東北(bei)林業(yè)大學(xué)研(yan)究人員在國(guó)內(nèi)(nei)期刊《光譜學(xué)與(yu)光譜分(fen)析》發(fā)表了(le)題為(wei)"基于可(ke)見(jiàn)－近紅(hong)外光譜和(he)深度森林的藍(lán)(lan)莓成熟度判別(bie)"的研究論文。在該論文中(zhong)，研究人員(yuan)使用上海騰(teng)拔Universal TA國(guó)產(chǎn)質(zhì)(zhi)構(gòu)儀測(cè)(ce)定了藍(lán)莓(mei)的硬度。

摘　要(yao)　為快速準(zhǔn)(zhun)確對(duì)藍(lán)莓果(guo)實(shí)成熟程(cheng)度進(jìn)行分類(lèi)，采(cai)用近紅外光譜(pu)檢測(cè)(ce)技術(shù)和深度森(sen)林算法(fa)，建立了藍(lán)(lan)莓成熟度的(de)判別模(mo)型。采用ＬａｂＳｐｅｃ?。担埃埃肮?guang)譜儀采集了三(san)種不(bu)同成熟程度的(de)藍(lán)莓標(biāo)準(zhǔn)樣品(pin)，共獲取(qu)了１５０組光譜(pu)樣本。為確定(ding)最佳輸(shu)入模型特征(zheng)數(shù)目，對(duì)(dui)原始光譜(pu)數(shù)據(jù)(ju)進(jìn)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平滑(hua)處理，采用主(zhu)成分分(fen)析將平滑(hua)處理(li)后的數(shù)(shu)據(jù)降至４個(gè)(ge)主成(cheng)分，并采用多(duo)項(xiàng)式特征衍(yan)生方法對(duì)每個(gè)(ge)主成分進(jìn)行２、３、４、５階(jie)的特征衍(yan)生，最(zui)終在(zai)深度森(sen)林中確定(ding)最佳的特征(zheng)衍生階(jie)數(shù)為４。為檢驗(yàn)(yan)深度森林的成(cheng)熟度判別(bie)效果，將其(qi)與隨(sui)機(jī)森林、jiduan梯度提(ti)升樹(shù)算(suan)法（ｘｇｂｏｏｓｔ）及(ji)ｓｔａｃｋｉｎｇ融合模型進(jìn)(jin)行了對(duì)比，對(duì)各(ge)模型(xing)確定了最佳超(chao)參數(shù)組合(he)，深度森林(lin)和ｓｔａｃｋｉｎｇ融合模(mo)型采(cai)用了手動(dòng)調(diào)(diao)參，隨(sui)機(jī)森林和ｘｇｂｏｏｓｔ采用(yong)了貝葉(ye)斯優(yōu)化算法進(jìn)(jin)行了(le)超參數(shù)尋優(yōu)(you)。模型評(píng)估指(zhi)標(biāo)采用準(zhǔn)確率(lv)、混淆矩(ju)陣、受試者(zhe)工作特(te)征曲(qu)線（ＲＯＣ）、ＡＵＣ度量及(ji)抗噪能力。研究(jiu)結(jié)果表明(ming)，在測(cè)試集上，深(shen)度森林和ｓｔａｃｋｉｎｇ融(rong)合模型的準(zhǔn)(zhun)確率均為(wei)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值為１，隨機(jī)森(sen)林、ｓｔａｃｋｉｎｇ融合(he)模型、ｘｇｂｏｏｓｔ的ＡＵＣ值分(fen)別為０．９９、０．９８、０．９６，深(shen)度森林和ｓｔａｃｋｉｎｇ融合(he)模型的抗噪(zao)能力(li)優(yōu)于隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ。該(gai)研究的深(shen)度森(sen)林模(mo)型整體上(shang)判別效果(guo)優(yōu)于其他(ta)三種模型，為(wei)藍(lán)莓成熟程度(du)判別(bie)提供(gong)了技術(shù)支持(chi)。

1、硬度(du)測(cè)定

將藍(lán)莓樣品放(fang)置于質(zhì)構(gòu)(gou)儀測(cè)(ce)試平板上，使(shi)用圓柱形(xing)探頭對(duì)單(dan)個(gè)漿果進(jìn)行(xing)全質(zhì)構(gòu)分析（ＴＰＡ）測(cè)(ce)試。測(cè)前、測(cè)試(shi)和測(cè)后上行速(su)度均(jun)為１ｍｍ/s，果(guo)肉變形(xing)３０％，兩次(ci)壓縮(suo)停頓時(shí)間均(jun)為５ｓ，以雙峰曲(qu)線中首峰的(de)最大(da)值表示硬度。

參考文獻(xiàn)：王宏(hong)恩等：基于可見(jiàn)(jian)－近紅(hong)外光譜和深度(du)森林的藍(lán)莓成(cheng)熟度判(pan)別. 光譜(pu)學(xué)與(yu)光譜分析, 2024年.