基于CNN和近紅外光譜的蜜柑SSC預(yù)測(cè)模型研究

摘要：針對(duì)抽樣化驗(yàn)等傳統(tǒng)果實(shí)品質(zhì)檢測(cè)方法具有破壞性以及現(xiàn)有回歸預(yù)測(cè)模型存在光譜信息損失和特征提取不夠完備等問(wèn)題，提出基于近紅外光譜分析技術(shù)和一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）實(shí)現(xiàn)蜜柑果實(shí)可溶性固形物含量預(yù)測(cè)的模型和方法。采集蜜柑的近紅外光譜和測(cè)定可溶性固形物含量建立數(shù)據(jù)集。并通過(guò)試驗(yàn)對(duì)比確定使模型性能最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)深度、卷積核尺寸和數(shù)量、有無(wú)批量歸一化（BN）層、池化方式、全連接層深度和Dropout值等網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，形成包含2層卷積層、2層BN層，2層最大池化層和2層全連接層的一維卷積神經(jīng)網(wǎng)絡(luò)，并設(shè)置Dropout值為0.2。與偏最小二乘回歸、主成分回歸和支持向量機(jī)回歸預(yù)測(cè)模型的性能對(duì)比試驗(yàn)表明：提出的1D-CNN模型預(yù)測(cè)精度和模型穩(wěn)定性均優(yōu)于傳統(tǒng)回歸預(yù)測(cè)算法，其驗(yàn)證集上的均方根誤差為[0.333 9]，決定系數(shù)為[0.865 5]，能夠?qū)崿F(xiàn)對(duì)蜜柑近紅外光譜數(shù)據(jù)特征的有效提取和對(duì)蜜柑可溶性固形物含量的無(wú)損檢測(cè)。

關(guān)鍵詞：蜜柑；近紅外光譜；卷積神經(jīng)網(wǎng)絡(luò)；可溶性固形物；無(wú)損檢測(cè)

中圖分類號(hào)：TS207.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095?5553 （2024） 11?0139?06

Study on prediction model of citrus SSC based on CNN and near infrared spectroscopy

Xiang Zhiyong， Miao Yubin

（College of Mechanical and Power Engineering， Shanghai Jiaotong University， Shanghai， 200240， China）

Abstract： Aiming at the problems of destructive traditional fruit quality detection methods such as sampling assay， spectral information loss and incomplete feature extraction in the existing regression prediction models，a novel model and method based on near?infrared spectroscopy analysis technology and a one?dimensional Convolutional neural network （1D-CNN） topredict the soluble solids content of citrus fruit were proposed in this paper. A dataset has been established by gathering near?infrared spectroscopy of citrus fruits and determining their soluble solid content. The network structure parameters have been optimized to enhance the performance of the model， including the depth of the network structure， the size and quantity of convolutional kernels， the presence or absence of batch normalization （BN） layers， pooling methods， the depth of fully connected layers， and Dropout values. The final 1D-CNN model comprises two convolutional layers， two BN layers， two maximum pooling layers， and two fully connected layers， with a Dropout value of 0.2. Traditional Partial least squares regression， principal component regression， and support vector machine regression prediction models have been established to compare their performance with the 1D-CNN model. The outcomes reveal that the 1D-CNN model exhibits significantly superior prediction accuracy and model stability compared to conventional algorithms. The Root?mean?square deviation on the verification set is 0.333 9， and the Coefficient of determination is 0.865 5. This demonstrates that the 1D-CNN model can carry out feature extraction of citrus near?infrared spectral data， thereby permitting non?destructive detection of soluble solid content in citrus. Consequently， this approach provides a better solution for non?destructive detection of citrus based on near?infrared spectral analysis technology.

Keywords： citrus; near?infrared spectroscopy; convolutional neural network; soluble solids; non?destructive testing

0 引言

溫州蜜柑是受人們喜愛(ài)的常見(jiàn)水果。隨著生活水平的不斷改善，消費(fèi)者對(duì)蜜柑的品質(zhì)要求不斷提高，除關(guān)注蜜柑的外部成色之外，也更加注重蜜柑的內(nèi)部品質(zhì)?？扇苄怨绦挝锖浚⊿SC）是衡量蜜柑品質(zhì)的重要指標(biāo)[1]。但隨機(jī)抽樣化學(xué)檢測(cè)的傳統(tǒng)檢測(cè)方法需要破壞果體，不利于對(duì)果實(shí)進(jìn)行快速篩選分級(jí)，需要研究更便捷的無(wú)損檢測(cè)技術(shù)。

近紅外光譜分析技術(shù)是近年來(lái)發(fā)展起來(lái)的一種新型的無(wú)損快速分析技術(shù)，廣泛應(yīng)用于農(nóng)業(yè)、食品、醫(yī)療、化工等行業(yè)。國(guó)內(nèi)外眾多學(xué)者利用近紅外光譜分析技術(shù)實(shí)現(xiàn)了蘋(píng)果[2?4]、梨[5， 6]、桃[7， 8]、柑橘[9， 10]、李子[11， 12]等果實(shí)可溶性固形物含量檢測(cè)研究。劉燕德[13]等利用近紅外漫透射光譜技術(shù)結(jié)合最小二乘支持向量機(jī)算法實(shí)現(xiàn)了蜜柑SCC的在線無(wú)損檢測(cè)。李俊杰等[14]運(yùn)用偏最小二乘回歸（PLSR）建立了SCC、可滴定酸以及維C的檢測(cè)模型，取得了較好的結(jié)果。近紅外光譜預(yù)測(cè)模型的建立多采用PLSR等傳統(tǒng)建模方法，一般首先對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，然后提取光譜中重要波峰信息或運(yùn)用主成分分析等方法對(duì)光譜信號(hào)降維，保留重要特征，降低計(jì)算復(fù)雜性。這些方法存在訓(xùn)練過(guò)程較為復(fù)雜，表征參數(shù)較少，回歸精度差強(qiáng)人意等不足。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)算法的代表算法之一，其采用端到端訓(xùn)練模式，能自動(dòng)提取數(shù)據(jù)體征[15]，訓(xùn)練過(guò)程更簡(jiǎn)單，參數(shù)相對(duì)較多，具有更大的優(yōu)化空間。且因?yàn)榫邆浠诰矸e權(quán)值共享和局部區(qū)域連接等機(jī)制，CNN具有很強(qiáng)的泛化能力。Mishra等[16]建立了基于CNN的水果不同性狀的多輸出預(yù)測(cè)模型，同時(shí)預(yù)測(cè)了梨果實(shí)的水分含量和SSC，模型性能優(yōu)于PLSR模型。Huang等[17]（2021）提出了基于多尺度短切卷積神經(jīng)網(wǎng)絡(luò)的無(wú)損檢測(cè)方法，用于測(cè)量馬尾松幼苗葉片中的水分和氮含量，其對(duì)應(yīng)的建模均方根誤差為0.242和0.061。Benmouna等[18]開(kāi)發(fā)了基于CNN利用近紅外光譜信息對(duì)富士蘋(píng)果的成熟階段進(jìn)行分類的新方法，正確率為96.5%，高于人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法。

針對(duì)傳統(tǒng)果實(shí)品質(zhì)檢測(cè)方法以及現(xiàn)有回歸預(yù)測(cè)模型存在的不足，根據(jù)光譜數(shù)據(jù)特點(diǎn)，提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）和近紅外光譜信息的蜜柑SSC預(yù)測(cè)模型。根據(jù)采集到的蜜柑近紅外光譜數(shù)據(jù)，建立1D-CNN預(yù)測(cè)模型，并通過(guò)試驗(yàn)優(yōu)選網(wǎng)絡(luò)結(jié)構(gòu)深度、卷積核尺寸和數(shù)量、有無(wú)批量歸一化（BN）層、池化方式、全連接層深度和Dropout值等網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，使模型性能最優(yōu)。通過(guò)與PLSR等傳統(tǒng)預(yù)測(cè)模型對(duì)比，討論本文預(yù)測(cè)模型的精度和穩(wěn)定性優(yōu)勢(shì)。

1 材料與方法

1.1 試驗(yàn)樣品

選取10月份成熟期的新鮮采摘、顏色正常、大小均勻、且表面無(wú)明顯病變傷疤的蜜柑共340個(gè)，作為試驗(yàn)樣品。對(duì)所選蜜柑表皮用濕紙巾做簡(jiǎn)單的清潔處理，擦掉表面雜質(zhì)，確保不會(huì)引入外來(lái)物質(zhì)導(dǎo)致光譜異常。將蜜柑樣品依次編號(hào)，并在22 ℃實(shí)驗(yàn)室環(huán)境下放置24 h，分別采集蜜柑的近紅外光譜和可溶性固形物含量數(shù)據(jù)。

1.2 試驗(yàn)方法

1.2.1 近紅外光譜采集裝置

根據(jù)試驗(yàn)需求設(shè)計(jì)并搭建近紅外光譜采集裝置如圖1所示，主要包括計(jì)算機(jī)、微型光譜儀、遮光箱、鹵素光源、參比球、準(zhǔn)直透鏡和光纖等。光譜采集設(shè)置為漫透射采集方式，4個(gè)鹵素光源分別安裝在遮光箱四面，相對(duì)中軸線呈45°夾角，從4個(gè)方向照射果實(shí)。光譜儀采用FX4000微型光譜儀，光譜分辨率為0.06 nm，采樣波長(zhǎng)范圍為200～1 100 nm，光源采用4盞100 W鹵素?zé)?，總功?00 W，積分時(shí)間100 ms。采用Morpho軟件進(jìn)行光譜采集，對(duì)每個(gè)蜜柑使其果梗朝向不同方向，采集4次取平均值作為對(duì)應(yīng)果實(shí)的近紅外光譜數(shù)據(jù)。

1.2.2 可溶性固形物含量測(cè)定

使用AIOK高精度數(shù)顯糖度計(jì)測(cè)定蜜柑的可溶性固形物含量。將光譜采集后的蜜柑進(jìn)行榨汁，并用濾網(wǎng)進(jìn)行過(guò)濾，用試管收集濾液備用；利用蒸餾水對(duì)糖度儀進(jìn)行校準(zhǔn)后，使用滴管吸取果汁濾液滴入糖度儀的樣液池中讀數(shù)，多次測(cè)量直至連續(xù)兩次讀數(shù)相同，記錄糖度儀讀數(shù)。

1.3 光譜數(shù)據(jù)預(yù)處理

因背景噪聲、雜散光和人工操作等因素影響，所采集的光譜數(shù)據(jù)不可避免地包含噪聲信號(hào)，需在建模之前對(duì)所采集的原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。選取標(biāo)準(zhǔn)正態(tài)變換（SNV）[19]光譜預(yù)處理方法。

1.4 一維卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種多層非全連接的非線性深度學(xué)習(xí)方法，其基本結(jié)構(gòu)由卷積層、池化層和全連接層組成，在正向傳播過(guò)程中利用卷積層層和池化層相互交替實(shí)現(xiàn)原始數(shù)據(jù)特征提?。辉诜聪騻鞑ミ^(guò)程中利用梯度下降法最小化誤差函數(shù)實(shí)現(xiàn)參數(shù)提張以此完成權(quán)值更新[20]。一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）是卷積神經(jīng)網(wǎng)絡(luò)的分支之一，其輸入樣本數(shù)據(jù)以及網(wǎng)絡(luò)結(jié)構(gòu)中的卷積核、池化核等均為一維。1D-CNN的卷積和池化過(guò)程如圖2、圖3所示。

1.5 模型評(píng)價(jià)方法

為確定最佳網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和系統(tǒng)參數(shù)，選擇均方根誤差（Root Mean Square Error，RMSE）和決定系數(shù)（Correlation of determination，R2）作為模型性能評(píng)價(jià)指標(biāo)。其計(jì)算如式（1）、式（2）所示。

[RMSE=i=1m（yi-yi）2m] （1）

[R2=i=1m（yi-yi）2i=1m（yi-yi）2] （2）

式中： [yi]——模型預(yù)測(cè)值；

[yi]——預(yù)測(cè)值的均值；

[yi]——實(shí)際測(cè)量值；

[m]——樣品的個(gè)數(shù)。

2 試驗(yàn)結(jié)果與分析

2.1 近紅外光譜和SSC分析

對(duì)340個(gè)溫州蜜柑果實(shí)樣本進(jìn)行光譜采集，剔除異常樣本后得到332組原始光譜數(shù)據(jù)，如圖4（a）所示，使用KS樣本劃分法（Kennard-Stone，KS）劃分訓(xùn)練集和驗(yàn)證集。訓(xùn)練集與驗(yàn)證集的樣品數(shù)據(jù)統(tǒng)計(jì)表如表1所示，樣本數(shù)據(jù)分布合理，偏差較小，可以建立回歸模型。經(jīng)過(guò)SNV預(yù)處理后的光譜數(shù)據(jù)如圖4（b）所示，相較于原始光譜，預(yù)處理后的光譜特征峰更明顯。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)深度設(shè)置

1D-CNN模型的第一部分是特征提取模塊，由卷積層、池化層、批量歸一化（Batch normalization，BN）和ReLU激活函數(shù)組成一個(gè)相對(duì)獨(dú)立的小型網(wǎng)絡(luò)層集合（后文稱該集合為特征提取層）。為確定最佳網(wǎng)絡(luò)深度，對(duì)比不同深度網(wǎng)絡(luò)結(jié)構(gòu)的1D-CNN預(yù)測(cè)模型性能指標(biāo)，結(jié)果如表2所示。

由表2可知，兩層網(wǎng)絡(luò)結(jié)構(gòu)的1D-CNN模型性能最優(yōu)，訓(xùn)練集均方根誤差為0.276 3，決定系數(shù)為0.888 0，驗(yàn)證集均方根誤差為0.405 4，決定系數(shù)為0.768 8。故此本文選用兩層特征提取層組成的特征提取模塊。

2.3 卷積核尺寸和數(shù)目的確定

卷積層利用卷積核對(duì)前一層的特征圖局部區(qū)域進(jìn)行卷積運(yùn)算實(shí)現(xiàn)特征映射，所以卷積核的大小和數(shù)量能夠影響卷積神經(jīng)網(wǎng)絡(luò)的建模性能。在前文試驗(yàn)基礎(chǔ)和相同網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)條件下，通過(guò)試驗(yàn)比較不同卷積核尺寸對(duì)模型性能的影響。因?yàn)槌鼗瘜訒?huì)縮短數(shù)據(jù)長(zhǎng)度，所以本文設(shè)定第二層的卷積核比第一層小2。不同卷積核尺寸的1D-CNN模型效果如圖5所示。

由圖5可知，卷積核尺寸為19、17時(shí)對(duì)應(yīng)1D-CNN模型的性能最優(yōu)，所建模型在訓(xùn)練集上的決定系數(shù)為0.888 0，驗(yàn)證集的決定系數(shù)為0.768 8。

不同卷積核數(shù)目對(duì)1D-CNN預(yù)測(cè)模型性能的影響試驗(yàn)結(jié)果如圖6所示。由圖6可見(jiàn)，卷積核數(shù)目為8、32時(shí)模型的性能表現(xiàn)較好，驗(yàn)證集決定系數(shù)為0.768 8。

2.4 BN層的設(shè)置

卷積層的輸出通過(guò)BN機(jī)制進(jìn)一步處理，BN機(jī)制能有效的解決梯度爆炸或梯度消失問(wèn)題，并可提高收斂速度[21]。表3為網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)相同的前提下，是否引入BN機(jī)制兩種情形對(duì)1D-CNN預(yù)測(cè)模型的性能影響對(duì)比。從表3可知，BN層能有效提高1D-CNN模型的性能。

2.5 池化方式的設(shè)置

池化層可以在保證數(shù)據(jù)特征的同時(shí)大大降低CNN的參數(shù)量。表4為網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)相同的前提下，最大池化和平均池化兩種池化方式對(duì)1D-CNN預(yù)測(cè)模型的性能影響對(duì)比。由表4可知，采用最大池化的1D-CNN模型性能在驗(yàn)證集上的表現(xiàn)優(yōu)于平均池化。

2.6 全連接層的設(shè)計(jì)

1D-CNN模型的第二部分是全連接層，全連接層輸入層的神經(jīng)元個(gè)數(shù)取決于輸入數(shù)據(jù)的維度和卷積核的數(shù)目，中間層數(shù)能影響模型的建模性能，表5為相同特征提取層條件下，不同全連接層數(shù)對(duì)1D-CNN預(yù)測(cè)模型的性能影響對(duì)比。

由表5可知，兩層全連接層的1 D-CNN模型在驗(yàn)證集上的表現(xiàn)明顯優(yōu)于其他模型。這是全連接層數(shù)增多，模型參數(shù)的增加導(dǎo)致模型過(guò)擬合。

2.7 Dropout的設(shè)定

由于近紅外光譜數(shù)據(jù)具有比較高的數(shù)據(jù)維度，網(wǎng)絡(luò)的參數(shù)量偏大，容易導(dǎo)致過(guò)擬合等問(wèn)題發(fā)生。本文通過(guò)在網(wǎng)絡(luò)結(jié)構(gòu)中加入Dropout層，減緩高維近紅外光譜帶給網(wǎng)絡(luò)的影響，從而提高蜜柑預(yù)測(cè)模型的穩(wěn)定性。表6為相同網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的前提下，不同丟棄率對(duì)1D-CNN預(yù)測(cè)模型的性能影響對(duì)比。由表6可知，在本試驗(yàn)中，選擇丟失率為0.2時(shí)，預(yù)測(cè)模型的性能表現(xiàn)最好。

2.8 1D-CNN蜜柑SSC預(yù)測(cè)模型建立

基于前文試驗(yàn)結(jié)果，1D-CNN模型的網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)如圖7所示。

圖7中1D-CNN網(wǎng)絡(luò)結(jié)構(gòu)含有2個(gè)卷積層（C1，C3），其卷積核大小分別為19和17，卷積核數(shù)量分別為8和32。2個(gè)最大池化層（S2，S4）按照設(shè)定步長(zhǎng)和窗口大小降低數(shù)據(jù)維度。為防止卷積計(jì)算過(guò)程中梯度消失，引入BN機(jī)制，在卷積層后加入BN層。全連接層有2層（F5，F(xiàn)6）的神經(jīng)元個(gè)數(shù)分別為1 024和32， 并引入Dropout機(jī)制，提高模型穩(wěn)定性，Dropout值取為0.2。

基于上述1D-CNN網(wǎng)絡(luò)結(jié)構(gòu)建立蜜柑SSC預(yù)測(cè)模型，模型在訓(xùn)練集上的均方根誤差為0.260 2，決定系數(shù)為0.896 1，在驗(yàn)證集上均方根誤差為0.333 9，決定系數(shù)為0.865 5。蜜柑SSC測(cè)定值和預(yù)測(cè)值的散點(diǎn)圖如圖8所示。

2.9 模型性能對(duì)比

為驗(yàn)證1D-CNN模型的有效性，選擇相同訓(xùn)練集和驗(yàn)證集樣本，采用SNV預(yù)處理，分別與偏最小二乘回歸（PLSR）、主成分回歸（PCR）和支持向量機(jī)回歸（SVR）預(yù)測(cè)模型進(jìn)行對(duì)比分析，結(jié)果如表7所示。

由表7可知，在建模條件相同的情況下，1D-CNN、PLSR和SVR模型性能較好，PCR模型產(chǎn)生過(guò)擬合。其中又以1D-CNN模型性能最好，其在訓(xùn)練集上的均方根誤差為[0.260 2]，決定系數(shù)為[0.896 1]；在驗(yàn)證集上的均方根誤差為[0.333 9]，決定系數(shù)為[0.865 5]。其次是SVR模型，在訓(xùn)練集上的均方根誤差為[0.398 0]，決定系數(shù)為[0.780 0]；在驗(yàn)證集上的均方根誤差為[0.414 3]，決定系數(shù)為[0.802 5]。PLSR模型性能相對(duì)較差，在訓(xùn)練集上的均方根誤差為[0.270 2]，決定系數(shù)為[0.900 0]；在驗(yàn)證集上的均方根誤差為[0.471 2]，決定系數(shù)為[0.761 9]。

綜上可見(jiàn)，1D-CNN預(yù)測(cè)模型性能相比其他模型性能更優(yōu)。相較于傳統(tǒng)回歸算法，1D-CNN能夠提升模型的精度和穩(wěn)定性，有效改進(jìn)基于近紅外光譜的蜜柑品質(zhì)無(wú)損檢測(cè)技術(shù)。

3 結(jié)論

1） 基于近紅外光譜分析技術(shù)對(duì)蜜柑進(jìn)行無(wú)損檢測(cè)時(shí)，傳統(tǒng)建模方法所得模型存在光譜信息損失和特征提取不夠完備等問(wèn)題，為此提出基于近紅外光譜分析技術(shù)和1D-CNN的蜜柑SSC預(yù)測(cè)模型。通過(guò)對(duì)比試驗(yàn)，研究確定1D-CNN預(yù)測(cè)模型的最佳網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，實(shí)現(xiàn)更為準(zhǔn)確的蜜柑SSC預(yù)測(cè)，驗(yàn)證集均方根誤差為[0.333 9]，決定系數(shù)為[0.865 5]。

2） 對(duì)比試驗(yàn)表明，相較于PLSR模型（在驗(yàn)證集上的均方根誤差為[0.471 2]，決定系數(shù)為[0.761 9]）、SVR模型（在驗(yàn)證集上的均方根誤差為[0.414 3]，決定系數(shù)為[0.802 5]）和PCR模型（在驗(yàn)證集上的均方根誤差為[0.651 1]，決定系數(shù)為[-0.124 9]），1D-CNN模型性能更優(yōu)秀。

3） 研究結(jié)果為基于近紅外光譜實(shí)現(xiàn)快速高效的蜜柑SSC無(wú)損檢測(cè)提供技術(shù)支持。

參 考 文 獻(xiàn)

[ 1 ] 劉燕德， 施宇， 蔡麗君， 等. 基于CARS算法的臍橙可溶性固形物近紅外在線檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013， 44（9）： 138-144.

Liu Yande， Shi Yu， Cai Lijun， et al. On?line NIR detection model optimization of soluble solids content in navel orange based on CARS [J]. Transactions of the Chinese Society for Agricultural Machinery， 2013， 44（9）： 138-144.

[ 2 ] 龐新安. 近紅外光譜技術(shù)及其在農(nóng)產(chǎn)品品質(zhì)分析中的應(yīng)用[J]. 廣西農(nóng)業(yè)生物科學(xué)， 2007（1）： 83-87.

Pang Xin'an. Near infrared spectrum technique and its application in quality analysis on farm produce [J]. Journal of Guangxi Agriculture and Biological Science， 2007（1）： 83-87.

[ 3 ] Zhang Y， Chen Y， Wu Y， et al. Accurate and nondestructive detection of apple brix and acidity based on visible and near?infrared spectroscopy [J]. Applied Optics， 2021， 60（13）： 4021-4028.

[ 4 ] Xia Y， Fan S， Li J， et al. Optimization and comparison of models for prediction of soluble solids content in apple by online Vis/NIR transmission coupled with diameter correction method [J]. Chemometrics and Intelligent Laboratory Systems， 2020， 201： 104017.

[ 5 ] Wang J， Wang J， Chen Z， et al. Development of multi?cultivar models for predicting the soluble solid content and firmness of European pear （Pyrus communis L.） using portable vis-NIR spectroscopy [J]. Postharvest Biology and Technology， 2017， 129： 143-151.

[ 6 ] Mishra P， Woltering E， Brouwer B， et al. Improving moisture and soluble solids content prediction in pear fruit using near?infrared spectroscopy with variable selection and model updating approach [J]. Postharvest Biology and Technology， 2021， 171： 111348.

[ 7 ] Minas I S， Blanco?Cipollone F， Sterle D. Accurate non?destructive prediction of peach fruit internal quality and physiological maturity with a single scan using near infrared spectroscopy [J]. Food Chemistry， 2021， 335： 127626.

[ 8 ] Yuan L M， You L， Yang X， et al. Consensual regression of soluble solids content in peach by near infrared spectrocopy [J]. Foods， 2022， 11（8）： 1095.

[ 9 ] Song J， Li G， Yang X， et al. Rapid analysis of soluble solid content in navel orange based on visible?near infrared spectroscopy combined with a swarm intelligence optimization method [J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2020， 228： 117815.

[10] Santos C S P， Cruz R， Goncalves D B， et al. Non?destructive measurement of the internal quality of citrus fruits using a portable NIR device [J]. Journal of AOAC International， 2021， 104（1）： 61-67.

[11] 趙志磊， 王雪妹， 劉冬冬， 等. 基于BP-ANN和PLS的近紅外光譜無(wú)損檢測(cè)李果實(shí)品質(zhì)的研究[J]. 光譜學(xué)與光譜分析， 2022， 42（9）： 2836-2842.

Zhao Zhilei， Wang Xuemei， Liu Dongdong， et al. Quantitative analysis of soluble solids and titratable acidity content in Angeleno plum by near?infrared spectroscopy with BP-ANN and PLS [J]. Spectroscopy and Spectral Analysis， 2022， 42（9）： 2836-2842.

[12] Pérez?Marín D， Paz P， Guerrero J E， et al. Miniature handheld NIR sensor for the on?site non?destructive assessment of post?harvest quality and refrigerated storage behavior in plums [J]. Journal of Food Engineering， 2010， 99（3）： 294-302.

[13] 劉燕德， 胡軍， 歐陽(yáng)玉平， 等. 贛南臍橙可溶性固形物近紅外光譜在線無(wú)損檢測(cè)[J]. 廣東農(nóng)業(yè)科學(xué)， 2016， 43（9）： 105-111.

Liu Yande， Hu Jun， Ouyang Yuping， et al. Online detection of soluble solids content for Gannan navel by visible?near infrared diffuse transmission spectroscopy [J]. Guangdong Agricultural Science， 2016， 43（9）： 105-111.

[14] 李俊杰， 張績(jī)， 汪小偉， 等. 近紅外光譜大數(shù)據(jù)分析塔羅科血橙內(nèi)在品質(zhì)的研究[J]. 食品研究與開(kāi)發(fā)， 2020， 41（20）： 193-197， 209.

Li Junjie， Zhang Ji， Wang Xiaowei， et al. Study on internal quality of Tarocco blood orange based on large data analysis of near?infrared spectroscopy [J]. Food Research and Development， 2020， 41 （20）： 193-197， 209.

[15] 劉偉男. 基于深度學(xué)習(xí)的近紅外光譜豬肉新鮮度檢測(cè)研究[D].徐州： 中國(guó)礦業(yè)大學(xué)， 2022.

Liu Weinan. Study on pork freshness detection by near?infrared spectroscopy based on deep learning [D]. Xuzhou： China University of Mining and Technology， 2022.

[16] Mishra P， Passos D. Multi?output 1-dimensional convolutional neural networks for simultaneous prediction of different traits of fruit based on near?infrared spectroscopy [J]. Postharvest Biology and Technology， 2022， 183： 111741.

[17] Huang Z， Zhu T， Li Z， et al. Non?destructive testing of moisture and nitrogen content in Pinus Massoniana seedling leaves with NIRS based on MS-SC-CNN [J]. Applied Sciences， 2021， 11（6）： 2754.

[18] Benmouna B， Garcia?Mateos G， Sabzi S， et al. Convolutional neural networks for estimating the ripening state of fuji apples using visible and near?infrared spectroscopy [J]. Food and Bioprocess Technology， 2022， 15（10）： 2226-2236.

[19] 余懷鑫. 基于可見(jiàn)—近紅外光譜技術(shù)的柑橘品質(zhì)無(wú)損檢測(cè)研究[D]. 武漢： 華中農(nóng)業(yè)大學(xué)， 2021.

Yu Huaixin. Research on non?destructive testing of citrus quality based on visible near?infrared spectroscopy technology [D]. Wuhan： Huazhong Agricultural University， 2021.

[20] 溫馨. 基于深度學(xué)習(xí)的水果糖度可見(jiàn)/近紅外光譜無(wú)損檢測(cè)方法研究[D]. 北京： 北京交通大學(xué) ， 2018.

Wen Xin. Research on non?destructive determination technology of fruit sugar degree by visible/near?infrared spectroscopy based on deep learning [D]. Beijing： Beijing Jiaotong University， 2018.

[21] 邢超. 基于深度神經(jīng)網(wǎng)絡(luò)的云環(huán)境服務(wù)故障識(shí)別方法[J]. 數(shù)據(jù)通信， 2022（4）： 12-15.

Xing Chao. Fault identification method for cloud environment services based on deep neural networks [J]. Data Communication， 2022（4）： 12-15.