東北林業(yè)大(da)學(xué)研究人員在(zai)國內(nèi)期刊《光(guang)譜學(xué)與光(guang)譜分(fen)析》發(fā)表了題(ti)為"基于(yu)可見－近紅外光(guang)譜和(he)深度森林的藍(lán)(lan)莓成熟度判別(bie)"的研(yan)究論文。在該(gai)論文中，研(yan)究人員使用上(shang)海騰拔(ba)Universal TA國產(chǎn)質(zhì)構(gòu)儀(yi)測定了藍(lán)莓的(de)硬度。

摘　要　為快(kuai)速準(zhǔn)確(que)對藍(lán)莓(mei)果實(shí)成(cheng)熟程度進(jìn)行(xing)分類(lei)，采用近紅(hong)外光譜(pu)檢測技(ji)術(shù)和(he)深度森林算法(fa)，建立了藍(lán)(lan)莓成(cheng)熟度(du)的判別(bie)模型(xing)。采用(yong)ＬａｂＳｐｅｃ?。担埃埃肮庾V(pu)儀采集了(le)三種不同成熟(shu)程度的(de)藍(lán)莓標(biāo)準(zhǔn)樣(yang)品，共(gong)獲取(qu)了１５０組(zu)光譜(pu)樣本。為確定最(zui)佳輸入模(mo)型特征數(shù)(shu)目，對原始光(guang)譜數(shù)據(jù)進(jìn)(jin)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷(juan)積平(ping)滑處理，采用(yong)主成分分析將(jiang)平滑(hua)處理(li)后的(de)數(shù)據(jù)(ju)降至４個主成(cheng)分，并采用多(duo)項(xiàng)式(shi)特征衍(yan)生方法對(dui)每個主成分進(jìn)(jin)行２、３、４、５階(jie)的特征衍(yan)生，最(zui)終在(zai)深度森林中(zhong)確定最(zui)佳的特征衍(yan)生階(jie)數(shù)為４。為檢驗(yàn)(yan)深度(du)森林的成熟(shu)度判別效果，將(jiang)其與(yu)隨機(jī)森林、jiduan梯(ti)度提升(sheng)樹算法（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融合(he)模型進(jìn)(jin)行了(le)對比，對(dui)各模型確定了(le)最佳超參(can)數(shù)組(zu)合，深度森林(lin)和ｓｔａｃｋｉｎｇ融合模型(xing)采用了手動(dong)調(diào)參，隨機(jī)(ji)森林和ｘｇｂｏｏｓｔ采用了(le)貝葉斯優(yōu)(you)化算(suan)法進(jìn)行了(le)超參數(shù)尋(xun)優(yōu)。模型評估(gu)指標(biāo)采(cai)用準(zhǔn)(zhun)確率、混(hun)淆矩陣、受(shou)試者工(gong)作特征曲(qu)線（ＲＯＣ）、ＡＵＣ度量(liang)及抗噪能(neng)力。研究(jiu)結(jié)果表明，在(zai)測試集上，深(shen)度森林和ｓｔａｃｋｉｎｇ融合(he)模型的準(zhǔn)確(que)率均為９５．５６％，隨(sui)機(jī)森林和ｘｇｂｏｏｓｔ的(de)準(zhǔn)確率為９３．３３％；深度(du)森林的(de)ＡＵＣ值為(wei)１，隨機(jī)森林、ｓｔａｃｋｉｎｇ融合(he)模型、ｘｇｂｏｏｓｔ的ＡＵＣ值分別(bie)為０．９９、０．９８、０．９６，深(shen)度森林和ｓｔａｃｋｉｎｇ融(rong)合模型的抗(kang)噪能力優(yōu)于隨(sui)機(jī)森(sen)林和ｘｇｂｏｏｓｔ。該研(yan)究的深度(du)森林(lin)模型整體上判(pan)別效果優(yōu)于其(qi)他三種模型(xing)，為藍(lán)莓(mei)成熟(shu)程度(du)判別提(ti)供了技術(shù)支(zhi)持。

1、硬度測定(ding)

將藍(lán)莓樣品(pin)放置于質(zhì)構(gòu)(gou)儀測試平板上(shang)，使用圓(yuan)柱形(xing)探頭對(dui)單個漿果(guo)進(jìn)行全質(zhì)(zhi)構(gòu)分(fen)析（ＴＰＡ）測試。測前(qian)、測試和測后上(shang)行速(su)度均為１ｍｍ/s，果(guo)肉變形３０％，兩(liang)次壓縮停頓時(shi)間均為(wei)５ｓ，以雙峰曲(qu)線中首峰的(de)最大值表示(shi)硬度。

參考文獻(xiàn)：王宏(hong)恩等：基于可見(jian)－近紅外光譜(pu)和深度森(sen)林的藍(lán)莓(mei)成熟度判(pan)別. 光譜學(xué)與光譜(pu)分析, 2024年.