基于电气特性和机器学习算法的西红水果质量的非破坏性检测模型的研究
Tingting Wang1, Zhanming Tan1, Yunxia Cheng1
1Key Laboratory of Southern Xinjiang Production and Construction Corps, College of Horticulture and Forestry, Tarim University, Alar, Xinjiang, China.
Frontiers in plant science
|November 14, 2025
概括
这项研究引入了一个新的LSTMAE-XGBoost模型,用于非破坏性番茄质量检测. 它准确地预测了内部质量指标,改进了农产品评估的传统方法.
科学领域:
- 农业科学 农业科学
- 机器学习 机器学习
- 感官科学 感官科学
背景情况:
- 评估番茄内部质量的传统方法具有破坏性和耗时性.
- 需要快速,非破坏性和准确的方法来评估农产品的质量.
研究的目的:
- 开发一种用于非破坏性检测内部番茄质量指标的新型预测方法.
- 集成长期短期内存自动编码器 (LSTMAE) 和XGBoost,以提高预测准确度.
主要方法:
- 从300个番茄样本中收集了电气参数 (电容,电阻,质量因子).
- 对维生素C,可溶糖,可溶蛋白和可定位酸度进行了物理化学分析.
- 开发了一个LSTMAE-XGBoost模型,使用电气和物理化学数据进行非破坏性质量预测.
主要成果:
- LSTMAE-XGBoost模型实现了高预测准确度,确定系数为0.805 (维生素C),0.945 (可溶糖),0.838 (可溶蛋白) 和0.845 (可定位酸度).
- 与传统机器学习模型相比,该模型表现出更高的性能,并提高了高达14.3%的特征提取.
- 该模型有效地同时预测所有四个内部质量指标.
结论:
- LSTMAE-XGBoost是一个有效的组合模型,用于非破坏性检测内部番茄质量指标.
- 该方法为园艺行业的水果质量评估提供了显著的进步.
- 拟议的模型为农产品质量评估提供了有效的技术手段.
