利用智能手机 RGB 成像与人工智能对番茄中 α-番茄碱浓度进行无损预测

《Food Control》：Non-destructive prediction of α-tomatine concentration in tomatoes using smartphone RGB imaging and artificial intelligence

　　

摘要

α-番茄碱是一种与番茄食品安全密切相关的重要糖苷生物碱，但其定量检测通常依赖于破坏性的实验室分析方法。本研究开发了一种非破坏性的人工智能框架，用于通过智能手机RGB图像预测α-番茄碱浓度。研究人员采集了跨越15个成熟阶段的375个番茄样本，使用LC-MS/MS进行定量分析，并与智能手机拍摄图像配对。研究采用交叉验证策略，对比了基于特征的机器学习方法与深度学习方法的预测性能。结果表明，CIELAB a*通道与α-番茄碱浓度呈最强相关性（R² = 0.85）。在基于特征的模型中，RF-CIELAB取得了最高的预测性能（R² = 0.79），而在深度学习架构中，UniRepLKNet-A表现最优（R² = 0.84）。风险分层评估显示，基于特征的模型与深度学习模型的整体分类准确率分别为77.3%和81.9%；其中UniRep-RGB在识别有害样本时，对"危险"类别的召回率达到0.800，表明其具有风险等级区分潜力，但更广泛的食品安全分类仍需进一步验证。这些结果表明，在受控实验条件下，智能手机RGB成像结合人工智能用于非破坏性α-番茄碱预测是可行的，并具备初步毒理学筛查的应用潜力。

引言

人工智能与深度学习已越来越多地应用于农业领域，用于非破坏性作物监测与质量评估（Ghazal等人, 2024；Pathmudi等人, 2023）。传统上，人工智能在农业中的应用主要集中在可见特征与产量方面，而近年来的研究已转向评估与食品安全和营养价值相关的作物内部特性（Ahmed等人, 2025）。

α-番茄碱是番茄中主要的甾体糖苷生物碱，在未成熟的绿色果实中含量最高，并随成熟过程逐渐降低（Ngo等人, 2022）。由于番茄通常在完全成熟前采收以延长货架期（Arah等人, 2015），商业流通的果实中可能仍残留较高水平的番茄碱。过量摄入糖苷生物碱与胃肠道毒性相关，这凸显了监测番茄碱水平对食品安全的重要性（Ahamad等人, 2022）。

传统的分析技术，如LC-MS/MS和UHPLC-MS/MS，能够准确定量α-番茄碱（Cataldi等人, 2005；Dzakovich等人, 2020；Steinert等人, 2020）。然而，这些方法仍具有破坏性、劳动密集度高，且因依赖专用仪器和样品前处理程序，难以适用于快速现场检测（Matuszewski等人, 2003）。这些局限性制约了其在供应链中快速现场监测的推广。

由于α-番茄碱浓度在成熟过程中发生系统性变化，并伴随可见的颜色转变（Ngo等人, 2022；Pardini等人, 2021），智能手机采集的颜色图像可能为非破坏性估算α-番茄碱水平提供实用基础。因此，本研究开发了一种基于图像的人工智能框架，通过智能手机RGB图像预测α-番茄碱浓度，并系统比较了基于特征的方法与深度学习方法在预测性能和实际应用性方面的差异。

各章节摘要

糖苷生物碱的传统分析技术

α-番茄碱是一种重要的甾体糖苷生物碱，也是番茄食品安全评估的主要目标化合物（Ahamad等人, 2022；Ngo等人, 2022）。此前的研究表明，采后储存与加工条件可能影响番茄产品中残留的α-番茄碱浓度（Pardini等人, 2021）。

用于α-番茄碱定量的传统分析方法主要依赖于HPLC或UHPLC-MS/MS，在复杂植物基质中具有较高的灵敏度和选择性

方法

本研究建立了一套从番茄图像进行非破坏性α-番茄碱预测的集成工作流程。番茄在受控条件下种植，并使用标准化采集系统进行成像。对数字图像进行预处理，包括背景去除、以目标为中心的裁剪和尺寸归一化，以确保数据一致性。与此同时，采用LC-MS/MS定量测定α-番茄碱浓度，作为真实值标签。所得数据集用于

不同成熟阶段的α-番茄碱浓度分布

在28天的成熟期内，每隔2天采集一次样本，共获得375个番茄样本，并使用LC-MS/MS分析以定量测定α-番茄碱含量。测得的浓度（最初以ng/mL表示）已转换并表示为鲜重中的mg/kg。

各样本中α-番茄碱浓度分布范围较广（0.16 – 444.81 mg/kg），平均值为103.55 mg/kg，表明不同成熟阶段之间存在显著变异（表7）。

α-番茄碱浓度随时间呈现明显的下降趋势

成熟颜色与α-番茄碱浓度之间的关系

本研究中观察到的α-番茄碱降解时间动态呈现双相模式，其特征是早期成熟阶段快速下降，随后在后期阶段降幅趋缓。重要的是，这些生化变化在外部颜色变化中得到了充分体现。在所评估的颜色特征中，CIELAB a*通道与α-番茄碱浓度表现出最强的相关性（R² = 0.85），表明成熟过程中由绿到红的颜色转变

结论

本研究开发并验证了一种非破坏性的基于图像的人工智能框架，通过智能手机采集的RGB图像预测番茄中的α-番茄碱浓度。通过整合化学分析与基于图像的建模方法，本研究系统比较了基于特征的机器学习方法与深度学习方法在估算与食品安全相关的生化化合物方面的表现。

结果表明，基于特征的方法与深度学习方法均具备

利益冲突声明

作者声明不存在任何已知的竞争性经济利益或个人关系，这些关系可能影响本文所报告的工作。

论文准备过程中生成式AI及AI辅助技术的使用声明

在准备本研究期间，作者使用了ChatGPT（OpenAI）来协助语言编辑、语法校正以及提升稿件的可读性。作者根据需要审查并编辑了输出内容，并对所发表文章的内容承担全部责任。

作者贡献声明

Cho Sang Woo：监督、资源、项目管理。Park Ju Hong：写作——审阅与编辑、监督、资金获取。Yeon Ji Hoon：写作——原稿撰写、验证、方法论、调查研究、形式分析、数据管理、概念构思。Kim Yun Je：资源、形式分析、数据管理。Park Soyeon：写作——审阅与编辑、可视化

未引用参考文献

European Food Safety Authority, E.P. on C. in the F.C. et al., 2020.

数据可用性

支持本研究结果的数据可在合理请求下从通讯作者处获取。

资金支持

本研究由浦项科技大学（POSTECH）2024年大学创新项目资助；由项目通过庆北科技园（GBTP）资助的FoodTech研发中心开发与支持计划提供（由庆尚北道和浦项市出资）（GBTP2023129001）；由技术开发计划通过韩国农业、食品和林业技术规划评估院（IPET）资助的高附加值食品计划提供，由农业、