金修饰五氧化二钒作为表面增强拉曼光谱可靠平台与便携式光谱-机器学习联用技术在番茄成熟度无损检测中的创新应用

本研究针对番茄成熟度评估中传统方法存在的主观性强、破坏性大等问题，创新性地将AS7265x便携式光谱仪与机器学习算法结合，开发了基于ANN（R2=0.95/0.82）和SVM（准确率96%）的番茄可溶性固形物（TSS）、硬度预测及成熟度分级模型，为精准农业提供了低成本、非破坏性的实时检测方案。

　　

番茄作为全球重要的经济作物，其成熟度直接影响营养品质和市场价值。传统评估依赖人工观察或破坏性化学检测，存在主观误差大、效率低等问题。虽然近红外光谱（NIR）技术已被证明有效，但高成本的InGaAs传感器（>1000 nm）限制了田间应用。在此背景下，如何通过低成本可见光-近红外（Vis-NIR，400-940 nm）光谱技术实现精准评估，成为农业检测领域的关键挑战。

为解决这一难题，国内的布拉维贾亚大学（Universitas Brawijaya）研究人员创新性地将AS7265x便携式光谱仪与机器学习算法结合，开展了番茄成熟度无损检测研究。该成果发表于《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》，首次实现了基于低分辨率光谱的番茄硬度、TSS定量预测与六阶段成熟度分类（Green至Red），为田间实时检测提供了突破性方案。

关键技术方法
研究采用AS7265x光谱仪（410–940 nm）采集样本光谱数据，结合硬度计和糖度计测量建立数据集。通过偏最小二乘回归（PLSR）和人工神经网络（ANN）构建TSS与硬度预测模型，并采用支持向量机（SVM）、K近邻（KNN）和朴素贝叶斯算法进行成熟度分类。所有实验均基于120个不同成熟阶段的番茄样本完成。

研究结果

1. 仪器与材料
AS7265x光谱仪通过18个通道覆盖Vis-NIR波段，配合Arduino微控制器实现便携式数据采集。样本硬度（单位N）和TSS（单位°Brix）分别通过机械穿刺和折射法测定，为模型提供基准数据。

2. 硬度与TSS测量结果
数据显示，番茄从Green到Red阶段，TSS值显著上升（源于类胡萝卜素积累），而硬度呈指数下降（细胞壁降解导致）。ANN模型在预测中表现优异，硬度预测R²达0.95，显著优于PLSR（R²=0.88）；TSS预测R²为0.82，验证了低分辨率光谱的定量分析潜力。

3. 成熟度分类
SVM模型以96%的准确率实现六阶段分类，其核心依据是光谱中410 nm（叶绿素吸收峰）和680 nm（花青素特征）的强度变化。该性能超越KNN（89%）和朴素贝叶斯（82%），证实短波长区对成熟度标志物的敏感性。

结论与意义
该研究开创性地证明：低成本Vis-NIR光谱结合机器学习可替代传统NIR设备，其中ANN对力学参数、SVM对成熟阶段的优异预测能力，为开发田间实时检测设备奠定基础。成果对优化采收窗口、减少采后损失具有重要应用价值，尤其适合资源有限的农业地区。未来研究可拓展至其他果蔬品质检测，推动精准农业技术普惠化发展。