在不同的包装处理下预测果质量指标,使用高光谱成像与堆叠SDAE-PLSR-RR深度学习模型集成
Hongyan Zhu1,2, Hao Yu1,2, Shikai Liang1,2
1Guangxi Key Laboratory of Brain-Inspired Computing and Intelligent Chips, School of Electronic and Information Engineering, Guangxi Normal University, Guilin, China.
Journal of food science
|December 15, 2025
概括
一个新的堆叠模型 (SDAE-PLSR-RR) 使用高光谱成像和深度学习进行非破坏性果质量评估. 这种方法可以准确预测不同包装处理的果中的可溶性固体含量 (SSC) 和颜色指数.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 频谱学是一种光谱学.
背景情况:
- 果的质量指标,如颜色指数 (L*,a*,b*) 和可溶性固体含量 (SSC),对于分类至关重要.
- 传统的破坏性方法在快速分类果方面效率低下,使用各种包装处理.
研究的目的:
- 开发一种新的堆叠模型 (SDAE-PLSR-RR),集成高光谱成像和深度学习,用于非破坏性的果质量检测.
- 分析不同袋装处理 (无袋装,网袋装,纸袋装) 的富士果的光谱空间特征.
主要方法:
- 超光谱成像被用来捕获307个富士果的数据.
- 一个堆叠的无声自编码器 (SDAE) 提取了非线性深度特征.
- 部分最小平方回归 (PLSR) 处理了原始波长的线性趋势.
- 斜坡回归 (RR) 融合了来自SDAE和PLSR模型的预测.
主要成果:
- 对于质量指标,SDAE-PLSR-RR模型实现了高预测准确度 (R2p > 0.84).
- 这种模型的性能优于全频谱 (R2p > 0.73) 和基于特征波长的模型 (R2p > 0.75).
- 该模型证明了不同袋装处理的果的有效性.
结论:
- 综合超光谱成像和神经网络模型 (SDAE-PLSR-RR) 是有效的非破坏性质量检测.
- 这种方法为基于质量指标的果快速分类提供了可靠的解决方案.
- 这项研究证实了深度学习和高光谱成像在农业应用中的协同作用.
