La teneur en matière sèche (DM) dans la mangue est l'un des indicateurs importants pour évaluer la qualité de la mangue. Cet article utilise la spectroscopie proche infrarouge (NIR) pour tester et prédire la teneur en matière sèche de la mangue. Basé principalement sur le cadre du réseau de neurones convolutionnel (CNN), une méthode d'évaluation numérique par grille des paramètres structurels est étudiée, intégrant un réseau à mémoire à court et long terme (LSTM) pour une optimisation collaborative des paramètres, construisant un modèle d'optimisation fusionné CNN-LSTM. Au cours de l'expérience, via la construction d'un cadre de modélisation CNN superficiel, une optimisation locale conjointe des hyperparamètres des paramètres clés du modèle CNN-LSTM a été effectuée. Les résultats de l'entraînement et du test du modèle montrent que les résultats de prédiction optimaux des modèles CNN et CNN-LSTM sont nettement supérieurs aux modèles linéaires ou non linéaires conventionnels. En plus de déterminer le modèle optimal, cette étude fournit davantage de combinaisons de paramètres d'optimisation alternatives, promettant une application dans la production et la culture de la mangue. Le cadre CNN superficiel fusionné avec un modèle d'optimisation LSTM et la méthode d'évaluation numérique par grille des paramètres peuvent soutenir chimiométriquement la détection rapide de la teneur en matière sèche dans les fruits de mangue.

Proche infrarouge (NIR);matière sèche de la mangue;réseau de neurones convolutionnel (CNN);réseau à mémoire à court et long terme (LSTM);optimisation des paramètres;évaluation numérique par grille