换一批基于DCGAN数据增强的樱桃番茄可溶性固形物含量光谱检测方法
Spectroscopic Method for Detection of Soluble Solid Content in Cherry Tomato Using Deep Convolutional Generative Adversarial Network-Based Data Augmentation
摘要针对樱桃番茄在实际检测中样品数不足的特点,本研究提出一种深度卷积生成对抗网络(deep convolutional generative adversarial network,DCGAN)模型以同时扩充光谱数据及可溶性固形物含量(soluble solids content,SSC)标签数据,并建立一维卷积神经网络回归(one dimensional-convolutional neural networks regression,1D-CNNR)模型以提高模型的预测精度和泛化能力.为了比较,分别建立偏最小二乘回归(partial least squares regression,PLSR)模型和支持向量机回归(support vector regression,SVR)模型.将原始80 个样品数据集、1 000 个样品的DCGAN扩充数据集和1 080 个样品的合并数据集,分别结合1D-CNNR、SVR及PLSR进行建模与预测.为了进一步验证模型的泛化能力,一批新的总数为40 个样品的樱桃番茄数据作为上述3 个模型的新测试集.结果显示,使用合并数据集划分所得校正集进行1D-CNNR建模后,模型为最优的SSC回归检测模型.此时1D-CNNR面向合并样品测试集的预测准确率最高,预测相关系数rp=0.980 7,均方根误差RMSEp=0.192 9;与SVR与PLSR对比,1D-CNNR面向新的40 个样品数据集的预测准确率也最高,其rp=0.963 8,RMSEp=0.224 5.本研究可为有效准确检测樱桃番茄的可溶性固形物含量提供一种新思路.
更多相关知识
关键词
樱桃番茄可溶性固形物含量可见-近红外漫反射光谱深度卷积生成对抗网络一维卷积神经网络cherry tomatoessoluble solids contentvisible-near-infrared spectroscopydeep convolutional generative adversarial networksone-dimensional convolutional neural networks
栏目名称
DOI
10.7506/spkx1002-6630-20240713-131
发布时间
2025-01-04（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（52265046）
- 浏览3
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
