换一批基于CARS-1D-CNN与Vis/NIRS的贡梨SSC检测温度校正方法
Temperature Correction Method for the Detection of Soluble Solids Content in Gongli Pears Based on Vis/NIRS and CARS-1D-CNN
摘要本研究针对可见-近红外光谱(visible/near infrared spectroscopy,Vis/NIRS)检测贡梨可溶性固形物含量(soluble solid contents,SSC)时易受样品温度波动干扰的问题,采用一种融合竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)和一维卷积神经网络(1D convolutional neural network,1D-CNN)回归模型的温度校正方法,并设置6 个温度梯度(5、10、15、20、25、30℃)进行验证.模型输入中引入温度标签作为辅助变量,有助于神经网络感知并适应不同温度条件下的光谱变化,从而提升模型对温度扰动的鲁棒性.将该方法与全局校准、广义最小二乘加权法(generalized least squares weighting,GLSW)、外部参数正交法(external parameter orthogonal,EPO)等温度校正方法进行对比验证.结果显示,CARS-1D-CNN在预测精度与鲁棒性方面优于EPO等传统方法,预测集的相关系数(Rp)和均方根误差分别达到0.885 9和0.548 3.相比本研究中的传统方法EPO,CARS-1D-CNN相关系数提升了2.96%,预测均方根误差降低了2.73%.该方法有效减轻了温度对光谱模型的干扰,提高了模型的稳定性和预测性能.
更多相关知识
关键词
竞争性自适应重加权采样-一维卷积神经网络可见-近红外光谱可溶性固形物含量温度校正competitive adaptive reweighted sampling combined with 1D convolutional neural networkvisible/near infrared spectroscopysoluble solids contenttemperature correction
分类号
O433.4
栏目名称
DOI
10.7506/spkx1002-6630-20250921-152
发布时间
2026-03-25（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家重点研发计划（2022YFD2001804）
- 浏览4
- 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
