基于近红外光谱数据的李子可溶性固形物含量预测模型研究

doi:10.11924/j.issn.1000-6850.casb2024-0452

中国农学通报 ›› 2024, Vol. 40 ›› Issue (31): 133-138.doi: 10.11924/j.issn.1000-6850.casb2024-0452

• 食品·营养·检测·安全 • 上一篇下一篇

基于近红外光谱数据的李子可溶性固形物含量预测模型研究

狄标¹(), 林娟¹, 刘现²()

¹ 福建农林大学计算机与信息学院，福州 350003
² 福建省农业科学院数字农业研究所，福州 350003

收稿日期:2024-07-10 修回日期:2024-09-05 出版日期:2024-11-05 发布日期:2024-11-04
通讯作者:
刘现，女，1985年出生，福建福州人，助理研究员，硕士，研究方向：数字农业。通信地址：350003 福建省福州市鼓楼区华林路188号福建省农业科学院数字农业研究所，Tel：0591-87869364，E-mail：fzhtlx@163.com。
作者简介:
狄标，男，2000年出生，湖南汨罗人，硕士，研究方向：机器学习和智能计算。通信地址：350003 福建省福州市仓山区上下店路15号福建农林大学智慧农林福建省高校重点实验室，Tel：0591-83789216，E-mail：d1biao@163.com。
基金资助:
福建省科技厅自然科学基金资助项目“基于双分支长短期记忆神经网络的福建省碳排放峰值预测研究”(2022J01153); 2023年莆田市科技项目“基于深度学习及光谱成像技术的李子无损检测研究”(2023GM03)

Research on Prediction Model of Soluble Solid Content in Plums Based on Near-Infrared Spectroscopy Data

DI Biao¹(), LIN Juan¹, LIU Xian²()

¹ School of Computer Science and Technology, Fujian Agriculture and Forest University, Fuzhou 350003
² Digital Agriculture Research Institute, Fujian Academy of Agricultural Sciences, Fuzhou 350003

Received:2024-07-10 Revised:2024-09-05 Published:2024-11-05 Online:2024-11-04

摘要/Abstract

摘要：

针对李子可溶性固体物含量预测方法存在前期数据预处理较复杂、预测精度不高、预测模型泛化能力不强的问题，提出针对李子品种的一维卷积神经网络(1D Convolutional Neural Network，1D-CNN)模型。首先针对300个三华李和三月李样本果品构建可溶性固体物含量的近红外光谱数据，并分别设计输入层、一维卷积层、池化层与全连接层和输出层等多层结构构建1D-CNN模型。模型决定系数为0.980、均方根误差为0.192，表现均优于支持向量回归、随机森林等传统机器学习方法，并且作为轻量级模型，具有建模过程简便、泛化能力强的特点，可满足实际场景需求。

关键词: 近红外光谱, 可溶性固形物, 一维卷积神经网络, 李子, 深度学习

Abstract:

To address the issues of complex data preprocessing, low prediction accuracy, and poor generalization capability of existing methods for predicting the soluble solid content (SSC) of plums, a one-dimensional convolutional neural network (1D-CNN) model specifically for plum varieties is proposed. Near-infrared (NIR) spectral data were constructed for 300 samples of Sanhua and Sanyue plums to predict their SSC. And the multi-layer structures such as input layer, one-dimensional convolution layer, pooling layer and full connection layer and output layer were designed to construct 1D-CNN model. Comparative experiments demonstrated that the model achieved a coefficient of determination (R²) of 0.980 and a root mean square error (RMSE) of 0.192, outperforming traditional machine learning methods such as support vector regression and random forest. As a lightweight model, it offers simplicity in the modeling process and strong generalization capability, making it suitable for practical applications.

Key words: near-infrared spectroscopy, soluble solids content, one-dimensional convolutional neural network, plum, deep learning

狄标, 林娟, 刘现. 基于近红外光谱数据的李子可溶性固形物含量预测模型研究[J]. 中国农学通报, 2024, 40(31): 133-138.

DI Biao, LIN Juan, LIU Xian. Research on Prediction Model of Soluble Solid Content in Plums Based on Near-Infrared Spectroscopy Data[J]. Chinese Agricultural Science Bulletin, 2024, 40(31): 133-138.

图/表 8

参考文献 27

[1]	张仲雄, 刘昊灵, 魏子朝, 等. 苹果霉心病不同光谱检测方式对比研究[J]. 光谱学与光谱分析, 2024, 44(3):883-890.
[2]	毛欣然, 夏静静, 徐惟馨, 等. 手持式近红外光谱仪测定梨三种品质指标通用模型建模方法研究[J]. 光谱学与光谱分析, 2024, 44(2):406-412.
[3]	罗东杰, 王勐, 张小栓, 等. 基于Vis/NIR光谱传感的鲜食葡萄糖度检测系统[J]. 光谱学与光谱分析, 2023, 43(7):2146-2152.
[4]	宋丽华, 刘立峰, 陈焕英, 等. 花生籽仁蛋白质含量近红外光谱模型的建立[J]. 中国农学通报, 2011, 27(15):85-89.
[5]	李振, 侯名语, 崔顺立, 等. 花生籽仁黄酮含量近红外分析检测方法[J]. 光谱学与光谱分析, 2024, 44(4):1112-1116.
[6]	丁坤, 项安. 近红外高光谱成像技术结合偏最小二乘-判别分析所建模型快速鉴定核桃仁的品质[J]. 理化检验(化学分册), 2023, 59(7):844-848.
[7]	鹏瑶, 卞希慧, 王姿方, 等. 光谱预处理方法选择研究[J]. 光谱学与光谱分析, 2019, 39(9):2800-2806.
[8]	METLENKIN D A, PLATOV Y T, PLATOVA R A, et al. Non-destructive identification of defects and classification of Hass avocado fruits with the use of a hyperspectral image[J]. Agronomy research, 2022, 20(2):326-340.
[9]	原帅, 张娟, 刘美娟, 等. 基于主成分回归分析和偏最小二乘回归法的樱桃糖度检测的研究[J]. 分析科学学报, 2016, 32(4):553-556.
[10]	宋丽芳, 廖桂平, 陈敏, 等. 基于机器学习的油菜叶片水分含量高光谱估测[J]. 中国农业科技导报, 2024, 26(5):110-119.
[11]	CEVOLI C, IACCHERI E, FABBRI A, et al. Data fusion of FT-NIR spectroscopy and Vis/NIR hyperspectral imaging to predict quality parameters of yellow flesh "Jintao" kiwifruit[J]. Biosystems engineering, 2024,237:157-169.
[12]	郭阳, 郭俊先, 史勇, 等. CARS-SVM预测哈密瓜可溶性固形物含量[J]. 食品与机械, 2021, 37(6):81-85.
[13]	杨宝华, 高志伟, 齐麟, 等. 高光谱影像的鲜桃可溶性固形物含量预测模型[J]. 光谱学与光谱分析, 2021, 41(11):3559-3564.
[14]	吴爽, 李国建, 介邓飞. 基于深度学习的西瓜可见/近红外光谱可溶性固形物预测模型研究[J]. 食品与机械, 2020, 36(12):132-135.
[15]	孙海霞, 王润润, 张淑娟, 等. 基于可见/近红外光谱技术的玉露香梨可溶性固形物含量检测[J]. 农产品加工, 2023(14):46-48.
[16]	宋白玉, 张瑞鑫, 庄程翔, 等. 基于近红外光谱技术的草莓可溶性固形物与糖度的检测分析[J]. 科技与创新, 2023(7):9-12.
[17]	崔天宇, 卢中领, 薛琳, 等. 基于近红外反射光谱的番茄糖分快速检测模型研究[J]. 光谱学与光谱分析, 2023, 43(4):1218-1224.
[18]	ZHENG Y J, CAO Y C, YANG J, et al. Enhancing model robustness through different optimization methods and 1-D CNN to eliminate the variations in size and detection position for apple SSC determination[J]. Postharvest biology and technology, 2023, 205(1).
[19]	GUO Z M, ZHAI L X, ZOU Y, et al. Comparative study of Vis/NIR reflectance and transmittance method for on-line detection of strawberry SSC[J]. Computers and electronics in agriculture, 2024,218.
[20]	尚静, 孟庆龙, 张艳, 等. 紫外/可见光谱技术无损检测李子可溶性固形物含量[J]. 食品工业科技, 2020, 41(3):228-231.
[21]	SHEN L X, WANG H H, LIU Y, et al. Prediction of soluble solids content in green plum by using a sparse autoencoder[J]. Applied sciences, 2020, 10(11):3769.
[22]	ZHANG X, ZHOU C X, SUN Q, et al. Prediction of solid soluble content of green plum based on improved CatBoost[J]. Agriculture-basel, 2023, 13(6):1122-1122.
[23]	REDDY V K, SUHASINI A, BALARAM V V S S S. xACO_1D-CNN: Ant colony optimization based 1D-Convolution Neural Network based fruit grading and classification[J]. International journal of intelligent systems and applications in engineering, 2023, 11(1S):130-144.
[24]	PANDISELVAM R, PRITHVIRAJ V, MANIKANTAN M R, et al. Recent advancements in NIR spectroscopy for assessing the quality and safety of horticultural products: A comprehensive review[J]. Frontiers in nutrition, 2022,9:973457.
[25]	唐杰, 罗彦波, 李翔宇, 等. 基于近红外光谱数据的一维卷积神经网络模型研究[J]. 光谱学与光谱分析, 2024, 44(3):731-736.
[26]	李盛芳, 贾敏智, 董大明. 随机森林算法的水果糖分近红外光谱测量[J]. 光谱学与光谱分析, 2018, 38(6):1766-1771.
[27]	王菲菲, 刘彭, 孙凤伟, 等. 基于支持向量机和压力传感器的水果分类系统[J]. 食品与机械, 2023, 39(9):83-88.

评价指标	三华李		三月李
评价指标	训练集	测试集	训练集	测试集
R²	0.832	0.980	0.978	0.972
MSE	0.203	0.037	0.054	0.072
RMSE	0.451	0.192	0.233	0.269
MAE	0.361	0.128	0.174	0.158
MRE	2.978	1.061	2.203	2.146
CORR	0.917	0.990	0.988	0.986

评价指标	三华李		三月李
评价指标	训练集	测试集	训练集	测试集
R²	0.832	0.980	0.978	0.972
MSE	0.203	0.037	0.054	0.072
RMSE	0.451	0.192	0.233	0.269
MAE	0.361	0.128	0.174	0.158
MRE	2.978	1.061	2.203	2.146
CORR	0.917	0.990	0.988	0.986

评价指标	SVR		RF		1D-CNN
评价指标	训练集	测试集	训练集	测试集	训练集	测试集
R²	0.785	0.592	0.948	0.820	0.832	0.980
MSE	0.258	0.792	0.062	0.348	0.203	0.037
RMSE	0.508	0.890	0.249	0.590	0.451	0.192
MAE	0.288	0.507	0.125	0.344	0.361	0.128
MRE	2.441	3.827	1.02	2.667	2.978	1.061
CORR	0.891	0.786	0.979	0.933	0.917	0.990

评价指标	SVR		RF		1D-CNN
评价指标	训练集	测试集	训练集	测试集	训练集	测试集
R²	0.785	0.592	0.948	0.820	0.832	0.980
MSE	0.258	0.792	0.062	0.348	0.203	0.037
RMSE	0.508	0.890	0.249	0.590	0.451	0.192
MAE	0.288	0.507	0.125	0.344	0.361	0.128
MRE	2.441	3.827	1.02	2.667	2.978	1.061
CORR	0.891	0.786	0.979	0.933	0.917	0.990

评价指标	SVR		RF		CNN
评价指标	训练集	测试集	训练集	测试集	训练集	测试集
R²	0.716	0.763	0.963	0.882	0.978	0.972
MSE	0.695	0.620	0.090	0.308	0.054	0.072
RMSE	0.834	0.787	0.301	0.555	0.233	0.269
MAE	0.555	0.566	0.185	0.325	0.174	0.158
MRE	8.015	8.482	2.608	4.566	2.203	2.146
CORR	0.846	0.878	0.984	0.940	0.988	0.986

基于近红外光谱数据的李子可溶性固形物含量预测模型研究

Research on Prediction Model of Soluble Solid Content in Plums Based on Near-Infrared Spectroscopy Data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 27

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	周雪薇, 王敏, 邢燕丽, 麦合木提·图如普, 韩守安, 艾尔买克·才卡斯木, 潘明启, 张雯. 外源生物活性物质对‘无核紫’葡萄果实品质的影响[J]. 中国农学通报, 2024, 40(31): 36-43.
[2]	李边豪, 张国良, 李鹏程, 赵宏亮, 闫飞宇, 黄志炜, 牛远, 齐波, 张林青, 范松. 机器视觉在稻种识别和分类上的应用进展[J]. 中国农学通报, 2024, 40(31): 152-158.
[3]	颜丽菊, 蒋芯, 陈安南, 朱安娜, 王军. ‘东魁’杨梅果实色泽指标及果实内在品质相关性[J]. 中国农学通报, 2023, 39(10): 136-143.
[4]	郝菁, 贾宗维. 基于图像识别的苹果叶片病害识别模型对比研究[J]. 中国农学通报, 2022, 38(12): 153-158.
[5]	胡圣英, 任红波, 张军, 孟利. 大米产地溯源方法研究进展[J]. 中国农学通报, 2020, 36(14): 148-155.
[6]	刘亚柏. 几种水溶肥喷施对草莓产量及品质的影响[J]. 中国农学通报, 2019, 35(16): 77-81.
[7]	刘永波,雷波,曹艳,唐江云,胡亮. 基于深度卷积神经网络的玉米病害识别[J]. 中国农学通报, 2018, 34(36): 159-164.
[8]	程曦,吴云志,张友华,乐毅. 基于深度卷积神经网络的储粮害虫图像识别[J]. 中国农学通报, 2018, 34(1): 154-158.
[9]	何艳丽,孙武勇,魏东伟. 近红外光谱技术在棉纤维品质检测和产地溯源中的研究进展[J]. 中国农学通报, 2017, 33(9): 146-149.
[10]	徐琢频,范爽,程维民,林晏清,王琦,刘晶,刘斌美,陶亮之,吴跃进. 基于DPLS-CSM 优化的NIRS 杂交水稻种子真伪快速无损鉴定[J]. 中国农学通报, 2017, 33(2): 142-149.
[11]	方世诚,唐延林,方智文,魏晓楠,刘芸. 烟叶化学成分协调性的近红外光谱检测模型研究[J]. 中国农学通报, 2015, 31(26): 90-95.
[12]	杜雪燕,王迅,柴沙驼. 天然牧草营养成分的近红外光谱定量分析[J]. 中国农学通报, 2015, 31(17): 6-11.
[13]	魏晓楠,唐延林. 不同烘烤条件下烤烟纤维素的近红外光谱检测模型研究[J]. 中国农学通报, 2015, 31(17): 65-69.
[14]	胡新军,韩小霞,粟建文,袁祖华,李勇奇. 中国南瓜可溶性固形物含量的主基因+多基因遗传分析[J]. 中国农学通报, 2015, 31(10): 69-73.
[15]	王静,张晓煜,杨洋,张磊,李红英,段晓凤,马国飞,张学艺. 宁夏杏、李子花期幼果期霜冻指标试验研究[J]. 中国农学通报, 2015, 31(1): 93-98.