基于低分辨率便携式光谱仪与机器学习的番茄成熟度无损预测模型研究

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，开发了基于AS7265x便携式光谱仪（410–940 nm）结合机器学习算法的无损检测系统。通过PLSR和ANN模型预测可溶性固形物（TSS）与硬度，其中ANN表现最优（R2=0.95/0.82）；采用SVM分类成熟度阶段准确率达96%，为精准农业提供了低成本、高效率的技术方案。

　　

番茄作为全球广泛种植的经济作物，其成熟度直接影响营养品质与市场价值。传统评估依赖人工观察颜色变化或破坏性化学检测，存在主观误差大、效率低下等问题。虽然近红外光谱（NIR）技术能实现无损检测，但高成本InGaAs传感器限制了推广应用。针对这一技术瓶颈，印度尼西亚布拉维贾亚大学（Universitas Brawijaya）的研究团队创新性地采用低成本AS7265x便携式光谱仪（覆盖410–940 nm可见光-近红外波段），结合机器学习算法构建了一套番茄成熟度智能评估系统。该成果发表于《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》，为田间实时检测提供了新范式。

研究团队首先利用AS7265x光谱仪采集六个成熟阶段（绿熟期至红熟期）番茄的光谱数据，同步测量总可溶性固形物（TSS）含量和硬度值作为基准。通过偏最小二乘回归（PLSR）和人工神经网络（ANN）建立预测模型，并采用朴素贝叶斯、支持向量机（SVM）和K近邻（KNN）算法进行分类建模。关键技术包括光谱预处理、特征波长筛选和交叉验证优化，所有实验均采用统一采样点的同批次番茄样本以保证数据可比性。

仪器与材料
研究采用SparkFun AS7265x三合一光谱传感器，其18个通道覆盖色素特征吸收区（如叶绿素在680 nm处的吸收峰）。硬度测量使用标准穿透仪，TSS值通过折光仪获取，确保数据可靠性。

硬度与TSS测量结果
数据分析显示，TSS含量随成熟度呈单调递增趋势（绿熟期5.2°Brix至红熟期8.7°Brix），硬度则从绿熟期的25.4 N显著下降至红熟期的6.3 N。这种变化与番茄细胞壁降解酶（如果胶酶）活性和糖分积累的生物学过程高度吻合。

结论
ANN模型在预测性能上全面超越PLSR，对硬度的R²达0.95，TSS预测R²为0.82。SVM分类器以96%准确率识别成熟阶段，显著优于KNN（89%）和朴素贝叶斯（82%）。该研究首次证实低分辨率光谱仪通过算法优化可实现与高端设备相当的检测精度，其成本仅为传统NIR系统的1/10，为中小农场实施精准农业提供了可行方案。

讨论部分指出，该系统未来可通过增加类胡萝卜素特征波段（如470 nm和650 nm）的权重进一步提升精度。该技术框架可扩展至其他果蔬品质检测，推动农产品供应链的智能化转型。研究获布拉维贾亚大学2024年度人工智能专项基金支持（编号00553.07/UN10.A0501/B/TU/2024），具有明确的应用转化前景。