番茄因其营养、风味、口感以及加工属性成为全球蔬菜市场的“宠儿”，是全球栽培最广、消费量最大的蔬菜作物。番茄品质的检测可分为外部品质检测和内部品质检测。我国普遍应用的外部品质检测主要依靠人工检测方法，主观性强、效率较低，评价标准不统一；内部营养成分含量的检测方法存在破坏性强、耗时费力、应用场景单一等缺点。为满足各层面的消费需求和加工需要，急需探求更加全面、便捷、无损的番茄品质检测技术

　　中国农业大学工学院的韩子馨、张丽丽、尚楠*等人在传统番茄品质检测技术的基础上，重点总结了基于图像识别的人工智能、电子鼻技术和光谱技术在番茄无损检测方面的发展与应用。

　　番茄的主要品质指标如表1所示，包括外观、风味、营养和安全等多个方面，所涵盖的指标类型众多，各指标均有其标准规定或常用的检测方法。

　　外观是消费者对商品产生印象的首要因素，番茄的外观品质包含果色、大小、果形、损伤、缺陷和硬度等指标。作为最直观的因素，番茄的外观品质被作为其育种、种植以及采收等工作的关注重心，对番茄的外观品质的研究，为番茄的种植条件优化、田间监控、采收贮存的科学化提供了依据，同时为番茄育种行业提供了重要参考。

　　番茄的风味是决定鲜食体验和加工产品质量的决定性因素，成熟番茄中的可溶性糖主要是葡萄糖和果糖，其酸度主要来自柠檬酸和苹果酸等有机酸，而番茄的糖酸比主要由影响较大的果糖和柠檬酸决定。研究表明，番茄中较高的糖含量能提高番茄的适口性，适量的酸使风味浓厚，最适宜的番茄糖酸比为7～11。作为番茄独特风味的来源，挥发性芳香物质的组成是决定番茄风味的重要因素，截至目前，在成熟的番茄果实中发现的醇、醛、酮、酯、萜等挥发性芳香物质多达400多种，其中醛类化合物使番茄具有新鲜感，增加了番茄的甜度，提升了感官愉悦度，而酯类化合物和酚类化合物可接受度较低。

　　SSC是番茄最主要的营养品质指标，它具体是指番茄汁液中诸如可溶性糖、有机酸、番茄红素等溶质所占的百分比。在番茄果实中，糖分占总干物质质量的55%，有机酸占总干物质质量的12%，主要是柠檬酸、苹果酸。

　　VC又称抗坏血酸，是维持健康不可或缺的必需维生素之一，通过对控制基因的研究培育高VC含量的番茄可以满足人的摄取需要。在生长过程中，番茄果实的果色受番茄红素含量的正向调控，番茄红素与番茄酱等番茄制品的色泽等品质有关，且具有抗氧化性，可以降低一系列非传染性慢性疾病的发生率。多酚是果蔬营养与风味品质的主要决定性因素，具有显著的抗氧化、抑菌、抗病毒和抗炎症作用。

　　为了减少病虫害造成的损失、提高产量，在实际种植过程中会通过喷洒农药预防病虫害。为满足贮藏和运输的需求，市售的番茄一般通过外源乙烯利处理达到提前催熟的目的。但是农药和乙烯利等化学用品的使用剂量始终难以在实际生产中得到完全的规范与控制，过量的有害化学物质残留危害人类健康，影响番茄的安全性，故乙烯利残留量和农药残留量是番茄安全品质评价的重要指标。

　　番茄的品质检测可分为外观品质检测和内部品质检测。目前，针对番茄外部品质的检测以人工检测为主。果色的判断和损伤缺陷的识别一般依靠人工筛选；番茄果实果径和硬度数值一般也是人工用游标卡和硬度仪尺测量获得，这些方法均依赖人工操作，过于依靠个人经验，主观性过强，难以形成固定的标准，也难以实现大规模的全面筛查。表2则列举了番茄内部主要成分的含量检测依据。

　　综上，传统的番茄品质检测方法存在诸多问题，包括主观性强，难以形成固定的标准；破坏性强，预处理过程复杂，检测步骤繁多；难以直接获得指标，难以满足定性、定量分析的需求；基本停留在实验室层面，无法实现市场化、实时化、大规模的检测及监控。

　　当今，传统的番茄品质检测方法难以满足我国番茄市场对番茄品质评价标准更加精细化的要求。在科技发展和消费升级的双重催化下，一系列新型检测技术快速发展，并更多的服务于番茄品质的检测。

　　机器视觉是通过计算机模拟人类的视觉功能的技术，该技术利用光学装置和图像传感器获得被检测物体的图像信息，通过图像处理系统将图像信号转化为数字化信息，提取目标特征信息，利用计算机进行分析处理而实现识别、检测等功能。自20世纪末以来，基于机器 视觉技术的番茄色泽、大小等指标的检测以及缺陷、病害等的识别已获得了诸多成果，近年来，机器学习算法的进步为机器视觉在番茄无损化检测及分级应用方面带来了突破性的发展。

　　成熟度的判断对番茄的采收、贮藏及销售具有重要的参考意义。番茄果皮颜色是国内外接受度和实用性较高的成熟度判断依据，利用机器视觉技术对番茄成熟度进行判别的要点包括成熟阶段的定义和相应颜色特征的提取，契合度高的颜色特征可以提升判别效果。王俊平等为探究机器视觉在果蔬成熟度检测中的能力，参考SB/T 10331—2000《番茄》划分了6 个番茄成熟度阶段，并采集这6 个阶段的番茄图像，在红色、绿色、蓝色（RGB），色调、饱和度、明度（HSV）和CIE L * a * b * 3 种颜色模型下，获取各彩色单通道图像的灰色均值箱线 个有效的颜色特征，建立颜色特征与番茄成熟度之间的最小二乘支持向量机（LS-SVM）模型；为验证模型效果，取不同成熟度的番茄共108 组，按照2∶1的比例随机分为训练集和验证集，结果表明所建模型的验证集准确率可达88.09%。

　　对番茄进行有效的分级能够提高番茄的产品价值，然而传统的人工目测分级具有主观性强、费时费力的局限。近年来，各国学者研制的以传送单元搭载的机器视觉系统构成的分级系统，为机器视觉的商品化应用提供了可能。常英基于机器视觉设计了一个由输送装置、图像采集装置和气泵分选装置构成的分级检测系统（图1），通过统计连通区域个数并比较樱桃番茄RGB分量结合度量范围的方法，实现了对樱桃番茄缺陷果的识别，检测精度可达90%左右。

　　以番茄果径作为指示番茄大小的参数，对番茄进行分级是目前应用较为广泛的分级模式。曾令培等基于机器视觉提取采集番茄图像的尺寸特征，并以横径作为分级依据实现了对番茄的智能包装，所采番茄图像首先经过图像灰度化、中值滤波器去噪音，对比了不同灰度下的阈值分割效果，结果显示将灰度值调节为180时可以获得最优的分割效果，并利用二值图和形态学的结合处理，填充了分割图产生的毛刺与孤立点。为提取番茄尺寸特征，研究者对比了最小外接矩形法和最小外接圆法提取番茄横径的准确性，他们从200 组番茄中抽取10 组番茄进行测定，发现采用最小外接矩阵法得到的数值比较接近游标卡尺测量值。在另一组实验中，研究者利用canny边缘检测提取番茄的果径，通过统计像素点数提取番茄色泽特征，最小外接矩阵法提取果形特征，灰色共生矩阵法提取纹理特征；结合判别树法和经粒子群优化算法（PSO）优化的SVM分类法进行融合决策，实现了对番茄的综合分级，简明地对多个条件影响的结果进行了判别，避免了单独决策的局限性，分级速率可达4 个/s，分级准确率可达95%以上。

　　计算机的高速发展辅助推动着机器视觉技术的应用，Joice等基于机器视觉设计的番茄色选机利用微型电脑Raspberry Pi对所采图像进行分选，经由Open CVPython编程的系统提高了图像的实时处理效率，该色选机处理效率可达2 个/s，且准确率高达98%。在当前，计算机技术的快速迭代为机器视觉的发展提供了支持，国际上已经存在基于机器视觉研发的果蔬分级设备，为推进机器视觉技术的商品化，协调番茄在动态状态下的识别与分析可以作为后续研究的方向。由于待测物品为农产品的特殊属性造成的检测场景复杂多变、待测物结构缺乏统一标准等问题，机器视觉在番茄检测技术方面依旧存在所需计算量大、所需数据量大、鲁棒性差等问题，而机器视觉检测技术的核心在于图像的处理分析，未来检测技术的提高还需依赖处理系统计算能力的提高与算法的改进升级。

　　Vis-NIR光谱是分子吸收光谱的一种。Vis-NIR光谱分析方法利用各种物质组分对特定频率的光产生差异性吸收的特点结合化学计量学方法实现对物质组分进行定量和定性分析，其检测设备如图2所示。Vis-NIR光谱具有特征性强、测定快速、不破坏试样、操作简便、能分析各种状态的试样的特点，被广泛应用于番茄内部成分的检测。

　　近年来，国内外各学者利用Vis-NIR光谱技术采集番茄样品光谱信息，利用理化分析方法测定番茄的内部成分含量，研究番茄光谱信息和内部品质的关联性，比较不同的光谱预处理方法对番茄原始光谱预处理效果，对比不同光谱变量优选算法，构建番茄内部品质的定量模型，选出预测性能最佳的模型，进而综合评价番茄的内部品质。

　　番茄内部结构较为复杂，不同部位的内部品质也具有一定差异，故图像采集点位的选择也成为学者研究的目标。有研究选择在番茄的赤道部位等角度取4 点进行光谱采集，每点采集5 次，共取20 个光谱曲线的平均值作为该样品的分析光谱，基于Vis-NIR光谱原理搭建了樱桃番茄SSC投射检测系统；以前人经验为参考，研究选取较为平滑的600～960 nm波段光波信息，分别经S-G卷积平滑处理平滑后进行一阶导数、二阶导数预处理，利用果径归一化进行番茄果径修正，分别建立光谱信息处理前后的偏最小二乘（PLS）模型以验证效果，结果显示，经果径归一化后的二阶微分光谱预测模型的校正集和预测集相关系数分别达到0.9383和0.9360，均方根误差分别为0.2796 °Brix和0.3955 °Brix，相较于原始光谱，建模效果明显提高。研究表明，果径归一化处理可有效消除基线漂移，改善因果径不同带来的预测误。