東北林業(yè)大學(xué)(xue)研究(jiu)人員在國(guó)(guo)內(nèi)期(qi)刊《光譜學(xué)與光(guang)譜分析》發(fā)表(biao)了題為"基(ji)于可見(jiàn)(jian)－近紅外光譜(pu)和深度(du)森林的(de)藍(lán)莓成熟度(du)判別"的研(yan)究論文。在該論文中，研(yan)究人員使(shi)用上海騰拔(ba)Universal TA國(guó)產(chǎn)質(zhì)構(gòu)(gou)儀測(cè)定了藍(lán)莓(mei)的硬度。

摘　要(yao)　為快速準(zhǔn)確(que)對(duì)藍(lán)莓果(guo)實(shí)成熟程度進(jìn)(jin)行分類，采用近(jin)紅外光譜檢(jian)測(cè)技術(shù)和深(shen)度森林算法，建(jian)立了(le)藍(lán)莓成熟度(du)的判別模型(xing)。采用ＬａｂＳｐｅｃ　５０００光譜儀采(cai)集了三(san)種不同成熟(shu)程度的藍(lán)莓標(biāo)(biao)準(zhǔn)樣(yang)品，共(gong)獲取(qu)了１５０組光譜樣(yang)本。為確定最(zui)佳輸入模(mo)型特(te)征數(shù)目(mu)，對(duì)原始光譜(pu)數(shù)據(jù)進(jìn)(jin)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平(ping)滑處理，采用主(zhu)成分分析(xi)將平(ping)滑處理后的數(shù)(shu)據(jù)降至４個(gè)(ge)主成分，并(bing)采用多項(xiàng)式特(te)征衍生方法對(duì)(dui)每個(gè)(ge)主成分進(jìn)行２、３、４、５階(jie)的特(te)征衍生(sheng)，最終在深度(du)森林中(zhong)確定最佳的特(te)征衍生階數(shù)(shu)為４。為檢驗(yàn)(yan)深度森林(lin)的成熟(shu)度判別(bie)效果，將其與(yu)隨機(jī)森(sen)林、jiduan梯度提升(sheng)樹(shù)算法(fa)（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融合模(mo)型進(jìn)行了對(duì)比(bi)，對(duì)各模(mo)型確定了(le)最佳超(chao)參數(shù)組合，深度(du)森林和ｓｔａｃｋｉｎｇ融合(he)模型采用了手(shou)動(dòng)調(diào)參，隨(sui)機(jī)森林和ｘｇｂｏｏｓｔ采用(yong)了貝葉斯(si)優(yōu)化算(suan)法進(jìn)行了(le)超參數(shù)尋(xun)優(yōu)。模(mo)型評(píng)(ping)估指標(biāo)采用準(zhǔn)(zhun)確率、混淆矩陣(zhen)、受試者工(gong)作特征曲線（ＲＯＣ）、ＡＵＣ度(du)量及(ji)抗噪能(neng)力。研(yan)究結(jié)果表明，在(zai)測(cè)試集上(shang)，深度森林和(he)ｓｔａｃｋｉｎｇ融合(he)模型的(de)準(zhǔn)確(que)率均(jun)為９５．５６％，隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ的準(zhǔn)(zhun)確率為９３．３３％；深(shen)度森林(lin)的ＡＵＣ值為(wei)１，隨機(jī)森林、ｓｔａｃｋｉｎｇ融合(he)模型、ｘｇｂｏｏｓｔ的ＡＵＣ值分別(bie)為０．９９、０．９８、０．９６，深度森(sen)林和ｓｔａｃｋｉｎｇ融合(he)模型(xing)的抗噪能力優(yōu)(you)于隨(sui)機(jī)森(sen)林和ｘｇｂｏｏｓｔ。該研(yan)究的深度森(sen)林模型整體(ti)上判(pan)別效果優(yōu)于其(qi)他三(san)種模型，為藍(lán)莓(mei)成熟程度判(pan)別提供了技術(shù)(shu)支持(chi)。

1、硬度測(cè)(ce)定

將藍(lán)莓樣(yang)品放置于(yu)質(zhì)構(gòu)儀(yi)測(cè)試平板上(shang)，使用圓(yuan)柱形探頭對(duì)(dui)單個(gè)漿果進(jìn)(jin)行全質(zhì)構(gòu)分(fen)析（ＴＰＡ）測(cè)試。測(cè)前、測(cè)(ce)試和測(cè)(ce)后上行速度均(jun)為１ｍｍ/s，果肉(rou)變形３０％，兩(liang)次壓縮停(ting)頓時(shí)間均(jun)為５ｓ，以雙峰曲(qu)線中首峰的(de)最大值表示硬(ying)度。

參考文獻(xiàn)：王(wang)宏恩等：基于可(ke)見(jiàn)－近紅外光譜(pu)和深度(du)森林的藍(lán)莓(mei)成熟度判別(bie). 光譜學(xué)與(yu)光譜分析, 2024年.