基于1D-CNN-RF的梨果可见/近红外糖度预测模型

摘要

[目的]为了提高基于可见/近红外技术预测梨果糖度的精度，本文提出了一种新的1D-CNN-RF模型，旨在通过结合一维卷积神经网络(1D-CNN)的深度特征提取与随机森林(RF)的强大集成学习能力，实现更精准的糖度预测。[方法]选择Maya 2000 Pro海洋光学光谱仪采集梨果样本的光谱数据，并通过标准正态变换(SNV)和多元散射校正(MSC)方法对原始光谱实施降噪预处理，随后采用竞争性自适应重加权算法(CARS)对处理后的光谱进行特征波长选取。1D-CNN-RF模型结合了1D-CNN抽取的深层次特征与未经处理的原始特征，共同输入至RF模型进行学习与预测。其中，该模型提取的特征是整合了多个特征波长和它们之间的关系后的复杂特征向量，能更全面地对梨果糖度进行预测。将其与支持向量机(SVM)、最小二乘支持向量机(LSSVM)、RF、1D-CNN这4种预测模型进行综合对比分析。[结果]1D-CNN-RF在所有预测模型中的预测精度最高，且库尔勒香梨果样本的预测效果最佳，其训练集决定系数R■为0.962,预测集决定系数R■为0.954。[结论]本文提出的基于1D-CNN-RF的梨果可见/近红外糖度预测模型为梨果糖度的非破坏性快速检测提供了高效可靠的模型参考。

关键词

可见/近红外技术 / 梨果 / 糖度 / 预测模型 / 无损检测