南方农业学报

作者：陈贺, 吴赛赛, 曾志康, 柴秀娟, 何海碧, 韦莹莹, 蓝玉萍, 方辉, 李诚瑜, 莫小香,

关键词：柑橘, 糖度, 高光谱, CNN-FA-RB模型, 采前无损检测,

【目的】基于深度学习和高光谱成像技术，建立适应果园环境的采前柑橘糖度无损检测模型，为果园柑橘的成熟度判断及智能采摘提供理论参考和技术支持。【方法】采用区域选择法和阈值分割法分别提取柑橘高光谱图像的感兴趣区域（ROI），获得柑橘果实光谱反射的有效区域并计算原始光谱；使用多元散射校正（MSC）、标准正态变换（SNV）、Savitzky-Golay平滑（SG）、小波变换（WT）、一阶导数（FD）、SGMSC组合方法等6种光谱预处理方法分别对原始光谱进行校正，利用竞争性自适应重加权采样算法（CARS）、随机蛙跳算法（RF）、联合区间偏最小二乘法（SIPLS）、相关系数法（CORR）等4种算法提取与柑橘糖度高度相关的特征波段，并与光谱预处理进行组合；在卷积神经网络（CNN）的基础上融合特征增强和残差模块，建立CNN-FA-RB模型，同时构建偏最小二乘回归（PLSR）、支持向量回归（SVR）、前馈神经网络（FFNN）、CNN、AlexNet、ResNet18、SENet18等7种模型进行对比。【结果】以阈值分割法提取的ROI建模效果更优，决定系数（R2）较区域选择法平均提高了19.33%。SG+CARS组合为最佳预处理方法，提取得到的25个特征波段覆盖范围较广（399.2~963.0 nm），捕捉到糖分相关的吸收峰（C-H/O-H键振动），建立PLSR模型测试发现，R2为0.709、均方根误差（RMSE）为0.894，即能有效平滑高频噪声，筛选出与糖度强相关的特征波段。CNN-FA-RB模型的糖度检测精度最高且训练速度较快，果园环境下的R2为0.816、RMSE为0.751、平均绝对误差（MAE）为0.576、平均绝对百分比误差（MAPE）为5.616%、训练速度为13.158轮次/s，相对于CNN模型，R2提升了8.66%、RMSE下降了13.97%、MAE下降了15.79%、MAPE下降了14.32%，且训练速度提升了3.71倍。【结论】建立的CNN-FA-RB模型能克服室外环境干扰，进行精准糖度预测。阈值分割+SG+CARS+CNN-FA-RB的方案能有效实现采前柑橘糖度无损检测，为柑橘成熟度判断、机器人采摘、果园监测等场景提供技术支持。

来源：2026年第2期

《南方农业学报》期刊编辑部

查看南方农业学报杂志2026年第2期