基于近红外光谱融合与深度学习的玉米成分定量建模方法

为探索光谱融合结合深度学习对玉米成分定量检测的可行性,针对80个玉米样本的原始、一阶导数、二阶导数光谱和前3类的串行融合光谱分别构建一维卷积神经网络(one-dimensional convolution neural network,1D-CNN)模型,对样本中水分、油脂、蛋白质和淀粉4种成分含量进行定量建模。结果表明,基于串行融合光谱的1D-CNN的4种成分模型性能指标均优于单独基于一种光谱的模型。与传统偏最小二乘回归和支持向量机回归对比,所建立的定量模型性能均为最优。针对测试集,4种成分模型的决定系数和均方根误差分别为0.956和0.211、0.972和0.118、0.982和0.239、0.949和0.428。实验结果表明,串行光谱融合结合卷积神经网络的方法能够充分挖掘光谱所蕴含的信息,增强模型预测能力,为近红外光谱定量分析提供新思路。