東北林業(yè)大(da)學(xué)研究人員(yuan)在國(guó)內(nèi)期刊《光(guang)譜學(xué)與光譜分(fen)析》發(fā)表了題為(wei)"基于可見－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(jiu)論文(wen)。在該論文中(zhong)，研究人(ren)員使用上海騰(teng)拔Universal TA國(guó)產(chǎn)質(zhì)構(gòu)(gou)儀測(cè)定了藍(lán)莓(mei)的硬度(du)。

摘　要　為快速準(zhǔn)確(que)對(duì)藍(lán)莓果實(shí)成(cheng)熟程度進(jìn)(jin)行分類，采用近(jin)紅外光(guang)譜檢(jian)測(cè)技術(shù)和深度(du)森林算法，建(jian)立了藍(lán)莓成(cheng)熟度的判別(bie)模型。采用ＬａｂＳｐｅｃ?。担埃埃肮庾V(pu)儀采集了(le)三種不同成熟(shu)程度(du)的藍(lán)莓標(biāo)準(zhǔn)樣(yang)品，共獲取(qu)了１５０組光譜樣本(ben)。為確定最(zui)佳輸入(ru)模型特(te)征數(shù)(shu)目，對(duì)原始(shi)光譜數(shù)(shu)據(jù)進(jìn)(jin)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平滑(hua)處理(li)，采用主成分分(fen)析將(jiang)平滑處(chu)理后的數(shù)據(jù)降(jiang)至４個(gè)主成分，并(bing)采用(yong)多項(xiàng)式特征衍(yan)生方法(fa)對(duì)每個(gè)主成(cheng)分進(jìn)行(xing)２、３、４、５階的特(te)征衍(yan)生，最終在(zai)深度森(sen)林中確定最佳(jia)的特征衍生階(jie)數(shù)為４。為檢驗(yàn)(yan)深度森林(lin)的成熟度判(pan)別效果，將其與(yu)隨機(jī)(ji)森林、jiduan梯(ti)度提(ti)升樹算法（ｘｇｂｏｏｓｔ）及(ji)ｓｔａｃｋｉｎｇ融合模型進(jìn)(jin)行了對(duì)比，對(duì)(dui)各模型確定(ding)了最佳超(chao)參數(shù)組合，深(shen)度森林(lin)和ｓｔａｃｋｉｎｇ融合模型(xing)采用了手動(dòng)調(diào)(diao)參，隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ采用了(le)貝葉斯(si)優(yōu)化算法(fa)進(jìn)行了(le)超參數(shù)尋優(yōu)。模(mo)型評(píng)估(gu)指標(biāo)采用準(zhǔn)確(que)率、混淆矩陣(zhen)、受試(shi)者工作特征(zheng)曲線（ＲＯＣ）、ＡＵＣ度(du)量及抗噪能(neng)力。研究結(jié)果表(biao)明，在測(cè)(ce)試集上，深度(du)森林和ｓｔａｃｋｉｎｇ融(rong)合模型的(de)準(zhǔn)確(que)率均(jun)為９５．５６％，隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ的(de)準(zhǔn)確率為９３．３３％；深度(du)森林的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(shen)度森(sen)林和ｓｔａｃｋｉｎｇ融合模(mo)型的抗噪能(neng)力優(yōu)于隨機(jī)(ji)森林(lin)和ｘｇｂｏｏｓｔ。該研(yan)究的深度森(sen)林模型整(zheng)體上判別效果(guo)優(yōu)于其他(ta)三種模(mo)型，為藍(lán)莓成熟(shu)程度(du)判別提(ti)供了技術(shù)支(zhi)持。

1、硬度測(cè)(ce)定

將藍(lán)(lan)莓樣(yang)品放置于(yu)質(zhì)構(gòu)儀測(cè)(ce)試平板(ban)上，使用圓柱形(xing)探頭對(duì)單(dan)個(gè)漿果進(jìn)行全(quan)質(zhì)構(gòu)分析（ＴＰＡ）測(cè)試(shi)。測(cè)前、測(cè)(ce)試和(he)測(cè)后上行速度(du)均為１ｍｍ/s，果肉(rou)變形３０％，兩次(ci)壓縮停頓(dun)時(shí)間均為５ｓ，以雙(shuang)峰曲(qu)線中首峰的最(zui)大值表示硬(ying)度。

參考文獻(xiàn)：王宏(hong)恩等：基(ji)于可見－近紅外(wai)光譜和深度森(sen)林的藍(lán)莓(mei)成熟度判別(bie). 光譜學(xué)與光(guang)譜分(fen)析, 2024年.