
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于高光谱成像与一维卷积神经网络的水果多酚含量分布可视化模型
《Journal of Food Measurement and Characterization》:Visualization model of fruit polyphenol content distribution based on hyperspectral imaging and one-dimensional convolutional neural network
【字体: 大 中 小 】 时间:2026年07月02日 来源:Journal of Food Measurement and Characterization 3.6
编辑推荐:
摘要作为评估水果营养价值与品质的关键指标,精确掌握水果多酚的空间分布对于指导水果种植、采后分级以及加工优化具有重要意义。传统的多酚含量检测方法存在破坏性强、效率低且无法直观显示空间分布的缺陷。尽管现有的基于光谱分析和机器学习的检测模型主要侧重于整体含量的预测,但难以准确捕捉水果多
作为评估水果营养价值与品质的关键指标,精确掌握水果多酚的空间分布对于指导水果种植、采后分级以及加工优化具有重要意义。传统的多酚含量检测方法存在破坏性强、效率低且无法直观显示空间分布的缺陷。尽管现有的基于光谱分析和机器学习的检测模型主要侧重于整体含量的预测,但难以准确捕捉水果多酚在微观区域内的分布差异。为解决这些问题,本研究提出了高光谱成像-一维卷积神经网络-水果多酚分布可视化(HSI-1D CNN-FPDV)模型。该模型通过高光谱成像系统获取水果的全局光谱数据,并运用自适应噪声抑制算法优化光谱预处理流程。同时,构建了多尺度一维卷积神经网络架构,以增强光谱特征与多酚含量之间的映射关系。此外,还设计了像素级含量反演与可视化渲染的协同机制,从而精准呈现多酚的分布情况。仿真和实验结果表明,该模型对多酚含量的预测精度可达98.7%,分别比现有方法高出16.2%和13.5%;空间分辨率达到0.12毫米,比传统光谱模型高出45.2%。另外,单个水果的可视化时间仅需6.8秒,分别比现有方法缩短58.3%和52.1%。该模型还能有效应用于苹果、葡萄和樱桃等作物,其适用性提升了58%。这一方法克服了传统多酚分布检测方法存在的破坏性和精度低的弊端,为无损、精准的水果品质评估提供了新的思路。
作为评估水果营养价值与品质的关键指标,精确掌握水果多酚的空间分布对于指导水果种植、采后分级以及加工优化具有重要意义。传统的多酚含量检测方法存在破坏性强、效率低且无法直观显示空间分布的缺陷。尽管现有的基于光谱分析和机器学习的检测模型主要侧重于整体含量的预测,但难以准确捕捉水果多酚在微观区域内的分布差异。为解决这些问题,本研究提出了高光谱成像-一维卷积神经网络-水果多酚分布可视化(HSI-1D CNN-FPDV)模型。该模型通过高光谱成像系统获取水果的全局光谱数据,并运用自适应噪声抑制算法优化光谱预处理流程。同时,构建了多尺度一维卷积神经网络架构,以增强光谱特征与多酚含量之间的映射关系。此外,还设计了像素级含量反演与可视化渲染的协同机制,从而精准呈现多酚的分布情况。仿真和实验结果表明,该模型对多酚含量的预测精度可达98.7%,分别比现有方法高出16.2%和13.5%;空间分辨率达到0.12毫米,比传统光谱模型高出45.2%。另外,单个水果的可视化时间仅需6.8秒,分别比现有方法缩短58.3%和52.1%。该模型还能有效应用于苹果、葡萄和樱桃等作物,其适用性提升了58%。这一方法克服了传统多酚分布检测方法存在的破坏性和精度低的弊端,为无损、精准的水果品质评估提供了新的思路。
生物通微信公众号