基于激光背向散射成像技术的番茄机械损伤无损检测研究

为解决番茄采后机械损伤检测难题，研究人员开发了基于激光背向散射成像(LLBI)的非破坏性检测技术，结合灰度共生矩阵(GLCM)纹理特征提取与支持向量机(SVM)分类模型，实现了96.111%的识别准确率。该技术为果蔬品质监测提供了高效精准的新方法，对减少采后损失具有重要意义。

　　

番茄作为全球广泛种植的高营养价值农产品，其采后机械损伤导致的品质劣变每年造成高达80%的经济损失。传统人工检测方法存在效率低、主观性强等缺陷，而现有光谱和计算机视觉技术在早期损伤识别方面仍存在局限性。如何实现番茄皮下损伤的快速、精准检测，成为制约产业发展的关键瓶颈。

针对这一挑战，来自印度尼西亚万隆摄政区Lembang番茄果园的研究团队在《Scientia Horticulturae》发表了创新性研究成果。该研究首次将激光背向散射成像(Laser-light backscattering imaging, LLBI)技术与机器学习算法相结合，建立了番茄机械损伤智能检测系统。

研究团队采用多波长激光扫描(450/532/648 nm)获取番茄样本的背向散射图像，通过灰度共生矩阵提取6类纹理特征参数。为克服特征数据的非线性分布问题，创新性地采用径向基函数(RBF)核的支持向量机构建分类模型。实验选取300个自然损伤样本，在8:2比例下划分训练集与测试集，确保模型泛化能力。

3.1 背向散射图像特征
研究发现648 nm波长激光能显著区分损伤与健康样本，其散射图像中损伤组织的次要周长(4.633±0.407 cm)和主要周长(8.188±0.559 cm)均显著大于健康组织(p<0.05)。这表明长波长激光更易穿透组织，捕获内部结构变化。

3.2 纹理特征分析
通过四方向(0°/45°/90°/135°)GLCM分析发现，损伤番茄的对比度(5.691±2.193)和能量(0.152±0.039)等参数与健康样本存在显著差异。对角方向(45°/135°)的特征响应尤为敏感，为损伤识别提供了关键指标。

3.3 分类模型构建
采用贝叶斯优化确定的RBF-SVM模型参数(C=985.66, γ=0.94945)，在测试集上实现96.111%准确率，仅3个损伤样本被误判。研究证实该模型能有效处理特征重叠问题，67个支持向量即能构建最优分类超平面。

3.4 技术比较优势
相较于传统RGB成像(84.4-95.5%准确率)和荧光成像(89.93%)，LLBI技术将识别精度提升至96.111%。其低功耗特性(30-80 mW激光)更显著优于需36W荧光照明的常规检测系统。

该研究开创性地证实了LLBI技术在农产品无损检测领域的应用价值。通过优化波长选择(648 nm)与算法设计(RBF-SVM)，实现了番茄早期机械损伤的高精度识别。这项技术为开发自动化分选设备提供了理论依据，对降低采后损失、保障食品安全具有重要实践意义。未来研究可进一步探索多光束扫描系统，以适配工业化生产线的高速检测需求。