基于人工神经网络与响应面法的印度马铃薯图像化质量建模及多维特征分析

来自印度的研究人员针对马铃薯精准质量估算难题，创新性地融合人工神经网络（ANN）与响应面法（RSM），通过长度、宽度、投影面积等维度特征构建预测模型。研究实现了高达0.9981（RSM）和0.9943（ANN）的确定系数（R2），为农产品智能分选与供应链优化提供关键技术支撑。

　　

在农业工程领域，精准的作物质量估测对提升采后处理效率具有关键意义。本研究创新性地利用人工神经网络（Artificial Neural Network, ANN）和响应面方法（Response Surface Methodology, RSM）构建了印度马铃薯（Solanum tuberosum）的图像化质量模型。通过整合长度、宽度、投影面积和周长等关键物理参数，团队成功开发出能够显著提升质量估测精度的预测模型。ANN模型经过精细训练与优化，有效捕捉了数据中复杂的非线性关系；而RSM则提供了检验变量间交互作用的稳健分析框架。

性能评估采用确定系数（R²）、均方根误差（RMSE）和均方误差（MSE）等指标，结果显示ANN模型在马铃薯质量预测方面显著优于传统回归方法。值得注意的是，RSM模型的R²高达0.9981，ANN模型亦达到0.9943，两者均与实际质量值呈现高度相关性。这些发现突显了图像化质量估测技术在农产品智能分级与分选中的应用潜力。

该研究成果可推动自动化分选系统开发、提升产量预估准确性、优化供应链管理、实现非破坏性质量评估，并助力智慧农业实践，同时减少采后损失与促进食品加工标准化。本研究为农业工程中的智能化建模技术开辟了新途径，提供可扩展的解决方案，对提升农业质量估测效能具有重要价值。