综述：基于高光谱成像的番茄品质属性无损评估进展

本综述系统评述了高光谱成像（HSI）技术在番茄品质无损检测中的前沿应用。文章聚焦HSI在成熟度分级（基于色素动态）、超早期无症状疾病诊断（如潜伏真菌感染）、营养成分（如番茄红素、可溶性固形物SSC）定量预测及内部缺陷识别等方面的核心优势，深入探讨了先进数据预处理、特征提取技术与深度学习模型（如CNN、Transformer）的融合策略，为精准农业和智能食品质量控制提供了创新技术路径。

　　

2.1. 高光谱成像原理

高光谱成像（HSI）技术融合光学、电子学与计算技术，同步获取并分析目标物体的光谱与空间信息。其系统核心包括光源、CCD/CMOS传感器、成像光谱仪、镜头、图像采集卡、计算机及控制系统。成像光谱仪作为HSI系统的核心，区别于传统宽带传感器，能够获取连续且狭窄的光谱波段，覆盖紫外（UV, 200–400 nm）、可见-近红外（Vis-NIR, 400–1000 nm）及短波红外（SWIR, 1000–2500 nm）区域，波长范围达200–2500 nm。这种宽光谱覆盖与高分辨率的结合，使其能够检测到宽带系统无法识别的物质特性（如分子振动、电子跃迁），并解析目标内部的细微光谱差异。最重要的是，成像光谱仪实现了空间与光谱信息的同步采集与融合（即“空间-光谱融合”），为复杂目标的识别与分析提供了独特优势。

相较于传统光谱技术，HSI的核心优势在于其在保持同等光谱分辨率的同时，能够同步获取被测样品的高分辨率空间信息。这种成像与光谱学的独特整合能力，在农产品（如番茄）的无损品质评估方面展现出巨大潜力。值得注意的是，Vis-NIR光谱区（400–1000 nm）是检测果蔬理化特性（如色素、水及有机化合物的特征吸收）最广泛应用的区域，其次是SWIR区（1000–2500 nm）。因此，HSI能够精确提取番茄的关键表型性状和内部生化属性，为精准农业决策提供关键技术支撑。

2.2. 番茄品质的光谱特性

番茄品质是一个综合性概念，主要由关键化学成分含量决定，包括可滴定酸（TA）、番茄红素、叶绿素、抗坏血酸（维生素C）、可溶性固形物含量（SSC），以及颜色、硬度、重量等物理属性。此外，果实成熟度、是否存在疾病感染以及内部缺陷（如水渍状病变、空洞或褐变）也显著影响其整体品质。

2.2.1. 成熟度的光谱特性

番茄的成熟过程涉及其内部化学成分复杂的动态变化。关键的生化事件包括叶绿素降解和类胡萝卜素（主要是番茄红素）的合成，这直接驱动了果实颜色从绿色到红色的显著视觉转变。内部成分的这种变化为利用光谱技术进行无损监测提供了坚实的生理生化基础。HSI能够同步获取样品的空间信息和连续窄波段光谱信息，成为解析这一过程的有力工具。

在可见光区域（400–750 nm），叶绿素在670 nm附近表现出特征吸收峰，而类胡萝卜素（如番茄红素、β-胡萝卜素）在450 nm附近显示显著吸收。随着番茄成熟度增加，叶绿素含量持续下降，导致670 nm附近的吸收强度减弱。同时，类胡萝卜素含量显著增加，导致450 nm附近的吸收特征增强。这种相反的光谱响应是HSI技术识别番茄成熟度的核心物理化学基础。研究发现，在460–850 nm光谱范围内，成熟度增加导致516–580 nm波段反射率系统性降低，而625–718 nm波段的反射率呈现增加趋势。统计分析表明，该范围内绝大多数波段与成熟度呈高度显著相关（p < 0.01）。基于此，研究成功识别出六个对番茄成熟度高度敏感的波长：552 nm、561 nm、648 nm、666 nm、683 nm和700 nm。这些特征波长不仅深刻揭示了成熟过程中光化学转化的光谱本质，也为构建高效、稳健的番茄成熟度分类模型提供了关键的光谱输入变量，显著提升了HSI技术在实际应用中的效率和精度。

2.2.2. 疾病感染的光谱特性

番茄在生长过程中易受多种疾病侵扰。HSI技术为番茄疾病的早期、无损检测提供了强大工具，其有效性高度依赖于所选光谱范围。研究表明，在疾病胁迫下，番茄叶片的反射光谱特性在Vis-NIR区域（约400–1700 nm）发生显著变化，这些变化与叶片组织的生理生化改变直接相关。

可见-近红外区域（400–1000 nm）：该范围已被广泛证明对检测多种番茄疾病至关重要。健康的番茄叶片在此范围内表现出特定的反射特征（例如，在550 nm附近的反射峰，以及在510 nm和690 nm附近的吸收谷）。细菌性斑疹病、萎蔫病和番茄黄化曲叶病毒（TYLCV）等疾病的感染会引起叶绿素降解等生理变化。这些变化表现为可见光区域反射率显著增加，尤其是在红边和红色波段。应用便携式高光谱光谱仪在此范围（400–1000 nm）内，已证明其作为早期检测诸如细菌性萎蔫病等疾病的可靠指标的潜力。点测量高光谱数据在可见光和NIR区域的特征，为番茄细菌性斑点的快速原位诊断提供了可能性。将HSI数据与机器学习模型相结合，可提高疾病检测的准确性。应用机器学习对HSI图像进行分析；该范围（400–950 nm）内的数据能够对早期真菌性疾病进行高精度分类，并可用于量化类似花叶病毒疾病的严重程度。

近红外区域（1000–1700 nm）：该范围在探测与番茄疾病易感性和进展相关的更深层生理生化变化方面具有独特优势。与可见光范围相比，它对内部组织成分的变化表现出更高的敏感性。研究成功利用1000–1700 nm范围内的HSI数据预测了番茄萼片对真菌感染的易感性，突出了NIR波长对于评估相关生化变化的重要性。进一步将分析范围扩展至整个Vis-NIR光谱，应用高光谱断层扫描等技术，实现了对番茄内部生理状态（如组织成熟度）的无损分析。这种全面的光谱分析方法可以揭示内部生理状态的变化，从而为间接评估疾病对植物内部生理过程的影响提供依据。

2.2.3. 营养成分的光谱特性

番茄富含多种营养成分，如番茄红素、维生素C和糖类。番茄红素是一种类胡萝卜素，是番茄中最重要的化合物之一。它在可见光区域（480–650 nm）表现出特征吸收双峰，特别是在480 nm和650 nm附近。HSI能够实现对番茄红素含量的定量分析。研究表明，番茄红素吸收峰的强度与番茄品种和成熟度密切相关，反映了其营养价值。维生素C在紫外区域（250–280 nm）具有特征吸收峰。然而，由于探测器灵敏度的限制，通常需要荧光成像技术来增强其检测信号。维生素C含量的变化影响番茄的抗氧化能力和风味特征，使得通过光谱技术进行无损检测在实际应用中具有重要意义。糖类（如葡萄糖和果糖）在近红外（NIR）区域（900–1300 nm）表现出特征吸收峰，由C?H键伸缩振动形成，例如在930 nm和980 nm附近。这些吸收峰的强度与糖含量呈正相关。HSI结合化学计量学模型可以快速预测番茄甜度（糖含量），为品质评估提供有力支持。

HSI技术通过捕获不同波长波段的特征光谱，实现了对番茄成熟度、疾病感染和营养成分的无损检测。这种方法不仅提高了检测的精确度和效率，也为番茄的动态品质监控提供了新的解决方案，展现出广阔的应用前景。

2.3. 高光谱数据采集

HSI数据采集是实现番茄无损品质检测的关键步骤。该数据的质量直接决定了后续分析和检测结果的准确性。这些数据对于理解作物生长状态、营养含量、土壤特性以及病虫害状况至关重要。因此，许多研究者正在探索HSI在检测和识别植物疾病方面的潜力。这个过程涉及多个关键参数的优化和控制，主要包括光谱范围的选择、光谱分辨率的确定、成像设备的选择以及采集环境条件的严格控制。

光谱范围选择：必须根据具体的番茄品质检测目标来选择光谱范围。例如，在检测番茄叶片氮含量时，采用了覆盖Vis-NIR范围（400-1100 nm）的HSI系统，有效捕获了过量施氮引起的叶片光谱特征变化。借鉴水稻研究的经验，Vis-NIR和SWIR分光光度计的协同使用能够实现400-2400 nm的宽光谱覆盖。高频校准和背景校准确保了数据的可靠性，为获取用于番茄无损检测的全面光谱信息提供了参考。

光谱分辨率确定：光谱分辨率决定了系统区分细微光谱特征的能力。通常，更高的光谱分辨率有助于捕获更精细的光谱变化，从而更准确地反映番茄内部品质属性的差异。例如，在研究番茄植株抗氧化酶活性动态变化时，利用高分辨率光谱数据进行深入分析。这揭示了酶活性与特定光谱特征之间的显著相关性，凸显了适当的光谱分辨率对于准确评估酶活性等生理生化指标的至关重要性。

成像设备选择：成像设备的选择对数据采集的效率和质量至关重要。当前主流的HSI设备包括推扫式扫描系统和快照成像仪。快照成像仪具有瞬时获取完整超立方体的优势，有效避免了扫描方法可能引入的运动伪影。研究成功应用快照HSI结合SVC，在水培温室环境中构建了高效的番茄成熟度分类模型，验证了该技术在现场应用的潜力。

采集条件控制：严格的环境控制是确保HSI数据可靠性和一致性的核心方面。光照强度与均匀度、环境温度、湿度等因素会显著影响番茄样品的光谱反射特性，进而干扰检测结果。因此，大多数研究选择在稳定的受控环境（如实验室）中采集数据，或采用特定人造光源（如卤素灯、LED阵列）来模拟和维持恒定光照条件。例如，在使用近红外HSI结合太赫兹时域光谱（THz-TDS）检测番茄叶霉病时，特别强调了环境控制。他们应用Savitzky-Golay平滑算法有效抑制了低频噪声干扰，确保了多源数据的可靠性。

HSI数据采集是番茄无损品质评估的基础，其数据质量直接决定了后续模型分析的成功与否。研究表明，精确调整采集参数对于获取可靠且信息丰富的光谱数据至关重要：必须根据感兴趣的特定品质属性（如营养成分、疾病存在）选择性地扩展光谱范围，以捕获全面的特征信息；提高光谱分辨率对于揭示细微的生理生化变化（如动态酶活性）至关重要；成像设备的选择（例如基于快照的系统）需要平衡数据采集速度、运动伪影的减轻以及系统复杂性，以适应实际应用场景；严格的环境控制（光照、温度、湿度）是克服噪声干扰、确保数据一致性和可重复性的基本保障。未来研究的核心挑战在于在保持高数据质量的同时优化设备的便携性和鲁棒性，并结合开发更智能的环境补偿算法。这将有助于将实验室级精密HSI技术稳健地过渡到复杂多变的田间环境，从而实现真正的番茄品质原位无损监测。

2.4. 高光谱数据预处理

HSI技术在番茄无损品质检测方面展现出巨大潜力，然而，其原始数据固有的复杂性——包括样品表面物理特性引起的光散射效应、仪器噪声、环境干扰以及非目标变化（如光照强度波动和传感器差异）——构成了其应用的核心瓶颈。数据预处理作为分析流程中的关键步骤，可提高信噪比（SNR），消除非目标变化，并增强光谱特征的鲁棒性和可比性。这为后续的深度学习模型提供了高质量的输入，从而确保了检测模型的准确性、泛化能力和可靠性。针对数据特性，核心预处理技术主要集中于散射校正、噪声抑制、信号增强、标准化和归一化。

2.4.1. 乘性散射校正

乘性散射校正（MSC）已被广泛证明是减轻番茄样品因表面物理特性差异而引起的光散射干扰的有效方法。MSC通过建立每个样品光谱与所有样品平均光谱之间的线性回归模型，来校正由散射引起的乘性效应（基线倾斜）和加性效应（基线偏移）。研究表明，MSC显著增强了番茄光谱数据与内部化学成分之间的相关性，为精确的定量分析奠定了基础。

2.4.2. 标准化与归一化

标准化和归一化是克服高光谱数据中非目标变化的关键预处理步骤，旨在消除由光照强度波动、传感器灵敏度差异、样品表面状态变化以及测量条件不一致引起的系统光谱强度偏移。该过程的核心目标是确保在不同批次、时间点或仪器上采集的番茄光谱数据具有内在可比性，为构建具有强大泛化能力的稳健预测模型奠定基础。主要技术包括：1) 最小-最大归一化：适用于对绝对强度不敏感但关注相对模式的任务。2) 向量归一化：强调保留光谱形状信息。

2.4.3. 标准正态变量（SNV）

标准正态变量（SNV）同时实现散射校正和标准化。它通过对每个样品光谱分别进行中心化和缩放来执行散射校正。该方法有效消除了由光程差异和散射引起的光谱变化，增强了不同番茄样品之间光谱的对比度和一致性。

2.4.4. 噪声抑制与信号增强

噪声抑制和信号增强是高光谱数据预处理的关键组成部分，用于处理原始数据中固有的仪器噪声和环境干扰，同时最大限度地保留和突出反映番茄关键内部生化状态的光谱信息。核心目标是提高信噪比（SNR），有效过滤高频随机噪声，同时精确保护包含番茄品质特征的低频光谱信号。为实现此目标，常见的去噪方法包括但不限于：1) 空间域：中值滤波和均值滤波，可有效去除空间噪声，同时保留图像细节和边缘信息，提高视觉质量和分析精度。2) 光谱域：Savitzky-Golay（SG）滤波，可消除数字化误差和高频噪声，同时保留基本光谱信息和关键特征。深度学习（DL）利用了传统机器学习在该领域丰富的实践经验。

高光谱数据预处理是释放HSI技术在番茄无损检测全部潜力的先决条件。通过系统应用预处理技术，可以显著提高原始数据的质量、可比性和信息含量。这为后续复杂的深度学习模型提供了稳健的输入，最终实现了番茄的早期疾病预警、精确内部品质评估和高效品种识别的目标。

3. 高光谱成像在番茄品质检测中的应用

近年来，高光谱成像（HSI）技术因其非侵入性和详细的光谱分析能力，在番茄品质无损检测中的应用受到了广泛关注。大量研究证明了高光谱技术在评估各种番茄品质参数和成熟度阶段的有效性，突显了其对采后质量控制和分选过程的变革潜力。

3.1. 番茄成熟度检测

番茄成熟度是描述生长状态和品质的关键指标。HSI技术利用其无损性、高光谱分辨率以及同步多参数检测的能力，已成为番茄成熟度评估的核心方法。该技术通过捕获Vis-NIR（400–1,700 nm）范围内与成熟相关的生物化学特征变化，实现了对番茄红素积累、细胞结构转变和表面属性演变的动态监测。番茄的关键成熟度参数包括番茄红素、SSC、TA和硬度。

番茄红素动态预测是该技术应用的一个焦点。作为成熟度的核心生物标志物，其无损监测至关重要。研究表明，HSI可以准确预测储存期间番茄红素的动态变化。利用选择的特征波长构建的SVR模型在预测番茄红素含量方面表现出色（R2 = 0.9652, RMSEP = 0.0166 mg/kg）。研究进一步将检测范围扩展到980–1,660 nm NIR区域，并通过整合多个参数（硬度、SSC、番茄红素、TA）构建了综合成熟度评估模型，分类准确率超过93%。利用400-1000 nm光谱范围，并采用包括SNV和SG滤波在内的预处理方法，显著增强了对不同成熟阶段果实的识别精度。创新性地提出了基于高光谱断层扫描结合多块主成分分析（MB-PCA）和偏最小二乘（PLS）的双向光谱重建方法，显著提高了对内部成熟度的预测能力。

表面颜色作为成熟度的直观表现，也可以通过HSI进行定量分析。研究表明，色度参数与高效液相色谱（HPLC）测得的番茄红素含量之间存在显著相关性，能够有效区分成熟度水平，为成熟度评估提供了综合方法。

番茄成熟和衰老的时间动态检测也显示出潜力。采用Specim FX10高光谱相机和实验室扫描仪对番茄进行了20天的监测，评估其成熟和衰老过程。这项工作突出了HSI不仅可用于静态成熟度分类，还可用于跟踪成熟和老化过程的潜力。此外，研究发现荧光成像可以特异性捕获过度成熟阶段果皮和果肉区域荧光特性的差异，为传统反射光谱提供了补充信息。

番茄成熟阶段的分类研究也取得了进展。利用近红外高光谱成像（NIR-HSI）结合化学计量学技术，如连续投影算法（SPA）和竞争性自适应重加权采样（CARS），预测了与果实成熟度相关的关键参数SSC和硬度指数（FI）。结果表明，有效选择特征波长显著增强了模型性能，强调了光谱特征提取在无损品质评估中的核心作用。除了特征选择，光谱预处理也是提高模型性能的关键步骤。开发了使用400-1000 nm范围内高光谱数据的番茄成熟度分类模型。他们在分类算法之前应用了SNV和SG滤波等预处理方法来提高光谱数据质量。

机器学习算法与高光谱数据的协同应用取得了显著成果。实施了在快照高光谱图像（460-860 nm）上训练的SVC模型，有效分类了番茄成熟阶段，展示了将光谱成像与机器学习相结合用于快速田间评估的潜力。随着对模型性能要求的提高，深度学习技术，特别是具有强大特征学习能力的CNN，已成为该领域的研究前沿。研究者越来越多地采用CNN等深度学习模型来增强高光谱数据分析，旨在获得更高的分类准确性和更强的模型鲁棒性。采用了SSD MobileNetv2和YOLOv4等深度学习模型进行番茄检测和成熟阶段分类，使用YOLOv4实现了85.81%的F1分数。这强调了将先进目标检测算法与高光谱数据相结合以实现精确成熟度评估的潜力。提出了一种基于HSI的番茄成熟度判别半监督方法。数据使用MSC进行预处理，并使用稀疏编码来描述未标记样本的类别概率信息。利用SIDLS算法和CSR图构建来提高特征可辨别性。实验表明，该方法实现了96.78%的判别准确率，表明了基于图的模型在有效利用少量标记数据集进行成熟度分类方面的前景。开发了基于高光谱图像的深度学习回归模型来估计与成熟度密切相关的樱桃番茄的SSC和果实硬度。采用了基于VGG16的深度学习模型进行番茄成熟度分类和表面缺陷检测，展示了高光谱数据与机器学习算法之间的协同作用。值得注意的是，深度学习与HSI的结合也已成功应用于其他水果。例如，在草莓成熟度检测中，提出了一种包含轻量级Swin Transformer的LS-YOLOv8s模型，实现了94.4%的检测精度，并在变化光照条件下提高了泛化能力。这强调了基于Transformer的架构在处理复杂农业场景方面的潜力，可以在番茄成熟度检测中进一步探索，以增强模型的鲁棒性和实时性能。

3.2. 番茄疾病检测

HSI技术在番茄疾病的早期诊断方面展现出巨大潜力。其核心优势在于能够检测病原体感染初期和潜伏感染阶段植物体内引发的细微生理生化变化及其相应的反射光谱特征变化，这些变化在肉眼尚不可见时即可被捕获。研究表明，HSI技术有潜力在症状出现前（无症状感染）阶段识别多种番茄疾病，特别是当作物已被感染但尚未表现出任何可见症状时。基本原理是当番茄组织发生病理变化时，其内部生化成分（例如水分含量、色素、细胞结构）发生改变，从而导致特定光谱波段的强度和波形特征发生可检测的变化。通过检测病原体感染引起的、肉眼不可见的细微生理、生化和光谱特征变化，HSI为疾病的早期预警、精确识别和严重程度评估提供了关键证据，支持及时干预，最大限度地减少产量损失并保障番茄果实品质。

HSI最显著的优势是其能够在症状出现前（无症状感染）阶段检测疾病。研究表明，HSI可以灵敏地检测到病原体入侵（例如真菌、细菌、病毒）早期引发的变化，例如叶绿素降解、水分分布改变、细胞结构损伤以及番茄叶片中特定代谢物的变化。这些变化表现为特定的反射/吸收光谱特征。这种早期诊断能力对于实施精准控制措施、有效阻断疾病传播链、显著减少化学农药使用和采后损失至关重要，是确保番茄产量和品质的关键因素。

HSI不仅能够检测疾病的存在，还能有效区分不同类型的疾病。研究发现，HSI可以清晰区分由细菌性疾病（例如细菌性斑点病、细菌性萎蔫病）引起的光谱响应差异与由非生物胁迫（例如生理性叶斑病）引起的差异。类似地，不同的真菌性疾病（例如灰霉病、早疫病、叶霉病）和病毒性疾病（例如TYLCV）表现出独特的光谱“指纹”。提出了基于HSI和改进的BP神经网络（BPNN）算法的灰霉病检测方法。通过特征波长选择和模型优化，实现了99.78%的检测精度。此外，开发了使用多维随机森林算法结合HSI的灰霉病早期检测模型，在56个测试样本上实现了99%的检测精度。通过分析病叶的光谱特征，可以实现早疫病的早期检测。利用HSI和机器学习算法实现了潜伏期早疫病的高精度诊断，达到了100%的检测准确率。通过分析病叶或茎的光谱特征，可以实现细菌性萎蔫病的早期检测。开发了使用HSI结合光谱Transformer网络（STNet）识别细菌性萎蔫病严重程度的模型，总体准确率达到91.93%。此外，开发了使用HSI结合遗传算法（GA）和支持向量机（SVM）的细菌性萎蔫病检测模型，检测精度达到90.7%。开发了使用HSI结合PCA-RBF神经网络模型的叶霉病早期诊断模型，校准和预测精度分别达到100%和99.3%。此外，使用HSI和机器学习算法实现了对不同严重程度叶霉病的分类，检测精度达到80%。这些疾病特异性光谱特征的识别和表征构成了精确诊断和针对性管理的基础。

疾病分类是文献中强调的另一个关键方面。多项研究，特别是强调了HSI区分细菌性疾病和非生物性叶斑的能力。类似地，使用HSI（380–1023 nm）对120片健康、120片早疫病和70片晚疫病番茄叶片成像，实现了71.8%的分类精度。使用HSI（400–1000 nm）研究了番茄植株（离体叶片）中不同严重程度的假单胞菌感染。在他们的实验中，用不同细胞密度的假单胞菌接种植株。随后，采集了VNIR和叶绿素荧光HSI。他们得出结论，在可见症状出现之前就可以检测到假单胞菌感染的严重程度。通过分析病叶或果实的光谱特征，HSI技术能够实现早期、快速、准确的疾病检测和分类。早期检测疾病的能力不仅便于及时干预，还支持可持续的疾病管理实践，最终有助于提高番茄产量和品质。将HSI与低场核磁共振（LF-NMR）相结合检测腐烂的蓝莓，通过整合光谱和内部水分分布特征，实现了97.79%的准确率。这种方法有效解决了单模式检测的局限性，并可适用于番茄疾病检测。

3.3. 番茄营养成分检测

HSI技术能够快速无损地获取样品的光谱和空间信息，从而促进番茄中多种营养成分的定量分析和可视化。近年来，随着HSI技术的不断进步和研究的深入，其在检测番茄营养成分方面的应用日益广泛。近红外区域（700–1300 nm）内的光谱信息对于评估番茄的内部品质尤为重要，因为该波段主要包含与糖分和水分相关的特征。

HSI在番茄中的主要应用之一是对营养成分（如SSC和类胡萝卜素）的无损评估。SSC是番茄品质的关键指标，主要由糖、有机酸和其他成分组成。HSI技术通过分析番茄的光谱反射率，能够实现SSC的准确检测。例如，利用近红外HSI结合神经网络预测模型的研究，有效预测了不同氮处理下番茄的SSC，取得了良好的结果。这些模型的剩余预测偏差（RPD）超过1.64，表明预测精度很高。此外，利用HSI结合特征波长选择方法（如SPA）的研究，建立了SSC的定量模型，进一步提高了检测效率和准确性。光谱和图像特征的融合在其他水果的SSC检测中特别有效。研究表明，将高光谱数据与图像中的纹理和颜色特征相结合，显著提高了红地球葡萄的SSC预测模型，R2达到0.9762。这表明类似的融合策略可以应用于番茄，以提高SSC和其他营养成分评估的准确性。

番茄红素是番茄中一种重要的类胡萝卜素，具有多种生理功能，包括抗氧化活性。将HSI与机器学习算法相结合，能够实现番茄红素含量的快速、无损检测，同时生成可视化分布图，直观显示番茄红素在番茄果实内部的空间分布。

叶绿素含量是反映番茄植株光合能力和生长状态的重要指标。应用HSI结合PCA等方法的研究，提取了与叶绿素含量相关的特征波长，并建立了表现出高预测精度的定量模型。

除了上述主要营养素外，HSI技术还可用于检测番茄中的其他营养成分，如TA、叶绿素含量和氮含量。利用HSI耦合机器学习算法的研究，成功检测了樱桃番茄的硬度、SSC和TA，取得了良好的结果。此外，利用HSI结合化学计量学方法的研究，实现了番茄氮含量的无损检测，为精准施肥提供了依据。比较了包括CNN在内的各种分类器，用于早期检测番茄叶片中的氮过量，突出了先进算法在高光谱数据分析中的重要性。

HSI在检测番茄关键营养素（如氮N、磷P、钾K）缺乏方面表现出卓越的能力。鉴于营养胁迫下植物生理反应的共性，借鉴其他作物的成功方法是可行的。例如，使用HSI结合稳健PCA，有效识别了温室工业大麻中N、P、K缺乏的早期光谱特征，成功筛选了光谱异常值。这项研究证实了光谱数据作为植物营养状况可靠指标的潜力，其方法可以有效地推广到番茄种植系统。植物在营养胁迫下会启动一系列生理生化反应。HSI技术对于检测这些与营养状况密切相关的间接生理指标也被证明具有重要价值。采用微高光谱成像成功研究了盐胁迫下番茄叶片内过氧化物酶（POD）活性的变化，揭示了特定光谱反射特征与酶活性之间的显著关联。这扩展了HSI在番茄营养生理学研究中的应用深度。

3.4. 番茄内部缺陷检测

生理性空洞、内部褐变、非生物胁迫、水渍状损伤和早期疾病感染是番茄的关键内部缺陷，严重影响其市场价值和食品安全。这些缺陷的本质通常涉及组织细胞结构的破坏、水分分布的改变、化学成分（如糖、酸、色素、酚类化合物）的变化或微生物活动。这些变化显著改变了组织的微观光学特性，特别是其在特定波长下的吸收、散射和反射特性。HSI技术能够灵敏地捕获这些变化引起的细微光谱响应差异。即使是肉眼不可见的早期内部损伤或生理性病变，也表现出与健康组织可区分的光谱特征，构成了HSI检测番茄内部缺陷的物理和化学基础。

许多内部缺陷的形成与果实所经历的生物或非生物胁迫直接相关。无论是生物性的（如疾病感染）还是非生物性的（如温度异常、机械损伤），这些胁迫都会引发植物组织内部复杂的生理生化反应，导致结构和成分的改变，最终表现为缺陷。因此，利用HSI技术检测这些胁迫诱导的早期内部变化，对于预防缺陷形成和确保番茄品质具有重要意义。

霜冻胁迫作为番茄生产中的一个关键限制因素，严重影响其生长、发育和果实品质。及早准确地检测霜冻损伤对于制定有效的保护和管理策略以最小化损失至关重要。HSI技术与深度学习的集成为应对这一挑战提供了强大的无损工具，能够捕获霜冻损伤引起的细微生理生化变化的光谱响应。首次将少样本学习技术应用于番茄植株霜冻胁迫的高光谱分类。他们采用元学习方法，使模型能够从非常有限的标记训练样本中有效学习，并对新样本表现出强大的泛化能力。该方法显著减少了对大规模标记数据集的依赖，为农业环境中数据采集具有挑战性的早期霜冻损伤检测提供了实用的解决方案。开发了用于小麦霜冻检测的深度成本敏感学习框架。通过将成本敏感损失函数融入CNN架构，有效抑制了对多数类的偏见并减轻了过拟合。这种策略对于面临类似数据不平衡问题的番茄霜冻检测具有重要的参考价值，突出了损失函数