《食品科学》：华东交通大学吴至境博士等：基于CARS-1D-CNN与Vis/NIRS的贡梨SSC检测温度校正方法

贡梨（Pyrus pyrifolia）营养丰富，能够提供人体所需的多种维生素和矿物质，在中国的果树种植面积和产量中，贡梨位居前列。贡梨中的可溶性固形物含量（SSC）是其营养价值评价的关键指标之一，对其口感和风味有着重要影响，并且通常随着果实的成熟而增加。然而，对于贡梨中的SSC，传统理化检测方法（例如折光仪）虽然检测精度高，但多基于破坏性取样，不仅费时费力，难以满足大批量贡梨的快速分拣需求，且难以支持质检部门在生长季进行现场取样和质量追踪的需求。

近年来，可见-近红外光谱（Vis/NIRS）已成为分析水果化学成分及质量属性较为成功的无损检测技术之一。该技术因其快速、非破坏性以及可实时分析的优势，广泛应用于水果内部品质评估。多项研究报道了利用Vis/NIRS技术对梨的SSC进行预测。然而，Vis/NIRS技术容易受到多种因素的影响，例如仪器波动、样品特性以及测量环境条件。在这些因素中，样品温度尤为关键，它会显著影响Vis/NIRS技术的测量精度。温度的波动还会引起样品中水分子弯曲和伸缩振动的变化，使得水分子O—H基团的吸收带和强度发生变化。此外，温度变化还会改变波导有效折射率，从而改变光谱仪内干涉仪的光程差，进而影响测量精度。

多项研究证明了Vis/NIRS对样品温度变化的敏感性。在液体样品的检测中，Swierenga等发现，随着温度的升高，参与氢键结合的O—H基团数量减少，从而导致游离O—H基团的光谱吸收带增大。Yao Yang等研究了温度对西瓜汁SSC的影响，发现局部模型对温度波动表现出高度敏感性，而全局模型则展示了优异的预测能力。Peirs等在研究水果个体时，利用近红外反射率探讨了温度对苹果SSC的影响，发现苹果的近红外光谱受样品温度的非线性影响，这主要是由水的O—H基团变化所致。Sheng Ren等采用混合温度校正方法与外部参数正交化（EPO）方法，减轻了温度变化对近红外光谱检测樱桃番茄中SSC和番茄红素含量的影响。Sun Xudong等采用了多种温度校正方法，以减少样品温度波动对芒果果实干物质含量（DMC）预测的影响。Jiang Xiaogang等通过使用4种温度校正方法（包括全局校正、正交信号处理、广义最小二乘加权（GLSW）和EPO方法），解决了苹果SSC模型在温度变化下的鲁棒性问题，研究表明EPO方法在提高模型预测准确性方面表现最佳。Sun Zhizhong等采用基于一维卷积神经网络（1D-CNN）与梯度加权类激活映射（Grad-CAM）的知识引导温度校正方法，探究了温度变化对果品糖分含量预测的影响，取得了较好的外部测试集预测效果。Su Hanjun等研究了温度对Vis/NIRS检测水pH值的影响，发现基于EPO和GLSW算法的校正模型能够有效抑制温度干扰，提高pH值的预测精度。相较于传统的全温度全局校正模型，这两种方法不仅预测准确性更高，还显著降低了模型复杂度。以上研究采用了多种温度校正方法，如EPO、全局模型和GLSW，能够减少水果内部质量（如DMC和SSC）的预测误差。

综上所述，在样品进行近红外光谱采集过程中，温度差异会引起光谱曲线的偏移，例如特征吸收峰的位置变化或特定波段吸收曲线的漂移。这些温度诱导的光谱响应差异，是影响SSC预测模型泛化能力和鲁棒性的重要因素。现有EPO、GLSW等温度校正方法均通过数学变换对原始光谱进行校正处理，其核心目的在于尽可能消除温度变化所带来的干扰，提高建模稳定性。

近年来，1D-CNN因具备强大的自动特征提取与非线性建模能力，已广泛应用于水果品质无损检测，并在SSC预测中取得显著成果。同时，在近红外建模中，竞争性自适应重加权采样（CARS）法作为一种高效的特征变量筛选技术，已被广泛用于光谱数据降维，有助于提升模型的性能。已有研究指出结合CARS与1D-CNN，能够进一步提取光谱数据中的复杂特征，使模型更具鲁棒性。尽管已有研究分别应用CARS进行特征筛选、1D-CNN进行光谱建模，但将二者结合用于温度校正，以提升模型对温度扰动的鲁棒性，尚缺乏系统探讨。尤其在复杂温度扰动条件下，关于该组合方法对光谱漂移补偿能力的研究仍较匮乏。

华东交通大学机电与车辆工程学院的吴至境*、刘富强、欧阳爱国 等人采用一种融合CARS特征选择与引入温度标签的1D-CNN温度校正方法，旨在构建适用于多温度环境下贡梨SSC的近红外无损检测模型。该方法通过CARS提取高信息量波段以优化输入特征质量，结合1D-CNN对光谱与SSC之间的非线性关系进行深度建模，并引入温度标签作为辅助变量。鉴于果园采摘与后期分选环节中常存在较大温差，深入研究温度变化对SSC预测模型的影响及其补偿策略，以期为构建高精度、强鲁棒性的近红外检测系统提供理论参考。

1

温度对近红外光谱的影响机理与规律分析

近红外光谱易受温度影响，其本质在于温度变化会诱导分子层面的物理化学变化，进而改变光与物质的相互作用过程。深入阐明这些内在机理是构建鲁棒性温度校正模型并制定针对性策略的基础。首先，从分子动力学角度看，温度变化直接影响分子振动能级和分子间相互作用。温度升高加剧分子热运动，导致化学键（尤其是水分子的O—H键）的振动偏离简谐模型，非谐性效应增强，具体表现为特征吸收峰位的移动。同时，温度是破坏水分子间氢键网络的关键因素。氢键断裂使游离O—H基团比例增加，这种重组与再平衡不仅加剧了吸收峰的位移，还导致光谱吸收带展宽和基线整体漂移。这些物理变化使得获取的光谱信号成为样品化学组成信息与物理温度信息的混合体。其次，有研究基于Granger因果检验等分析证实，温度是导致光谱特征变化的主导因素，而非简单相关，这从统计意义上确立了其必须被校正的干扰源地位。

如图2所示，为了更清晰地展示光谱曲线，图中将原始光谱的第1个波长点去除。在6个温度梯度下的光谱形状和总体趋势基本一致。在710 nm左右的峰值主要与C—H键和O—H键的倍频伸缩振动相关，805 nm左右的峰值则与这些键的二级倍频吸收密切相关。此外，C—H键的吸收分布在800～910 nm范围内，而N—H键的吸收常出现在950～1 050 nm附近。对690～750 nm波长范围附近的光谱峰进行放大，可以观察到，随着温度的上升，吸收峰的高度随温度变化显著，同时吸收峰有向短波偏移的趋势。其原因在于，温度波动通过改变水分子间氢键作用及O—H键的振动能级，直接导致近红外光谱特征吸收峰的变化。因此，随着温度的升高，水分子的振动能量增加，导致振动频率增加，从而使吸收峰向更高的频带移动。

在近红外光谱分析中，温度的变化往往会对样品的光谱特征产生复杂的影响。尽管同一贡梨在不同温度条件下的光谱曲线形状和趋势大体相似，但光谱强度及吸收峰位置却因温度而异。这一现象表明，所采集的贡梨近红外光谱数据不仅反映了样品本身的成分信息，而且还包含了与样品温度相关的信息，使得同一样品在不同温度条件下的光谱出现了相应的变化。这些温度导致的变化对于光谱分析来说是不可忽视的。

2

温度对SSC预测模型的影响

首先，基于20 ℃条件下的第1组样品数据构建了PLSR模型。使用Kennard-Stone算法将360个样本按3∶1比例划分为建模集（270个）和验证集（90个），并设置1～20个潜在变量（LV）以优化模型。如图3a所示，该模型在恒定温度条件下表现良好，建模集与预测集的相关系数分别为0.956 2和0.911 0，RMSEC和RMSEP分别为0.417 0和0.515 7，二者接近表明模型稳定。然而，当应用该模型预测混合温度样品时，预测性能显著下降，Rp降至0.811 0，RMSEP升至0.937 4（图3b）。这一结果凸显了温度变化对近红外光谱的显著影响，单一温度模型在跨温度预测时失效，从而体现出开发有效温度校正方法的必要性，后续将探讨3种已有研究中验证的校正方法。

3

传统温度校正方法

本研究采用全局校准、EPO和GLSW 3种传统温度校正方法，对于全局校准，预处理采用SNV。在数据划分上，EPO与GLSW均以20 ℃的360条数据为建模集，其余温度共120条数据为预测集；而全局校准则将各温度样本混合后按3∶1比例划分建模集与预测集。通过对不同LV下的模型性能进行比对，确定当LV为9时，模型获得最高的Rp，其预测分布如图4a所示，Rp提升至0.856 9，RMSEP降至0.574 2，表明该方法在一定程度上缓解了温度干扰，降低了预测误差，但其对混合温度样本的预测能力仍显不足，需进一步探索更有效的温度校正途径。

EPO算法通过差异矩阵（D）消除光谱数据的温度依赖性，按D＝X ref —X input 计算，其中Xref为参考温度光谱矩阵；X input 为输入光谱矩阵。基于该原理，本研究评估了3组不同参考温度下的差异矩阵校正效果，分别为D 1 （以20 ℃为参考）、D 2 （以5 ℃为参考）及D 3 （以30 ℃为参考）。通过对不同差异矩阵构建的PLSR模型性能进行比对，结果显示，以20 ℃为参考温度时模型的R p 最优，故最终选择20 ℃光谱作为EPO校正的基准。在此基础上，建模集由20 ℃条件下的360条数据组成。预测集共包含120 条数据，其中100条来自其他5个温度梯度（5、10、15、25、30 ℃，各20 条），另加入20条独立的20 ℃数据，以平衡预测集中不同温度的数据分布，数据的预处理使用SNV。结果如图4b所示，其中R p 上升至0.860 2，RMSEP降低至0.563 7。由该结果可知，EPO算法能够一定程度上消除温度带来的影响。但仍未达到最优效果，需进一步优化校正方法。

建模前，首先采用MSC对原始光谱进行预处理。GLSW算法需要调整加权参数α，α越小，对应的滤波效果越强。通过比较加权参数α为0.01、0.1、1的PLSR模型性能，以R最大化为准则，确定最优α。对于GLSW算法，本研究通过计算不同温度梯度与最低温度（5 ℃）光谱之间的差值构建差异矩阵。其中，D 1 为20 ℃与5 ℃的光谱差值，D 2 为15 ℃与5 ℃的光谱差值，D 3 为30 ℃与5 ℃的光谱差值。实验结果表明，利用D 1 构建的差异矩阵对温度干扰的抑制效果最为明显。通过对不同参数下的模型性能进行比对，确定当α为0.01、PLSR模型的LV为6时，模型获得当前算法下的最优性能，其预测结果分布如图4c所示。在该参数组合下，RMSEP降低至0.696 0，但R p 仅为0.772 4。结果表明，虽然GLSW算法在缩小预测误差方面起到了一定的校正作用，但其较低的R p 说明模型相关性仍不理想，需进一步探索更优的补偿方法。

4

CARS-1D-CNN

综上所述，当前常用的温度校正方法如全局校准、GLSW与EPO在一定程度上可减弱温度波动对模型性能的影响，但仍面临泛化能力不足、参数敏感性强以及对先验信息依赖较高等问题，难以完全满足复杂实际应用场景的需求。

针对上述不足，本研究采用一种融合CARS特征筛选与引入温度标签的1D-CNN深度建模策略。具体而言，“CARS线性优选变量作为1D-CNN输入”的过程分为两个独立步骤：首先，利用CARS算法对高维光谱数据进行特征选择，剔除冗余和无关波长变量，保留信息量较高的优选特征；其次，将筛选后的变量作为1D-CNN模型的输入以开展深层次的非线性建模。尽管CARS基于PLSR线性模型构建，而1D-CNN属于典型的非线性深度学习模型，两者在建模原理上存在差异，但在本研究中其应用流程前后独立，彼此并无冲突。CARS的引入实质上在模型训练前起到了降维和去噪作用，有助于减少冗余变量对1D-CNN训练过程的干扰，从而提升模型的稳定性与泛化能力。随后，1D-CNN在更具信息密度的特征空间中对光谱数据进行非线性特征提取与回归预测。因此，CARS提取全光谱中的关键变量，1D-CNN对其进一步建模与学习，两者结合实现了对有效特征的“优中选优”，从而增强了模型的预测精度与鲁棒性。为系统评估该方法的有效性，本研究在构建CARS-1D-CNN模型的同时，设立了未经特征筛选的1D-CNN模型作为对照组，对比分析两者在不同温度条件下的预测性能差异。

针对温度变化引起的光谱偏移问题，本研究将温度参数归一化后作为补充特征，与原始光谱特征向量拼接，以增强1D-CNN模型对温度效应的学习能力。在数据划分方面，本研究使用所有数据进行建模。具体来说，温度为20 ℃的数据共有360条，按3∶1的比例划分为建模集和预测集，270条数据用于建模集，90条数据用于预测集。对于其他温度（5、10、15、25、30 ℃），每个温度条件下分别有20条光谱数据，混合后也按3∶1的比例划分为建模集和预测集，因此75条数据用于建模集，25条数据用于预测集。最终，建模集包含270条来自20 ℃的数据和75条来自其他温度的数据，总计345条数据；预测集包含90条来自20 ℃的数据和25条来自其他温度的数据，总计115条数据。通过这种数据划分方式，1D-CNN模型能够充分利用不同温度条件下的光谱数据，通过卷积层提取光谱中的局部特征，池化层进行降维，并通过全连接层学习温度与光谱之间的非线性映射关系。进行综合建模与预测。在进行建模处理之前，所有的数据均使用SNV进行预处理。

如图5所示，1D-CNN模型采用3个卷积层、2个池化层。1D-CNN网络结构中的关键超参数通过网格搜索（Grid Search）方法确定。首先参考了已有文献中采用的超参数搜索空间设定方法，在此基础上构建了适用于本研究的搜索范围。随后，对不同参数组合进行了系统评估，并以预测集上的性能指标（R p 和RMSEP）作为评价标准，最终筛选出最优超参数组合。超参数搜索空间及最终选定的最优值如表2所示，具体设置如下：卷积核大小为3×1，步长为1，卷积核数量分别设置为16、32、64。最大池化层为2×2，步长设为2。在每个卷积层设置激活函数为Leaky ReLU函数。共有4个全连接层，输入特征分别为128、64、32、1。激活函数设置为线性，用于回归预测。模型训练时采用均方误差（MSE）作为损失函数，学习率为0.001，引入L 2 正则化，衰减系数为10 - 4 。采用Adam算法对模型进行优化和更新。epoch设置为4 800轮，batch size设置为64。在每一个全连接层的后面引入Dropout层，Dropout设置为0.3，避免模型过拟合。

建模结果如图6所示，其中 R p 上升至0.829 1，RMSEP降至0.603 7。这些结果表明，1D-CNN模型也能够在一定程度上减轻温度带来的影响，但模型仍然存在一定的过拟合问题。为了进一步提高模型的鲁棒性和预测精度，尤其是在去除冗余波段和噪声的能力上，本研究引入了CARS方法。CARS能够有效筛选出最具信息量的光谱波段，去除无关或冗余的波段，从而降低数据的复杂度并提高模型训练效率。通过将CARS与1D-CNN结合，形成CARS-1D-CNN模型，旨在进一步提升温度校正的效果，增强模型对不同温度条件下样本的预测能力。

样品的原始光谱包含1 044个波长点，经过CARS筛选后，保留了83个波长点。CARS算法的具体过程如图7所示。首先设置CARS算法的采样次数为100次，在这个过程中，变量数逐渐减少，减少速度由快到慢近似指数。特征波长的选择依据最小的RMSECV，在采样次数为42次时，RMSECV达到最低值（0.714 6），此后迅速上升。最终选择的83个特征波长点，如图8a所示。通过CARS筛选后，剩余的波长点更具代表性，能有效去除冗余信息。这一过程不仅显著降低了数据的维度，还提高了模型的训练效率和预测精度。

CARS-1D-CNN的样本划分与单独使用1D-CNN建模相同。网络结构总体上与图5的结构类似，仅对部分超参数进行了调整，调整方法同1D-CNN模型，经调整后的具体参数如下：卷积核大小为7，Dropout为0.03，epoch为1 000轮。具体模型结果如图8b所示，Rp提高至0.885 9，RMSEP降至0.548 3。与单独使用1D-CNN相比，Rp提升了6.84%，RMSEP降低了9.19%；与最优传统方法EPO相比，Rp提高了2.96%，RMSEP降低了2.73%，展现出一定的改进效果。

已有研究指出，不同梨品种因果皮颜色、产地及遗传特性等差异，可能导致近红外光谱吸收峰的局部偏移，但其整体光谱趋势仍具有较强的一致性。同时，多品种梨的SSC建模中已有学者采用1D-CNN等深度学习方法，取得了良好的建模效果。考虑到温度引起的光谱变化（如吸收峰漂移）在机理上与品种或果类差异引起的光谱变化存在一定共性，本研究使用的CARS-1D-CNN温度校正策略可适用于其他梨品种，以及同类的薄皮水果如苹果等的温度校正问题。需要注意的是，由于不同果类（如苹果和桃子）在组织结构和化学成分方面存在一定差异，导致其近红外光谱存在一定变异，因此在跨果种应用中，仍需结合目标果品特点对1D-CNN网络结构或超参数进行针对性调整，以确保模型的泛化性能与预测精度。

如图9、表3所示，通过对比各校正模型的预测效果可以发现，CARS-1D-CNN模型的残差分布更为集中，误差更小，展现出更强的拟合性能与泛化能力。与全局校准、GLSW及EPO等传统温度校正方法相比，该方法降低了多温度条件下的预测误差，其Rp提升至0.885 9，RMSEP降低至0.548 3。

5

结 论

本研究应用一种基于双重补偿机制的新型温度校正方法，结合CARS波长优选与1D-CNN深度特征提取，有效抑制温度变化对贡梨SSC预测的干扰。实验表明，温度对贡梨漫透射光谱影响显著，传统单一温度模型在跨温度预测时误差较大。通过应用CARS-1D-CNN方法筛选关键变量并提取深层特征，模型鲁棒性与预测精度得到提升。与全局校准、GLSW及EPO等方法相比，CARS-1D-CNN模型残差分布更集中、误差更小，拟合与泛化能力更强。在多温度条件下，该模型取得了更高的Rp（0.885 9）和更低的RMSEP（0.548 3）。本方法不仅为贡梨SSC预测提供了可靠方案，也为解决在线光谱分析中的温度干扰问题提供了新思路，具有较高的应用价值。

作者简介

通信作者：

吴至境 讲师

华东交通大学机电与车辆工程学院

博士研究生，博士毕业于上海交通大学，毕业后一直在华东交通大学工作。研究方向为激光光谱及无损光谱检测。参与国家863项目课题1 项，参与国家自然科学基金项目2 项，承担省级科研项目1 项。累计以第一作者发表SCI论文4 篇，其中2 篇B区，中文核心以上论文8 篇。授权发明专利2 项，实用新型专利2 项。授权软件著作权共10 项。

引文格式：

吴至境, 刘富强, 欧阳爱国, 等. 基于CARS-1D-CNN与Vis/NIRS的贡梨SSC检测温度校正方法[J]. 食品科学, 2026, 47(4): 39-48. DOI:10.7506/spkx1002-6630-20250921-152.

WU Zhijing,LIU Fuqiang,OUYANG Aiguo,et al.Temperature correction method for the detection of soluble solids content in Gongli pears based on Vis/NIRS and CARS-1D-CNN[J]. Food Science, 2026, 47(4): 39-48. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250921-152.

实习编辑：杨倩；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网

为系统提升我国食品营养与安全的科技创新策源能力，加速科技成果向现实生产力转化，推动食品产业向绿色化、智能化、高端化转型升级，由北京食品科学研究院、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，合肥工业大学、安徽省食品行业协会、安徽大学、合肥大学、合肥师范学院、北京工商大学、中国科技大学附属第一医院临床营养科、安徽粮食工程职业学院、皖西学院、滁州学院、蚌埠学院共同主办的“ 第六届食品科学与人类健康国际研讨会 ”，将于 2026年8月15-16日（8月14日全天报到） 在 中国 安徽 合肥 召开。

长按或微信扫码进行注册

为对标农业农村部2035年科技规划及“十四五”“十五五”发展方向，推动农产品加工与储运的工程化、智能化、绿色化升级，由湖南省农业科学院、湖南农业大学、北京食品科学研究院、国际食品科技联盟（IUFoST）、中国农业大学、岳麓山工业创新中心主办，湖南大学、中南林业科技大学、长沙理工大学、湖南中医药大学、湘潭大学、岳麓山实验室协办，中国食品杂志社、洞庭实验室、湖南省食品科学技术学会、湖南省农产品加工与质量安全研究所、湖南农业大学食品科学技术学院、Springer Nature-《Agricultural Products Processing and Storage》杂志承办的“第二届农产品加工与食品制造国际学术研讨会—创新引领绿色智造，AI赋能科技进步”，将于2026年9月19-20日（9月18日会议报到）在中国 湖南 长沙召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）