東北林業(yè)(ye)大學(xué)研究(jiu)人員在國內(nèi)期(qi)刊《光譜學(xué)(xue)與光譜(pu)分析》發(fā)表了(le)題為"基于可見(jian)－近紅外光譜和(he)深度森林的藍(lán)(lan)莓成熟度判(pan)別"的研究論(lun)文。在該論文(wen)中，研究(jiu)人員使用(yong)上海(hai)騰拔Universal TA國(guo)產(chǎn)質(zhì)構(gòu)儀測定(ding)了藍(lán)莓的硬度(du)。

摘　要(yao)　為快速準(zhǔn)確(que)對藍(lán)莓(mei)果實(shí)成熟(shu)程度進(jìn)行分類(lei)，采用近紅外(wai)光譜檢測技術(shù)(shu)和深度森(sen)林算(suan)法，建立(li)了藍(lán)莓成熟度(du)的判別(bie)模型。采(cai)用ＬａｂＳｐｅｃ?。担埃埃肮?guang)譜儀采(cai)集了三種不同(tong)成熟程度(du)的藍(lán)(lan)莓標(biāo)準(zhǔn)樣(yang)品，共獲取(qu)了１５０組(zu)光譜樣(yang)本。為確定(ding)最佳輸入模型(xing)特征數(shù)目，對原(yuan)始光譜數(shù)據(jù)(ju)進(jìn)行(xing)ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平滑處理(li)，采用主成(cheng)分分析將平滑(hua)處理(li)后的(de)數(shù)據(jù)(ju)降至４個(gè)主成(cheng)分，并采用多(duo)項(xiàng)式特征(zheng)衍生方(fang)法對(dui)每個(gè)主成分進(jìn)(jin)行２、３、４、５階的特(te)征衍生，最終(zhong)在深(shen)度森(sen)林中確定最佳(jia)的特征衍生(sheng)階數(shù)為４。為檢驗(yàn)(yan)深度(du)森林的(de)成熟(shu)度判別(bie)效果，將其與隨(sui)機(jī)森林、jiduan梯(ti)度提(ti)升樹算法(fa)（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融合模型(xing)進(jìn)行了對比(bi)，對各模型確定(ding)了最佳超(chao)參數(shù)組合(he)，深度森林和(he)ｓｔａｃｋｉｎｇ融合模型采用(yong)了手動(dong)調(diào)參，隨(sui)機(jī)森林和ｘｇｂｏｏｓｔ采用(yong)了貝(bei)葉斯優(yōu)化算法(fa)進(jìn)行(xing)了超參數(shù)尋優(yōu)(you)。模型評估(gu)指標(biāo)(biao)采用準(zhǔn)確率、混(hun)淆矩(ju)陣、受(shou)試者(zhe)工作特征曲(qu)線（ＲＯＣ）、ＡＵＣ度量及(ji)抗噪能力。研(yan)究結(jié)果表明(ming)，在測試(shi)集上(shang)，深度森林(lin)和ｓｔａｃｋｉｎｇ融(rong)合模型(xing)的準(zhǔn)確(que)率均為９５．５６％，隨機(jī)(ji)森林和ｘｇｂｏｏｓｔ的準(zhǔn)確(que)率為９３．３３％；深(shen)度森林的ＡＵＣ值(zhi)為１，隨機(jī)森(sen)林、ｓｔａｃｋｉｎｇ融合模型(xing)、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(kang)噪能力優(yōu)于(yu)隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ。該研(yan)究的(de)深度森林模(mo)型整(zheng)體上判(pan)別效果優(yōu)于其(qi)他三種(zhong)模型，為藍(lán)莓成(cheng)熟程度判別(bie)提供了技術(shù)(shu)支持。

1、硬度測(ce)定

將藍(lán)(lan)莓樣品放(fang)置于質(zhì)構(gòu)(gou)儀測試平板上(shang)，使用(yong)圓柱形探頭對(dui)單個(gè)漿果進(jìn)行(xing)全質(zhì)(zhi)構(gòu)分析（ＴＰＡ）測(ce)試。測前、測(ce)試和(he)測后(hou)上行速度均(jun)為１ｍｍ/s，果肉變形(xing)３０％，兩次(ci)壓縮停頓時(shí)間(jian)均為５ｓ，以(yi)雙峰曲(qu)線中首峰的(de)最大(da)值表(biao)示硬度(du)。

參考文(wen)獻(xiàn)：王(wang)宏恩等：基于可(ke)見－近紅外光譜(pu)和深度森林(lin)的藍(lán)莓成熟(shu)度判別. 光譜學(xué)與(yu)光譜分析, 2024年(nian).