Der Gehalt an Trockenmasse (DM) in Mangos ist ein wichtiger Indikator zur Bewertung der Mangosqualität. Diese Arbeit nutzt die Nahinfrarotspektroskopie (NIR), um den Trockenmassegehalt von Mangos zu prüfen und vorherzusagen. Basierend hauptsächlich auf dem Rahmen eines Convolutional Neural Networks (CNN) wurde ein numerisches Gitter-Screening-Verfahren für Strukturparameter untersucht, in das ein Long Short-Term Memory Netzwerk (LSTM) zur kooperativen Parameteroptimierung integriert wurde, um ein fusioniertes Optimierungsmodell CNN-LSTM zu erstellen. Im Experiment wurde durch den Aufbau eines flachen CNN-Modellierungsrahmens eine lokale, gemeinsame Feinabstimmung der Schlüsselparameter des CNN-LSTM-Modells durchgeführt. Die Ergebnisse von Modelltraining und -test zeigen, dass die optimalen Vorhersageergebnisse der CNN- und CNN-LSTM-Modelle deutlich besser sind als herkömmliche lineare oder nichtlineare Modelle. Neben der Bestimmung des optimalen Modells bietet diese Studie weitere alternative Kombinationen von Optimierungsparametern, die in der Mango-Produktion und -Kultivierung Anwendung finden könnten. Der flache CNN-Rahmen, kombiniert mit dem LSTM-Optimierungsmodell und dem numerischen Gitter-Screening-Verfahren für Parameter, kann eine chemometrische Unterstützung für die schnelle Erkennung des Trockenmassegehalts in Mangofrüchten bieten.

Nahinfrarot (NIR);Mangotrockenmasse;Convolutional Neural Network (CNN);Long Short-Term Memory Netzwerk (LSTM);Parameteroptimierung;numerisches Gitter-Screening