使用多尺度卷积神经网络的金桔可溶性固形物含量无损预测

《Horticulturae》：Non-Destructive Prediction of Soluble Solid Content in Kumquats Using a Multi-Scale Convolutional Neural Network

　　

传统的金桔可溶性固形物含量（SSC）检测方法通常具有破坏性、耗时且效率低。本研究提出了一种基于多尺度卷积神经网络（MS-CNN）的方法，用于快速、无损预测金桔SSC。通过将近红外光谱（900–1700 nm）与深度学习相结合，研究人员采集了424份金桔光谱样本，并采用MS-CNN框架进行建模。该模型采用受Inception架构启发的多尺度特征提取结构，有效增强了光谱特征的表示能力并减少了过拟合。实验结果表明，MS-CNN在内部预测集上达到了R²为0.88、RMSEP为0.62 °Brix、MAEP为0.51 °Brix。在评估的模型中，MS-CNN取得了最高的R²，而其RMSEP与PLSR相当，并低于SVR、BP、CNN和BiLSTM。所提出的方法实现了金桔SSC的快速、准确、无损预测，为水果品质评估提供了新的技术方案。这项工作具有重要的理论和实践价值，未来的工作将侧重于扩展数据集、优化网络结构、探索多指标联合预测以及推动其实际应用。

金桔（Kumquat）是福建省尤溪县的国家地理标志产品，其可溶性固形物含量（SSC）是衡量甜度和品质的关键指标。传统SSC检测方法多为破坏性取样，耗时且效率低，难以满足现代工业对快速、无损、高通量检测的需求。近红外光谱（NIRS）结合深度学习技术已广泛用于水果品质分析，但现有方法存在单尺度特征提取、网络结构复杂、对样本量依赖性强等问题，难以同时捕捉窄吸收峰和宽带趋势信息。为此，本研究提出了一种基于多尺度一维卷积神经网络（MS-CNN）的模型，旨在实现金桔SSC的快速无损预测，论文发表在《Horticulturae》。

研究人员采集了来自福建省尤溪县管前镇金桔基地的450个金桔样本，经数据清洗后保留424个有效样本。采用近红外光谱仪（GO-IQF1700，Ocean Insight）在900–1700 nm波长范围内获取反射光谱，使用Savitzky–Golay（SG）平滑预处理降低高频噪声，并以PAL-1便携式数字折射仪（ATAGO）测量SSC参考值。通过基于联合X–Y距离（SPXY）的样本划分方法，将数据集按7:3比例分为296个校准样本和128个预测样本。模型构建基于Inception架构的多尺度一维CNN，包含初始卷积层、多尺度特征提取模块（三个并行分支：大卷积核串联自适应平均池化提取全局趋势、中等卷积核不同步长提取介观结构、最大池化结合小卷积核强化局部细节）、残差连接机制以及全连接回归层。训练采用AdamW优化器、ReduceLROnPlateau学习率调度、均方误差（MSE）损失函数和早停策略。

**4.1. 消融与对比实验结果**：通过逐步添加Inception模块、替换为最大池化层等消融实验，比较不同配置在预测集上的性能。结果表明，完整MS-CNN模型在预测集上取得了最高的R²（0.88）和最低的RMSEP（0.62 °Brix），证明多尺度特征提取和残差连接有效提升了泛化能力。

**4.2. 金桔SSC预测模型比较**：与PLSR、SVR、BP、CNN和BiLSTM五种模型在相同数据集和预处理条件下比较。CNN在训练集上R²达0.95，但预测集R²降至0.81；MS-CNN在预测集上R²为0.88，RMSEP为0.62 °Brix，优于所有对比模型，且RMSEP与PLSR相当并低于其他模型，表明MS-CNN具有更好的预测稳定性。

讨论部分指出，MS-CNN的预测性能与已有文献中多种水果（如白草莓、‘南果’梨、苹果、柑橘等）的SSC预测结果相当，其R²（0.88）和RMSEP（0.62 °Brix）在可比范围内具有竞争力，但需注意不同实验条件（如水果种类、样本量、光谱范围等）限制了直接比较。计算复杂度评估显示，MS-CNN每样本平均推理时间为0.445 ms，总处理时间（含SG预处理）为0.902 ms，可支持每秒约1108个样本的实时检测，具备实际应用潜力。

研究结论翻译如下：本研究提出了一种基于多尺度一维卷积神经网络的快速无损金桔可溶性固形物含量（SSC）预测方法。通过将近红外光谱与深度学习相结合，该模型旨在解决传统方法在高维光谱数据中提取信息特征的局限性。主要贡献包括：（1）开发了基于多尺度卷积的光谱分析框架，自适应捕获不同尺度的光谱特征；（2）设计了结合Inception结构和残差连接的特征提取模块，提升了光谱特征表示和训练稳定性；（3）建立了金桔SSC的深度学习预测模型，实现了准确、快速、无损检测。在内部预测集上，MS-CNN在所有评估模型中取得了最高的R²，其RMSEP与PLSR相当，并低于SVR、BP、CNN和BiLSTM。这些发现证明了多尺度架构在本实验条件下预测金桔SSC的潜力，表明该模型可支持金桔产业的标准化和智能化分级。未来研究可聚焦于扩展样本数据集（涵盖不同品种和产地）、引入注意力机制或自监督学习优化网络结构、探索多指标（如SSC、酸度、硬度）联合建模，以及集成便携式或在线近红外光谱设备开发实时检测系统，以推动实际生产线的智能化分级与品质监控。总体而言，MS-CNN模型具有重要的理论和实践意义，为金桔SSC的无损检测提供了新方法，并为其他水果和农产品的品质属性无损预测提供了潜在框架，但需进一步的外部验证。