用2,6-二氯吲哚酚滴定法测定维生素C含量。
番茄质量指标的分析表明，在番茄成熟过程中，a*值、可溶性固形物（SSC）、番茄红素、可溶性糖和维生素C（VC）逐渐增加，而L*值、b*值、色调、a*/b*值、硬度和可滴定酸逐渐减少，色度值变化平稳。从图1可以看出，随着番茄的自然生长，各单项指标发生了明显变化，颜色参数中的色调、a*和a*/b*值的变化尤为显著。此外，番茄红素的生物合成也表现得十分明显。由于单一的质量指标无法**反映番茄的综合质量，因此有必要进一步寻找综合质量指标，以对番茄进行**评价。
图1 番茄品质指标的变化：（a）L*；（b）a*；（c）b*；（d）色度；（e）色调；（f）硬度；（g）SSC；（h）番茄红素含量；（i）可溶性糖含量；（j）可滴定酸含量；（k）VC含量；（L）a*/b*。
运用SPSS软件进行Pearson相关系数分析，检验各参数之间是否存在显著相关关系（图2）。从图2可以看出，番茄红素含量与L*、b*、色调、硬度呈负相关，与a*、色度、SSC呈正相关。结果表明，番茄红素含量越高，果实的L*、b*、色调和硬度越低，a*、色度和SSC含量越高。可滴定酸含量与色度的相关性不显著，其他指标之间也存在正相关和负相关。相关分析结果表明，各指标均能反映番茄品质，且各指标具有不同的相关性。为了提高番茄品质评价的分析效率和可靠性，采用因子分析法对品质指标进行进一步分类和简化。
图2 品质特性之间的皮尔逊等级相关系数（颜色越深，相关性越强）
通过质量相关性分析，对相关质量指标进行综合评价。首先通过函数将12个质量指标的数据转换为0-1的范围。其次，在对结果进行解释之前，需要通过SPSS对因素的可信度进行确认。可信度结果表明，KMO为0.832，显著性为0.000，适合进行因子分析。此外，基于因子分析结果，本研究选取了前三个因子进行分析，它们的综合贡献率达到82.11%，且特征值大于1。因此，这三个因子能代表所有指标的大部分信息，能综合反映番茄的品质特征，可作为番茄品质评价的综合指标。
*后，为了更好地解释质量指标与前三个因子的关系，通过因子分析得到了载荷值（表1）。这表明每个指标在前三个因子中的重要性。**个因子主要反映了a*值、色调、硬度、番茄红素、a*/b*值和维生素C的质量特性，这些指标的**值较大。色度在**个因子中具有*大的正载荷权重，发挥了决定性的作用。相比之下，在第三个因子中没有任何一个指标占据主导地位。通过因子分析后，选择了七个主要指标用于番茄综合评价，包括a*值、色度、色调、硬度、番茄红素、维生素C和a*/b*值。正负载荷值分别分配给分子和分母，进而提出了一个综合质量指数（CQI）。
综合质量指数（CQI）结合了外部质量指标（a*值、色度、色调和a*/b*值）和内部质量指标（硬度、番茄红素和维生素C），反映了番茄的综合质量。随着番茄的成熟，其综合质量持续累积。该指数用于将番茄的光谱信息与其物理和化学特性及成熟度的感官感知进行关联分析。
图3展示了绿色、转色、浅红色和红色番茄在400–1000 nm范围内的平均光谱曲线。三种番茄品种的光谱模式基本相同。不同成熟阶段的番茄在405–700 nm范围内的反射光谱差异明显，但在780–970 nm范围内则较为相似。这种可见光范围内的差异主要是由于不同成熟样品之间的颜色变化所致。可以看到，大约670 nm处的波谷是番茄中叶绿素的吸收峰。此外，在970 nm处可以观察到明显的吸收峰，这归因于水中O–H键伸缩带的**个泛音。
图3 番茄在绿色、混色、淡红色和红色时的平均光谱曲线。（a）‘Shengluolan’；（b）‘AilvshiT147’；（c）‘Kaideyali1832’；（d）三个品种的混合平均光谱
为了提高运算速度，减少信息冗余，采用SPA选择特征波长。当选取10个变量时，RMSE达到*优值。选取的特征波长分别为437nm、474nm、510nm、552nm、627nm、667nm、713nm、746nm、860nm和978nm。特征波长大部分在405~700nm之间，与图3中光谱曲线的变化区间一致。
基于综合质量指数（CQI）和特征波长，分别建立了PLSR、PCR和MLR的综合质量预测模型。表2显示了PLSR、PCR和MLR模型的校准、交叉验证和验证性能。各模型均获得了满意的性能，R2C接近于1，RPD大于2.5。比较R2V和RMSEV的值，MLR的预测效果*好，R2V=0.87，RMSEV=1.33，RPD=2.58。本研究提出的新质量指标（CQI）考虑了更多的质量信息，可以应用于水果的综合评价。结果表明，利用高光谱成像技术对番茄品质进行无损预测，对番茄高效栽培和采收具有重要的指导意义。
为了可视化番茄在整个成熟过程中的综合质量，使用了预测性能更优的多元线性回归（MLR）模型，并将多变量分析的校准结果应用到图像的每个像素点上。图4显示了根据图像右侧颜色标尺对番茄每个像素的预测CQI值。颜色从蓝色到红色变化，红色表示更高的CQI值。随着番茄成熟阶段的不同，伪彩图上的红色逐渐增加，表明质量随着成熟度的提高逐步增加。此外，番茄样品中的颜色变化还表明CQI值的分布不均匀。
图4 番茄绿色、混色、淡红色、红色4个阶段CQI含量分布图。（a）“Shengluolan”；（b）“aivshiT147”；（c）“Kaideyali1832”
结论:
本研究提出以CQI代替单一指标法，利用高光谱成像与化学计量学技术来预测番茄品质的变化趋势。分析了包括色差值（L*、a*、b*、a*/b*、色度、色调）、硬度、SSC、番茄红素含量、可溶性糖含量、可滴定酸含量、维生素C含量等在内的多项品质指标的变化规律。CQI通过数值归一化和因子分析得到。基于CQI建立了MLR模型，模型的验证决定系数R²V=0.87，RMSEV为1.33，RPD为2.58，显示出较好的预测效果。随后生成了番茄果实中CQI的空间分布图。结果表明，MLR模型能够有效预测番茄的综合品质，并可通过高光谱成像实现无损检测，对水果的分级、运输及冷藏保鲜具有重要的指导意义。
推荐产品:
400-1000nm高光谱成像系统（GaiaField-V10E，江苏双利合谱光谱成像技术有限公司，中国江苏无锡）
作者简介:
通讯作者：杨凤娟；山东农业大学园艺科学与工程学院/作物生物学国家重点实验室、山东省果蔬上等高效生产协同**中心、农业农村部黄淮地区园艺作物生物学与遗传改良重点实验室；博导。
参考文献:
论文引自一区SCI：Yuanyuan Shao, Yukang Shi, Yongdong Qin, Guantao Xuan, Jing Li, Quankai Li, Fengjuan Yang, Zhichao Hu. A new quantitative index for the assessment of tomato quality using Vis-NIR hyperspectral imaging. Food Chemistry. Volume 386. 2022. 132864. https://doi.org/10.1016/j.foodchem.2022.132864.
