東北林業(yè)(ye)大學(xué)(xue)研究人員在(zai)國內(nèi)期(qi)刊《光譜學(xué)(xue)與光譜分析》發(fā)(fa)表了題為(wei)"基于可見－近(jin)紅外光譜(pu)和深(shen)度森林的(de)藍(lán)莓(mei)成熟(shu)度判別"的研究(jiu)論文。在該論文中(zhong)，研究人員(yuan)使用上海騰拔(ba)Universal TA國產(chǎn)(chan)質(zhì)構(gòu)儀測(ce)定了藍(lán)莓的硬(ying)度。

摘　要　為快速準(zhǔn)確對(dui)藍(lán)莓(mei)果實(shí)成熟程(cheng)度進(jìn)行(xing)分類，采(cai)用近紅外(wai)光譜檢(jian)測技術(shù)和深度(du)森林算(suan)法，建立了藍(lán)(lan)莓成(cheng)熟度的判(pan)別模型。采用ＬａｂＳｐｅｃ?。担埃埃肮?guang)譜儀采(cai)集了三種不同(tong)成熟程(cheng)度的藍(lán)(lan)莓標(biāo)(biao)準(zhǔn)樣品，共獲取(qu)了１５０組光譜(pu)樣本。為(wei)確定最佳(jia)輸入模型特(te)征數(shù)目，對原(yuan)始光譜數(shù)(shu)據(jù)進(jìn)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平(ping)滑處理(li)，采用主成分分(fen)析將平滑(hua)處理(li)后的數(shù)據(jù)(ju)降至４個(gè)主(zhu)成分，并(bing)采用多(duo)項(xiàng)式(shi)特征衍生方法(fa)對每個(gè)主(zhu)成分(fen)進(jìn)行２、３、４、５階的特征(zheng)衍生(sheng)，最終在深(shen)度森林中確(que)定最佳的特(te)征衍(yan)生階數(shù)為(wei)４。為檢(jian)驗(yàn)深(shen)度森林的成(cheng)熟度判(pan)別效果，將(jiang)其與隨機(jī)(ji)森林、jiduan梯度提(ti)升樹算法（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融(rong)合模型進(jìn)(jin)行了(le)對比(bi)，對各(ge)模型確定了(le)最佳超參數(shù)(shu)組合，深度森(sen)林和ｓｔａｃｋｉｎｇ融合(he)模型(xing)采用了(le)手動(dòng)調(diào)參(can)，隨機(jī)森林和(he)ｘｇｂｏｏｓｔ采用了(le)貝葉(ye)斯優(yōu)(you)化算法進(jìn)(jin)行了超參(can)數(shù)尋優(yōu)(you)。模型評(ping)估指(zhi)標(biāo)采用準(zhǔn)確(que)率、混淆矩陣(zhen)、受試(shi)者工作特(te)征曲線（ＲＯＣ）、ＡＵＣ度量及(ji)抗噪能力。研究(jiu)結(jié)果表明(ming)，在測試集上，深(shen)度森林和ｓｔａｃｋｉｎｇ融(rong)合模型的準(zhǔn)確(que)率均為９５．５６％，隨機(jī)森(sen)林和ｘｇｂｏｏｓｔ的準(zhǔn)(zhun)確率為(wei)９３．３３％；深度森(sen)林的ＡＵＣ值為１，隨機(jī)(ji)森林(lin)、ｓｔａｃｋｉｎｇ融合模型、ｘｇｂｏｏｓｔ的(de)ＡＵＣ值分別為(wei)０．９９、０．９８、０．９６，深度森(sen)林和(he)ｓｔａｃｋｉｎｇ融合模型的抗(kang)噪能力(li)優(yōu)于隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ。該研(yan)究的深(shen)度森林模型整(zheng)體上判別(bie)效果優(yōu)于(yu)其他三(san)種模型，為(wei)藍(lán)莓成熟程(cheng)度判別提(ti)供了技(ji)術(shù)支持(chi)。

1、硬度測定(ding)

將藍(lán)(lan)莓樣品放置于(yu)質(zhì)構(gòu)儀測試平(ping)板上，使(shi)用圓柱(zhu)形探頭對單(dan)個(gè)漿果進(jìn)(jin)行全質(zhì)構(gòu)(gou)分析（ＴＰＡ）測試。測前(qian)、測試和測(ce)后上(shang)行速度(du)均為１ｍｍ/s，果肉變(bian)形３０％，兩次壓縮停(ting)頓時(shí)間均(jun)為５ｓ，以雙峰(feng)曲線中首峰(feng)的最大值表示(shi)硬度。

參考(kao)文獻(xiàn)：王宏恩(en)等：基于(yu)可見(jian)－近紅外光(guang)譜和深度森(sen)林的(de)藍(lán)莓(mei)成熟度判別(bie). 光譜學(xué)與光(guang)譜分析(xi), 2024年.