東北林業(yè)大(da)學(xué)研究(jiu)人員在國內(nèi)(nei)期刊(kan)《光譜(pu)學(xué)與光譜(pu)分析》發(fā)表了題(ti)為"基(ji)于可見－近紅(hong)外光譜和(he)深度森林的藍(lán)(lan)莓成熟(shu)度判(pan)別"的(de)研究論文。在該(gai)論文中，研究人(ren)員使用上(shang)海騰拔Universal TA國產(chǎn)(chan)質(zhì)構(gòu)儀(yi)測定(ding)了藍(lán)莓的硬度(du)。

摘　要　為快(kuai)速準(zhǔn)確(que)對藍(lán)莓果實成(cheng)熟程度進(jìn)行分(fen)類，采用(yong)近紅外光譜(pu)檢測技術(shù)和(he)深度森林(lin)算法，建立了藍(lán)(lan)莓成熟度的(de)判別模型(xing)。采用(yong)ＬａｂＳｐｅｃ?。担埃埃肮庾V儀(yi)采集了三種不(bu)同成(cheng)熟程(cheng)度的藍(lán)莓標(biāo)(biao)準(zhǔn)樣品，共獲取(qu)了１５０組光譜樣本(ben)。為確定最佳輸(shu)入模型(xing)特征數(shù)目，對(dui)原始(shi)光譜數(shù)(shu)據(jù)進(jìn)(jin)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷(juan)積平滑處(chu)理，采(cai)用主成分(fen)分析將平滑處(chu)理后的數(shù)據(jù)降(jiang)至４個主成(cheng)分，并采(cai)用多項式特(te)征衍生方法對(dui)每個主成分(fen)進(jìn)行２、３、４、５階的特征(zheng)衍生，最終在(zai)深度森林中確(que)定最佳的(de)特征衍生階(jie)數(shù)為４。為檢(jian)驗深(shen)度森林的成(cheng)熟度(du)判別效(xiao)果，將(jiang)其與隨(sui)機(jī)森林、jiduan梯度(du)提升樹算(suan)法（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融(rong)合模型(xing)進(jìn)行了對比，對(dui)各模型確(que)定了最(zui)佳超參數(shù)組(zu)合，深度森林和(he)ｓｔａｃｋｉｎｇ融合模(mo)型采用(yong)了手動調(diào)參，隨(sui)機(jī)森(sen)林和ｘｇｂｏｏｓｔ采用了貝(bei)葉斯優(yōu)化算(suan)法進(jìn)行了超參(can)數(shù)尋優(yōu)。模型評(ping)估指標(biāo)采用(yong)準(zhǔn)確(que)率、混(hun)淆矩陣、受試者(zhe)工作(zuo)特征曲(qu)線（ＲＯＣ）、ＡＵＣ度量及(ji)抗噪(zao)能力。研究結(jié)(jie)果表(biao)明，在測試集(ji)上，深度森林(lin)和ｓｔａｃｋｉｎｇ融合模型的(de)準(zhǔn)確率均為(wei)９５．５６％，隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ的(de)準(zhǔn)確率為９３．３３％；深(shen)度森林的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)度森林和ｓｔａｃｋｉｎｇ融合(he)模型的抗噪(zao)能力優(yōu)于隨機(jī)(ji)森林和ｘｇｂｏｏｓｔ。該(gai)研究的(de)深度(du)森林模型整體(ti)上判別(bie)效果優(yōu)于(yu)其他三(san)種模型，為(wei)藍(lán)莓成熟程度(du)判別提(ti)供了(le)技術(shù)支(zhi)持。

1、硬度測定

將藍(lán)(lan)莓樣品放置于(yu)質(zhì)構(gòu)(gou)儀測(ce)試平板上，使(shi)用圓柱形探頭(tou)對單個漿果(guo)進(jìn)行全質(zhì)構(gòu)(gou)分析（ＴＰＡ）測試(shi)。測前、測試和測(ce)后上行速度(du)均為１ｍｍ/s，果肉變(bian)形３０％，兩(liang)次壓縮停(ting)頓時(shi)間均為５ｓ，以雙(shuang)峰曲線中首峰(feng)的最(zui)大值(zhi)表示硬度(du)。

參考文獻(xiàn)：王宏(hong)恩等：基于可(ke)見－近(jin)紅外光(guang)譜和深度(du)森林(lin)的藍(lán)(lan)莓成熟度判別(bie). 光譜學(xué)與光譜(pu)分析, 2024年(nian).