基于近红外光谱技术与统计方法, 提出了一种樱桃番茄内部品质快速、 无损检测方法。 首先采集样品的近红外光谱, 采用多元散射校正(MSC)、 Savitzky-Golay卷积平滑(SG)、 Savitzky-Golay卷积一阶导数(SG 1st)、 去趋势化(De-trending)、 变量标准化(SNV)5种预处理方法消除光谱干扰, 筛选出最佳预处理方法; 然后采用连续投影算法(SPA)、 稳定性竞争性自适应重加权算法(SCARS)、 遗传算法(GA), 以及引入自动有序预测因子选择算法进行改进的遗传算法(IGA)4种特征波长提取方法减少变量冗余, 选择最优特征波长提取方法; 最后结合回归方法——将冯诺依曼拓扑结构、 轮盘赌选择、 锦标赛选择和自适应权重与鲸鱼算法相结合来对算法进行改进, 采用改进的鲸鱼算法优化最小二乘支持向量机方法(IWOA-LSSVM), 与基于粒子群算法优化的BP神经网络方法(PSO-BPNN)和基于鲸鱼算法优化的最小二乘支持向量机方法(WOA-LSSVM)进行对比, 分别建立樱桃番茄内部品质含量的预测模型。 结果表明： 樱桃番茄内部品质中的可溶性固形物(SSC)含量使用De-trending-IGA-IWOA-LSSVM模型效果最佳, 其中校正集决定系数和预测集决定系数分别是0.917 2和0.866 7, 校正均方根误差和预测均方根误差为0.542 3和0.768 2, 预测相对误差达到2.592 9; 维生素C(VC)含量使用SG-IGA-IWOA-LSSVM模型预测效果最准确, 其中校正集决定系数和预测集决定系数分别为0.857 6和0.821 6, 校正均方根误差和预测均方根误差分别是0.661 4和0.634 2, 预测相对误差达到2.078 5。 以上结果表明, 采用近红外光谱技术与统计方法结合可实现对樱桃番茄内部品质的快速无损预测分析。

圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要, 但基于高光谱成像及介电性质特征的SSC检测技术存在局限性, 且目前鲜见圣女果SSC无损检测模型。 为实现圣女果SSC的无损检测, 提出基于圣女果可见/近红外光谱特征的SCC预测模型构建, 及改进的BP神经网络算法研究, 以期解决圣女果内部品质的快速无损检测。 以圣女果为研究对象, 试验样本188个, 将其划分为训练集150个和测试集38个, 采用可见/近红外光谱采集系统获取350～1 000 nm范围内的圣女果表面反射强度, 经光谱校正得样本反射率, 为增强信噪比, 截取481.15～800.03 nm范围内的光谱波段作为有效波段进行分析。 通过对比三种预处理模型, 对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理, 建立BP神经网络预测模型, 测试集决定系数(R2)和均方根误差(RMSE)分别为0.578 5和0.563 9; 在此基础上, 对BP神经网络的网络结构进行改进, 寻求BP神经网络最优预测结构, 计算输出层与期望值间误差, 调整网络结构参数, 将隐含层学习率和神经元个数分别设置为0.01和5, 建立改进的BP神经网络模型(SG-IBP), 测试集R2和RMSE分别为0.981 2和0.102 3; 通过竞争自适应重加权采样算法(CARS)筛选出18个特征波段, 测试集R2和RMSE分别为0.997 8和0.047 9, 同时检测速度显著提升。 研究结果表明: 经过改进的BP神经网络模型性能明显提高, 通过CARS提取特征波段后, 测试集R2提高了0.419 3, RMSE降低了0.516, 检测速度明显提升。 采用CARS提取特征波段的改进BP神经网络模型(SG-CARS-IBP)具有明显的优越性, SG-CARS-IBP模型较为适合圣女果SSC无损检测研究。 该研究可为圣女果SCC的高效无损检测提供参考。

现在樱桃市场上存在着大量以次充好的不良现象, 严重损害了名牌樱桃的品牌经济效益, 所以亟需一种能对不同产地樱桃实现快速无损鉴别的技术。 拉曼光谱溯源技术作为光谱溯源技术的一种, 由于具有快速、 高效、 无污染、 无损分析等优点, 逐渐得到相关研究者的重视。 长短期记忆（LSTM）网络是一种具有记忆性的反馈神经网络, 它是循环神经网络的一种变体。 LSTM网络克服了循环神经网络中梯度消失的缺点, 适合处理序列敏感的问题和任务, 目前被广泛应用在语音识别、 图像识别和手写识别等领域, 但LSTM网络在产地溯源方面的应用还有待研究。 基于此, 提出了一种LSTM网络与拉曼光谱技术结合的能对不同产地樱桃实现快速无损鉴别的技术。 将来自美国、 山东和四川的369个樱桃作为研究样本, 用拉曼光谱仪在785 nm激光下获得了不同产地樱桃的光谱数据。 并且以每条经过基线校正后的拉曼光谱数据作为网络输入数据, 基于LSTM网络构建了能对不同产地樱桃实现快速鉴别的判别模型, 并且以样本判别准确率A、 样本精确率P、 样本召回率R和样本F值作为评价指标, 探究了不同预处理方法对LSTM网络判别模型性能的影响。 结果表明: 当样本训练集和测试集的比例为85∶38时, 直接采用原始拉曼光谱数据的LSTM网络模型的产地鉴别能力不高, 鉴别准确率为79.87%。 但当使用预处理过后的拉曼光谱数据, 模型的鉴别准确率维持在92%以上。 并且光谱经过SG+MSC预处理后模型的鉴别准确度最好, 鉴别准确率达99.12%。 同时在采用SG+MSC预处理的方法下, LSTM网络鉴别模型的精确率、 召回率、 F值均较高, 表明了所提出的LSTM网络模型有较好的性能可实现对不同产地樱桃的鉴别, 为樱桃的产地溯源提供了一种新的思路。

近年来随着一系列食品安全事件的发生， 人们越来越关注食品安全问题。 有机食品被认为是一种安全和有益于环保的食品， 需求量逐年增加。 采用电感耦合等离子体-原子发射光谱（ICP-AES）法对有机樱桃番茄和常规生产的樱桃番茄的Ca， Mg， K， Zn， Fe， Mn等必需元素和Cu， Cd和Pb等重金属元素含量进行了测定， 同时对水分含量、 总可溶性固形物、 可溶性总糖、 维生素C等含量进行了测定。 结果发现有机栽培番茄中K、 Ca和Zn的含量较常规栽培的分别高出4.52%， 129.81%和65.43%， Mn的含量较常规栽培番茄低11.22%差异显著（α=0.05）。 有机番茄中有益金属Mg， Fe与有害重金属Cu， Pb， Cd的含量与常规栽培的差异都不显著。 有机栽培与常规栽培的番茄中可溶性糖、 维生素C的含量亦都没有显著差异，　但可溶性固形物、 可溶性蛋白含量显著高于常规栽培的番茄。 本文通过研究两种樱桃番茄营养成分和矿物元素含量的不同， 为有机蔬菜的品质和安全性提供理论数据。