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。

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。