基于CARS-1D-CNN与Vis/NIRS的贡梨SSC检测温度校正方法

　　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。