基于可见/近红外光谱与双注意力增强1D-CNN的佩普诺甜瓜可溶性固形物及可滴定酸含量无损检测方法

本研究创新性地将可见/近红外光谱（Vis/NIR）与双注意力机制1D-CNN（Att-1D-CNN）结合，实现了佩普诺甜瓜关键品质指标——可溶性固形物（SSC）和可滴定酸（TA）的无损检测。模型预测集表现优异（SSC：Rp2=0.9509，RMSEP=0.2965；TA：Rp2=0.9753，RMSEP=0.0033），为水果智能分级提供了新方案。

　　

Highlight

本研究突破传统水果检测方法的局限，首次将可见/近红外光谱（Vis/NIR）与融合双注意力机制（CBAM+SE）的一维卷积神经网络（1D-CNN）相结合，为佩普诺甜瓜的可溶性固形物（SSC）和可滴定酸（TA）含量检测提供了高效无损解决方案。

样本与试剂

实验样品采自云南昆明石林县佩普诺甜瓜种植基地（2024年10月），精选240颗无病虫害、重量80-140克的果实。样品在实验室恒温条件下保存，确保数据可靠性。

样本光谱分析

图3显示甜瓜原始光谱曲线在500-1000nm波段呈现规律振荡特征。550nm以下波段反射率骤增，可能与果皮色素吸收特性相关，但需注意原始光谱包含复杂成分信息，需进一步处理才能解析特定化学成分。

结论

本研究开创性地构建了双注意力增强的1D-CNN架构，在佩普诺甜瓜品质预测中表现卓越（SSC的RPD达4.5155，TA达6.5324），显著优于传统PLS回归模型。该技术为水果内部品质的无损检测和智能分级系统提供了创新性方法。

Conclusion

通过整合Vis/NIR光谱技术与深度学习框架，本研究成功实现了佩普诺甜瓜关键品质参数的精准预测，标志着水果质量检测从传统破坏性方法向智能化、非接触式分析的重大跨越。