欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 1 - 17

DOI: https://doi.org/10.12133/j.smartag.SA202504027

光谱技术在蔬菜生产检测中的研究进展、挑战与建议

  • 白珏坤 , 1, 2 ,
  • 刘亚超 2 ,
  • 董大明 , 1, 2 ,
  • 岳晓龙 2 ,
  • 杜秀可 2
展开
  • 1. 江苏大学 农业工程学院，江苏 镇江 212013，中国
  • 2. 北京市农林科学院国家农业智能装备工程技术研究中心，北京 100097，中国
董大明，博士，研究员，研究方向为红外与激光光谱技术在环境监测和农业中的应用。E-mail：

白珏坤，硕士研究生，研究方向为拉曼光谱技术及其在农作物测量中的应用。E-mail：

收稿日期: 2025-04-22

  网络出版日期: 2025-08-14

基金资助

国家重点研发计划项目(2022YFD2002101)

收起

Spectral Technology in Vegetable Production Detection: Research Progress, Challenges and Suggestions

  • BAI Juekun , 1, 2 ,
  • LIU Yachao 2 ,
  • DONG Daming , 1, 2 ,
  • YUE Xiaolong 2 ,
  • DU Xiuke 2
Expand
  • 1. School of Agricultural Engineering, Jiangsu University, Zhenjiang 212013, China
  • 2. National Research Center of Intelligent Equipment for Agriculture, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China
DONG Daming, E-mail:

BAI Juekun, E-mail:

Received date: 2025-04-22

  Online published: 2025-08-14

Supported by

National Key Research and Development Program of China(2022YFD2002101)

Copyright

copyright©2025 by the authors
Fold

摘要

【目的/意义】 蔬菜品质安全与营养价值的实时无损检测是贯通“从田头到餐桌”全产业链的核心需求。光谱技术被视为是提高检测效率、降低成本、实现规模化的关键手段。本文通过概述光谱技术在蔬菜产业链各环节的应用以及分析发展方向，为该领域的研究者和从业者提供帮助。［进展］系统回顾了近年来近红外、拉曼、荧光、激光诱导击穿光谱（Laser-Induced Breakdown Spectroscopy, LIBS）及紫外-可见等光谱分析技术在蔬菜育种、种植管理、采收、储运、销售全链条的应用进展。硬件层面，小型化传感器配合智能手机、无人机及物联网实现田间原位监测；算法层面，偏最小二乘回归（Partial Least Squares Regression, PLSR）、卷积神经网络、迁移学习等模型使可溶性固形物（Soluble Solid Content, SSC）、农药残留、重金属等指标的预测R²普遍大于0.90，检测限低至mg/kg级；数据层面，多模态融合（LIBS-NIR、荧光-图像）显著提升了复杂基质下的鲁棒性；典型应用场景包括：拉曼-表面增强拉曼光谱实现痕量农药现场筛查，叶绿素荧光实现采后品质动态追踪，LIBS完成土壤-蔬菜重金属迁移原位监测。［结论/ 【展望】 光谱技术在蔬菜产业已具备“单点验证”到“链式示范”跨越的技术基础，但仍受模型跨品种跨环境泛化能力、田间噪声干扰、设备成本及标准缺失等问题的制约。未来需构建覆盖多品种、多地域的开放光谱数据库，发展自校准、自适应的智能传感器，制定硬件接口与数据格式统一标准，并通过模块化、租赁式商业模式降低中小农户使用门槛，以推动光谱技术在全球蔬菜产业的大规模、可持续应用。

关键词： 光谱技术; 近红外光谱; 拉曼光谱; 荧光光谱; 蔬菜; 现场检测

本文引用格式

白珏坤 , 刘亚超 , 董大明 , 岳晓龙 , 杜秀可 . 光谱技术在蔬菜生产检测中的研究进展、挑战与建议[J]. 智慧农业, 2025 : 1 -17 . DOI: 10.12133/j.smartag.SA202504027

Abstract

[Significance] Vegetables are indispensable to global food security and human nutrition, yet approximately 33% of the annual 1.2 billion-ton harvest is lost or wasted, largely because of undetected biotic and abiotic stresses, poor post-harvest management, and chemical safety hazards. Conventional analytical workflows—based on wet chemistry and chromatography—are destructive, labour-intensive, and difficult to scale, creating an urgent need for rapid, non-invasive sensing tools that can operate across the full production-to-consumption continuum. Optical spectroscopy, spanning near-infrared (NIR), Raman, fluorescence, laser-induced breakdown spectroscopy (LIBS), and UV–Vis modalities, offers label-free, multiplexed, and second-scale measurements directly on living plants or minimally processed products. Existing reviews have concentrated on isolated techniques or single application niches, leaving critical knowledge gaps regarding hardware robustness under open-field conditions, algorithmic generalisability across cultivars and climates, data interoperability, and cost-driven adoption barriers for smallholders. [Progress] This paper present a holistic, chain-wide appraisal of spectroscopic sensing in vegetable production. We show that: Hardware evolution has been dominated by miniaturisation and functional integration. Hand-held NIR units (e.g., Neospectra MEMS, NirVana AG410) now weigh <300 g and achieve R² > 0.95 for soluble solids and moisture in tomato, zucchini, and pepper. Palm-top Raman systems (9 × 7 × 4 cm) equipped with 1 064 nm lasers and InGaAs detectors suppress fluorescence sufficiently to quantify lycopene (RMSE = 1.14 mg/100 g) and classify ripeness stages with 100 % accuracy. Battery-powered fluorescence sensors coupled with smartphones wirelessly stream data to cloud-based convolutional neural networks (CNNs), delivering 93%–100% correct cultivar identification for spinach, onion, and tomato seeds within 5 s per sample. Methodological advances combine advanced chemometrics and deep learning. Transfer learning enables a model trained on greenhouse tomatoes to predict field-grown cherry tomatoes with only 10% recalibration samples, cutting data acquisition costs by 70 %. SERS substrates—fabricated as flexible "place-and-play" nano-mesh films—boost Raman signals by 10⁶–10⁸, pushing limits of detection for carbaryl, imidacloprid, and thiamethoxam below 1 mg kg⁻¹ on pak-choi and lettuce. Multi-modal fusion (LIBS-NIR) simultaneously quantifies macro-elements (Ca, K, Mg) and micro-elements (Fe, Mn) with relative errors <5 %. Chain-wide demonstrations span five critical stages: (i) breeding—NIR screens seed viability via starch and moisture signatures; (ii) cultivation—portable Raman "leaf-clip" sensors detect nitrate deficiency (1 045 cm⁻¹ peak) and early pathogen attack (LsoA vs. LsoB, 80% accuracy) in lettuce and tomato before visible symptoms emerge; (iii) harvest—non-invasive lycopene monitoring in tomato and carotenoid profiling in chilli guides optimal picking time and reduces post-harvest losses by 15%; (iv) storage—chlorophyll fluorescence tracks water loss and senescence in black radish and carrot over six-month cold storage, enabling dynamic shelf-life prediction; (v) market entry—LIBS inspects incoming crates for Pb and Cd in seconds, while fluorescence-SVM pipelines simultaneously verify pesticide residues, ensuring compliance with EU and Chinese MRLs. Data governance initiatives are emerging but remain fragmented. Several consortia have released open spectral libraries (e.g., VegSpec-1.0 with 50 000 annotated spectra from 30 vegetable species), yet differences in acquisition parameters, preprocessing pipelines, and metadata schemas hinder cross-study reuse. Conclusions and Prospects Spectroscopic sensing has matured from laboratory proof-of-concept to robust field prototypes capable of guiding real-time decisions across the entire vegetable value chain. Nevertheless, four priority areas must be addressed to unlock global adoption: Model generalisation—curate large-scale, multi-environment, multi-cultivar spectral repositories and embed meta-learning algorithms that continuously adapt to new genotypes and climates with minimal retraining. Hardware resilience—develop self-calibrating sensors with adaptive optics and real-time environmental compensation (temperature, humidity, ambient light) to maintain laboratory-grade SNR in dusty, humid, or high-irradiance field settings. Standardisation and interoperability—establish ISO-grade protocols for hardware interfaces, data formats, calibration transfer, and privacy-preserving data sharing, enabling seamless integration of devices, clouds, and decision-support platforms. Cost-effective commercialisation—pursue modular, open-hardware designs leveraging printed optics and economies of scale to reduce unit costs below USD 500, and introduce service-based models (leasing, pay-per-scan) tailored to smallholder economics. If these challenges are met, spectroscopy-based digital twins of vegetable production systems could become a reality, delivering safer food, reduced waste, and climate-smart agriculture within the next decade.

Key words： spectrum technology; near-infrared spectroscopy; Raman spectroscopy; fluorescence spectroscopy; vegetables; on-site detection

0 引 言

蔬菜作为全球膳食营养供给与农业经济的重要组成部分，其生产效率和品质直接关系到人类的膳食健康和生活福祉［1, 2］。据联合国粮农组织在2024年发布的最新统计数据，全球蔬菜产量已达到12亿吨，而果蔬的综合损耗率高达33%，其原因主要包括病虫害、水肥管理不当或采后损耗［3, 4］。当前，传统农业生产依赖人工经验与破坏性检测方法（例如依赖组织取样的化学分析），存在滞后性强、成本高、难以实现规模化监测等问题［5］。与此同时，气候变化加剧、耕地资源退化与消费者对食品安全要求的提升，进一步促使蔬菜生产向精准化、智能化转型。在此背景下，光谱传感器技术凭借其非破坏性、快速性和多组分同步测量能力，成为破解蔬菜生产中测量难题的关键工具［6, 7］。
光谱传感器是一类基于物质与光相互作用原理的检测设备，包括近红外光谱、拉曼光谱、荧光光谱等。尽管不同光谱类型的物理机制各异，但作为检测技术，其共性优势在于：通过非破坏性测量实现蔬菜生理生化指标的快速解析，能够兼容实验室、温室与大田等复杂场景。相较于传统方法，光谱技术突破了单点取样局限，支持从单株到群体尺度的连续监测，并且数据采集与分析速度可达秒级，为实时决策提供了可能［8, 9］。
光谱分析技术于1964年由Norris等［10］首次应用于农业领域，用于测量谷物中的水分含量。随着传感器硬件的小型化与计算能力的突破，其应用场景从实验室快速向田间扩展。2010年后，光谱传感器的成本下降促使该技术在蔬菜生产中被用于作物病虫害和养分缺乏监测及成熟度分级等。近年来，光谱仪的小型化，进一步实现了对蔬菜微观成分的无损检测［11, 12］。值得注意的是，机器学习算法的引入使得光谱数据解析能力大幅提升，降低了复杂农业环境下的模型泛化误差［13］。
当前研究已证实光谱传感器在蔬菜生产全链条中的价值：在育种育苗阶段，通过近红外光谱量化种子活力参数（如淀粉含量、水分活度），筛选高抗性品种［14］；在生长和养护阶段，利用拉曼和荧光光谱诊断早期病害［15, 16］；在收获和储存阶段，采用拉曼光谱评估果实成熟度［17］，使用荧光光谱测量农药残留［18］或对采后蔬菜进行储存管理［19］。在销售阶段，蔬菜产品中可能还残留有超标的重金属或农药［20, 21］，光谱技术能够快速检测这些外源污染物。然而，技术落地仍面临多重瓶颈，例如复杂田间环境下的光谱噪声干扰、不同蔬菜品种的光谱特征库缺失，以及小型农户的设备成本承受力有限等。解决这些问题还需要传感器技术的进一步升级，涵盖测量能力的提升、数据分析模型优化与商业化设备的成本控制。
当前，已有综述对光谱分析技术在蔬菜检测中的应用进行了多方面的总结，涵盖了对特定应用场景（以病害识别和农药残留检测为主）及不同技术的研究进展。然而，还没有对光谱分析技术在蔬菜产业链中应用的全面综述，对光谱传感系统在复杂蔬菜生产环境下的硬件适应性挑战、数据处理流程中的瓶颈，以及技术从实验室走向大规模田间应用的关键障碍的深入剖析仍显不足，尤其缺乏针对这些挑战的系统性解决方案探讨。鉴于此，本文在系统梳理近五年国内外前沿研究与应用成果的基础上，创新性地聚焦光谱分析技术在蔬菜生产中面临的硬件、算法与规模化应用三维度挑战，剖析其原因并根据最新研究动态提出具有实践价值的综合优化策略与技术发展路径。通过提供全面的现状评估、深刻的剖析挑战和前瞻性的解决方案建议，本文旨在为该领域的研究人员、技术开发者和产业从业者提供具有指导意义的参考框架，为推动光谱分析技术在蔬菜产业中的深度应用与可持续发展提供支撑。

1 光谱分析技术在蔬菜检测中的应用现状

光谱分析技术以其快速、无损的核心优势，正日益成为贯穿蔬菜产业链的关键工具。这类技术通过捕捉蔬菜与光相互作用后产生的特征光谱信息，能够实现对蔬菜内部物质（如糖度、酸度、维生素、水分、干物质）、外部品质（如颜色、大小、形状、缺陷、成熟度）、污染物（如农药残留、重金属、微生物），以及生长状态（如营养胁迫、水分胁迫、病害侵染）等多维度指标的原位、实时或在线检测与评估。本章将以技术类型（近红外、拉曼、荧光和其他光谱）为线索展开，介绍这些光谱分析技术并详细综述它们在蔬菜生产全产业链中的研究及应用现状。光谱技术类型及蔬菜产业链环节如图1所示。
图1 光谱技术应用于蔬菜产业链示意图

Fig. 1 Schematic of spectral technology applied to the vegetable industry chain

1.1　近红外光谱

近红外光谱（Near-Infrared Spectroscopy, NIR）属于吸收光谱，是一种基于分子振动能级跃迁的光谱分析技术，能够表征分子内化学键的振动与转动特性。当特定波长的红外光（近红外区750~2 500 nm，如图2所示）照射到物质表面时，分子中极性键（如C-H、O-H、N-H等）会发生伸缩振动或弯曲振动，吸收与其振动频率匹配的光子能量，形成特征吸收峰。这些吸收峰的波长位置、强度及形状与分子结构及官能团种类直接相关［22］。通过解析光谱特征，可实现物质的定性与定量分析。值得一提的是，红外光谱作为一种检测技术，其核心优势在于非破坏性、快速性与多组分同步分析能力。相较于传统化学分析法（如液相色谱），红外光谱无须样品前处理，单次扫描可在数秒内完成，且可同时获取多种物质信息。蔬菜作为复杂的生物体系，其组织中含有大量水、碳水化合物、蛋白质、脂类及次生代谢产物（如酚类、维生素等），这些成分的分子键合状态（如水分中的O-H键、淀粉中的C-O-C键）在红外光谱中具有显著响应［23］。通过建立光谱数据与目标成分的定量模型，红外光谱能够非破坏性地揭示蔬菜内部化学成分的动态变化，从而为蔬菜产业链中的检测提供支持［24, 25］。蔬菜生产是包含多个环节的复杂链条，主要涵盖育种、种植与养护、采收、运输与储存、销售与加工五个阶段。目前，近红外光谱主要应用于其中的育种、种植与养护、销售与加工环节，通过测量蔬菜的物质成分，如糖类、硝酸盐、可溶性固形物（Soluble Solid Content， SSC）等指标，能够在这些环节中实现对蔬菜的营养成分分析和产品质量监控［26］。此外，在销售环节，近红外光谱能够检测蔬菜表面的多种农药残留［27］，实现对蔬菜销售终端的食品安全保障。具体研究进展将在下文中展开讨论。
图2 近红外光谱波段示意图

Fig. 2 Schematic diagram of the near-infrared spectral band

1.1.1　NIR技术在蔬菜营养组分分析中的应用

近红外光谱通过捕捉C-H、O-H、N-H等化学键的吸收信号，能够解析蔬菜中水分、糖类、蛋白质及纤维素的含量分布，目前已实现对糖苷、硝酸盐及SSC等关键指标的高效定量分析。在对番茄的营养组分测量中，便携式NIR光谱仪结合偏最小二乘模型实现了对果糖、葡萄糖、可溶性固形物含量和干物质的预测，模型的R 2在0.95到0.97之间。该研究还将此方法用于对番茄感官品质的分析，感官评测小组对样品进行了打分，评价维度包括番茄甜度、酸度、味道强度、香气强度、粉质感和质地，并根据样品的近红外光谱数据，对这些感官属性进行了预测，模型的R 2在0.70到0.92之间［14］，该方法为育种筛选提供了新视角。
上述研究虽然基于便携式NIR设备并可能有现场测量的潜力，但是可以认为这些方法还处于实验室阶段。更加小型化的成熟设备，则更有投入实际应用的能力。使用手持式Vis/NIR光谱仪（NirVana AG410）能够测量葫芦科植物（西葫芦、苦瓜和黄瓜等）的SSC与水分含量，通过使用多品种的偏最小二乘回归（Partial Least Squares Regression, PLSR）模型进行同步预测，在模型预测集上的R 2分别为0.96（SSC）与0.92（水分）［29］，验证了NIR技术在多参数联合分析中的优势。一款基于微机电系统（Micro-Electro-Mechanical Systems, MEMS）的手持式NIR光谱仪（Neospectra, Si-ware）在对番茄果实的品质评估中展现出现场测量的能力，结合PLSR模型可同时预测SSC、抗坏血酸及有机酸含量，模型R 2可达0.87［30］。这些手持式的光谱传感器为蔬菜营养组分的现场分析提供了可靠工具。

1.1.2　在农药残留检测中的应用

NIR在农药残留检测方面也有进展，目前主要用于测量叶菜类蔬菜表面残留的农药（如图3），能够有效测量的农药种类包括有机磷农药：如敌敌畏、乙烯硫磷（Ethion）、甲拌磷（Phorate）；氨基甲酸酯类农药：如甲萘威（Carbaryl）、呋喃丹（Carbofuran）；拟除虫菊酯类农药：如氯氰菊酯（Cypermethrin）、氟氯氰菊酯（Lambda-cyhalothrin）［31, 32］。在研究中最为广泛使用的农药残留识别算法为偏最小二乘判别分析（Partial Least Squares Discriminant Analysis, PLS-DA），此外支持向量机（Support Vector Machine, SVM）算法也被认为在该领域数据集上有较好的表现。ZHANG等［33］通过可见-近红外光谱结合偏最小二乘法判别分析（Partial Least Squares Discriminant Analysis, PLS-DA）和最小二乘支持向量机（Least Squares Support Vector Machine, LS-SVM）算法，并配合三种不同算法从光谱数据中提取特征波长变量，实现了对花椰菜表面农业残留的高精度识别：对于阿维菌素残留准确率为98.33%，二氯亚磷酸酯残留准确率为95%，氯氰菊酯残留准确率为93.33%。李春雨等［34］针对生菜这一常见即食蔬菜的农药残留分类问题展开研究，以氰戊菊酯和三唑磷为研究对象，模拟实际生产中的农药喷洒场景，通过近红外光谱技术（950~1 650 nm）采集了240个样本的光谱数据。研究发现，标准正态变量变换（Standard Normal Variate, SNV）预处理能有效消除散射干扰，结合竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling, CARS）筛选的65个特征波长，建立的SVM分类模型在训练集和预测集均达到100%准确率。该成果为蔬菜采收前的质量筛查提供了可靠方法，有助于生产者及时调整用药策略，从源头控制农药残留风险。在流通销售环节，李敏［35］则聚焦于市场监管需求，以小白菜为研究对象采用小波软阈值预处理方法处理近红外光谱数据。通过设置1∶500和1∶20两种农药浓度梯度，模拟了实际市场中可能存在的不同残留程度。研究结合主成分分析（Principal Component Analysis, PCA）降维和k-近邻（k-Nearest Neighbors, KNN）分类（K=2），实现了无农残与轻度农残样本95%、不同浓度农残样本90%的鉴别准确率。该方法特别适用于批发市场、超市等流通环节的快速抽检，为建立分级销售体系提供了技术支撑。
图3 可见/近红外光谱结合化学计量学测量卷心菜中的农药残留

Fig. 3 Vis/NIR spectroscopy combined with chemometrics for pesticide residue measurement in cabbage

1.1.3　近红外光谱仪器的研发进展

近红外光谱传感器在蔬菜测量领域的研发呈现三维发展态势，即小型化、功能集成化与检测精准化的协同演进。在小型化维度，硬件微型化技术突破显著提升了设备便携性［22］，典型代表如NirVana AG410和F-750光谱仪［29, 36］，其紧凑型设计可手持使用，适配移动巡检场景，能够实现番茄SSC含量的现场测量［36］。功能集成化维度则体现为多模态传感技术的协同测量。国内研发的开放式检测系统［37］，创新性地将微型近红外光谱模块、叶绿素荧光传感器与智能手机影像系统集成，不仅完成蔬菜新鲜度评估，还可同步获取产地溯源信息。在另一项研究中［38］，激光诱导击穿光谱（Laser-Induced Breakdown Spectroscopy, LIBS）与NIR的联合建模使钾、钙、镁、锰、铁元素的预测误差相较于使用单一技术建模的预测误差显著降低，证实多技术数据协同分析可突破单一技术的局限。检测精准化维度的发展主要依赖于新型机器学习算法的引入，深度学习与迁移学习的使用［28, 29, 39］，有望进一步增强模型的分类精度和对品种差异和环境干扰的鲁棒性。
综上所述，从产业链环节看，NIR技术已渗透至蔬菜生产的全周期。在种植阶段，通过冠层光谱实时监测糖类含量［39］，评估营养价值；在采后环节，通过对SSC与水分含量的动态分级［29, 36］，减少采后损耗；在加工与销售，利用便携设备快速筛查农药残留［33］与硝酸盐污染［28］，保障食品安全。当前研究证实，近红外光谱通过对全产业链的技术渗透，正在重塑蔬菜生产的质量控制体系，并为现代农业的产业升级提供了技术支持。

1.2　拉曼光谱

拉曼光谱属于散射光谱，是一种基于非弹性光散射效应的分子振动分析技术，其原理源于入射光子与分子极化率变化耦合引起的能量交换过程。当单色激光照射至物质表面时，光子与分子发生非弹性碰撞，产生相较于入射光频率偏移（拉曼位移）的散射光。这种频移量（cm-1）由分子振动或转动能级决定，对应特定化学键的伸缩、弯曲等振动模式，形成与分子结构直接相关的特征光谱。与红外光谱依赖极性键振动不同，拉曼光谱对非极性键（如C=C）及对称振动高度敏感，可提供互补性分子指纹信息。其核心优势在于能够无损、快速检测，以及抗水分干扰特性，尤其适用于含水样品的现场分析，且通常无需样品前处理［40］。蔬菜作为具有复杂生化组成的生物体系，其组织中的类胡萝卜素、花青素等色素分子，纤维素、木质素等细胞壁组分，以及外源污染物（如农药）均具有独特的拉曼响应［41］。例如，类胡萝卜素在1 525 cm-1处的C=C共轭双键振动峰［42］；纤维素在1 096 cm-1的C-O-C糖苷键振动峰［43］；有机磷农药的P=O键在650 cm-1处的特征峰［44］。通过构建拉曼位移与目标物浓度的定量模型，该技术可用于蔬菜产业链中多场景下的无损检测［45］。在蔬菜生产链条中，拉曼光谱已渗透至多个环节，尤其在以下三个应用场景中被广泛研究，具有独特优势：在种植养护环节，拉曼光谱通过检测植物组织中的次生代谢物和信号分子的含量变化，能够高灵敏识别植株受到的不利环境胁迫和病虫害［15］，从而指导生产者及时调整农业措施，协助植物抗逆，保证培养过程中的植株健康，从而保障蔬菜产量和质量［46］；在采收环节，拉曼光谱通过测量果蔬中的类胡萝卜素等与植物生长过程密切相关的物质含量，能够实现对果蔬成熟度的精准评估［47］，为采摘时间和存储、运输策略提供数据支撑，规避人为判断的不稳定性，降低由不同成熟度带来的损耗；在销售与加工环节，结合表面增强拉曼光谱（Surface-Enhanced Raman Spectroscopy, SERS）技术，利用金属纳米颗粒放大农药信号［48］，对蔬菜表面农药残留的检测限较红外光谱更低。拉曼光谱技术为蔬菜产业链的精准化升级提供分子尺度的决策依据，具体研究进展在下文中展开讨论。

1.2.1　对蔬菜胁迫因子的检测，实现早期预警

拉曼光谱通过解析植物细胞壁多糖、光合色素及次生代谢物的特征峰拉曼位移，可实现对蔬菜受胁迫状态的早期预警［49-51］。在氮素胁迫检测中，GUPTA等 ［52］开发了兼容拟南芥和生菜、白菜等多种叶菜类植物的便携式拉曼叶夹传感器（如图4所示），检测到1 045 cm-1附近的硝酸根峰在+N和-N实验组之间存在明显的差异。使用1 067 cm-1峰作为内标，可以更好地区分两种条件下的拉曼光谱差异。Altangerel等［53］开发的532 nm远程便携拉曼光谱仪可测10 cm远处的信号，得到的拉曼信号相对变化与532 mn显微拉曼光谱仪一致，实现了对紫苏叶片中类胡萝卜素（1 007和1 157 cm-1）和花青素（539、623和733 cm-1）的同时活体检测，可用于识别紫苏受到的多种非生物胁迫。针对病原体侵染，实现了现场检测功能，配备831 nm激光的手持式拉曼光谱仪（Resolve Agilent）结合PLS-DA算法［54］，通过捕捉番茄叶片中的类胡萝卜素（1 156 cm-1）、果胶（747 cm-1）、纤维素（1 155 cm-1）和木聚糖（1 184和1 218 cm-1）的拉曼信号强度变化，实现了对两种不同亚型的亚型马铃薯斑纹病菌LsoA和LsoB感染的区分，准确率达到80%。Orecchio等［55］针对番茄斑萎病毒感染的研究中，使用Bruker BRAVO手持式拉曼光谱仪，测量到染病番茄叶片中叶绿素（1 224和1 326~1 328 cm-1）、类胡萝卜素（1 156和1 185 cm-1）、多酚（1 440 cm-1）和蛋白质（1650~1 690 cm-1）的拉曼峰强度略有降低。为病毒侵染的分子机制解析提供了光谱学证据。
图4 基于叶夹式拉曼传感器的叶菜植物氮素胁迫检测

Fig. 4 Nitrogen stress detection in leafy vegetables based on a leaf-clipping Raman sensor

1.2.2　在蔬菜成熟度无损评估中的应用

拉曼光谱对类胡萝卜素、角质蜡等成分的特异性响应，使其成为果蔬成熟度无损评估的有效工具［56, 57］。在番茄成熟度监测中，便携式拉曼光谱仪（innoRam®，B&WTEKINC.）通过测量以番茄红素为主的类胡萝卜素含量变化［17］，可准确区分绿色（未成熟）、橙色（中等成熟）、红色（成熟）和棕色（过熟）果实（如图5所示），其检测结果与实验室级共聚焦显微镜（Renishaw inVia）高度一致。对122个辣椒果实的长期跟踪表明［47］，类胡萝卜素信号（1 515 cm-1）在110 d的监测期内强度呈现明显上升趋势，该研究提出了一种多元化学计量模型和一种更简单的单变量方法，用于自动判断辣椒果实的成熟度，结果表明这两种方法都能有效地确定果实成熟阶段。在番茄类胡萝卜素定量测量研究中，配备1 064 nm激光和InGaAs探测器的手持式拉曼光谱仪（Progeny）结合人工神经网络（Artificial Neural Network, ANN）［58］，实现了对全反式番茄红素的高精度定量预测，回归系数为0.90，均方根误差（Root Mean Square Error, RMSE）值为1.14 mg/100 g。
图5 基于拉曼光谱的番茄成熟度评估

Fig. 5 Tomato maturity assessment based on Raman spectroscopy

1.2.3　在农药残留检测中的应用

SERS通过纳米材料（如金纳米颗粒）的局域场增强效应，将农药残留检测灵敏度提升至痕量水平［59, 60］。使用SERS检测蔬菜表面农药残留的实验方法可以分为两种。第一种是将残留的农药从样品收集到SERS基底上，然后对基底采集拉曼光谱。通过使用不同的收集方法、新型的基底或它们组合来提升测量能力是相关研究的创新点。常见的采集方法包括使用液态溶剂将植物表面的农药残留“洗”到基底上和使用胶带等具有采集能力的材料作为采样介质等［61］。近期有课题组提出了一种基于超薄、柔性、可拉伸、可黏合的纳米网格材料“Place & Play SERS”方法，能够直接将该基材放置在植物果实表面并进行SERS测量［62-64］。第二种是促使金属纳米材料进入植物体内，然后直接对植物组织采集拉曼。该方法能够实现对内吸性农药的测量［65, 66］。上述方法结合便携式或手持式拉曼传感器均可实现对蔬菜农残的现场测量。针对小白菜中西维因残留［67］，有研究采用了密度泛函理论计算西维因的理论拉曼光谱，并建立了PLSR预测模型。经过多元散射校正（Multiplicative Scatter Correction, MSC）预处理的模型预测性能最佳，R 2达到0.977，RMSECV为2.09 mg/L。研究结果表明，小白菜中西维因农药残留检测的检出限可达0.976 mg/L以下，对5个未知样品的相对误差为1.98%到7.28%，表明该方法准确可靠，而且用时远低于传统色谱检测方法。在对叶菜类蔬菜中噻虫嗪的快速筛查研究中［68］，采用了金纳米颗粒和碳纳米笼材料作为增强基底和净化剂，通过优化参数实现了高灵敏度检测，检出限可达1 mg/kg，线性范围为0.5到15 mg/kg，对标准偏差仅为2.3%到7.5%。该方法灵敏度高、操作简单快速，可满足基层监管部门的检测需求。

1.2.4　拉曼光谱传感器的研发进展

小型化同样是拉曼光谱传感器的重要发展方向。如今，最小的手持式拉曼光谱仪尺寸已缩小至9×7×4 cm，并能够配合不同附件检测多种形态的样品［69］。智能手机与拉曼光谱传感器的结合，不仅使其更加小巧、便携，还提高了用户友好度［70］。此外，利用手机的通讯能力连接网络使用云端的计算资源，可以应用更复杂的机器学习模型进行数据分析［71］。而可拆卸的模块化设计则更加小巧、便捷，可能是更有前景的技术路线［70］。对于小型化拉曼光谱传感器来说，尺寸、性能、价格等指标是相互竞争的。对于蔬菜测量来说，使用1 064nm激光源会比785 nm激光源有更好的荧光抑制效果，但这需要搭配比常用的硅基探测器更为昂贵InGaAs探测器，并且往往需要配套高性能的制冷器，一般需要冷却到-10℃以下来获得较好的信噪比（Signal-to-Noise Ratio, SNR），而产生较高的功耗、占用更大的空间。拉曼光谱传感器的小型化发展并非只追求体积小这一项指标，而是在“足够小”的同时还要满足在预设应用场景下对其他性能指标的需求［69］。
拉曼光谱技术凭借其分子指纹特性，结合机器学习算法，如今有望实现蔬菜产业链的全场景技术覆盖。这项技术能够快速检测蔬菜中的营养成分，帮助改良品种。还能够在蔬菜的生长、采摘、运输和储存过程中进行质量控制，提供果实成熟度信息协助决策收获时间，确保蔬菜的整体品质。其无损检测特点使得在农药残留、病虫害等方面的检测变得更加高效和安全，有助于提高食品安全性并保障消费者的健康。综上所述，拉曼光谱技术在蔬菜生产和研究中的应用，不仅促进了蔬菜品质的提升和安全性的保障，也为现代农业的精细化管理提供了强有力的技术支持［72］。

1.3　荧光光谱

荧光光谱技术的核心机理源于物质受光激发后产生的电子能级跃迁与能量释放过程。当特定波长的激发光（通常为紫外或可见光）作用于被测分子时，其价电子从基态（S0）跃迁至激发单重态（S1或S2），随后通过内转换、振动弛豫等非辐射途径耗散部分能量，最终以光子辐射形式返回基态，发射出波长长于激发光的特征荧光。这一过程中，荧光光谱的峰位、强度及寿命由分子结构中的共轭体系、取代基电子效应及分子间相互作用共同决定，形成独特的荧光峰［73］。在蔬菜中，叶绿素、类黄酮、维生素等天然荧光团，以及农药、重金属等外源污染物，均具备特异性荧光响应特性，为揭示蔬菜生命活动与品质演变的微观本质提供了独特窗口［74］。在蔬菜生产体系中，荧光光谱技术的应用贯穿种植与养护、运输与储存、销售与加工环节，主要用于蔬菜品种鉴别、储存监控与安全检测三大场景。品种鉴别方面，不同遗传背景蔬菜的次生代谢产物差异可通过特征荧光光谱实现快速区分；在储存监控中，荧光强度与寿命的变化能够灵敏反映蔬菜中水分、营养成分含量等品质指标的衰退过程；在安全检测环节，则通过污染物特异性荧光信号，实现对抗生素、微塑料和农药残留的非标记检测。该技术凭借分子级灵敏度、毫秒级实时响应及非侵入式检测特性，突破了传统方法在复杂基质干扰、动态过程追踪等方面的局限，为构建从田间到餐桌的全链条质量监控体系提供了创新方法学支撑。

1.3.1　在蔬菜品种快速鉴定中的应用

在蔬菜品种快速鉴定研究领域，基于荧光光谱的检测技术通过解析植物组织内源性荧光物质（如叶绿素、酚类化合物等）的分布特征差异，成功构建了高效的分类识别体系。针对根茎类蔬菜的品种鉴别，研究团队［19, 75, 76］ 针对不同品种开展专项研究，在萝卜（Raphanus sativus L.var. sativus）、黑萝卜（Raphanus sativus L. var. Niger）及胡萝卜（Daucus carota）的荧光特性研究中，通过光谱解析发现不同品种在400~500 nm特征波段的荧光发射峰位置呈现显著偏移现象。值得注意的是，上述研究均采用自主研发的便携式光纤光谱检测系统，该设备通过高透光率消色差物镜显著提升光路传输效率，配合多通道光纤束耦合结构实现了与激光二极管的高效能量传输，成功实现了田间复杂环境下的原位快速鉴别。在叶菜类蔬菜品种鉴别方面，研究证实不同菠菜品种在285 nm激发光诱导下具有显著的荧光强度差异。以维多利亚品种为例，其荧光信号强度高达61 546 a.u.，而雷博尔德品种仅检测到31 341 a.u.的响应值（经三次平行实验验证），这种数量级差异为品种快速识别提供了可靠依据［77］。另有研究团队将荧光光谱与机器学习算法结合，在韭菜种子［78］和洋葱（如图6所示）［79］品种分类研究中取得突破性进展，其中分类准确率最高的模型分别可以达到93.33%和100%。对于番茄等果实类蔬菜，荧光光谱不仅能区分Local Dwarf、Pikador和Ideal等品种，其发射峰位置差异4~15 nm［80］，还可通过Meta等机器学习分类器实现温室番茄品种的100%准确识别［81］。上述研究均证实了该技术对品种特征的表征能力，为种质资源管理和商品溯源提供了新方法。
图6 基于荧光光谱的洋葱品种识别

a. 荧光光谱设备检测洋葱 b. “Asenovgradska kaba”品系和“red breeding”品系

Fig. 6 Onion variety identification based on fluorescence spectroscopy

1.3.2　在蔬菜采后品质监测中的应用

荧光光谱对水分、营养成分等指标的快速响应特性，使其成为蔬菜采后品质监控的有力工具。当前研究主要集中在水分含量变化上。在黑萝卜储存实验中，使用便携式荧光光谱仪检测到荧光信号强度与水分损失呈强相关性［76］，可实时反映根茎失水导致的细胞膜透性变化，可用于长期储存条件下黑萝卜品质的非破坏性检测。类似的，使用自主搭建的便携式荧光光谱设备分析储存3个月和6个月后的四种标准品种胡萝卜，发现胡萝卜在储存期存在荧光发射峰红移现象，建立了不同品种样品以及同一品种不同储存时间下水分含量的变化，为优化仓储条件提供了量化依据［19］。王琳琳等［82］则将叶绿素荧光光谱技术应用于对生菜叶片中硝酸盐含量的无损检测。通过分析500~800 nm波段的荧光光谱特征，发现650~715 nm波段的荧光强度参数（F685）与硝酸盐含量显著相关（R 2=0.816），并建立了一元线性回归模型。模型验证显示预测效果良好（R 2=0.752），标准误差为0.172。这一研究为蔬菜采后品质的快速无损检测提供了技术支持。

1.3.3　在蔬菜生产安全检测中的应用

在蔬菜安全检测方面，荧光光谱通过识别病理或污染物诱导的光合系统异常，实现了早期预警。针对黄瓜白粉病，叶片的叶绿素荧光参数与病害严重度呈显著负相关［83］，结合近红外光谱构建的PLSR模型可量化病斑面积，并且近红外光谱模型和荧光光谱模型可以分别以0.977 8和0.930 6精度预测光速率。更为前沿的是，基于光合系统Ⅱ反应机理的荧光模型［37］，通过解析快速叶绿素荧光诱导动力学曲线特征参数，实现了蔬菜中抗生素（检测限0.72 μg/kg）和微塑料污染（3%污染面积检出）的高灵敏检测，突破了传统化学分析的灵敏度瓶颈。
在农药残留检测中，荧光光谱技术能够有效检测包括吡虫啉、西维因、春雷霉素、多杀菌素、乐果等多种农药。这些农药在蔬菜种植、储存和销售环节中常被使用。​​刘翠玲等［84］​​提出了一种基于荧光光谱和宽度学习系统的白菜吡虫啉残留检测方法。通过三维荧光光谱确定吡虫啉的最佳激发波长（400 nm），并采用MSC和无信息变量消除（Uninformative Variable Eliminatio, UVE）进行数据优化，最终BLS模型的预测决定系数（R 2）达0.949，RMSE为0.347 mg/kg。陈珏等［85］同样针对白菜中的吡虫啉残留，结合SVM和麻雀搜索算法优化模型参数，通过连续投影算法和遗传算法筛选特征波长，最终模型的R 2为0.923 4，RMSE为0.412 9 mg/kg。针对白菜以外的叶类蔬菜，孙俊等［18］通过荧光光谱技术结合小波变换和SVM分类模型，成功区分不同浓度乐果残留的生菜样本（1∶500至1∶1 200配比），最优模型的预测准确率达93.33%。该技术可用于超市或农贸市场对生菜新鲜度和农药残留的同步检测。秦艺洋等［86］采用荧光光谱与PLS检测菠菜表面的西维因残留，经正交信号校正预处理后，定性模型判别准确率达100%，定量模型R 2为0.98，RMSE低至6.1×10-3 g/L。在果蔬销售前的质量检测中，王晓燕等［87］利用同步荧光技术结合支持向量回归检测番茄中的春雷霉素和多杀菌素，通过优化波长差（Δλ=70和45 nm）和SVR建模，模型R 2均超过0.99，回收率接近100%。该方法为市场抽检提供了高效手段，尤其适用于多农药混合残留的快速分析。综上，荧光光谱技术通过适配不同农药的特异性荧光响应，结合机器学习算法优化，覆盖了蔬菜产业链从生产到消费的全流程农药残留监控需求，为食品安全保障提供了重要的技术支撑。

1.3.4　荧光光谱仪器的研发进展

用于蔬菜测量的荧光光谱传感器的发展主要在提升小型化水平智能化方面。小型化的荧光光谱仪通过集成先进的光学元件和微型化的电子传感器，显著降低了仪器的体积和重量。在光源上，近年来发展出的高效固态光源，如发光二极管和激光二极管，不仅提高了荧光激发的效率，还降低了功耗和热量的产生，使得小型化设计成为可能。电池技术的进步也为便携式荧光光谱仪提供了更加持久和稳定的动力来源。采用MEMS技术能够使光谱仪在保持高灵敏度和高分辨率的同时，缩小到手持设备的尺寸。这些便携式设备通常配备无线通信模块，如蓝牙或Wi-Fi，能够即时将数据传输至移动设备或云端进行处理和分析。此外，随着智能化技术的发展，现代荧光光谱仪器越来越多地结合了人工智能和机器学习算法。这些智能化的系统能够自动识别荧光信号的特征，进行数据校正和分析，从而提高测量的准确性和可靠性。用户界面也变得更加友好，操作简便，非专业人员经过简单培训即可使用。总之，荧光光谱仪器在小型化和智能化方面的不断进步，极大地提升了其在蔬菜测量领域现场应用的潜力。
荧光光谱的独特价值在于其能够通过光化学响应的动态变化，揭示蔬菜生理代谢的实时状态。这种从“分子生理学”到“宏观表型”的跨尺度关联，为蔬菜抗逆性育种、采后保鲜策略优化提供了分子层面的理论依据。当前，硬件小型化与算法创新共同提升了荧光光谱的实用性，其与表型组学、代谢组学的交叉融合，有望进一步带动荧光光谱技术在蔬菜产业中的应用。

1.4　三种分子光谱技术的应用对比

NIR技术通过捕捉蔬菜中物质分子的C-H、O-H等化学键的吸收信号（780~2 500 nm），能够对水分、糖类及纤维等营养成分进行快速无损检测［14, 28］。早期受限于实验室设备体积与成本，近年来通过硬件小型化与机器学习算法优化，便携式NIR传感器已走出实验室，成为蔬菜现场测量的有效工具。NIR尤其善于对蔬菜营养组分分析和农药残留的测量。
拉曼光谱凭借分子振动指纹识别能力（200~2 000 cm-1），能够高效测量蔬菜中的细胞壁多糖、类胡萝卜素等植物代谢物，从而根据这些物质的变化实现对植物胁迫的识别［53］和成熟度评估［17］。表面增强拉曼散射技术通过纳米材料基底，能够实现对蔬菜表面痕量农药残留的高灵敏度检测。发展早期，因拉曼信号弱、设备笨重难以实用化，随着拉曼传感器的小型化，先后出现了叶夹传感器和手持式传感器［52, 69］，标志着拉曼技术已从实验室分子诊断转向现场痕量测量。
荧光光谱技术则依托电子跃迁机制，通过激发叶绿素、多酚等内源性荧光基团，从而精准捕获蔬菜细胞中光合作用等生理系统的差异和变化，进而实现对蔬菜品种的识别、对采后品质的监测和对蔬菜生产安全的检测。荧光光谱传感器小型化智能化水平的提升，增强了其现场应用的潜力。对上述三种分子光谱技术的对比总结如表1所示。
表1 蔬菜检测中三种典型光谱技术对比

Table 1 Comparison of three typical spectral techniques in vegetable detection

光谱技术 类别 原理 优势 蔬菜产业链应用场景
近红外光谱 吸收光谱 基于分子振动和转动能级跃迁，检测4 000~400 cm-1范围内的特征吸收峰

1）对有机化合物官能团敏感

2）支持快速无损检测

3）适合含水样品分析

1）育种

2）营养组分分析

3）农药残留检测

拉曼光谱 散射光谱 基于光子与分子的非弹性散射，检测分子振动和转动引起的散射光频率变化（50~4 000 cm-1）

1）无需样品预处理

2）可穿透透明包装检测

3）高空间分辨率

1）植物胁迫识别

2）成熟度评估

3）农药残留检测

荧光光谱 发射光谱 基于荧光物质吸收特定波长光后发射长波长荧光的特性（通常200~900 nm）

1）高灵敏度

2）特异性识别荧光基团

3）实时动态监测

1）蔬菜品种鉴定

2）采后品质检测

3）污染物及农药检测

1.5　其他光谱技术在蔬菜测量中的应用

在蔬菜产业链中，除了红外、拉曼和荧光三种典型分子光谱技术外，其他光谱技术也通过不同维度的信息提取，在重金属污染物检测、营养成分分析、产品品质检测、蔬菜种类鉴别等应用场景中展现出独特优势。这些技术通过不同的物理机制，对蔬菜的物质成分信号进行深度解析，为蔬菜全产业链的智能化发展提供了多模态解决方案。

1.5.1　激光诱导击穿光谱

LIBS作为一种基于等离子体发射的原子光谱分析技术，其核心原理在于利用高能脉冲激光（通常为纳秒级）聚焦作用于样品表面，在极短时间（μs级）内产生高达10 000 K的局部高温和约100 bar的高压环境，致使样品微区（μm量级）物质发生气化电离并形成瞬态等离子体。该等离子体在冷却过程中，其内部激发态的原子或离子通过退激作用释放出具有元素特征性的光谱信号，借助高分辨率光谱仪捕获这些特征谱线后，通过谱线波长匹配可精确判定元素种类，而谱线强度则与元素浓度呈定量关系。基于此原理，LIBS展现出独特的应用优势，其无需复杂样品预处理即可直接检测固体、液体等多种形态的样品，单次激发即可同步获取全元素光谱信息，检测灵敏度可达ppm级别，适用于蔬菜等生物样本的快速原位分析［88］。在蔬菜品质与安全检测领域，LIBS的技术特性与检测需求高度契合——激光束可穿透蔬菜表皮蜡质层直接分析内部组织，避免传统消解法的成分损失；多元素同步检测能力既能解析营养元素，又可筛查污染物［89］；其秒级响应速度更适应田间实时监测场景，有望为蔬菜质量安全控制提供高效精准的检测手段。
在蔬菜营养元素检测方面，王彩虹等［90］系统研究了LIBS技术对不同品类蔬菜中钙（Ca）元素的检测性能。研究选取CaⅡ 315.887 nm和CaⅡ 317.933 nm特征谱线建立定量模型，相关系数均超过0.9。结果显示，LIBS对高Ca含量的叶菜类（如芹菜，Ca含量1.66×10-2）预测准确度较高（相对误差<5%），而对低Ca含量的根茎类（如胡萝卜，Ca含量0.255×10-2）和果实类蔬菜预测误差较大，揭示了基体效应对LIBS检测的重要影响。在蔬菜流通环节的真伪鉴别方面，孙仲谋等［91］创新性地将LIBS与化学计量学方法结合，实现了百合科葱属蔬菜的快速区分。研究通过PCA发现，Ca、Sr等元素的特征谱线（如396.587、407.421 nm等）在洋葱、大蒜和小葱中具有显著差异；进一步采用反向传播人工神经网络进行交叉验证，识别率达到89.47%，为市场监督提供了有效手段。
在蔬菜种植环节的重金属污染监测方面，孙仲谋等［91］采用LIBS技术实现了洋葱中铅（Pb）污染的在线原位检测。研究通过乙酸铅溶液浸泡模拟大气湿沉降污染，在405.781和406.214 nm等特征谱线处检测到Pb信号，且信号强度与污染浓度呈良好线性关系（R 2>0.98）。该方法的检测限达到10 ppm，为田间重金属污染监测提供了新思路。黎文兵等［92］进一步优化了蕹菜中Pb的检测方法，采用共轴双脉冲LIBS技术，选取Pb 405.78 nm特征谱线建立定量模型，相关系数达0.985 7，高浓度样品（5~30 mg/kg）的检测相对误差小于3%，验证了LIBS在重度污染场景下的适用性。杨晖等［93］针对青菜中镉（Cd）污染检测，开发了基于联合区间偏最小二乘法的LIBS分析方法。研究选取214.72~215.82 nm、215.88~216.97 nm和225.08~226.35 nm三个特征波长区间，经中心化预处理后建立的模型交叉验证RMSE为1.487，验证集平均相对误差为11.60%。在后续研究中［94］，该团队比较了不同光谱滤波方法对Pb检测的影响，发现Savitzky-Golay滤波器（窗口宽度15，三阶拟合）效果最优，使验证集RMSE降至0.26，ARE降至3.7%，显著提高了检测精度。
尽管LIBS技术有诸多优势，但在实际应用中仍面临挑战。首先，蔬菜样品的水分、纤维等基体组分会影响等离子体特性［90, 91］，需结合小波去噪［94］等预处理方法提高信噪比。其次，现有研究多基于实验室设备，亟需开发便携式LIBS仪器以适应现场检测。

1.5.2　紫外-可见光谱

除此以外，也用于研究将紫外-可见（UV-Vis）吸收光谱应用于蔬菜测量。紫外-可见光谱技术主要用于蔬菜产业链中的生产到贮藏环节的蔬菜品质监测。潘国璋等［95］和赵艳霞等［96］分别建立了蔬菜亚硝酸盐含量的快速检测方法，前者利用中性红显色反应（360 nm波长），后者采用对氨基苯磺酸重氮化法（530 nm波长），为蔬菜加工前的安全筛查提供了高效手段。叶旭君等［97］将紫外-可见-近红外光谱（298和730 nm特征波长）与腺苷三磷酸ATP含量关联，开发了蔬菜贮藏新鲜度的无损评价模型，适用于冷链物流和仓储管理。赵佩瑾等［96］则通过Fenton反应结合罗丹明6 G褪色法（520 nm波长）评估了番茄、黄瓜等蔬菜的抗氧化活性，为功能性蔬菜产品的营养价值分级提供依据。这些研究共同体现了光谱技术在蔬菜全产业链应用潜力。

1.6　光谱传感器硬件与选型

光谱分析技术在蔬菜检测中的效能依赖于传感器的硬件性能。不同光谱分析技术普遍需要用到探测器，作为光信号转换的核心元件，其特性直接决定系统灵敏度、速度、分辨率、动态范围及环境适应性，是选型的关键。
主流探测器特性鲜明。电荷耦合器件（Charge Coupled Device, CCD）在可见-近红外波段量子效率高、噪声低，适用于实验室高精度检测，但速度较慢且需制冷；互补金属氧化物半导体（Complementary Metal Oxide Semiconductor, CMOS）探测器则以高速读取、低功耗、抗拖尾及易集成的优势，主导便携设备和在线高速分选，其科学级sCMOS版本性能已显著提升；增强电荷耦合器件（Intensified CCD, ICCD）虽增益极高、可超快门控，适用于极弱光探测，但因高成本、低分辨率等局限，在常规蔬菜检测中应用稀少。特定波段探测则需要InGaAs等专用器件。
评价光谱传感器性能的核心技术参数涵盖多个维度。光谱范围定义了传感器有效响应的波长区间（如硅基为350~1 100 nm，InGaAs为900~2 500 nm），直接决定了系统能够探测的物质特征谱带。光谱分辨率（常以半峰全宽表示）反映了区分相邻波长微小差异的能力，高分辨率有助于解析精细光谱特征，但可能牺牲光通量和检测速度。量子效率和最终体现的SNR是衡量探测器灵敏度和低检测下限的关键指标，QE表征光子转换为电子的效率，SNR则综合反映了信号强度与背景噪声的对比，是数据可靠性的基石。读出速度（光谱/帧每秒）决定了数据采集速率，对在线高速检测至关重要。积分时间的优化选择需要平衡信噪比与检测通量。对于阵列探测器，像素数量和阵列大小决定了光谱通道数或空间分辨率。暗噪声的控制常通过制冷实现，对于提升灵敏度，尤其是弱光探测和长积分时间应用，具有帮助。
在面向蔬菜产业链不同环节选择或设计光谱传感器系统时，必须进行综合权衡。核心在于明确检测指标所需的目标光谱波段，选择Si、InGaAs或其他探测器；考量部署环境（实验室、田间、在线工业环境）的严苛性，以及对鲁棒性、体积、功耗的要求；评估精度与灵敏度需求，从而决定对QE、噪声水平及制冷的需求等级；匹配检测速度要求，高速在线应用首选CMOS而精密测量可容忍较慢的CCD；平衡成本预算，从经济的PDA到高端的sCMOS或制冷InGaAs。唯有将探测器特性与系统级参数紧密结合应用场景进行审慎评估，才能构建高效、可靠且适应蔬菜产业实际需求的光谱感知硬件平台。

2 光谱技术在蔬菜产业应用中的挑战与局限性

尽管光谱分析技术在蔬菜生产中展现出显著潜力，但其实际应用仍面临多重技术瓶颈与产业化障碍。本节从检测精度、硬件性能、数据标准化、成本控制及生物学限制五个维度，系统剖析当前存在的主要挑战。

2.1　检测精度与模型泛化性不足

在蔬菜生产全产业链的质量管控与标准化进程中，光学传感技术的实际应用面临核心瓶颈，即模型在跨品种、跨环境场景下的泛化能力不足。当前，相关研究大多基于单一品种蔬菜或特定生长条件下的植株构建检测模型，然而当这些模型应用于全产业链中不同品种的规模化种植区域，或扩展至气候、土壤等环境条件差异较大的地域时，其性能会出现显著下降。以番茄SSC检测为例，在近红外光谱结合PLSR模型的研究中，研究者指出，该技术在蔬菜品质检测的全链条应用中，需要针对多品种建立校准模型，对于新培育的品种或多品种混合种植场景，可能需要重新建模［14］。尝试引入深度学习等先进算法，进一步提升模型在全产业链不同环节中的泛化能力，成为极具价值的发展方向［29］。类似的，叶菜类蔬菜硝酸盐检测模型，在全产业链涉及的非叶菜类蔬菜质量安全检测中，其预测精度难以得到有效保证［28］。此外，光学传感器的标定高度依赖传统化学分析方法，而这些方法与蔬菜的光谱学数据之间难以形成精确的映射关系，且传统方法本身存在的系统误差，从根本上制约了检测模型精度的提升［28， 39］。蔬菜复杂成分的光谱响应重叠问题，更是在全产业链的质量检测环节加剧了检测难度，如在花椰菜表面农药残留检测中，表皮蜡质层产生的荧光干扰，严重影响了检测结果的准确性［33］。

2.2　硬件性能与环境适应性局限

在蔬菜生产全产业链的田间实时监测、移动检测等实际应用场景中，小型化光谱传感器的性能瓶颈与环境干扰，成为制约其大规模部署的关键因素［36］。目前，小型化光谱仪的信噪比与实验室大型设备相比仍存在较大差距，这使得其在蔬菜微量成分检测，如农药残留、营养元素等全产业链质量控制关键指标的检测能力上受到明显限制。以紫苏非生物胁迫的活体识别为例，基于实验室的显微拉曼光谱仪能够精准测量叶片中类胡萝卜素和花青素的动态变化，而便携式远程拉曼光谱传感器由于性能限制，无法捕捉到花青素信号，难以满足田间实时监测的需求［53］。在露天种植环境中，光照强度波动、温湿度变化等动态因素，会对光谱信号产生显著干扰，影响检测结果的可靠性。例如，强光照条件下，黄瓜白粉病的检测错误率会明显上升［83］；露水覆盖的菠菜叶片，会导致荧光信号衰减，进而影响营养成分或病害的检测精度［77］。在基于SERS技术的农药残留检测中，当前研究大多依赖稳定的实验室环境［67， 68］，而在全产业链实际应用的复杂田间环境中，增强基底的稳定性问题尤为突出。金属纳米颗粒容易发生氧化失活，导致表面增强效应失效，使得检测方法无法在实际生产环境中有效应用。

2.3　数据标准化与可比性缺失

在蔬菜产业全产业链的数据整合与技术协同发展进程中，光谱数据的碎片化，以及算法的“黑箱”问题，成为阻碍技术规模化应用的重要障碍。不同研究团队在数据采集过程中，采用的积分时间、光源强度等参数，以及预处理方法存在较大差异，导致跨研究的数据无法直接复用，难以形成全产业链共享的光谱数据资源库。以番茄SSC检测模型为例，不同研究中基于近红外光谱构建的模型存在不可忽视的差异［30， 36］，这为全产业链统一质量检测标准的建立带来了困难。部分研究中，模型依赖纯数学的统计相关性筛选特征波段，缺乏从光谱数据到蔬菜成分及作用机制的物理解释，使得在全产业链的技术推广中，难以根据不同环节的需求进行针对性优化。深度学习算法虽然在一定程度上提升了分类模型的精度，但其决策逻辑的不可视化，导致特征工程与硬件设计脱节，限制了全产业链中检测设备与算法的协同优化空间。

2.4　成本控制与产业化障碍

在蔬菜产业全产业链的技术推广与产业化应用中，光学传感器较高的成本与运维复杂度成为主要制约因素。光学传感器，尤其是高精度设备的采购成本较高，对于中小型农户和农业企业而言，是一笔较大的初期投资。科研级高分辨率光谱系统价格普遍超过5万美元，而目前相对低成本的商品化设备尚未形成规模优势，价格仍然较高［98］，这在全产业链的前端种植环节，极大地影响了农户对该技术的接受度。此外，光学传感器在使用过程中需要较为频繁的定期维护和校准，特别是在田间等恶劣环境中，维护缺失可能导致设备性能严重衰减，增加了后续的运营成本。行业标准的缺失也是全产业链技术协同发展的重要瓶颈，从传感器接口到分析软件，缺乏统一的规范，导致硬件、数据和算法难以有效整合，无法形成全产业链贯通的技术解决方案。同时，行业标准的缺失引发的数据安全和隐私问题，使得农户和企业对相关技术的信任度不足，进一步限制了其在全产业链中的推广应用。

2.5　生物学与物理限制

在蔬菜生产全产业链的各个环节，蔬菜的生物学特性与光学传感的物理局限构成了底层矛盾。多数光谱学技术对蔬菜表皮下组织的探测深度不足2 mm，这使得在全产业链的品质检测中，无法对马铃薯块茎等大体积蔬菜的内部病虫害进行有效评估。活体蔬菜的代谢动态，如叶绿素含量的昼夜波动，会导致单次检测结果的代表性降低，难以准确反映蔬菜在生长过程中的品质变化。此外，田间环境中的外源污染物，如尘土、水珠等，会掩盖蔬菜本体的光谱特征，造成严重的测量偏差，影响全产业链质量检测的准确性。这些生物学与物理限制，要求传感技术在未来的发展中，必须与植物生理学、农业生产管理进行深度耦合，从全产业链的角度出发，研发更贴合蔬菜生长特性和实际生产需求的检测技术。

3 光谱技术应用于蔬菜生产的发展建议

3.1　模型泛化能力与精度的提升

在蔬菜生产全产业链质量管控的实际需求下，光谱数据受品种差异、环境变量等因素的影响显著，而现有检测模型多基于单一品种或特定环境数据训练，导致跨环节、跨区域应用时性能受限。为突破这一技术瓶颈，首先需强化全产业链覆盖的光谱数据采集体系，系统积累不同品种、生长阶段、气候条件及栽培模式下的多维光谱数据，构建兼具代表性与完整性的数据集。这类数据集不仅为模型训练提供丰富样本基础，更能通过数据增强技术提升模型在全产业链不同场景中的泛化能力。其次，融合深度学习技术，将卷积神经网络、循环神经网络等先进算法嵌入光谱数据解析流程，借助其自动特征提取与大规模数据处理优势，实现对复杂光谱信号的精准解码，显著提升模型在全产业链质量检测中的适应性与检测精度［99, 100］。此外，引入迁移学习策略，可将特定品种或环境下训练的模型知识，高效迁移至全产业链其他环节或相似场景［101, 102］，有效降低跨品种、跨区域检测时的模型重构成本，形成覆盖蔬菜种植、加工、流通全链条的智能检测模型体系。

3.2　光谱传感器性能与环境适应性优化

在蔬菜生产全产业链的田间原位监测、采后流通检测等复杂场景中，光谱仪的便携性与检测精度矛盾凸显，尤其易受光照波动、温湿度变化等环境因子干扰。针对这一问题，需从硬件设计与智能控制双维度推进技术创新：一方面，优化光谱仪核心组件，采用高灵敏度探测器与低噪声光学元件，通过改进光源稳控系统降低环境光干扰，在保证便携性的同时提升设备信噪比；另一方面，构建智能化传感系统，开发具备环境参数实时感知与自适应调节功能的光谱传感器，使其能根据田间光照强度、空气湿度等动态条件自动调整积分时间、增益参数等测量设置，确保不同环境下光谱信号的稳定性与可靠性。此外，针对全产业链长期运维需求，集成远程监控与自动校准模块，通过物联网技术实现设备状态实时诊断与校准参数远程更新，减少人工干预成本，提升传感器在露天种植、冷链运输等复杂场景中的长期适应性，为全产业链质量数据的连续性采集提供硬件支撑。

3.3　数据标准化与跨机构协作的推动

当前光谱数据采集标准的碎片化，导致全产业链各环节数据难以互通共享，严重制约技术协同创新。破解这一难题需构建“标准先行、平台支撑”的全产业链数据治理体系：首先，联合科研机构、设备厂商、农业企业等多元主体，制定涵盖光谱仪硬件接口、数据采集参数（积分时间、光源波长等）、预处理流程的统一技术标准，解决跨设备、跨研究数据的兼容性问题，为全产业链质量检测数据的横向对比与纵向追溯奠定基础。其次，搭建开放式光谱数据共享平台，整合品种资源库、生长环境数据库、品质检测标准库等全产业链数据要素，促进科研成果与产业需求的精准对接。通过建立数据确权与安全共享机制，鼓励农户、合作社、加工企业等主体参与数据共建，形成“研发—应用—反馈”的闭环创新生态，推动光谱传感技术从实验室研发向全产业链规模化应用的高效转化。

3.4　降低成本与推动产业化的策略

从成本控制和产业化的角度来看，光谱传感技术的推广面临较大的经济阻力。尤其是高精度光谱传感器的成本较高，且设备的维护和操作要求较为复杂，导致中小型农户难以负担这一技术。为了推动光谱传感技术的产业化，需要降低设备成本，这可以通过研发低成本、高性价比的光谱传感器来实现。采用模块化设计，将光谱仪的各个组件进行标准化，既能降低生产成本，又能够提高设备的灵活性和适应性。此外，推动行业标准的制定，确保设备和数据处理系统的兼容性，也是技术推广的关键。通过建立统一的行业标准，可以促进不同设备之间的交互，减少技术壁垒，进而推动技术的广泛应用。

3.5　痕量物质测量与抵抗环境干扰的研究

在面对蔬菜生物学特性和物理限制时，光谱传感技术的应用仍然面临挑战，包括光学信号的深度、痕量物质难以测量和外界环境干扰的问题。为此，通过研发纳米材料与柔性器件，结合信号增强技术，有望能够提高对蔬菜内部痕量成分的探测能力［66, 103, 104］。一方面，结合多模态传感器的复合检测系统，可以融合不同类型的传感数据，是提升对复杂环境下蔬菜检测能力的可行方案。另一方面，蔬菜表面的干扰（如尘土、水珠等）对光谱测量结果的影响不容忽视，可以尝试采用先进的信号处理算法来提高数据的准确性。同时，通过设计自清洁的传感器表面，减少污染物对测量结果的影响，进一步提高设备在恶劣环境下的稳定性和可靠性，为全产业链各环节的质量安全控制提供技术保障。
光谱分析技术在蔬菜全产业链应用中的局限性及解决方法总结见表2。
表2 光谱技术在蔬菜产业链应用中的局限性及解决方法

Table 2 Limitations and solutions of spectral techniques in the vegetable industry chain applications

挑战类别 具体问题 当前局限性 解决策略 关键技术路径
检测精度与泛化性 跨品种、跨环境模型性能下降 单一品种数据集；光谱-成分映射关系不明确 构建多维度光谱数据库；开发自适应算法 迁移学习框架；混合式CNN-RNN模型；数据增强技术
硬件性能与环境适应 便携式、小型化传感器信噪比、分辨率不足 小型化与高精度矛盾；环境干扰（光照/湿度） 优化光学模组设计；提升环境鲁棒性 MEMS光谱芯片；自适应光源稳控系统；纳米增强基底（带生物亲和性核壳结构）
数据标准化 研究的实验参数不统一导致数据壁垒 缺乏统一采集标准；算法黑箱化 建立全链条数据标准；推动开放协作 制定国际化标准；可解释性人工智能；区块链数据存证
成本与产业化 设备昂贵、运营维护复杂 精密光学元件成本高；缺乏模块化设计 开发低成本替代方案；构建产业生态 手机光谱附件；CMOS微型光谱阵列；设备共享云服务平台
生物物理限制 探测深度不足；代谢动态干扰（叶绿素昼夜波动） 组织光散射效应；活体动态响应 发展深层检测技术；融合多模态数据 时间门控荧光成像；光声光谱（增加穿透深度）；多传感器数据融合

4 总 结

光谱传感技术通过多维度的光学信息捕获能力，以及无损快速测量能力，为蔬菜生产全链条提供了高效的检测方案。该技术在育种筛选、生长监测、病虫害预警及采后品质控制等场景中展现出普适性应用价值，实现了从宏观表型到微观成分的多尺度解析，显著提升了蔬菜质量评估的时效性与精准度。硬件小型化与算法智能化的协同发展，进一步推动检测场景从实验室向田间、分拣线等复杂环境延伸，为农业生产决策提供了实时数据支撑。当前技术瓶颈主要集中于环境噪声干扰下的模型稳定性不足、跨品种光谱数据库缺失以及高精度设备成本与便携性难以兼得等问题。未来研究应聚焦于多源数据的深度融合，开发具有环境适应性的智能传感系统，并通过纳米材料与柔性器件的创新突破硬件性能的限制。随着光学器件成本下降与行业标准体系完善，光谱传感技术有望成为蔬菜产业数字化转型的核心驱动力，推动全球农业向绿色化、智能化方向持续进步。

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
KALMPOURTZIDOU A, EILANDER A, TALSMA E F. Global vegetable intake and supply compared to recommendations: A systematic review[J]. Nutrients, 2020, 12(6): ID 1558.

[2]
DONG J L, GRUDA N, LI X, et al. Global vegetable supply towards sustainable food production and a healthy diet[J]. Journal of cleaner production, 2022, 369: ID 133212.

[3]
BANCAL V, RAY R C. Overview of food loss and waste in fruits and vegetables: From issue to resources[M]. Fruits and vegetable wastes: Valorization to bioproducts and platform chemicals. Singapore: Springer. 2022.

[4]
FAO. World food and agriculture–statistical yearbook 2024 [M]. Rome, Italy: FAO, 2024.

[5]
田婷, 张青, 徐雯. 光谱技术在作物养分监测中的应用研究进展[J]. 江苏农业科学, 2024, 52(14): 31-39.

TIAN T, ZHANG Qing, XU Wen. Research progress on application of spectral technology in crop nutrient monitoring[J]. Jiangsu agricultural sciences, 2024, 52(14): 31-39.

[6]
SI W, XIONG J, HUANG Y P, et al. Quality assessment of fruits and vegetables based on spatially resolved spectroscopy: A review[J]. Foods, 2022, 11(9): ID 1198.

[7]
康超, 于垂统, 辛全伟. 蔬菜农药残留检测中光谱技术的应用现状与对策探讨[J]. 食品安全导刊, 2025(2): 183-185, 189.

KANG C, YU C T, XIN Q W. Application status and countermeasures of spectral technology in vegetable pesticide residue detection[J]. China food safety magazine, 2025(2): 183-185, 189.

[8]
邵晨阳, 赵一墨, 鹿莉莉, 等. 近红外光谱快速分析技术的应用研究进展[J]. 化学通报, 2024, 87(8): 898-912.

SHAO C Y, ZHAO Y M, LU L L, et al. Progress in the application of near-infrared spectroscopy for rapid analysis[J]. Chemistry, 2024, 87(8): 898-912.

[9]
王国栋, 褚刚, 刘俊伟, 等. 蔬菜中农药残留智能检测技术比较研究[J]. 智慧农业导刊, 2023, 3(23): 15-18.

WANG G D, CHU G, LIU J W, et al. Comprehensive evaluation and comparison of intelligent detection techniques for pesticide residues in vegetables[J]. Journal of smart agriculture, 2023, 3(23): 15-18.

[10]
NICOLAÏ B M, BEULLENS K, BOBELYN E, et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: a review[J]. Postharvest biology and technology, 2007, 46(2): 99-118.

[11]
YANG Z Y, ALBROW-OWEN T, CAI W W, et al. Miniaturization of optical spectrometers[J]. Science, 2021, 371(6528): ID eabe0722.

[12]
XUE Q, YANG Y, MA W K, et al. Advances in miniaturized computational spectrometers[J]. Advanced science, 2024, 11(47): ID 2404448.

[13]
郭旺, 杨雨森, 吴华瑞, 等. 农业大模型: 关键技术、应用分析与发展方向[J]. 智慧农业(中英文), 2024, 6(2): 1-13.

GUO W, YANG Y S, WU H R, et al. Big models in agriculture: Key technologies, application and future directions[J]. Smart agriculture, 2024, 6(2): 1-13.

[14]
SUN D, CRUZ J, ALCALÀ M, et al. Near infrared spectroscopy determination of chemical and sensory properties in tomato[J]. Journal of near infrared spectroscopy, 2021, 29(5): 289-300.

[15]
PAYNE W Z, KUROUSKI D. Raman-based diagnostics of biotic and abiotic stresses in plants. a review[J]. Frontiers in plant science, 2020, 11: ID 616672.

[16]
隋媛媛, 王庆钰, 于海业. 基于叶绿素荧光光谱指数的温室黄瓜病害预测[J]. 光谱学与光谱分析, 2016, 36(6): 1779-1782.

SUI Y Y, WANG Q Y, YU H Y. Prediction of greenhouse cucumber disease based on chlorophyll fluorescence spectrum index[J]. Spectroscopy and spectral analysis, 2016, 36(6): 1779-1782.

[17]
TREBOLAZABALA J, MAGUREGUI M, MORILLAS H, et al. Portable Raman spectroscopy for an in situ monitoring the ripening of tomato (Solanum lycopersicum) fruits[J]. Spectrochimica acta part A: Molecular and biomolecular spectroscopy, 2017, 180: 138-143.

[18]
孙俊, 周鑫, 毛罕平, 等. 基于荧光光谱的生菜农药残留检测[J]. 农业工程学报, 2016, 32(19): 302-307.

SUN J, ZHOU X, MAO H P, et al. Detection of pesticide residues in lettuce based on fluorescence spectra[J]. Transactions of the Chinese society of agricultural engineering, 2016, 32(19): 302-307.

[19]
SLAVOVA V. Application of mobile fluorescence spectroscopy as a method for the analysis of representatives of different varieties of carrots (Daucus carota) during storage under uncontrolled conditions[J]. Bulgarian chemical communications, 2024, 56(1): 14-18.

[20]
ALEGBE P J, APPIAH-BREMPONG M, AWUAH E. Heavy metal contamination in vegetables and associated health risks[J]. Scientific African, 2025, 27: ID e02603.

[21]
AFTAB K, IQBAL S, KHAN M R, et al. Wastewater-irrigated vegetables are a significant source of heavy metal contaminants: Toxicity and health risks[J]. Molecules, 2023, 28(3): ID 1371.

[22]
BEĆ K B, GRABSKA J, HUCK C W. Principles and applications of miniaturized near-infrared (NIR) spectrometers[J]. Chemistry-a European journal, 2021, 27(5): 1514-1532.

[23]
PANDISELVAM R, PRITHVIRAJ V, MANIKANTAN M R, et al. Recent advancements in NIR spectroscopy for assessing the quality and safety of horticultural products: A comprehensive review[J]. Frontiers in nutrition, 2022, 9: ID 973457.

[24]
ZAHIR S A D M, OMAR A F, JAMLOS M F, et al. A review of visible and near-infrared (Vis-NIR) spectroscopy application in plant stress detection[J]. Sensors and actuators A: physical, 2022, 338: ID 113468.

[25]
薛舒丹, 谢大森, 万小童, 等. 近红外光谱分析技术在蔬菜品质检测中的应用研究进展[J]. 广东农业科学, 2021, 48(9): 142-150.

XUE S D, XIE D S, WAN X T, et al. Research progress in application of near infrared reflectance spectroscopy in vegetable quality detection[J]. Guangdong agricultural sciences, 2021, 48(9): 142-150.

[26]
韩霜霜, 张平平, 童未名, 等. 近红外光谱分析技术在五类蔬菜理化特性分析中的应用[J]. 安徽农业科学, 2018, 46(32): 14-16, 23.

HAN S S, ZHANG P P, TONG W M, et al. Application of near-infrared spectroscopy in analysis of physical and chemical properties on five kinds of vegetables[J]. Journal of Anhui agricultural sciences, 2018, 46(32): 14-16, 23.

[27]
陈蕊, 张骏, 李晓龙. 蔬菜表面农药残留可见-近红外光谱探测与分类识别研究[J]. 光谱学与光谱分析, 2012, 32(5): 1230-1233.

CHEN R, ZHANG J, LI X L. Study on the detection and pattern classification of pesticide residual on vegetable surface by using visible/near-infrared spectroscopy[J]. Spectroscopy and spectral analysis, 2012, 32(5): 1230-1233.

[28]
MA F, DU C W, ZHENG S L, et al. In situ monitoring of nitrate content in leafy vegetables using attenuated total Reflectance - Fourier-transform mid-infrared spectroscopy coupled with machine learning algorithm[J]. Food analytical methods, 2021, 14(11): 2237-2248.

[29]
KUSUMIYATI, HADIWIJAYA Y, PUTRI I E, et al. Multi-product calibration model for soluble solids and water content quantification in Cucurbitaceae family, using visible/near-infrared spectroscopy[J]. Heliyon, 2021, 7(8): ID e07677.

[30]
BORBA K R, AYKAS D P, MILANI M I, et al. Portable near infrared spectroscopy as a tool for fresh tomato quality control analysis in the field[J]. Applied sciences, 2021, 11(7): ID 3209.

[31]
DAI Y, FENG X Y, HAN P, et al. Application of near infrared spectrum analysis technique in pesticide residues detection of fruits and vegetables[J]. Journal of Food Safety and Quality, 2014, 5(3): 658-664.

[32]
SINDHU S, MANICKAVASAGAN A. Nondestructive testing methods for pesticide residue in food commodities: A review[J]. Comprehensive reviews in food science and food safety, 2023, 22(2): 1226-1256.

[33]
ZHANG M Y, XUE J X, LI Y D, et al. Non-destructive detection and recognition of pesticide residue levels on cauliflowers using visible/near-infrared spectroscopy combined with chemometrics[J]. Journal of food science, 2023, 88(10): 4327-4342.

[34]
李春雨, 葛啸, 金燕婷, 等. 基于近红外光谱技术的蔬菜农药残留种类检测[J]. 农业工程, 2019, 9(6): 33-39.

LI C Y, GE X, JIN Y T, et al. Detection of pesticide residues in vegetables based on near-infrared spectroscopy[J]. Agricultural engineering, 2019, 9(6): 33-39.

[35]
李敏. 基于近红外光谱技术的小白菜农药残留鉴别分析[J]. 红外, 2020, 41(10): 44-47.

LI M. Identification and analysis of pesticide residues in Chinese cabbage based on near infrared spectroscopy technology[J]. Infrared, 2020, 41(10): 44-47.

[36]
DE BRITO A A, CAMPOS F, DOS REIS NASCIMENTO A, et al. Determination of soluble solid content in market tomatoes using near-infrared spectroscopy[J]. Food control, 2021, 126: ID 108068.

[37]
钟梅英. 蔬菜抗生素与微塑料检测方法及食品质量检测平台研发[D]. 无锡: 江南大学, 2022.

ZHONG M Y. Antibioticsandmicroplastics detection method for vegetable and a system for food quality detection[D]. Wuxi: Jiangnan University, 2022.

[38]
DE OLIVEIRA D M, FONTES L M, PASQUINI C. Comparing laser induced breakdown spectroscopy, near infrared spectroscopy, and their integration for simultaneous multi-elemental determination of micro- and macronutrients in vegetable samples[J]. Analytica chimica acta, 2019, 1062: 28-36.

[39]
REDHA AALI, TORQUATI L, LANGSTON F, et al. Determination of glucosinolates and isothiocyanates in glucosinolate-rich vegetables and oilseeds using infrared spectroscopy: a systematic review[J]. Critical reviews in food science and nutrition, 2024, 64(23): 8248-8264.

[40]
SALETNIK A, SALETNIK B, PUCHALSKI C. Overview of popular techniques of Raman spectroscopy and their potential in the study of plant tissues[J]. Molecules, 2021, 26(6): ID 1537.

[41]
SALETNIK A, SALETNIK B, PUCHALSKI C. Raman method in identification of species and varieties, assessment of plant maturity and crop quality: a review[J]. Molecules, 2022, 27(14): ID 4454.

[42]
KOLAŠINAC S M, PEĆINAR I, GAJIĆ R, et al. Raman spectroscopy in the characterization of food carotenoids: Challenges and prospects[J]. Foods, 2025, 14(6): ID 953.

[43]
AGARWAL U P, RALPH S A, BAEZ C, et al. Detection and quantitation of cellulose II by Raman spectroscopy[J]. Cellulose, 2021, 28(14): 9069-9079.

[44]
WANG P X, LI X, SUN Y, et al. Rapid and reliable detection and quantification of organophosphorus pesticides using SERS combined with dispersive liquid-liquid microextraction[J]. Analytical methods, 2022, 14(45): 4680-4689.

[45]
XU S, HUANG X M, LU H Z. Advancements and applications of Raman spectroscopy in rapid quality and safety detection of fruits and vegetables[J]. Horticulturae, 2023, 9(7): ID 843.

[46]
PAYNE W Z, KUROUSKI D. Raman spectroscopy enables phenotyping and assessment of nutrition values of plants: A review[J]. Plant methods, 2021, 17(1): ID 78.

[47]
LEGNER R, VOIGT M, SERVATIUS C, et al. A four-level maturity index for hot peppers (Capsicum annum) using non-invasive automated mobile Raman spectroscopy for on-site testing[J]. Applied sciences, 2021, 11(4): ID 1614.

[48]
ZHANG D, LIANG P, CHEN W W, et al. Rapid field trace detection of pesticide residue in food based on surface-enhanced Raman spectroscopy[J]. Microchimica acta, 2021, 188(11): ID 370.

[49]
SNG B J R, SINGH G P, VAN VU K, et al. Rapid metabolite response in leaf blade and petiole as a marker for shade avoidance syndrome[J]. Plant methods, 2020, 16: ID 144.

[50]
VALLEJO PÉREZ M R, CETINA DENIS J J, CHAN LEY M A, et al. Early plant disease detection by Raman spectroscopy: An open-source software designed for the automation of preprocessing and analysis of spectral dataset[J]. Crop protection, 2025, 188: ID 107003.

[51]
HUANG C H, SINGH G P, PARK S H, et al. Early diagnosis and management of nitrogen deficiency in plants utilizing Raman spectroscopy[J]. Frontiers in plant science, 2020, 11: ID 663.

[52]
GUPTA S, HUANG C H, SINGH G P, et al. Portable Raman leaf-clip sensor for rapid detection of plant stress[J]. Scientific reports, 2020, 10(1): ID 20206.

[53]
ALTANGEREL N, ARIUNBOLD G O, GORMAN C, et al. In vivo diagnostics of early abiotic plant stress response via Raman spectroscopy[J]. Proceedings of the national academy of sciences of the United States of America, 2017, 114(13): 3393-3396.

[54]
SANCHEZ L, ERMOLENKOV A, TANG X T, et al. Non-invasive diagnostics of Liberibacter disease on tomatoes using a hand-held Raman spectrometer[J]. Planta, 2020, 251(3): ID 64.

[55]
ORECCHIO C, SACCO BOTTO C, ALLADIO E, et al. Non-invasive and early detection of tomato spotted wilt virus infection in tomato plants using a hand-held Raman spectrometer and machine learning modelling[J]. Plant stress, 2025, 15: ID 100732.

[56]
DHANANI T, DOU T Y, BIRADAR K, et al. Raman spectroscopy detects changes in carotenoids on the surface of watermelon fruits during maturation[J]. Frontiers in plant science, 2022, 13: ID 832522.

[57]
SAH G K, GOFF N, SINGH J, et al. Nondestructive assessment of maturity in cantaloupe using Raman spectroscopy with carotenoids as biomarkers[J]. Food chemistry advances, 2024, 4: ID 100698.

[58]
AKPOLAT H, BARINEAU M, JACKSON K A, et al. High-throughput phenotyping approach for screening major carotenoids of tomato by handheld Raman spectroscopy using chemometric methods[J]. Sensors, 2020, 20(13): ID 3723.

[59]
YI X, YUAN Z S, YU X, et al. Novel microneedle patch-based surface-enhanced Raman spectroscopy sensor for the detection of pesticide residues[J]. ACS applied materials & interfaces, 2023, 15(4): 4873-4882.

[60]
YE C, HE M, ZHU Z D, et al. A portable SERS sensing platform for the multiplex identification and quantification of pesticide residues on plant leaves[J]. Journal of materials chemistry C, 2022, 10(36): 12966-12974.

[61]
GONG X Y, TANG M, GONG Z J, et al. Screening pesticide residues on fruit peels using portable Raman spectrometer combined with adhesive tape sampling[J]. Food chemistry, 2019, 295: 254-258.

[62]
KITAHAMA Y, PANCORBO P M, SEGAWA H, et al. Place & Play SERS: Sample collection and preparation-free surface-enhanced Raman spectroscopy[J]. Analytical methods, 2023, 15(8): 1028-1036.

[63]
KESAVA RAO V, TANG X K, SEKINE Y, et al. An ultralow-cost, durable, flexible substrate for ultrabroadband surface-enhanced Raman spectroscopy[J]. Advanced photonics research, 2024, 5(3): ID 2300291.

[64]
ZHU J J, SHARMA A S, XU J, et al. Rapid on-site identification of pesticide residues in tea by one-dimensional convolutional neural network coupled with surface-enhanced Raman scattering[J]. Spectrochimica acta part A: Molecular and biomolecular spectroscopy, 2021, 246: ID 118994.

[65]
YANG T X, ZHAO B, KINCHLA A J, et al. Investigation of pesticide penetration and persistence on harvested and live basil leaves using surface-enhanced Raman scattering mapping[J]. Journal of agricultural and food chemistry, 2017, 65(17): 3541-3550.

[66]
YANG T X, DOHERTY J, GUO H Y, et al. Real-time monitoring of pesticide translocation in tomato plants by surface-enhanced Raman spectroscopy[J]. Analytical chemistry, 2019, 91(3): 2093-2099.

[67]
黄双根, 王晓, 吴燕, 等. SERS技术的小白菜中西维因农药残留检测[J]. 光谱学与光谱分析, 2019, 39(1): 130-136.

HUANG S G, WANG X, WU Y, et al. Study of rapid detection of carbaryl pesticide residues in pakchoi based on SERS technology[J]. Spectroscopy and spectral analysis, 2019, 39(1): 130-136.

[68]
周玮, 夏婧竹, 吴蓉, 等. 基于拉曼光谱技术快速检测叶菜类蔬菜中噻虫嗪残留的方法[J]. 中国食品卫生杂志, 2023, 35(1): 27-31.

ZHOU W, XIA J Z, WU R, et al. Rapid determination of thiamethoxam residues in leafy vegetables based on Raman spectroscopy[J]. Chinese journal of food hygiene, 2023, 35(1): 27-31.

[69]
CROCOMBE R A, KAMMRATH B W, LEARY P E. Portable Raman spectrometers: How small can they get?[J]. Spectroscopy, 2023: 32-40.

[70]
KIM U J, LEE S, KIM H, et al. Drug classification with a spectral barcode obtained with a smartphone Raman spectrometer[J]. Nature communications, 2023, 14(1): ID 5262.

[71]
MU T T, LI S, FENG H H, et al. High-sensitive smartphone-based Raman system based on cloud network architecture[J]. Ieee journal of selected topics in quantum electronics, 2019, 25(1): ID 7200306.

[72]
高振, 赵春江, 杨桂燕, 等. 典型拉曼光谱技术及其在农业检测中应用研究进展[J]. 智慧农业(中英文), 2022, 4 (2): 121-134.

GAO Z, ZHAO C J, YANG G Y, et al. Typical raman spectroscopy ttechnology and research progress in agriculture detection[J]. Smart Agriculture, 2022, 4(2): 121-134.

[73]
ALBANI J R. Principles and Applications of Fluorescence Spectroscopy[M]. New York: John Wiley & Sons, 2007.

[74]
SINESHCHEKOV V A. Applications of fluorescence spectroscopy in the investigation of plant phytochrome in vivo [J]. Plant physiology and biochemistry, 2024, 208: ID 108434.

[75]
SLAVOVA V. Application of fluorescence spectroscopy as a field method in the determination of varietal differences radish (Raphanus sativus) accessions after harvesting[J]. Acta agriculturae Slovenica, 2024, 120(3): 1- 5.

[76]
SLAVOVA V. Application of mobile fluorescence spectroscopy as a method in the determination of varietal differences in black radish (Raphanus sativus L. var. Niger) during storage under uncontrolled conditions[J]. Bulgarian chemical communications, 2024, 61 (2): 47-52.

[77]
SLAVOVA V. Application of mobile fluorescence spectroscopy in determination of varietal differences in Spinach (Spinacia oleracea L.)[J]. Agricultural science and technology, 2024, 16(1): 36-43.

[78]
ROPELEWSKA E, SABANCI K, SLAVOVA V, et al. The classification of leek seeds based on fluorescence spectroscopic data using machine learning[J]. European food research and technology, 2023, 249(12): 3217-3226.

[79]
SABANCI K, ASLAN M F, SLAVOVA V, et al. The use of fluorescence spectroscopic data and machine-learning algorithms to discriminate red onion cultivar and breeding line[J]. Agriculture, 2022, 12(10): ID 1652.

[80]
MASHEVA V, SLAVOVA V. Application of fluorescence spectroscopy as a field method in the determination of varietal differences after tomato harvesting[J]. Acta agriculturae slovenica, 2023, 119(4): 1-5.

[81]
SLAVOVA V, ROPELEWSKA E, SABANCI K. The application of fluorescence spectroscopy and machine learning as non-destructive approach to distinguish two different varieties of greenhouse tomatoes[J]. European food research and technology, 2023, 249(12): 3239-3245.

[82]
王琳琳, 于海业, 张蕾, 等. 基于叶绿素荧光光谱的生菜硝酸盐含量检测[J]. 农业工程学报, 2016, 32(14): 279-283.

WANG L L, YU H Y, ZHANG L, et al. Detection of nitrate content in lettuce based on chlorophyll fluorescence spectrum[J]. Transactions of the Chinese society of agricultural engineering, 2016, 32(14): 279-283.

[83]
徐际童, 金海榕, 佟文玉, 等. 近红外光谱与荧光光谱对比的黄瓜白粉病分割与检测[J]. 光谱学与光谱分析, 2023, 43(6): 1731-1738.

XU J T, JIN H R, TONG W Y, et al. Segmentation and detection of cucumber powdery mildew by comparison of near-infrared and fluorescence spectra[J]. Spectroscopy and spectral analysis, 2023, 43(6): 1731-1738.

[84]
刘翠玲, 李佳琮, 孙晓荣, 等. 基于荧光光谱结合宽度学习的白菜农药残留量检测方法[J]. 农业机械学报, 2023, 54(10): 198-204.

LIU C L, LI J C, SUN X R, et al. Detection of pesticide residues in cabbage based on fluorescence spectroscopy combined with broad learning[J]. Transactions of the Chinese society for agricultural machinery, 2023, 54(10): 198-204.

[85]
陈珏, 李佳琮, 刘翠玲, 等. 荧光光谱技术结合机器学习算法检测大白菜中吡虫啉含量[J]. 食品安全质量检测学报, 2023, 14(13): 134-140.

CHEN J, LI J C, LIU C L, et al. Determination of imidacloprid in cabbage by fluorescence spectroscopy combined with machine learning algorithms[J]. Journal of food safety & quality, 2023, 14(13): 134-140.

[86]
秦艺洋, 黎少财, 张汉, 等. 基于荧光光谱技术的蔬菜表面西维因农药残留检测[J]. 天津农学院学报, 2024, 31(6): 79-84.

QIN Y Y, LI S C, ZHANG H, et al. Detection of carbaryl pesticide residues on vegetable surface based on fluorescence spectroscopy[J]. Journal of Tianjin agricultural university, 2024, 31(6): 79-84.

[87]
王晓燕, 蒋喆臻, 冯小涛, 等. 基于同步荧光与支持向量回归的典型蔬菜农药残留快速检测[J]. 分析试验室, 2023, 42(12): 1571-1575.

WANG X Y, JIANG Z Z, FENG X T, et al. Rapid detection of pesticide residues in typical vegetable based on synchronous fluorescence and support vector regression[J]. Chinese journal of analysis laboratory, 2023, 42(12): 1571-1575.

[88]
SINGH V K. Review: Application of LIBS to elemental analysis and mapping of plant samples[J]. Atomic spectroscopy, 2021, 42(1): 99-113.

[89]
REN J, ZHAO Y R, YU K Q. LIBS in agriculture: A review focusing on revealing nutritional and toxic elements in soil, water, and crops[J]. Computers and electronics in agriculture, 2022, 197: ID 106986.

[90]
王彩虹, 黄林, 杨晖, 等. 蔬菜中Ca含量的LIBS快速检测研究[J]. 江西农业大学学报, 2016, 38(3): 483-487.

WANG C H, HUANG L, YANG H, et al. Rapid detection of Ca in vegetables by LIBS[J]. Acta agriculturae universitatis jiangxiensis, 2016, 38(3): 483-487.

[91]
孙仲谋, 陈宇, 万恩来, 等. 基于激光诱导击穿光谱的洋葱在线原位检测[J]. 原子与分子物理学报, 2022, 39(3): 92-97.

SUN Z M, CHEN Y, WAN E L, et al. Online in situ detection of onion by laser-induced breakdown spectroscopy[J]. Journal of atomic and molecular physics, 2022, 39(3): 92-97.

[92]
黎文兵, 刘木华, 黄林, 等. 激光诱导击穿光谱对蕹菜中Pb元素定量分析研究[J]. 激光与光电子学进展, 2014, 51(9): 224-229.

LI W B, LIU M H, HUANG L, et al. Quantitative analysis of Pb in Ipomoea aquatica by laser-induced breakdown spectroscopy[J]. Laser & optoelectronics progress, 2014, 51(9): 224-229.

[93]
杨晖, 黄林, 刘木华, 等. 激光诱导击穿光谱检测青菜中镉元素的多变量筛选研究[J]. 分析化学, 2017, 45(2): 238-244.

YANG H, HUANG L, LIU M H, et al. Detection of Cd in Chinese cabbage by laser induced breakdown spectroscopy coupled with multivariable selection[J]. Chinese journal of analytical chemistry, 2017, 45(2): 238-244.

[94]
杨晖, 黄林, 陈添兵, 等. 光谱滤波法提高激光诱导击穿光谱对蔬菜中元素Pb的检测精度[J]. 分析化学, 2017, 45(8): 1123-1128.

YANG H, HUANG L, CHEN T B, et al. Spectral filtering method for improvement of detection accuracy of lead in vegetables by laser induced breakdown spectroscopy[J]. Chinese journal of analytical chemistry, 2017, 45(8): 1123-1128.

[95]
潘国璋, 黄一波. 紫外可见吸收光谱法测定蔬菜中亚硝酸盐含量[J]. 天津化工, 2009, 23(1): 59-60.

PAN G Z, HUANG Y B. The determination of nitrate in the boiled vegetables by Uv-vis spectroscopy[J]. Tianjin chemical industry, 2009, 23(1): 59-60.

[96]
赵佩瑾, 槐玉枝, 刘嘉坤. 紫外-可见分光光度法测定蔬菜的抗氧化活性[J]. 食品与药品, 2011, 13(1): 52-54.

ZHAO P J, HUAI Y Z, LIU J K. Determination of antioxidant activity of vegetables by UV-vis spectrophotometry[J]. Food and drug, 2011, 13(1): 52-54.

[97]
叶旭君, OshitaSeiichi, MakinoYoshio, 等. 基于紫外-可见-近红外光谱技术的蔬菜细胞ATP含量无损检测研究[J]. 光谱学与光谱分析, 2012, 32(4): 978-981.

YE X J, OSHITA S, MAKINO Y, et al. Nondestructive measurement of cellular ATP contents in vegetables using UV-vis-NIR spectroscopy[J]. Spectroscopy and spectral analysis, 2012, 32(4): 978-981.

[98]
LI A, YAO C H, XIA J F, et al. Advances in cost-effective integrated spectrometers[J]. Light, science & applications, 2022, 11(1): ID 174.

[99]
LUO R H, POPP J, BOCKLITZ T. Deep learning for Raman spectroscopy: A review[J]. Analytica, 2022, 3(3): 287-301.

[100]
ZHANG X L, YANG J, LIN T, et al. Food and agro-product quality evaluation based on spectroscopy and deep learning: A review[J]. Trends in food science & technology, 2021, 112: 431-441.

[101]
LI X L, LI Z X, YANG X F, et al. Boosting the generalization ability of Vis-NIR-spectroscopy-based regression models through dimension reduction and transfer learning[J]. Computers and electronics in agriculture, 2021, 186: ID 106157.

[102]
DENG J H, MEI C L, JIANG H. Enhancing the application of near-infrared spectroscopy in grain mycotoxin detection: An exploration of a transfer learning approach across contaminants and grains[J]. Food chemistry, 2025, 480: ID 143854.

[103]
SON W K, CHOI Y S, HAN Y W, et al. In vivo surface-enhanced Raman scattering nanosensor for the real-time monitoring of multiple stress signalling molecules in plants[J]. Nature nanotechnology, 2023, 18(2): 205-216.

[104]
GUO Z M, WU X C, JAYAN H, et al. Recent developments and applications of surface enhanced Raman scattering spectroscopy in safety detection of fruits and vegetables[J]. Food chemistry, 2024, 434: ID 137469.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37