第４３卷，第３期光谱学与光谱分析Ｖｏｌ．４３，Ｎｏ．３，ｐｐ７３７－７４３２０２３年３月ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＭａｒｃｈ，２０２３基于ＳＧ－ＣＡＲＳ－ＩＢＰ的圣女果可溶性固形物可见／近红外光谱无损检测张伏１，２，３，曹炜桦１，崔夏华１，王新月１，付三玲４＊，张亚坤１１．河南科技大学农业装备工程学院，河南洛阳４７１００３２．机械装备先进制造河南省协同创新中心，河南洛阳４７１００３３．江苏大学现代农业装备与技术教育部重点实验室，江苏镇江２１２０１３４．河南科技大学物理工程学院，河南洛阳４７１０２３摘要圣女果可溶性固形物（ＳＳＣ）含量对圣女果内部品质影响至关重要，但基于高光谱成像及介电性质特征的ＳＳＣ检测技术存在局限性，且目前鲜见圣女果ＳＳＣ无损检测模型。为实现圣女果ＳＳＣ的无损检测，提出基于圣女果可见／近红外光谱特征的ＳＣＣ预测模型构建，及改进的ＢＰ神经网络算法研究，以期解决圣女果内部品质的快速无损检测。以圣女果为研究对象，试验样本１８８个，将其划分为训练集１５０个和测试集３８个，采用可见／近红外光谱采集系统获取３５０～１０００ｎｍ范围内的圣女果表面反射强度，经光谱校正得样本反射率，为增强信噪比，截取４８１．１５～８００．０３ｎｍ范围内的光谱波段作为有效波段进行分析。通过对比三种预处理模型，对有效波段进行ＳＧ平滑（Ｓａｖｉｔｚｋｙ－ＧｏｌａｙＳｍｏｏｔｈｉｎｇ）预处理，建立ＢＰ神经网络预测模型，测试集决定系数（Ｒ２）和均方根误差（ＲＭＳＥ）分别为０．５７８５和０．５６３９；在此基础上，对ＢＰ神经网络的网络结构进行改进，寻求ＢＰ神经网络最优预测结构，计算输出层与期望值间误差，调整网络结构参数，将隐含层学习率和神经元个数分别设置为０．０１和５，建立改进的ＢＰ神经网络模型（ＳＧ－ＩＢＰ），测试集Ｒ２和ＲＭＳＥ分别为０．９８１２和０．１０２３；通过竞争自适应重加权采样算法（ＣＡＲＳ）筛选出１８个特征波段，测试集Ｒ２和ＲＭＳＥ分别为０．９９７８和０．０４７９，同时检测速度显著提升。研究结果表明：经过改进的ＢＰ神经网络模型性能明显提高，通过ＣＡＲＳ提取特征波段后，测试集Ｒ２提高了０．４１９３，ＲＭＳＥ降低了０．５１６，检测速度明显提升。采用ＣＡＲＳ提取特征波段的改进ＢＰ神经网络模型（ＳＧ－ＣＡＲＳ－ＩＢＰ）具有明显的优越性，ＳＧ－ＣＡＲＳ...
