東北林業(yè)大(da)學(xué)研究人員(yuan)在國(guó)內(nèi)期刊(kan)《光譜學(xué)與光譜(pu)分析》發(fā)表了(le)題為(wei)"基于可見(jiàn)－近紅(hong)外光譜和(he)深度森林的藍(lán)(lan)莓成熟度判(pan)別"的研究論(lun)文。在該論文(wen)中，研究人員(yuan)使用上海(hai)騰拔Universal TA國(guó)產(chǎn)(chan)質(zhì)構(gòu)儀測(cè)定了(le)藍(lán)莓的(de)硬度。

摘　要　為快速準(zhǔn)確(que)對(duì)藍(lán)莓果實(shí)(shi)成熟程度進(jìn)行(xing)分類(lèi)，采用近紅(hong)外光譜檢測(cè)(ce)技術(shù)和深度(du)森林算法，建(jian)立了藍(lán)(lan)莓成熟度的(de)判別模型(xing)。采用(yong)ＬａｂＳｐｅｃ　５０００光譜儀采集(ji)了三種不同(tong)成熟程(cheng)度的(de)藍(lán)莓標(biāo)準(zhǔn)樣品(pin)，共獲(huo)取了１５０組光譜樣(yang)本。為(wei)確定(ding)最佳輸(shu)入模(mo)型特征(zheng)數(shù)目(mu)，對(duì)原始光(guang)譜數(shù)據(jù)進(jìn)(jin)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平滑處(chu)理，采用主(zhu)成分(fen)分析將平滑處(chu)理后(hou)的數(shù)據(jù)(ju)降至４個(gè)主(zhu)成分，并采(cai)用多項(xiàng)(xiang)式特征衍生方(fang)法對(duì)每個(gè)主(zhu)成分進(jìn)行２、３、４、５階(jie)的特(te)征衍生，最終(zhong)在深(shen)度森林(lin)中確定最佳的(de)特征衍(yan)生階數(shù)(shu)為４。為檢驗(yàn)深度(du)森林的成(cheng)熟度判別效(xiao)果，將其與隨機(jī)(ji)森林、jiduan梯度提(ti)升樹(shù)算法（ｘｇｂｏｏｓｔ）及(ji)ｓｔａｃｋｉｎｇ融合模型(xing)進(jìn)行了(le)對(duì)比，對(duì)各模型(xing)確定(ding)了最(zui)佳超參數(shù)組(zu)合，深度森(sen)林和ｓｔａｃｋｉｎｇ融合模(mo)型采用了(le)手動(dòng)調(diào)參(can)，隨機(jī)森林和ｘｇｂｏｏｓｔ采(cai)用了(le)貝葉斯優(yōu)化(hua)算法(fa)進(jìn)行了超參(can)數(shù)尋優(yōu)。模型(xing)評(píng)估指標(biāo)采用(yong)準(zhǔn)確率、混淆(xiao)矩陣、受試者(zhe)工作特征曲(qu)線(xiàn)（ＲＯＣ）、ＡＵＣ度量及(ji)抗噪能力。研究(jiu)結(jié)果表(biao)明，在測(cè)試集(ji)上，深度(du)森林和ｓｔａｃｋｉｎｇ融合(he)模型的準(zhǔn)(zhun)確率均為９５．５６％，隨機(jī)(ji)森林和ｘｇｂｏｏｓｔ的(de)準(zhǔn)確(que)率為９３．３３％；深度森林(lin)的ＡＵＣ值為(wei)１，隨機(jī)森林(lin)、ｓｔａｃｋｉｎｇ融合模型、ｘｇｂｏｏｓｔ的ＡＵＣ值(zhi)分別為０．９９、０．９８、０．９６，深度(du)森林和ｓｔａｃｋｉｎｇ融合(he)模型的抗噪(zao)能力(li)優(yōu)于隨(sui)機(jī)森林(lin)和ｘｇｂｏｏｓｔ。該研究的(de)深度森林模型(xing)整體上判(pan)別效果優(yōu)于其(qi)他三(san)種模型，為(wei)藍(lán)莓成熟程度(du)判別提供了(le)技術(shù)支(zhi)持。

1、硬度測(cè)定(ding)

將藍(lán)莓樣(yang)品放(fang)置于(yu)質(zhì)構(gòu)儀測(cè)(ce)試平板上，使用(yong)圓柱(zhu)形探頭(tou)對(duì)單個(gè)漿果進(jìn)(jin)行全質(zhì)(zhi)構(gòu)分析(xi)（ＴＰＡ）測(cè)試。測(cè)前(qian)、測(cè)試和測(cè)(ce)后上行速(su)度均為１ｍｍ/s，果(guo)肉變形３０％，兩次(ci)壓縮停頓時(shí)(shi)間均為(wei)５ｓ，以雙峰曲(qu)線(xiàn)中首峰的最(zui)大值(zhi)表示硬度。

參考文獻(xiàn)：王(wang)宏恩等：基于可(ke)見(jiàn)－近(jin)紅外(wai)光譜和深度(du)森林的藍(lán)(lan)莓成熟度(du)判別. 光譜(pu)學(xué)與(yu)光譜分析, 2024年.