基于深度学习的樱桃番茄<italic style="font-style: italic">γ</italic>-氨基丁酸含量无损检测研究

黄彦发; 张瑶; 朱彦哲; 田雨; 张祎洋; 吴龙国

doi:10.12452/j.fxcsxb.250411283

您当前的位置：

首页 >

文章列表页 >

基于深度学习的樱桃番茄γ-氨基丁酸含量无损检测研究

研究报告 | 更新时间：2025-12-03

- 基于深度学习的樱桃番茄γ-氨基丁酸含量无损检测研究
- A Study on Non-destructive Detection of GABA Content in Cherry Tomatoes Based on Deep Learning
- 分析测试学报 2025年44卷第12期页码：2554-2563
- 作者机构：
  
  1.宁夏大学葡萄酒与园艺学院，宁夏银川 750021
  2.宁夏回族自治区食品检测研究院，宁夏银川 750001
  3.宁夏现代设施园艺工程技术研究中心，宁夏银川 750021
- 作者简介：
  
  吴龙国，博士，讲师，研究方向：设施园艺产品无损检测，E-mail：wlg@nxu.edu.cn
- 基金信息：
  
  宁夏基础条件建设项目(2025DPC05011);宁夏青年拔尖人才项目(2024NXQNBJ043);宁夏高等学校自然科学项目(2024-019);宁夏重点研发计划重大项目(2024BBF01011;2025BBF01004)
- DOI：10.12452/j.fxcsxb.250411283
  中图分类号： O657.3;TS207.3
- 收稿：2025-04-11，
  
  修回：2025-05-29，
  
  录用：2025-05-30，
  
  网络出版：2025-10-16，
  
  纸质出版：2025-12-15
- 稿件说明：
移动端阅览
黄彦发,张瑶,朱彦哲,田雨,张祎洋,吴龙国.基于深度学习的樱桃番茄γ-氨基丁酸含量无损检测研究[J].分析测试学报,2025,44(12):2554-2563.

HUANG Yan-fa,ZHANG Yao,ZHU Yan-zhe,TIAN Yu,ZHANG Yi-yang,WU Long-guo.A Study on Non-destructive Detection of GABA Content in Cherry Tomatoes Based on Deep Learning[J].Journal of Instrumental Analysis,2025,44(12):2554-2563.
黄彦发,张瑶,朱彦哲,田雨,张祎洋,吴龙国.基于深度学习的樱桃番茄γ-氨基丁酸含量无损检测研究[J].分析测试学报,2025,44(12):2554-2563. DOI： 10.12452/j.fxcsxb.250411283.

HUANG Yan-fa,ZHANG Yao,ZHU Yan-zhe,TIAN Yu,ZHANG Yi-yang,WU Long-guo.A Study on Non-destructive Detection of GABA Content in Cherry Tomatoes Based on Deep Learning[J].Journal of Instrumental Analysis,2025,44(12):2554-2563. DOI： 10.12452/j.fxcsxb.250411283.

摘要

为建立不同品种樱桃番茄中

-氨基丁酸（GABA）含量的快速无损检测方法，构建了基于近红外高光谱成像与深度学习的建模框架。选取宁夏、山东两地5个品种共500个样本；采用基于X-Y联合距离的样本划分算法（SPXY）划分校正/预测集，对900~1 700 nm光谱进行去趋势化（Detrending）预处理，并用迭代保留信息变量法（IRIV）提取特征波长。在此基础上构建并比较卷积神经网络（CNN）、卷积递归神经网络（RCNN）、分组卷积神经网络（GCNN）和并行卷积神经网络（PCNN）4种模型。结果表明，基于IRIV波长的GCNN模型表现最

佳，预测集相关系数（

）为0.896，预测集均方根误差（RMSEP）为3.022

https://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=95149034&type=

https://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=95149017&type=

9.65200043

2.96333337

，优于其他模型。利用最优模型实现了GABA含量的可视化，不同品种樱桃番茄呈现显著的空间分布差异。研究表明，近红外高光谱与深度学习的结合可高效、准确地实现樱桃番茄中GABA的无损检测，为功能性品质的快速分级与规模化监测提供技术支撑。

Abstract

This study established a rapid，non-destructive approach for quantifying

-aminobutyric acid（GABA） in cherry tomatoes by coupling near-infrared hyperspectral imaging with deep learning. Five cultivars（

=500） from Ningxia and Shandong，China，were analyzed. The sample set was partitioned into calibration and prediction subsets using sample set partitioning based on joint X-Y distance（SPXY）；spectra（900-1 700 nm） were preprocessed by detrending，and informative wavelengths were selected via iteratively retaining informative variable（IRIV）. Four architectures—convolutional neural network（CNN），recurrent convolutional neural network（RCNN），group convolutional neural network（GCNN），and parallel convolutional neural network（PCNN）—were constructed and compared. The IRIV-based GCNN delivered the best prediction，achieving a correlation coefficient of prediction（

） of 0.896 and a root mean square error of prediction（RMSEP） of 3.022 μmol/g，outperforming the alternative models. Maps generated with the optima

l model revealed pronounced spatial heterogeneity of GABA among cultivars. Overall，integrating NIR-HSI with deep learning enables efficient and accurate non-destructive detection of GABA in cherry tomatoes，supporting rapid grading and large-scale monitoring of functional quality.

关键词

Keywords

references

Hou D Z ， Tang J ， Feng Q Q ， Niu Z T ， Shen Q ， Wang L ， Zhou S M . Crit. Rev. Food Sci. Nutr. ， 2023 ， 64 （ 24 ）： 8852 - 8874 .

Koubaa M ， Delbecq F ， Roohinejad S ， Mallikarjunan K . Encycl. Food Chem. ， 2019 ， 3 ： 528 - 534 .

Hepsomali P ， Groeger J A ， Nishihira J ， Scholey A . Front. Neurosci. ， 2020 ， 14 ： 559962 .

Xu R J ， Jiang C ， Liu M C ， Wang F F ， Liu R . Food Ind . （许芮菁，姜铖，刘明川，王飞飞，刘锐.食品工业）， 2025 ， 46 （ 2 ）： 150 - 155 .

Guo Z M ， Sang W X ， Yang C ， Zou X B . Packag. Food Mach . （郭志明，桑伟兴，杨忱，邹小波.包装与食品机械）， 2024 ， 42 （ 5 ）： 1 - 14 .

Hu S Q ， Hong W J ， Xie J J ， Zhou H R ， Wang L ， Zhou H B . Food Meas. ， 2024 ， 18 ： 8063 - 8077 .

Laroche-Pinel E ， Vasquez K R ， Brillante L . Precis. Agric. ， 2024 ， 25 ： 2356 - 2374 .

Wu L G ， Ma L ， Zhang Y ， Tian Y ， Zhu Y Z ， Zhang Y Y . J. Instrum. Anal. （吴龙国，马玲，张瑶，田雨，朱彦哲，张祎洋. 分析测试学报）， 2025 ， 44 （ 3 ）： 454 - 463 .

Ma L ， Ma Q ， Li Y J ， Zhang Y Y ， Wang J ， Ma S Y ， Ma Y ， Du M H ， Wu L G . J. Instrum. Anal. （马玲，马倩，李亚娇，张祎洋，王静，马思艳，马燕，杜明华，吴龙国.分析测试学报）， 2023 ， 42 （ 2 ）： 210 - 215 .

Zhang L X ， Nie P C ， Zhang S J ， Zhang L Y ， Sun T Y . Foods ， 2023 ， 12 （ 19 ）： 3593 .

Ma L ， Du M H ， Meng L ， Yang T ， Wu L G . Jiangsu Agric. Sci. （马玲，杜明华，孟露，杨甜，吴龙国.江苏农业科学）， 2023 ， 51 （ 11 ）： 167 - 174 .

Zhang T Y ， Zhang X L ， Liu S H ， Lü P F ， Song Y ， Gao W W ， Xue J L . J. Nanjing Agric. Univ. （张田煜，张晓蕾，刘少华，吕鹏飞，宋悦，高维炜，薛金林.南京农业大学学报）， 2025 ： 1 - 11 . https：//link.cnki.net/urlid/32.1148.S.20250318.1717.002 https://link.cnki.net/urlid/32.1148.S.20250318.1717.002 .

Ban Z J ， Gao X X ， Ma Y H ， Zhang S ， Fang C Y ， Wang J B ， Zhu Y . Jiangsu J. Agric. Sci. （班兆军，高喧翔，马肄恒，张爽，方晨羽，王俊博，朱艺.江苏农业学报）， 2024 ， 40 （ 8 ）： 1446 - 1454 .

Zhang F ， Deng Z L ， Tian Y W ， Gao X ， Wang K T ， Xu Z Y . J. Shenyang Agric. Univ. （张芳，邓照龙，田有文，高鑫，王开田，徐正玉.沈阳农业大学学报）， 2024 ， 55 （ 2 ）： 231 - 239 .

Zhou C X ， Liu Y ， Xia H F ， Yang Y T . J. Fore. Eng. （周晨昕，刘英，夏海飞，杨雨图.林业工程学报）， 2025 ， 10 （ 3 ）： 146 - 153 .

Viveros E L D ， Gómez-Espinosa A ， Escobedo C J A . Agriculture ， 2024 ， 14 （ 3 ）： 331 .

Peng D D ， Jin C ， Wang J ， Zhai Y N ， Qi H N ， Zhou L . Microchem. J. ， 2024 ， 201 ： 110521 .

Tian Y ， Sun J ， Zhou X ， Yao K S ， Tang N Q . J. Food Process. Preserv. ， 2024 ， 46 （ 4 ）： e16414 .

Cui J R ， Zhang Y ， Hao J ， Ma Y ， Men J L ， Pan S B ， Wu L G . LWT ， 2024 ， 206 ： 116585 .

Lan W J ， Xiao H ， Bart N ， Pieter V ， Qin J W ， Catherine M R ， Benoit J ， Tu K ， Sylvie B ， Pan L Q . Crit. Rev. Food Sci. Nutr. ， 2024 ， 24 ： 1 - 25 .

Wang C Y ， Liu B H ， Liu L P ， Zhu Y J ， Hou J L ， Liu P ， Li X . Artif . Intell. Rev. ， 2021 ， 54 （ 7 ）： 5205 - 5253 .

Tian H ， Zhang L N ， Li M ， Wang Y ， Sheng D J ， Liu J ， Wang C M . Infrared Phys. Technol. ， 2018 ， 95 ： 88 - 92 .

Ye W X ， Xu W ， Yan T Y ， Yan J K ， Gao P ， Zhang C . Foods ， 2023 ， 12 （ 1 ）： 132 .

Wang X Y ， Chen X D ， Gong R G ， Wang T ， Huang Y . J. Food Comp. Anal. ， 2025 ， 140 ： 107243 .

Chang Y L ， Zhang X D ， Wang C ， Ma N ， Xie J M ， Zhang J . Foods ， 2024 ， 13 （ 12 ）： 1898 .

Chu X L ， Yuan H F ， Lu W Z . Prog. Chem. （褚小立，袁洪福，陆婉珍 . 化学进展）， 2004 ，（ 4 ）： 528 - 542 .

Wang T Y ， Tan Y ， Chen Y Z ， Tan C . J. Chem. Inf. Model. ， 2023 ， 63 （ 15 ）： 4615 - 4622 .

Akihiro T ， Koike S ， Tani R ， Tominaga T ， Watanabe S ， Iijima Y ， Aoki K ， Shibata D ， Ashihara H ， Matsukura C ， Akama K ， Fujimura T ， Ezura H . Plant Cell Physiol. ， 2008 ， 49 （ 9 ）： 1378 - 1389 .

Shinozaki Y ， Nicolas P ， Fernandez-Pozo N ， Ma Q ， Evanich D J ， Shi Y N ， Xu Y M ， Zheng Y ， Snyder S I ， Martin L B ， Ruiz-May E ， Thannhauser T W ， Chen K S ， Domozych D S ， Catalá C ， Fei Z J ， Mueller L A ， Giovannoni J J ， Rose J K . Nat. Commun. ， 2018 ， 9 （ 1 ）： 364 .

Gramazio P ， Takayama M ， Ezura H . Front. Plant Sci. ， 2020 ， 11 ： 577980 .

浏览量

132

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

中国近红外光谱分析技术30年—回顾、述评与展望

深度学习与开普勒优化算法结合近红外光谱测定烟草烟碱含量

基于深度学习的樱桃番茄γ-氨基丁酸含量无损检测研究

A Study on Non-destructive Detection of GABA Content in Cherry Tomatoes Based on Deep Learning

DOI：10.12452/j.fxcsxb.250411283

摘要

Abstract

关键词

Keywords

references