東北(bei)林業(yè)大學(xué)研究(jiu)人員在國內(nèi)期(qi)刊《光譜(pu)學(xué)與(yu)光譜分(fen)析》發(fā)(fa)表了題為"基(ji)于可見－近(jin)紅外光(guang)譜和深度森林(lin)的藍(lán)莓成(cheng)熟度判(pan)別"的研究(jiu)論文。在該論文(wen)中，研(yan)究人員使(shi)用上海騰拔Universal TA國(guo)產(chǎn)質(zhì)構(gòu)(gou)儀測定(ding)了藍(lán)莓(mei)的硬度。

摘　要　為快速準(zhǔn)確對(dui)藍(lán)莓果實(shí)(shi)成熟程(cheng)度進(jìn)行分類，采(cai)用近紅外光(guang)譜檢測技術(shù)和(he)深度森林算法(fa)，建立了(le)藍(lán)莓(mei)成熟度的判(pan)別模型(xing)。采用ＬａｂＳｐｅｃ?。担埃埃肮庾V儀(yi)采集了三種(zhong)不同成熟(shu)程度的藍(lán)(lan)莓標(biāo)準(zhǔn)樣(yang)品，共(gong)獲取(qu)了１５０組光(guang)譜樣本。為(wei)確定最(zui)佳輸入模(mo)型特征數(shù)(shu)目，對原(yuan)始光譜數(shù)(shu)據(jù)進(jìn)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平(ping)滑處理，采(cai)用主成分(fen)分析將平滑(hua)處理后的(de)數(shù)據(jù)降至４個(gè)主(zhu)成分，并采用多(duo)項(xiàng)式特征(zheng)衍生方法對(dui)每個(gè)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(du)森林中確定最(zui)佳的特征衍(yan)生階數(shù)(shu)為４。為檢驗(yàn)深度(du)森林的(de)成熟度判別效(xiao)果，將其與(yu)隨機(jī)森林、jiduan梯度(du)提升樹(shu)算法（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融合(he)模型進(jìn)(jin)行了(le)對比，對各(ge)模型(xing)確定了(le)最佳超參數(shù)組(zu)合，深(shen)度森林和ｓｔａｃｋｉｎｇ融合(he)模型采用了(le)手動(dòng)調(diào)參(can)，隨機(jī)(ji)森林和ｘｇｂｏｏｓｔ采(cai)用了(le)貝葉(ye)斯優(yōu)化(hua)算法(fa)進(jìn)行了超參(can)數(shù)尋(xun)優(yōu)。模型評估指(zhi)標(biāo)采用準(zhǔn)(zhun)確率(lv)、混淆(xiao)矩陣(zhen)、受試者工作(zuo)特征曲線(xian)（ＲＯＣ）、ＡＵＣ度量(liang)及抗噪能力(li)。研究結(jié)果(guo)表明(ming)，在測試(shi)集上，深度(du)森林和ｓｔａｃｋｉｎｇ融(rong)合模(mo)型的準(zhǔn)確率(lv)均為９５．５６％，隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ的準(zhǔn)確(que)率為９３．３３％；深度森林(lin)的ＡＵＣ值(zhi)為１，隨機(jī)森林、ｓｔａｃｋｉｎｇ融(rong)合模型、ｘｇｂｏｏｓｔ的ＡＵＣ值(zhi)分別為(wei)０．９９、０．９８、０．９６，深度森林(lin)和ｓｔａｃｋｉｎｇ融合模(mo)型的抗噪能力(li)優(yōu)于隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ。該研究的深(shen)度森林模型整(zheng)體上(shang)判別效(xiao)果優(yōu)(you)于其他三種(zhong)模型，為藍(lán)莓成(cheng)熟程度判別提(ti)供了(le)技術(shù)支持。

1、硬度測(ce)定

將藍(lán)莓樣(yang)品放置(zhi)于質(zhì)構(gòu)儀測(ce)試平板上，使用(yong)圓柱形(xing)探頭對(dui)單個(gè)漿果進(jìn)行(xing)全質(zhì)構(gòu)分析(xi)（ＴＰＡ）測試。測(ce)前、測試和測后(hou)上行速度(du)均為１ｍｍ/s，果肉變(bian)形３０％，兩次壓(ya)縮停頓時(shí)(shi)間均為(wei)５ｓ，以雙峰曲線中(zhong)首峰(feng)的最大值表(biao)示硬度。

參考文獻(xiàn)：王(wang)宏恩等：基(ji)于可見(jian)－近紅外光譜(pu)和深度森林的(de)藍(lán)莓成熟度判(pan)別. 光譜學(xué)(xue)與光譜分析(xi), 2024年.