O teor de matéria seca (DM) em mangas é um dos indicadores importantes para avaliar a qualidade da manga. Este artigo utiliza a espectroscopia de infravermelho próximo (NIR) para examinar e prever o teor de matéria seca em mangas. Principalmente baseado no framework de redes neurais convolucionais (CNN), estudou-se um esquema de triagem numérica em grade de parâmetros estruturais, incorporando uma rede de memória de curto e longo prazo (LSTM) para a otimização colaborativa de parâmetros, construindo um modelo otimizado de fusão CNN-LSTM. Durante o experimento, por meio da construção de um framework de modelagem CNN rasa, foi realizada a afinação local conjunta de hiperparâmetros dos parâmetros centrais do modelo CNN-LSTM. Os resultados do treinamento e teste do modelo mostram que os resultados ótimos de previsão dos modelos CNN e CNN-LSTM superam claramente os modelos lineares ou não lineares convencionais. Além de determinar o modelo ótimo, este estudo fornece mais combinações alternativas de parâmetros de otimização que podem ser aplicadas no processo de produção e cultivo da manga. O framework CNN raso, integrado com o modelo otimizado LSTM e o esquema de triagem numérica em grade de parâmetros, pode fornecer suporte quimiométrico para a detecção rápida do teor de matéria seca nos frutos de manga.

Infravermelho próximo (NIR);matéria seca da manga;rede neural convolucional (CNN);rede de memória de curto e longo prazo (LSTM);otimização de parâmetros;triagem numérica em grade