基于注意力卷积神经网络的水果可溶性固形物含量预测模型：直径校正的可解释性机制研究

本文创新性地提出一种融合注意力机制（Attention）与卷积神经网络（CNN）的深度学习模型（Attention-CNN），通过动态分配可见/近红外光谱（Vis/NIR）与直径参数的权重系数，显著提升苹果（43.5% RMSE降低）和梨（18.2% RMSE降低）可溶性固形物含量（SSC）预测精度。研究采用SHAP可视化技术解析模型决策机制，为农业传感器智能信号处理提供新范式。

　　

Highlight

本研究通过引入注意力卷积神经网络（Attention-CNN）模型，实现了水果（苹果和梨）可溶性固形物含量（SSC）预测中的直径校正，并利用SHAP值可视化技术阐明模型贡献机制。该方法通过注意力机制动态计算直径参数与可见/近红外（Vis/NIR）光谱的注意力分数，有效降低直径变异对SSC预测的干扰。

Performance comparison between PLS, 1D-CNN and Attention-CNN models for diameter correction

表3展示了PLS和1D-CNN模型在苹果和梨数据集上经直径校正算法（DCM）处理前后的表现。在苹果数据集中，PLS模型的预测均方根误差（RMSE）为0.593 °Brix，经DCM校正后降至0.532 °Brix。1D-CNN模型的预测RMSE为0.371 °Brix，较PLS模型降低37.4%，但DCM校正未进一步提升其性能。

Conclusion

本研究提出的Attention-CNN模型通过整合直径与光谱的多模态特征，显著提升水果SSC预测的鲁棒性。SHAP可视化证实该模型能更精准捕捉直径信息，为农业品质检测提供可解释的智能算法框架。