محتوى المادة الجافة (DM) في المانجو هو أحد المؤشرات الهامة لتقييم جودة المانجو. تستخدم هذه الورقة طريقة الأشعة تحت الحمراء القريبة (NIR) لفحص والتنبؤ بمحتوى المادة الجافة في المانجو. بالاعتماد بشكل رئيسي على إطار شبكة الأعصاب الالتفافية (CNN)، تم دراسة خطة الفرز الرقمية لقيم شبكة معلمات الهيكل، وتم دمج شبكة الذاكرة طويلة المدى وقصيرة المدى (LSTM) لإكمال التحسين التعاوني للمعلمات، وبناء نموذج تحسين مدمج CNN-LSTM. خلال التجربة، ومن خلال بناء إطار نموذج CNN سطحي، تم ضبط مشترك محلي دقيق للمعلمات الأساسية لنموذج CNN-LSTM. تظهر نتائج تدريب النموذج واختباره أن نتائج التنبؤ المثلى لنموذج CNN ونموذج CNN-LSTM تتفوق بوضوح على النماذج الخطية أو غير الخطية التقليدية. إلى جانب تحديد النموذج الأمثل، هذا البحث يوفر المزيد من مجموعات تحسين المعلمات المحتملة، مع وعد بالتطبيق في عمليات إنتاج وزراعة المانجو. يوفر إطار CNN السطحي المدمج مع نموذج تحسين LSTM وخطة الفرز الرقمية لمجموعة المعلمات دعمًا كيمومتريًا للكشف السريع عن محتوى المادة الجافة في ثمار المانجو.

الأشعة تحت الحمراء القريبة (NIR);مادة المانجو الجافة;شبكة الأعصاب الالتفافية (CNN);شبكة الذاكرة طويلة وقصيرة المدى (LSTM);تحسين المعلمات;الفرز الرقمي بالشبكة