基于DCGAN数据增强的樱桃番茄可溶性固形物含量光谱检测方法

作     者：吴至境 刘富强 李志刚 陈慧 WU Zhijing;LIU Fuqiang;LI Zhigang;CHEN Hui

作者机构：华东交通大学机电与车辆工程学院江西南昌330013 

基　　金：国家自然科学基金地区科学基金项目(52265046) 

出 版 物：《食品科学》 (Food Science)

年 卷 期：2025年第46卷第2期

页      码：214-221页

摘      要：针对樱桃番茄在实际检测中样品数不足的特点,本研究提出一种深度卷积生成对抗网络(deep convolutional generative adversarial network,DCGAN)模型以同时扩充光谱数据及可溶性固形物含量(soluble solids content,SSC)标签数据,并建立一维卷积神经网络回归(one dimensional-convolutional neural networks regression,1D-CNNR)模型以提高模型的预测精度和泛化能力。为了比较,分别建立偏最小二乘回归(partial least squares regression,PLSR)模型和支持向量机回归(support vector regression,SVR)模型。将原始80个样品数据集、1000个样品的DCGAN扩充数据集和1080个样品的合并数据集,分别结合1D-CNNR、SVR及PLSR进行建模与预测。为了进一步验证模型的泛化能力,一批新的总数为40个样品的樱桃番茄数据作为上述3个模型的新测试集。结果显示,使用合并数据集划分所得校正集进行1D-CNNR建模后,模型为最优的SSC回归检测模型。此时1D-CNNR面向合并样品测试集的预测准确率最高,预测相关系数r_(p)=0.9807,均方根误差RMSE_(p)=0.1929;与SVR与PLSR对比,1D-CNNR面向新的40个样品数据集的预测准确率也最高,其r_(p)=0.9638,RMSE_(p)=0.2245。本研究可为有效准确检测樱桃番茄的可溶性固形物含量提供一种新思路。

主 题 词：樱桃番茄 可溶性固形物含量 可见-近红外漫反射光谱 深度卷积生成对抗网络 一维卷积神经网络 

学科分类：0810[工学-土木类] 08[工学] 09[农学] 081002[081002] 0902[农学-自然保护与环境生态类] 090202[090202] 

核心收录：

D　O　I：10.7506/spkx1002-6630-20240713-131

馆 藏 号：203156530...