一維卷積神經(jīng)網(wǎng)絡的手持式可見/近紅外柑橘可溶性固形物含量無損檢測系統(tǒng)

蔡健榮, 黃楚鈞, 馬立鑫, 翟利祥, 郭志明, 3*

1. 江蘇大學食品與生物工程學院, 江蘇 鎮(zhèn)江 212013

2. 江蘇省智能農(nóng)業(yè)與農(nóng)產(chǎn)品加工國際合作聯(lián)合實驗室, 江蘇 鎮(zhèn)江 212013

3. 現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點實驗室(江蘇大學), 江蘇 鎮(zhèn)江 212013

引 言

柑橘是我國消費量最高的水果品種之一, 因其水分含量高、 營養(yǎng)豐富且風味獨特而日益受到消費者的青睞。 隨著人們生活水平的不斷改善, 消費者由柑橘的大小、 顏色等外部品質(zhì), 轉(zhuǎn)向更加關注柑橘以可溶性固形物含量(soluble solids content, SSC)為主的內(nèi)在品質(zhì)。 因此柑橘產(chǎn)業(yè)需要內(nèi)部品質(zhì)快速無損檢測技術(shù)進行分級和評價, 提高柑橘品質(zhì)一致性與商品化處理水平。

近年來, 無損檢測技術(shù)由于其低能耗、 實時、 快速等特點被廣泛使用, 主要包括光譜、 電子鼻、 機器視覺、 超聲傳感、 核磁共振等技術(shù)[1]。 其中近紅外光譜技術(shù)由于能夠從特定波段反映出待測物內(nèi)不同的化學組分, 被廣泛用于水果內(nèi)部品質(zhì)的檢測。 目前已開發(fā)了便攜式水果內(nèi)部品質(zhì)無損檢測設備[2]。 這些便攜式設備主要以微型光譜儀為核心, 輔助嵌入式系統(tǒng)、 光源、 電源、 散熱器等, 已用于檢測蘋果[3]、 大桃[4]、 獼猴桃[5]、 番茄[6]等水果的多種品質(zhì)指標。 但是光源多為鹵鎢燈, 能耗高且易導致水果熱損傷, 影響檢測精度; 光譜儀的探測器響應范圍寬, 導致采集的光譜包含大量冗余信息, 影響計算速度和成本; 部分設備需與計算機連接采集光譜, 攜帶不便; 每臺儀器獨自建模, 人工操作復雜, 這些因素已成為水果內(nèi)部品質(zhì)無損檢測未能實用化的技術(shù)瓶頸[7]。

本研究設計基于寬譜LED光源及云技術(shù)的便攜式柑橘內(nèi)部品質(zhì)檢測系統(tǒng), 其中采用寬譜LED光源和特征響應窄帶光電探測器, 滿足便攜、 操作簡便、 低成本、 低功耗等需求; 結(jié)合基于物聯(lián)網(wǎng)的云端數(shù)據(jù)系統(tǒng), 便于模型優(yōu)化更新。 同時, 設計了一種新的一維卷積神經(jīng)網(wǎng)絡, 用于分析柑橘的可溶性固形物含量。 該算法相比于傳統(tǒng)偏最小二乘法等多元校正算法, 克服了運算速度慢, 預測不準確的缺點。 進一步研究遷移學習方法在裝置之間的模型傳遞以提升其拓展性。 為提高我國柑橘的經(jīng)濟附加值, 提高農(nóng)民的經(jīng)濟效益提供幫助。

1 實驗部分

1.1 硬件系統(tǒng)設計

柑橘可溶性固形物含量手持式無損檢測系統(tǒng)由手持式柑橘可溶性固形物含量無損檢測儀與柑橘光譜儀云端數(shù)據(jù)系統(tǒng)兩部分構(gòu)成。 手持式無損檢測儀獲取的柑橘光譜數(shù)據(jù), 通過4G/5G模塊上傳到云端服務器, 光譜數(shù)據(jù)可在云端數(shù)據(jù)平臺查看和下載。 此外, 模型可上載至云服務器, 便于模型更新, 檢測系統(tǒng)將光譜數(shù)據(jù)上傳后調(diào)用云模型進行計算, 檢測結(jié)果返回至液晶顯示屏, 整體所用時間<2 s。

手持式水果內(nèi)部品質(zhì)無損檢測儀的裝置結(jié)構(gòu)圖如圖1所示, 其硬件系統(tǒng)主要由寬譜LED光源、 微型光譜儀、 單片機及其相關電路、 可充電鋰電池、 黑色軟墊圈、 液晶顯示屏、 通訊模塊等部分組成。 無損檢測儀尺寸為50 mm×120 mm×30 mm, 可以單手完成操作。

圖1 手持式柑橘可溶性固形物含量無損檢測儀示意圖

在近紅外光譜技術(shù)無損檢測水果可溶性固形物含量的過程中, 通常需要檢測器在700～900 nm波段具有較高的靈敏度, 這是由于與可溶性固形物相關的含氫基團在該波段有響應。 一般的無損檢測裝置通常選用鹵素燈光源, 但鹵素燈成本高, 功率大, 產(chǎn)熱多。 本研究定制化開發(fā)波長范圍在600～1 000 nm均具有高照度的LED光源, 比較適合柑橘可溶性固形物含量無損檢測。 為提高柑橘光譜漫反射式區(qū)域性信號采集的代表性, 光源模塊設計過程選用14個呈圓周對稱排布的定制寬譜LED頻閃光源, 該光源主要增強了LED光源在750～900 nm波段范圍的能量, 且每個燈珠的功率僅為3 mW。 相較于鹵素燈, 具有功耗低、 使用壽命長、 體積小的優(yōu)點。

隨著微機電加工技術(shù)的發(fā)展, 微型可見/近紅外光譜儀的開發(fā)廣受關注, 因此近年來國內(nèi)外研究人員開發(fā)的基于可見/近紅外光譜技術(shù)的便攜式檢測設備, 大多使用微型光譜儀作為硬件系統(tǒng)的核心。 本系統(tǒng)光譜采集模塊選用C14384MA-01超緊湊型可見近紅外光電傳感器(日本, 濱松), 其體積為11.5 mm×4.0 mm×3.1 mm, 質(zhì)量為0.3 g, 光學分辨率為1 000 nm, 波長響應范圍為640～1 050 nm, 成本低的同時具有結(jié)構(gòu)緊湊、 精密度高、 重量輕的特點。 用漫反射的方式采集柑橘光譜, 檢測時柑橘樣本置于探頭上, 使其赤道部位緊貼中心位置的接收探測器, LED光源發(fā)出的光經(jīng)與水果作用后, 光譜信號被光電探測器獲取, 并進行相應的模組轉(zhuǎn)換。

手持式水果內(nèi)部品質(zhì)無損檢測系統(tǒng)的示意圖如圖2所示。 RISC微處理器選用ARM(Advanced RISC Machine)處理器, 主要功能模塊由可編程邏輯門陣列(field programmable gate Array, FPGA)負責實現(xiàn)。 柑橘光譜信號被分光傳感器接受后, 經(jīng)16位ADC模數(shù)轉(zhuǎn)換芯片轉(zhuǎn)換成數(shù)字模擬信號。 之后光譜數(shù)據(jù)通過4G/5G模塊傳到水果光譜儀云端數(shù)據(jù)系統(tǒng)中, 調(diào)用云端模型進行SSC預測, 預測結(jié)果將傳回手持式儀器, 并在液晶顯示屏上顯示。 此外ARM上還添加了溫度傳感器接口, 可以得到光譜采集時段的溫度數(shù)據(jù), 后續(xù)可進行溫度補償以提高檢測精度。

圖2 手持式柑橘可溶性固形物含量可見/近紅外無損檢測系統(tǒng)示意圖

1.2 水果光譜儀云端數(shù)據(jù)系統(tǒng)設計

水果光譜儀云端數(shù)據(jù)系統(tǒng)是一個基于物聯(lián)網(wǎng)技術(shù)的數(shù)據(jù)庫系統(tǒng), 可以通過4G/5G模塊與手持式無損檢測終端進行交互。 其主要功能模塊如圖3所示, 主要包括用戶庫、 設備庫、 檢測數(shù)據(jù)庫和模型庫。 用戶庫包括普通用戶和管理員, 普通用戶可以管理用戶信息與查詢信息, 管理員有維護數(shù)據(jù)及管理其他用戶的權(quán)限。 設備庫可以查詢每臺設備的硬件信息, 還可以修改曝光時間以及脈寬調(diào)制值等光譜采集參數(shù)。 成功采集光譜后, 檢測數(shù)據(jù)庫支持下載光譜數(shù)據(jù), 同時還會顯示檢測時段溫度等相關信息。 此外, 模型庫還可以調(diào)用云模型直接計算得到柑橘可溶性固形物含量, 具有較高的實用性。

圖3 水果光譜儀云端數(shù)據(jù)系統(tǒng)功能模塊

1.3 材料及柑橘光譜采集

在鎮(zhèn)江當?shù)厮袌霾少復庥^均勻、 無損傷病害的澳洲柑橘180個, 先在室溫20 ℃的實驗室內(nèi)放置12 h備用, 以消除溫度對模型的影響。 采用手持式無損檢測儀采集光譜, PWM(pulse width modulation)值設置為60, 積分時間設置為80 ms, 設備參數(shù)均在云端數(shù)據(jù)系統(tǒng)進行調(diào)整。 獲取柑橘光譜前先使用標準聚四氟乙烯白板采集參考光譜3次以避免錯誤。 柑橘光譜均在赤道位置采集, 柑橘樣品每旋轉(zhuǎn)120°采集一次光譜并標記位置, 三次采集的平均光譜為最終樣品光譜, 同時采集實時暗光譜數(shù)據(jù)。 得到的光譜數(shù)據(jù)通過lg(1/T)公式轉(zhuǎn)化為相對吸光度, 其中T為柑橘樣本的反射率。

1.4 柑橘可溶性固形物含量測定

為確保柑橘SSC檢測的準確性, 柑橘SSC通過傳統(tǒng)破壞性測試獲得。 每個樣本將標記處的果肉擠壓獲得果汁, 用溫度校正數(shù)字折射儀(ATAGO RX-5000a. Japan)測量可溶性固形物含量, 之后進行讀數(shù)并記錄。 在剔除異常數(shù)據(jù)后, 剩余樣本數(shù)量為159。 隨機選擇其中30組光譜數(shù)據(jù)用于遷移學習的比較驗證, 其余柑橘樣本用Kennard-Stone法按照3∶2的比例隨機劃分為校正集與預測集[8], 柑橘樣本可溶性固形物含量實測值如表1所示, 可以發(fā)現(xiàn)校正集的可溶性固形物含量范圍要大于預測集, 這有助于提高模型的穩(wěn)健性。

表1 柑橘可溶性固形物含量測定統(tǒng)計結(jié)果

1.5 光譜數(shù)據(jù)處理

1.5.1 一維卷積神經(jīng)網(wǎng)絡模型

卷積神經(jīng)網(wǎng)絡(convolutional neural network, CNN)是深度神經(jīng)網(wǎng)絡的一個子集, 被廣泛應用于計算機視覺等領域[9]。 由于近紅外光譜可以反映含氫基團振動的倍頻和合頻吸收, 反應物質(zhì)化學成分以及含量的相關信息, 因此可以將連續(xù)的近紅外光譜曲線看作一維方向上相關聯(lián)的像素點, 該性質(zhì)使卷積神經(jīng)網(wǎng)絡應用于近紅外光譜分析具有可行性。 相比于二維卷積神經(jīng)網(wǎng)絡, 一維卷積神經(jīng)網(wǎng)絡(one dimensional-convolutional neural networks, 1D-CNN)結(jié)構(gòu)更簡潔、 對硬件需求更低, 適合手持式水果內(nèi)部品質(zhì)無損檢測。

提出了一種新的基于可見/近紅外光譜的1D-CNN模型, 用于對柑橘可溶性固形物含量的預測。 它由1個輸入層、 2個卷積層、 2個池化層、 1個全連接層和1個輸出層組成。 基于可見光譜的一維CNN操作示意圖如圖4所示, 一維CNN的結(jié)構(gòu)描述如下:

圖4 一維卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

輸入層: 輸入層用于接收一維可見/近紅外光譜數(shù)據(jù), 用于后續(xù)的處理。 其中光譜矩陣的寬度、 高度、 通道數(shù)均設為1。

卷積層: 卷積層通常用于提取輸入數(shù)據(jù)的特征, 由一維卷積核組成。 卷積是通過在整個頻譜上滑動一個核(W=[w1,w2,w3, …wN]T), 用一定的步驟, 即“stride”, 來產(chǎn)生一個新的表現(xiàn)形式來代表光譜曲線, 也稱為輸出特征圖, 其中wi表示一個權(quán)重。 每個卷積層可以識別簡單的光譜特征, 復雜特征的提取可以通過卷積層的疊加來實現(xiàn)[10]。

激活函數(shù): 卷積層提取特征后, 將輸出特征映射傳遞給激活函數(shù), 實現(xiàn)網(wǎng)絡層的非線性變換。 在卷積層中, 常用的激活函數(shù)為線性整流函數(shù)(ReLU), 其定義為:

ReLU=max(0,WTx+b)

(1)

式(1)中,W為核的權(quán)值,x為輸入的可見/近紅外光譜,b為偏差。 Leaky ReLU函數(shù)屬于對ReLU函數(shù)改良后的函數(shù)。 相比ReLU函數(shù), LeakyReLU在x≤0時x中有一個小小的系數(shù), 可以避免出現(xiàn)很多輸出為0導致無法繼續(xù)學習的神經(jīng)元[11]。

池化層: 池化層通常被設置在卷積層之后, 池化層負責將光譜數(shù)據(jù)劃分多個區(qū)域, 并將各區(qū)域的代表特征提取出來, 重新排列組合成一組新的光譜數(shù)據(jù)。 池化層用于降低卷積層卷積結(jié)果的參數(shù)數(shù)量, 同時可以篩選特征變量, 有利于減少模型計算量, 防止過擬合。 池化方式主要包括平均池化、 最大池化。 1D-CNN模型中的池化方式均為最大池化[12]。

全連接層: 全連接層通常位于卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)的末尾, 包含大量與扁平化層所有元素相連接的神經(jīng)元, 負責對數(shù)據(jù)進行全局特征分析, 經(jīng)運算處理后輸出結(jié)果。

輸出層: 在輸出層中, 輸出類型決定了將用哪種類型的激活函數(shù), 輸出層的節(jié)點等于目標變量的個數(shù)[13]。 為了預測柑橘的可溶性固形物含量, 將節(jié)點數(shù)設為1。 在全連接層后直接用RegressionLayer進行回歸分析, 得到預測的可溶性固形物含量值。

1.5.2 模型訓練

1D-CNN網(wǎng)絡模型的訓練將采用自適應矩估計(Adam)算法。 該方法為隨機梯度下降的一種變體, 且提前迭代終止可以預防過擬合。 模型訓練的相關參數(shù), 學習率Ir=0.001, 最大迭代次數(shù)MaxEpochs=30, 訓練集被分成多個批次, 最小批處理樣本數(shù)BatchSize=10。

1.5.3 模型評價方法

為評估1D-CNN模型的可溶性固形物含量預測效果, 使用偏最小二乘回歸(partial least squared regression, PLS)、 人工神經(jīng)網(wǎng)絡(artificial neural network, ANN)、 支持向量機(support vector machines, SVM)三種傳統(tǒng)回歸方法分別建立柑橘可溶性固形物含量預測模型, 與1D-CNN進行對比。 ANN一般包含輸入層、 隱藏層和輸出層。 ANN的學習過程就是根據(jù)訓練數(shù)據(jù)來調(diào)整神經(jīng)元之間的連接權(quán)重以及每個功能神經(jīng)元的閾值。 SVM通過尋找最優(yōu)的線性分類超平面以實現(xiàn)定量或定性判別。 所有模型均使用與1D-CNN模型相同的數(shù)據(jù)集進行模型訓練與預測。 此外, 在一維卷積神經(jīng)網(wǎng)絡模型中, 由于卷積層、 池化層具有提取近紅外光譜特征波長, 消除無信息變量的作用。 因此相比于其他回歸模型, 無需對原始光譜進行復雜的預處理過程。

建立模型時, 以近紅外光譜數(shù)據(jù)作為模型的輸入數(shù)據(jù), 以柑橘的可溶性固形物含量作為參考數(shù)據(jù)。 選取均方根誤差(root mean squares error, RMSE)和Pearson相關系數(shù)(R)作為模型評價的兩個指標。 在標定過程中, 利用光譜數(shù)據(jù)和參考數(shù)據(jù)對模型進行訓練。 校正集的RMSE和R(記為RMSEC和Rc)被用來選擇超參數(shù)的最合適值。 在驗證過程中, 將選擇的最優(yōu)模型應用于驗證樣本。 預測集的RMSE和R(記為RMSEP和Rp)來評估模型預測精度。 一般來說, 一個好的模型應該有較高的Rc和Rp值, 較低的RMSEC和RMSEP值。 所有的計算都是在Windows 11下使用Matlab 2020b軟件(Mathworks Inc., USA)。

1.6 基于卷積神經(jīng)網(wǎng)絡的模型傳遞

在建立1D-CNN可溶性固形物含量預測模型的過程中, 由于不同儀器間的光學響應具有一定的偏差, 獲取的近紅外光譜會產(chǎn)生差距, 進而導致原模型在其他儀器上使用精度下降, 重新建模需要消耗大量時間、 人力和物力。 因此針對深度學習算法, 提出用遷移學習方法進行模型傳遞的嘗試。

遷移學習是指利用數(shù)據(jù)、 任務或模型之間的相似性, 把從一個區(qū)域?qū)W習的信息應用于其他區(qū)域的一門技術(shù), 主要研究兩個不同數(shù)據(jù)分布的領域[14]。 采用基于模型的模型遷移, 即在源域(Source Domin)成功建立一維卷積神經(jīng)網(wǎng)絡模型的基礎上, 凍結(jié)前面的卷積層不變, 僅調(diào)整新拼接上的全連接層的參數(shù); 最終利用目標域(Target Domin)上的數(shù)據(jù)去修正、 調(diào)整新的模型。 可以在僅用少量樣本的條件下完成多臺儀器模型的訓練, 大大減少了手持式設備開發(fā)過程的工作量。 由于遷移學習相比目標域重新訓練模型省去了卷積池化等特征提取的過程, 模型訓練的相關系數(shù)也得到了相應簡化: 學習率Ir=5×10-5, 最大迭代次數(shù)MaxEpochs=10, 最小批處理樣本數(shù)BatchSize=1。 在從機校正集光譜中分別選擇5, 10, 15, 20, 25, 30個樣本用于遷移學習的比較驗證, 同時用主機的1D-CNN模型對從機預測集進行可溶性固形物含量預測作為對比。 模型傳遞的效果用預測均方根誤差RMSEP來評價。

2 結(jié)果與討論

2.1 柑橘光譜數(shù)據(jù)分析

由于處于兩端的光譜波段噪聲較大, 不能用于分析, 故截取信噪比較高的541.83～899.40 nm波段, 共計97個波段用于后續(xù)的光譜數(shù)據(jù)處理。 圖5為柑橘原始近紅外光譜圖。 可以發(fā)現(xiàn)柑橘光譜在800～900 nm范圍內(nèi)仍有較強響應, 且樣本之間的光譜特征變化趨勢相似。 全波段有三個較為明顯的吸收峰, 其中650 nm附近的吸收峰位于葉綠素吸收區(qū), 750 nm附近的吸收峰與碳水化合物和水的含量相關; 860 nm附近的吸收峰可能與溫度和光程的校正相關[15]。 這說明手持式水果無損檢測儀可以獲取與柑橘可溶性固形物含量相關的光譜信息, 滿足柑橘可溶性固形物含量無損檢測的要求。

圖5 柑橘樣本的相對吸光度光譜

2.2 1D-CNN模型分析

對柑橘光譜進行了1D-CNN模型的訓練, 訓練集網(wǎng)絡的均方根誤差如圖6所示。 橫坐標表示訓練迭代次數(shù), 總數(shù)為210次。 可以看出CNN模型的均方根誤差隨迭代次數(shù)增加快速下降, 經(jīng)過50次網(wǎng)絡訓練后訓練均方根誤差為0.887, 然后下降速度放緩至收斂, 在210次迭代時訓練均方根誤差最終降低為0.488。 可以看出卷積神經(jīng)網(wǎng)絡模型穩(wěn)定性與泛化性能較好, 滿足柑橘內(nèi)部品質(zhì)分析的要求。

圖6 1D-CNN網(wǎng)絡訓練圖

經(jīng)優(yōu)化模型參數(shù)后, 用PLS, ANN, SVM三種傳統(tǒng)回歸算法與1D-CNN進行比較, 各模型可溶性固形物含量預測效果如表2所示。 但受限于光電傳感器較低的分辨率, 相關系數(shù)較低。 可以發(fā)現(xiàn), 各模型回歸性能的排序為: ANN

表2 不同算法回歸效果

究其原因, 主要是由于一維CNN方法考慮了輸入數(shù)據(jù)的空間信息, 該算法利用空間局部相關性, 通過增強相鄰層神經(jīng)元之間的局部連接模式來研究原始NIR光譜中的局部模式, 并通過采用權(quán)重共享來降低過擬合的風險。 這些網(wǎng)絡的每個卷積層的輸出直接與輸入頻譜的小區(qū)域相關[16]。 因此, 一維CNN方法可以在訓練后識別輸入數(shù)據(jù)的重要區(qū)域, 避免了原始光譜數(shù)據(jù)中一些微小特征峰的丟失[17]。 研究表明1D-CNN在信號提取, 特征學習及復雜關系建模等方面具有一定的優(yōu)勢。

2.3 遷移學習傳遞效果

從機選擇不同數(shù)量的樣本建立1D-CNN遷移學習模型, 預測均方根誤差RMSEP隨校正集樣本數(shù)的變化如圖7所示。 可以發(fā)現(xiàn), 遷移學習樣本數(shù)量小于10時, 模型傳遞效果不佳; 隨著樣本數(shù)的增加, RMSEP逐漸減小; 當樣本數(shù)量為30時, 柑橘可溶性固形物含量模型傳遞效果最優(yōu), 從機預測集RMSEP為0.531。 略低于直接建立校正模型的檢測精度, 但減少了工作量, 這對于新型手持式柑橘可溶性固形物含量無損檢測系統(tǒng)的開發(fā), 檢測設備的批量生產(chǎn)具有重要意義。

圖7 使用遷移學習方法時RMSEP隨不同柑橘標準樣本數(shù)量變化

將每臺儀器建立的柑橘可溶性固形物預測模型載入云服務器, 可以實現(xiàn)云模型調(diào)用、 數(shù)據(jù)存儲與下載、 相關參數(shù)與結(jié)果顯示等功能。 但儀器的老化、 柑橘品種的更新等外部因素依然會對SSC無損檢測精度產(chǎn)生影響, 因此需定期進行模型的維護和更新。 利用基于模型的遷移方法, 定期選擇少量具有代表性的樣本作為新的訓練集, 基于原有1D-CNN模型卷積層池化層的參數(shù)不變, 可以重新建立柑橘可溶性固形物預測模型。 從而實現(xiàn)云模型的快速更新, 提高云模型的適用性和穩(wěn)定性。

3 結(jié) 論

(1) 基于可見/近紅外光譜技術(shù), 以寬譜LED光源與特征響應微型光譜儀為核心配件, 結(jié)合處理與顯示模塊、 電源模塊和4G/5G模塊, 設計了手持式柑橘可溶性固形物無損檢測系統(tǒng)。 其中4G/5G模塊與基于物聯(lián)網(wǎng)技術(shù)的水果光譜儀云端數(shù)據(jù)系統(tǒng)相連接, 使系統(tǒng)可以實現(xiàn)光譜采集參數(shù)修改、 數(shù)據(jù)上傳與下載、 云模型調(diào)用等功能。 儀器大小為11.5 mm×4.0 mm×3.1 mm, 滿足手持式設備的要求。

(2) 提出了一維卷積神經(jīng)網(wǎng)絡的柑橘可溶性固形物含量預測方法, 該網(wǎng)絡包含7層網(wǎng)絡結(jié)構(gòu), 采用隨機梯度下降為迭代法。 用手持式無損檢測系統(tǒng)主機采集159個柑橘樣本的光譜并建立1D-CNN回歸預測模型。 研究結(jié)果表明, 與PLS、 ANN、 SVM等傳統(tǒng)回歸方法對比, 1D-CNN具有更高的可溶性固形物含量預測精度:Rp=0.812, RMSEP=0.488。

(3) 用遷移學習方法對從機進行模型傳遞, 探討了從機訓練集樣本數(shù)對模型傳遞效果的影響。 訓練集樣本數(shù)為30時, 1D-CNN模型性能最優(yōu), 從機預測集RMSEP達到0.531, 減少從機訓練時間同時保持了模型精度。

研究表明, 柑橘可溶性固形物含量可見/近紅外光譜手持式檢測系統(tǒng)結(jié)合1D-CNN模型可以實現(xiàn)柑橘可溶性固形物含量的無損、 快速分析, 對可見/近紅外手持式無損檢測系統(tǒng)開發(fā)具有指導性意義。 此外, 基于云服務的近紅外光譜分析平臺的構(gòu)建, 對近紅外光譜分析網(wǎng)絡化、 柑橘產(chǎn)業(yè)智能化具有積極的推動作用。