基于深度学习与近红外光谱的马铃薯淀粉含量在线检测算法研究

为解决传统马铃薯淀粉检测方法效率低、专业性要求高的问题，研究人员开发了一种融合近红外光谱(NIR)、波长选择算法、迁移学习和CNN-BiLSTM深度学习模型的在线检测技术。该模型在950-1700 nm光谱范围内实现了淀粉含量的高效预测，预测相关系数(Rp)达0.945，均方根误差(RMSEP)为0.725%，为工业化实时检测提供了创新解决方案。

　　

研究背景与意义
马铃薯作为全球第三大粮食作物，其淀粉因分子结构大、黏度高成为制药包装和乙醇生产的重要原料。然而，传统淀粉检测依赖耗时费力的理化分析，难以满足工业化生产对实时检测的需求。近红外光谱(NIR)技术虽具备快速无损优势，但受限于光谱重叠和基质效应，需结合先进算法提取有效信息。

研究机构与方法
山东省自然科学基金支持的研究团队开发了集成NIR光谱、CNN-BiLSTM深度学习及迁移学习的在线检测系统。实验采集480份来自山东滕州(TZ-1/TZ-2品种)和云南昭通(ST-1品种)的马铃薯样本，通过响应面法优化传输速度(0.5 m/s)、积分时间(99 ms)和光源距离(364 mm)等参数。

关键技术

1. CNN-BiLSTM模型架构：卷积神经网络(CNN)提取NIR光谱特征，双向长短期记忆网络(BiLSTM)处理时序数据
2. 迁移学习：跨品种/地域样本的特征迁移提升模型泛化性
3. 波长选择算法：聚焦950-1700 nm特征波段降低数据冗余

研究结果
1. 样本制备与响应面优化
通过三因素五水平响应面试验确定Y₁(R_p)、Y₂(RMSEP)的最优检测条件，建立二次回归方程验证参数组合的科学性。

2. 模型性能对比
深度学习模型显著优于传统方法：

• CNN特征提取有效简化全波段模型复杂度
• BiLSTM实现R_p=0.945，RMSEP=0.725%的预测精度
• 迁移学习使模型适应不同品种(TZ-1/TZ-2/ST-1)的淀粉检测

结论与展望
该研究首创将CNN-BiLSTM深度学习应用于马铃薯淀粉NIR在线检测，突破传统方法效率瓶颈。0.5 m/s传输速度下的高精度预测为工业化流水线应用奠定基础。未来可扩展至其他块茎类作物品质检测，推动农业智能化发展。

（注：全文数据与结论均源自原文，未添加主观推断；专业术语如近红外光谱NIR、均方根误差RMSEP等均按原文格式保留上下标）