基于卷积神经网络回归模型的草莓果实理化性质精准预测研究

为解决草莓品质与成熟度评估中pH值、可溶性固形物(TSS)及硬度等理化性质实时监测难题，研究人员创新性应用卷积神经网络(CNN)-回归模型，通过RGB图像数据构建CNNtl、CNNpl和CNNsl三种架构。系列卷积网络(CNNsl)表现最优，pH预测R2>0.74，TSS预测误差降低14.51%，为农业深度学习技术提供重要实践范例。

　　

草莓成熟过程中pH值、可溶性固形物(TSS)和硬度的动态变化直接决定果实品质。这项研究巧妙利用RGB相机采集的草莓图像数据，开发了三种卷积神经网络(CNN)回归架构：单分支结构(CNN_tl)、并行结构(CNN_pl)和串联结构(CNN_sl)。通过对600个不同成熟阶段草莓的系统分析，发现pH与TSS随成熟度持续上升，而硬度显著下降。

串联卷积网络(CNN_sl)展现出惊人预测能力——pH预测R²突破0.74，均方根误差(RMSE)<0.20；TSS预测性能较单分支网络提升9.65%，误差降低14.34%；硬度预测更是实现R²提升6.92%，MAE降低15.33%。虽然单分支网络(CNN_tl)检测速度最快，但串联结构在预测精度和稳定性上全面胜出。

这项研究开创性地证实了CNN回归模型通过简单图像数据精准预测草莓理化特性的可行性，为现代农业智能化监测提供了新范式。串联卷积网络对图像特征与理化参数关联的精准解析，标志着深度学习技术在农产品品质检测领域的重大突破。