基于CNN和近红外光谱的蜜柑SSC预测模型研究

针对抽样化验等传统果实品质检测方法具有破坏性以及现有回归预测模型存在光谱信息损失和特征提取不够完备等问题,提出基于近红外光谱分析技术和一维卷积神经网络(1D-CNN)实现蜜柑果实可溶性固形物含量预测的模型和方法。采集蜜柑的近红外光谱和测定可溶性固形物含量建立数据集。并通过试验对比确定使模型性能最优的网络结构深度、卷积核尺寸和数量、有无批量归一化(BN)层、池化方式、全连接层深度和Dropout值等网络结构参数,形成包含2层卷积层、2层BN层,2层最大池化层和2层全连接层的一维卷积神经网络,并设置Dropout值为0.2。与偏最小二乘回归、主成分回归和支持向量机回归预测模型的性能对比试验表明:提出的1D-CNN模型预测精度和模型稳定性均优于传统回归预测算法,其验证集上的均方根误差为0.3339,决定系数为0.8655,能够实现对蜜柑近红外光谱数据特征的有效提取和对蜜柑可溶性固形物含量的无损检测。