東北林(lin)業(yè)大學(xué)研究(jiu)人員(yuan)在國內(nèi)(nei)期刊《光(guang)譜學(xué)與(yu)光譜分(fen)析》發(fā)(fa)表了題(ti)為"基于可見－近(jin)紅外(wai)光譜和深度森(sen)林的藍(lán)莓(mei)成熟度判(pan)別"的研究論(lun)文。在該論文中(zhong)，研究人員使用(yong)上海(hai)騰拔(ba)Universal TA國產(chǎn)質(zhì)構(gòu)儀測(ce)定了藍(lán)(lan)莓的硬度。

摘　要　為快速(su)準(zhǔn)確對藍(lán)莓(mei)果實(shí)成熟程(cheng)度進(jìn)行分(fen)類，采用(yong)近紅外光譜(pu)檢測技術(shù)和(he)深度(du)森林算法(fa)，建立了(le)藍(lán)莓成熟度的(de)判別模型。采用(yong)ＬａｂＳｐｅｃ　５０００光譜儀(yi)采集了三(san)種不(bu)同成(cheng)熟程(cheng)度的藍(lán)莓標(biāo)(biao)準(zhǔn)樣品(pin)，共獲取了１５０組光(guang)譜樣本。為(wei)確定最(zui)佳輸入(ru)模型特征數(shù)目(mu)，對原始光譜數(shù)(shu)據(jù)進(jìn)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷(juan)積平(ping)滑處理(li)，采用主(zhu)成分分析將(jiang)平滑處(chu)理后的數(shù)據(jù)(ju)降至(zhi)４個(gè)主成分，并(bing)采用多(duo)項(xiàng)式(shi)特征(zheng)衍生方(fang)法對每(mei)個(gè)主成分進(jìn)行(xing)２、３、４、５階的特征(zheng)衍生(sheng)，最終在深度森(sen)林中確定最佳(jia)的特征衍生階(jie)數(shù)為４。為檢驗(yàn)(yan)深度森林(lin)的成熟度判(pan)別效果，將其(qi)與隨機(jī)(ji)森林、jiduan梯(ti)度提(ti)升樹(shu)算法(fa)（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融合模(mo)型進(jìn)行了(le)對比，對各(ge)模型(xing)確定了(le)最佳超參(can)數(shù)組合，深(shen)度森林和ｓｔａｃｋｉｎｇ融合(he)模型(xing)采用了手(shou)動(dòng)調(diào)參，隨機(jī)森(sen)林和ｘｇｂｏｏｓｔ采用了(le)貝葉斯優(yōu)(you)化算法(fa)進(jìn)行了超參(can)數(shù)尋優(yōu)(you)。模型(xing)評估(gu)指標(biāo)采用(yong)準(zhǔn)確率、混淆(xiao)矩陣、受(shou)試者工作特征(zheng)曲線（ＲＯＣ）、ＡＵＣ度量及(ji)抗噪能力。研究(jiu)結(jié)果表(biao)明，在測(ce)試集上，深度森(sen)林和ｓｔａｃｋｉｎｇ融合(he)模型的準(zhǔn)確率(lv)均為９５．５６％，隨機(jī)森(sen)林和(he)ｘｇｂｏｏｓｔ的準(zhǔn)確(que)率為９３．３３％；深度(du)森林的ＡＵＣ值(zhi)為１，隨機(jī)森林(lin)、ｓｔａｃｋｉｎｇ融合模型(xing)、ｘｇｂｏｏｓｔ的ＡＵＣ值分別為０．９９、０．９８、０．９６，深(shen)度森林和ｓｔａｃｋｉｎｇ融合(he)模型(xing)的抗(kang)噪能力優(yōu)于(yu)隨機(jī)森林和(he)ｘｇｂｏｏｓｔ。該研究(jiu)的深度森(sen)林模(mo)型整體上判(pan)別效果優(yōu)于其(qi)他三種模(mo)型，為藍(lán)(lan)莓成熟程(cheng)度判別(bie)提供了技(ji)術(shù)支(zhi)持。

1、硬度測定

將藍(lán)莓(mei)樣品放置(zhi)于質(zhì)(zhi)構(gòu)儀測試(shi)平板上，使(shi)用圓(yuan)柱形探頭對(dui)單個(gè)(ge)漿果進(jìn)(jin)行全質(zhì)構(gòu)分析(xi)（ＴＰＡ）測試。測前、測試(shi)和測后(hou)上行(xing)速度(du)均為(wei)１ｍｍ/s，果肉(rou)變形３０％，兩次壓縮(suo)停頓時(shí)間均為(wei)５ｓ，以雙峰(feng)曲線(xian)中首峰的最大(da)值表示硬度。

參考(kao)文獻(xiàn)(xian)：王宏(hong)恩等：基于可見(jian)－近紅外光(guang)譜和深度森(sen)林的藍(lán)莓成熟(shu)度判別(bie). 光譜學(xué)與光譜(pu)分析, 2024年.