東北林業(yè)(ye)大學(xué)研(yan)究人(ren)員在(zai)國內(nèi)(nei)期刊(kan)《光譜學(xué)與光譜(pu)分析》發(fā)表了題(ti)為"基于(yu)可見－近紅(hong)外光(guang)譜和深度森林(lin)的藍(lán)莓(mei)成熟度判別(bie)"的研究論(lun)文。在該論文中(zhong)，研究人(ren)員使用(yong)上海騰拔Universal TA國產(chǎn)(chan)質(zhì)構(gòu)儀測(ce)定了(le)藍(lán)莓的(de)硬度。

摘　要(yao)　為快速準(zhǔn)確對(duì)(dui)藍(lán)莓果實(shí)成熟(shu)程度進(jìn)行分(fen)類，采用近紅外(wai)光譜檢測技(ji)術(shù)和深度森(sen)林算法(fa)，建立(li)了藍(lán)莓成(cheng)熟度的判別(bie)模型(xing)。采用ＬａｂＳｐｅｃ　５０００光譜(pu)儀采集了(le)三種不(bu)同成(cheng)熟程(cheng)度的藍(lán)(lan)莓標(biāo)準(zhǔn)樣(yang)品，共獲(huo)取了(le)１５０組光譜(pu)樣本。為確定(ding)最佳輸入模型(xing)特征(zheng)數(shù)目，對(duì)原(yuan)始光(guang)譜數(shù)據(jù)進(jìn)行(xing)ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平滑處理(li)，采用主成分(fen)分析將平(ping)滑處理后的(de)數(shù)據(jù)降至４個(gè)主(zhu)成分，并采(cai)用多項(xiàng)式(shi)特征衍生方法(fa)對(duì)每(mei)個(gè)主成(cheng)分進(jìn)行２、３、４、５階的特(te)征衍生，最終(zhong)在深度森林(lin)中確定最(zui)佳的特征衍生(sheng)階數(shù)為４。為(wei)檢驗(yàn)(yan)深度(du)森林的成熟度(du)判別效果，將(jiang)其與隨機(jī)(ji)森林(lin)、jiduan梯度提升樹算(suan)法（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融合模(mo)型進(jìn)行了對(duì)比(bi)，對(duì)各(ge)模型(xing)確定了最佳(jia)超參數(shù)組合(he)，深度森林和(he)ｓｔａｃｋｉｎｇ融合(he)模型采用了手(shou)動(dòng)調(diào)參，隨(sui)機(jī)森林(lin)和ｘｇｂｏｏｓｔ采用了貝(bei)葉斯優(yōu)(you)化算(suan)法進(jìn)行(xing)了超參(can)數(shù)尋優(yōu)。模型(xing)評(píng)估指標(biāo)采(cai)用準(zhǔn)(zhun)確率、混淆矩(ju)陣、受(shou)試者(zhe)工作特征曲(qu)線（ＲＯＣ）、ＡＵＣ度量及(ji)抗噪(zao)能力(li)。研究(jiu)結(jié)果表(biao)明，在測試集上(shang)，深度森林(lin)和ｓｔａｃｋｉｎｇ融合模型的(de)準(zhǔn)確率均(jun)為９５．５６％，隨機(jī)森林和(he)ｘｇｂｏｏｓｔ的準(zhǔn)確(que)率為９３．３３％；深度森林(lin)的ＡＵＣ值為１，隨(sui)機(jī)森林、ｓｔａｃｋｉｎｇ融合模(mo)型、ｘｇｂｏｏｓｔ的ＡＵＣ值分別為(wei)０．９９、０．９８、０．９６，深度森(sen)林和(he)ｓｔａｃｋｉｎｇ融合模(mo)型的抗噪(zao)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(xing)整體上判別(bie)效果優(yōu)于其(qi)他三(san)種模型，為藍(lán)莓(mei)成熟程(cheng)度判別(bie)提供了技術(shù)支(zhi)持。

1、硬度測定

將藍(lán)莓(mei)樣品放(fang)置于質(zhì)構(gòu)(gou)儀測試平板上(shang)，使用圓(yuan)柱形(xing)探頭(tou)對(duì)單(dan)個(gè)漿果進(jìn)行(xing)全質(zhì)構(gòu)分析（ＴＰＡ）測(ce)試。測前、測試和(he)測后上行速度(du)均為１ｍｍ/s，果肉變形(xing)３０％，兩次壓縮(suo)停頓時(shí)間(jian)均為５ｓ，以雙峰曲(qu)線中首峰的最(zui)大值表(biao)示硬度。

參考文獻(xiàn)：王(wang)宏恩(en)等：基于可見－近(jin)紅外(wai)光譜和深(shen)度森林的(de)藍(lán)莓成(cheng)熟度判別. 光譜(pu)學(xué)與光譜分析(xi), 2024年.