一种鲜食葡萄采后内部品质联合预测方法、装置、电子设备及存储介质

本发明涉及农业智能检测，尤其涉及一种鲜食葡萄采后内部品质联合预测方法、装置、电子设备及存储介质。

背景技术：

1、传统的鲜食葡萄采后内部品质检测多采用破坏性抽样，操作繁琐且耗时费力，无法实现大批量样本的同步在线监测。

2、高光谱成像技术由于融合了光谱分析与图像识别的优势，能够同时获取样本的空间信息和光谱特征，具有无损、高效、高信息量等特点。典型流程通常包括高光谱图像获取、理化指标实测、光谱预处理、特征波长筛选以及回归建模。

3、传统光谱降维主要依赖偏最小二乘回归（plsr）、支持向量机（svm）以及随机森林（rf）等化学计量学方法，并结合竞争性自适应重加权采样法（cars）等提取特征波长。近年来，随着深度学习的发展，一维卷积神经网络（1dcnn）凭借其端到端的非线性映射能力，被逐渐应用于自动化提取光谱的深层特征。

4、尽管现有技术中基于高光谱与深度学习的检测方法在理想实验环境下取得了一定进展，但在冷链贮藏及实际检测应用中，仍然存在以下严重的技术缺陷：

5、（1）特征选择波段缺乏明确的物理与化学机理解释：传统的cars等筛选方法主要依赖统计贡献进行排序，面对高维非线性光谱特征时易引入伪相关噪声。这导致模型虽然在特定样本上拟合良好，但波长选择缺乏明确的分子振动物理依据，跨品种、跨成熟度阶段的泛化能力薄弱，无法精准量化特征对多任务的非线性边际贡献。

6、（2）忽略外部检测环境的温度波动干扰：实际冷链或货架检测环境中，环境温度的频繁波动会直接改变果实内部水分子的热运动状态，从而引起近红外光谱基线发生严重的非线性漂移。现有模型普遍采用单一高光谱通道输入，忽视了环境因子的非线性干扰，导致模型跨场景预测稳健性差。

7、（3）单任务独立建模割裂了多指标间的生理协同规律：现有技术多采用单任务学习模式，即针对ssc、ph或硬度分别建立独立预测网络。这种方式不仅带来了巨大的计算资源冗余与模型维护负担，更割裂了葡萄在采后贮藏过程中各内部品质指标间固有的生理协同关联，导致深层共享特征挖掘不足。

8、（4）神经网络超参数空间复杂且依赖人工调优经验：深度学习预测模型的预测精度和收敛速度高度依赖于学习率、批处理大小、丢弃率等超参数的设定。传统人工经验调参或网格搜索在面对高维参数空间时效率低下，极易陷入局部最优解，制约了模型的全自动全局寻优适配。

9、因此，需要一种鲜食葡萄采后内部品质联合预测方法、装置、电子设备及存储介质来解决以上问题。

技术实现思路

1、本发明的目的是提出一种鲜食葡萄采后内部品质联合预测方法、装置、电子设备及存储介质。

2、一种鲜食葡萄采后内部品质联合预测方法，包括：

3、采集鲜食葡萄的原始高光谱数据，记录原始高光谱数据对应的外部环境温度，对原始高光谱数据进行初步预处理，得到预处理后的高光谱数据；

4、采用基于cb-shap的递进式特征筛选策略对预处理后的高光谱数据进行关键波段提取，得到核心特征波段子集；

5、构建tf-1dcnn预测模型，利用自适应惯性权重粒子群算法对模型的核心超参数进行自适应全局寻优，得到优化后的tf-1dcnn预测模型；

6、将核心特征波段子集与对应的外部环境温度输入优化后的tf-1dcnn预测模型中，输出鲜食葡萄内部可溶性固形物含量、ph值及果肉硬度的联合预测数据。

7、进一步地，对原始高光谱数据进行初步预处理具体为：

8、采用savitzky-golay二阶导数滤波法对原始高光谱数据进行去噪与基线漂移消除。

9、进一步地，采用基于cb-shap的递进式特征筛选策略对预处理后的高光谱数据进行关键波段提取，得到核心特征波段子集具体包括：

10、利用竞争性自适应重加权采样法cars对高维光谱空间进行全局粗筛降维，通过蒙特卡洛随机抽样与偏最小二乘回归模型交互验证，淘汰低回归系数权重的冗余波段，得到初筛特征子集；

11、将初筛特征子集作为boruta算法的输入，根据原始波长特征随机生成影子特征；

12、将原始波长特征的重要性得分与影子特征的最高得分进行基于随机森林的统计检验，剔除伪相关变量，提取显著相关的核心波段特征；

13、利用博弈论加性特征归因shap方法计算核心波段特征对可溶性固形物含量、ph值及果肉硬度的边际贡献度，根据边际贡献度对核心波段特征进行全局重要性排序，剔除边缘特征，最终确定核心特征波段子集。

14、进一步地，构建tf-1dcnn预测模型具体包括：

15、搭建包含三个级联一维卷积层的光谱通道，通过一维卷积核读取输入数据，计算卷积核与输入数据的局部区域之间的点积，实现卷积输出；

16、在每个一维卷积层之后均连接一个池化层提取深层特征，将深层特征转化为一维光谱特征向量；

17、搭建由两个全连接层组成的温度通道，通过权重矩阵将卷积操作中特征图中的每个元素与自身每一个神经元进行连接；

18、将外部环境温度数据输入温度通道，通过全连接层映射捕捉环境温度对品质变化的非线性干扰特征，输出干扰补偿特征向量；

19、构建融合层与多任务输出层，通过矩阵拼接算子将一维光谱特征向量与干扰补偿特征向量进行无损特征拼接，得到多源融合特征矩阵。

20、一种鲜食葡萄采后内部品质联合预测装置，包括：

21、数据处理模块，用于采集鲜食葡萄的原始高光谱数据，记录原始高光谱数据对应的外部环境温度，对原始高光谱数据进行初步预处理，得到预处理后的高光谱数据；

22、波段提取模块，用于采用基于cb-shap的递进式特征筛选策略对预处理后的高光谱数据进行关键波段提取，得到核心特征波段子集；

23、模型优化模块，用于构建tf-1dcnn预测模型，利用自适应惯性权重粒子群算法对模型的核心超参数进行自适应全局寻优，得到优化后的tf-1dcnn预测模型；

24、联合预测模块，用于将核心特征波段子集与对应的外部环境温度输入优化后的tf-1dcnn预测模型中，输出鲜食葡萄内部可溶性固形物含量、ph值及果肉硬度的联合预测数据。

25、进一步地，数据处理模块中对原始高光谱数据进行初步预处理具体为：

26、采用savitzky-golay二阶导数滤波法对原始高光谱数据进行去噪与基线漂移消除。

27、进一步地，波段提取模块中采用基于cb-shap的递进式特征筛选策略对预处理后的高光谱数据进行关键波段提取，得到核心特征波段子集具体包括：

28、利用竞争性自适应重加权采样法cars对高维光谱空间进行全局粗筛降维，通过蒙特卡洛随机抽样与偏最小二乘回归模型交互验证，淘汰低回归系数权重的冗余波段，得到初筛特征子集；

29、将初筛特征子集作为boruta算法的输入，根据原始波长特征随机生成影子特征；

30、将原始波长特征的重要性得分与影子特征的最高得分进行基于随机森林的统计检验，剔除伪相关变量，提取显著相关的核心波段特征；

31、利用博弈论加性特征归因shap方法计算核心波段特征对可溶性固形物含量、ph值及果肉硬度的边际贡献度，根据边际贡献度对核心波段特征进行全局重要性排序，剔除边缘特征，最终确定核心特征波段子集。

32、进一步地，模型优化模块中构建tf-1dcnn预测模型具体包括：

33、搭建包含三个级联一维卷积层的光谱通道，通过一维卷积核读取输入数据，计算卷积核与输入数据的局部区域之间的点积，实现卷积输出；

34、在每个一维卷积层之后均连接一个池化层提取深层特征，将深层特征转化为一维光谱特征向量；

35、搭建由两个全连接层组成的温度通道，通过权重矩阵将卷积操作中特征图中的每个元素与自身每一个神经元进行连接；

36、将外部环境温度数据输入温度通道，通过全连接层映射捕捉环境温度对品质变化的非线性干扰特征，输出干扰补偿特征向量；

37、构建融合层与多任务输出层，通过矩阵拼接算子将一维光谱特征向量与干扰补偿特征向量进行无损特征拼接，得到多源融合特征矩阵。

38、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现鲜食葡萄采后内部品质联合预测方法中的各个步骤。

39、一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现鲜食葡萄采后内部品质联合预测方法中的各个步骤。

40、本发明的有益效果在于：

41、1、本发明通过cb-shap三阶段递进式特征筛选策略，利用cars与boruta剔除高维冗余及伪相关变量，并引入博弈论shap量化各波段对多指标的非线性边际贡献，不仅使数据维度大幅降低，更赋予了最终核心特征波段明确的物理化学意义。

42、2、本发明提出的光谱-温度双通道架构，通过全连接温度通道捕获环境温度的动态变化，在特征融合层实现了干扰补偿信号与光谱品质特征的深度无损拼接，有效解决了复杂温控/冷链场景下光谱非线性基线漂移导致的模型失效问题，显著增强了跨场景的泛化稳健性。

43、3、本发明基于1dcnn多任务学习框架，通过底层网络参数共享，深刻刻画了葡萄内部ssc、ph值与果肉硬度在采后贮藏过程中的生理协同关联。相比传统的单任务独立建模，大幅降低了计算资源消耗与多模型维护成本，防止了负迁移现象。

44、4、本发明引入自适应惯性权重粒子群优化算法（sapso），通过分段动态调节机制完美平衡了算法的全局探索与局部开发能力，避免了传统人工试错调参的高昂代价，实现了复杂深度网络架构的最优自动化寻优。