番茄是世界范围内广泛栽培的作物，营养价值很高，即是蔬菜又是水果。番茄果实的糖、酸含量决定着番茄果实的口感和风味，而可溶性固形物含量包含由番茄中可溶性糖、酸、维生素等构成，不仅能够反映甜度口感，更是反应番茄内部品质的重要因素。因此，实现对番茄可溶性固形物含量的快速检测对番茄的工业生产和日常生活有着巨大的帮助。
近年来，基于近红外光谱的无损检测在化工、农业等多个领域中得到广泛应用，尤其在农产品品质快速检测方面发展迅速。近红外谱区是电磁波谱中很窄的区段，其波长范围为近红外光谱区介于可见光与中红外光谱区之间，波长范围在780 -2526nm，近红外光谱作为一种分析技术，可以测定有机物及部分无机物。许多物质种等到基团（如Ｏ—Ｈ，Ｃ—Ｈ，Ｈ—Ｎ等）在都有其固定的振动频率。当分子受到近红外线照射时，被激发产生共振，同时光的能量一部分被吸收，测量其吸收光可以得到极为复杂的图谱，这种图谱表示被测物质的特征。不同物质在近红外区域有丰富的吸收光谱，每种成分都有其特定的吸收特征，这就为近红外光谱定量分析提供了基础。
近红外光谱仪用于番茄可溶性固形物的操作流程如下：1.样本及数据的采集：选取表面均匀、光滑无损伤的番茄。采集光谱前将样本放置于实验室，消除温度变化带来的差异。依次编号和标记采集部位，光谱和化学值采集点要同属一个部位。采集好可溶性固形物湿化学数据及光谱数据用于后续建模。另，还要选取校正集样品、以及验证集样品。
2.光谱数据预处理：由于光谱仪采集的数据除有效的信息外,还包含了大量的噪声,如杂散光等。这些因素会给预测结果带来较大误差。因此,需要对光谱数据进行预处理。对比了标准正态变量变换 (standard normal variate,SNV)、多元散射校正(multiplicative scattering correction,MSC)、归一化 (normalization,NOR)和卷积平滑(SG-Smooth,SG)四种预处理方法,以及他们的组合带来的降噪效果。选择*适合的处理方法。下一步骤开始进行建模。
3.确定模型评价指标：近红外光谱模型的评价指标很多,本工作选择的是相关系数R2 、校正均方根误差RMSEC、预测均方根误差RMSEP和交互验证均方根误差RMSECV。其中R2表示光谱数据和化学值的相关性,RMSEC,RMSEP和RMSECV分别表示校正集、预测集和交叉验证的偏差。以R大,RMSEC,RMSEP，RMSECV越小的模型为*优模型。
4.验证模型的预测结果良好后可投入使用，实现对大批量番茄的无损检测，也可考虑继续扩大番茄样本的种类和范围，使模型具有更好的普适性。
在近红外光谱分析应用中经常遇到的一个问题是模型稳健性，包括模型的抗干扰能力和适用范围，提高其适用范围要解决的主要问题即模型传递，在某一仪器上建立的多元校正模型，在另一台相同型号的仪器上使用时其预测结果产生较大的偏差，甚至校正模型根本无法使用。这种情况的发生是因为测量光谱不仅包含了样品组分引起的光谱响应，还包含了仪器、测量条件的特性。模型传递问题是近红外光谱技术中一个重要的问题，直接影响到模型的推广与应用。布鲁克的近红外光谱仪很好的解决了模型传递这一问题，能够实现模型在新旧仪器、不同型号之间***传递。这一问题的解决极大的提高布鲁克近红外光谱仪的实用性，其应用范围也更加广泛。
