一维CNN干物质检测模型

在线检测更精准

基于可见近红外透射光谱，利用深度学习模型实现对马铃薯干物质含量的高精度在线预测。

Guo, Yalin · Zhang, Li'na · Zhenlong, Li · He, Yakai · Lv, Chengxu · Yongnan, Chen · Lv, Huangzhen · Du, Zhilong

Agriculture (Switzerland) 2024

参数信息

预测决定系数

0.934

预测均方根误差

0.0603 g/100 g

预测决定系数

0.913

预测均方根误差

0.0695 g/100 g

技术优势

精度胜过传统PLS

1D-AlexNet模型的R²P达到0.934，相比UVE-PLS的0.770提升了21.31%，预测误差大幅降低。

小样本也训得动

通过数据增强策略，模型在可见近红外光谱数据有限的情况下仍具有良好的鲁棒性和泛化能力。

在线实时可部署

利用600–900 nm透射光谱和深度学习模型，可实现马铃薯干物质含量的实时在线检测，无需取样破坏。

应用场景

• 马铃薯品质检测：用光谱在线预测干物质含量，替代破坏性取样和实验室化学分析。
• 农产品光谱分析：用一维CNN从可见近红外光谱中自动提取特征，提高定量分析精度。
• 智能传感与物联网：模型可嵌入在线检测设备，实现马铃薯品质参数的实时传感与数据采集。
• 在线光谱仪器：为在线光谱仪器提供高精度深度学习算法，提升干物质检测性能。