El contenido de materia seca (DM) en el mango es uno de los indicadores importantes para evaluar la calidad del mango. Este artículo utiliza la espectroscopía de infrarrojo cercano (NIR) para examinar y predecir el contenido de materia seca en el mango. Basado principalmente en el marco de redes neuronales convolucionales (CNN), se estudió un esquema numérico de selección de parámetros estructurales por cuadrícula, integrando una red de memoria a corto y largo plazo (LSTM) para completar la optimización colaborativa de los parámetros, construyendo un modelo optimizado de fusión CNN-LSTM. Durante el experimento, mediante la construcción de un marco de modelado CNN superficial, se realizó un ajuste conjunto local de los hiperparámetros clave del modelo CNN-LSTM. Los resultados del entrenamiento y prueba del modelo muestran que los resultados óptimos de predicción de los modelos CNN y CNN-LSTM superan notablemente a los modelos lineales o no lineales convencionales. Además de determinar el modelo óptimo, este estudio proporciona más combinaciones de parámetros de optimización alternativas, con potencial aplicación en la producción y cultivo del mango. El marco CNN superficial fusionado con el modelo optimizado LSTM y el esquema numérico de selección de parámetros pueden proporcionar soporte quimiométrico para la detección rápida del contenido de materia seca en los frutos de mango.

Infrarrojo cercano (NIR);materia seca de mango;red neuronal convolucional (CNN);red de memoria a corto y largo plazo (LSTM);optimización de parámetros;selección numérica en cuadrícula