東北(bei)林業(yè)大學(xué)研究(jiu)人員在(zai)國內(nèi)期刊《光譜(pu)學(xué)與(yu)光譜分析》發(fā)表(biao)了題(ti)為"基于可見－近(jin)紅外光譜和深(shen)度森林的藍(lán)莓(mei)成熟度判(pan)別"的研究論(lun)文。在該(gai)論文(wen)中，研究人員使(shi)用上(shang)海騰(teng)拔Universal TA國產(chǎn)(chan)質(zhì)構(gòu)儀測定(ding)了藍(lán)莓的(de)硬度。

摘　要(yao)　為快(kuai)速準(zhǔn)確對(dui)藍(lán)莓果實(shí)成熟(shu)程度(du)進(jìn)行分類，采(cai)用近紅(hong)外光譜檢測(ce)技術(shù)和深度(du)森林算法，建(jian)立了藍(lán)莓(mei)成熟度的判(pan)別模型。采用ＬａｂＳｐｅｃ?。担埃埃肮?guang)譜儀采(cai)集了三種不(bu)同成(cheng)熟程度(du)的藍(lán)莓(mei)標(biāo)準(zhǔn)樣品(pin)，共獲取了１５０組光(guang)譜樣本(ben)。為確定最佳輸(shu)入模型特(te)征數(shù)目，對原(yuan)始光譜數(shù)據(jù)(ju)進(jìn)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平(ping)滑處理，采(cai)用主成(cheng)分分析將(jiang)平滑處(chu)理后的數(shù)據(jù)(ju)降至(zhi)４個主成分，并(bing)采用多項(xiàng)式特(te)征衍生(sheng)方法對每(mei)個主(zhu)成分進(jìn)行２、３、４、５階的(de)特征衍生，最(zui)終在(zai)深度(du)森林中確定(ding)最佳的(de)特征衍生階數(shù)(shu)為４。為檢驗(yàn)(yan)深度森(sen)林的成熟度判(pan)別效果(guo)，將其與隨機(jī)(ji)森林、jiduan梯度(du)提升樹(shu)算法（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融合模(mo)型進(jìn)(jin)行了對比(bi)，對各模(mo)型確定了(le)最佳(jia)超參數(shù)組合(he)，深度森(sen)林和ｓｔａｃｋｉｎｇ融合(he)模型采用了(le)手動調(diào)參，隨機(jī)(ji)森林和ｘｇｂｏｏｓｔ采(cai)用了貝葉(ye)斯優(yōu)化算(suan)法進(jìn)(jin)行了超參(can)數(shù)尋優(yōu)。模型(xing)評估指(zhi)標(biāo)采用準(zhǔn)(zhun)確率、混(hun)淆矩(ju)陣、受試(shi)者工作(zuo)特征曲線(xian)（ＲＯＣ）、ＡＵＣ度量及(ji)抗噪(zao)能力。研究結(jié)果(guo)表明，在測(ce)試集上，深度森(sen)林和ｓｔａｃｋｉｎｇ融(rong)合模(mo)型的準(zhǔn)確(que)率均為９５．５６％，隨(sui)機(jī)森(sen)林和ｘｇｂｏｏｓｔ的準(zhǔn)確率(lv)為９３．３３％；深度(du)森林的ＡＵＣ值為(wei)１，隨機(jī)森林、ｓｔａｃｋｉｎｇ融(rong)合模型、ｘｇｂｏｏｓｔ的(de)ＡＵＣ值分別(bie)為０．９９、０．９８、０．９６，深(shen)度森林和(he)ｓｔａｃｋｉｎｇ融合模(mo)型的抗噪能力(li)優(yōu)于隨機(jī)森(sen)林和ｘｇｂｏｏｓｔ。該研(yan)究的(de)深度森(sen)林模型(xing)整體上(shang)判別效果優(yōu)于(yu)其他三種模(mo)型，為藍(lán)莓成熟(shu)程度判別提供(gong)了技術(shù)(shu)支持。

1、硬度測(ce)定

將藍(lán)莓樣品(pin)放置于質(zhì)(zhi)構(gòu)儀測試平(ping)板上(shang)，使用圓柱(zhu)形探頭對(dui)單個漿果(guo)進(jìn)行全質(zhì)構(gòu)分(fen)析（ＴＰＡ）測試(shi)。測前、測試(shi)和測后(hou)上行速度(du)均為１ｍｍ/s，果肉變(bian)形３０％，兩次壓縮停(ting)頓時(shi)間均為(wei)５ｓ，以雙(shuang)峰曲線中(zhong)首峰(feng)的最大值表(biao)示硬度。

參考文獻(xiàn)(xian)：王宏(hong)恩等：基(ji)于可見－近(jin)紅外(wai)光譜和深度(du)森林(lin)的藍(lán)(lan)莓成(cheng)熟度判(pan)別. 光譜學(xué)與光(guang)譜分析, 2024年(nian).