東北林業(yè)大學(xué)(xue)研究(jiu)人員在國內(nèi)期(qi)刊《光譜學(xué)與(yu)光譜分(fen)析》發(fā)表了題(ti)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(jiu)論文。在該論文(wen)中，研究人員(yuan)使用(yong)上海騰拔(ba)Universal TA國產(chǎn)質(zhì)構(gòu)(gou)儀測(ce)定了藍(lán)莓的(de)硬度。

摘　要　為快(kuai)速準(zhǔn)確對藍(lán)(lan)莓果實成熟程(cheng)度進(jìn)(jin)行分類，采用近(jin)紅外光譜檢測(ce)技術(shù)(shu)和深(shen)度森林算(suan)法，建立了(le)藍(lán)莓成熟度(du)的判別模型。采(cai)用ＬａｂＳｐｅｃ?。担埃埃肮庾V儀采集(ji)了三(san)種不(bu)同成熟程(cheng)度的藍(lán)莓(mei)標(biāo)準(zhǔn)樣品(pin)，共獲(huo)取了１５０組(zu)光譜樣本。為確(que)定最佳(jia)輸入模型特(te)征數(shù)目，對(dui)原始(shi)光譜數(shù)(shu)據(jù)進(jìn)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平(ping)滑處理，采用(yong)主成(cheng)分分析將(jiang)平滑處(chu)理后的數(shù)據(jù)降(jiang)至４個主成分，并(bing)采用多項式(shi)特征(zheng)衍生(sheng)方法對每(mei)個主成分進(jìn)(jin)行２、３、４、５階的特征(zheng)衍生，最終(zhong)在深度森(sen)林中確定最佳(jia)的特征衍(yan)生階數(shù)(shu)為４。為(wei)檢驗深度森林(lin)的成(cheng)熟度(du)判別(bie)效果(guo)，將其與隨機(jī)(ji)森林(lin)、jiduan梯度提升(sheng)樹算(suan)法（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融合模(mo)型進(jìn)行了對(dui)比，對各(ge)模型確定了最(zui)佳超參數(shù)組合(he)，深度(du)森林和ｓｔａｃｋｉｎｇ融(rong)合模型(xing)采用了手動(dong)調(diào)參，隨機(jī)(ji)森林和ｘｇｂｏｏｓｔ采用了(le)貝葉斯優(yōu)(you)化算法進(jìn)行了(le)超參(can)數(shù)尋優(yōu)。模型(xing)評估指標(biāo)(biao)采用準(zhǔn)(zhun)確率、混(hun)淆矩陣、受試(shi)者工作特征曲(qu)線（ＲＯＣ）、ＡＵＣ度(du)量及抗噪能力(li)。研究結(jié)果(guo)表明，在測試(shi)集上，深度(du)森林和ｓｔａｃｋｉｎｇ融(rong)合模(mo)型的準(zhǔn)確率(lv)均為９５．５６％，隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ的準(zhǔn)(zhun)確率為９３．３３％；深度森(sen)林的ＡＵＣ值為１，隨(sui)機(jī)森(sen)林、ｓｔａｃｋｉｎｇ融合模型(xing)、ｘｇｂｏｏｓｔ的ＡＵＣ值分別(bie)為０．９９、０．９８、０．９６，深度森(sen)林和(he)ｓｔａｃｋｉｎｇ融合模型的抗(kang)噪能力優(yōu)于(yu)隨機(jī)森林(lin)和ｘｇｂｏｏｓｔ。該研究(jiu)的深度森林模(mo)型整體(ti)上判別效(xiao)果優(yōu)于(yu)其他三種模型(xing)，為藍(lán)莓成熟(shu)程度判別提供(gong)了技術(shù)支持(chi)。

1、硬度測(ce)定

將藍(lán)莓(mei)樣品(pin)放置于質(zhì)構(gòu)儀(yi)測試(shi)平板上，使用圓(yuan)柱形探頭對(dui)單個漿(jiang)果進(jìn)(jin)行全質(zhì)構(gòu)(gou)分析（ＴＰＡ）測試(shi)。測前、測試和(he)測后上(shang)行速度均為１ｍｍ/s，果(guo)肉變形３０％，兩次(ci)壓縮停頓(dun)時間均為５ｓ，以雙(shuang)峰曲(qu)線中首峰的(de)最大值表示硬(ying)度。

參考文獻(xiàn)(xian)：王宏恩等：基(ji)于可見－近(jin)紅外光譜和深(shen)度森林的(de)藍(lán)莓成熟度(du)判別. 光譜學(xué)(xue)與光譜分析(xi), 2024年.