近红外光谱联合机器学习测定樱桃番茄中的番茄红素.pdfVIP

第42卷第3期量子电子学报Vol.42No.3

2025年5月CHINESEJOURNALOFQUANTUMELECTRONICSMay2025

DODOII::10.3969/j.issn.1007-5461.2025.03.003

近红外光谱联合机器学习测定近红外光谱联合机器学习测定

樱桃番茄中的番茄红素樱桃番茄中的番茄红素

1,21,21,211*

高翔堃,董璇,刘超,詹杰,黄青

(1中国科学院合肥物质科学研究院,安徽合肥230031;

2中国科学技术大学,安徽合肥230026)

摘要::针对樱桃番茄中番茄红素的近红外光谱检测,采用机器学习算法建立了定性和定量分析模型。首先对番茄

红素的提取与检测方法进行优化,然后基于7000～8000cm−1和10000～11000cm−1两个波段的光谱,建立了用于樱桃

番茄中番茄红素含量预测的组合间隔偏最小二乘(siPLS)模型。相较于现阶段的偏最小二乘(PLS)定量模型,siPLS

模型在预测准确度方面有一定的提升,其训练集相关系数Rc=0.8008,训练集交叉验证均方根误差

E=9.56mg/kg,测试集相关系数R=0.8683,测试集均方根误差E=4.59mg/kg。进一步引入回归型支持向

RMSECVpRMSEP

量机(SVR)算法建立定量模型,对比分析表明,SVR模型比siPLS模型的性能更优,其R=0.9559,

c

E=4.229mg/kg;R=0.8959,E=8.363mg/kg。最后,基于支持向量机(SVM)和多通道卷积神经网络

RMSECpRMSEP

(CNN)-门控循环单元(GRU)联合模型,建立了樱桃番茄中番茄红素的浓度分类模型。结果表明,相较于SVR模型,

多通道CNN-GRU联合模型具有更高的定性识别准确率。

关键词::光谱学;定性和定量分析模型;机器学习;番茄红素;樱桃番茄;组合间隔偏最小二乘

中图分类号::O657.3文献标识码::A文章编号::1007-5461(2025)03-00313-11

Determinationoflycopeneincherrytomatoesusingnear

infraredspectroscopycombinedwithmachinelearning

1,21,21,21