東北林業(yè)大學(xué)研究人員在國(guó)內(nèi)期刊《光譜學(xué)與光譜分析》發(fā)表了題為"基于可見(jiàn)－近紅外光譜和深度森林的藍(lán)莓成熟度判別"的研究論文。在該論文中，研究人員使用上海騰拔Universal TA國(guó)產(chǎn)質(zhì)構(gòu)儀測(cè)定了藍(lán)莓的硬度。

摘　要　為快速準(zhǔn)確對(duì)藍(lán)莓果實(shí)成熟程度進(jìn)行分類，采用近紅外光譜檢測(cè)技術(shù)和深度森林算法，建立了藍(lán)莓成熟度的判別模型。采用ＬａｂＳｐｅｃ　５０００光譜儀采集了三種不同成熟程度的藍(lán)莓標(biāo)準(zhǔn)樣品，共獲取了１５０組光譜樣本。為確定最佳輸入模型特征數(shù)目，對(duì)原始光譜數(shù)據(jù)進(jìn)行ＳａｖｉｔｚｋｙＧｏｌａｙ卷積平滑處理，采用主成分分析將平滑處理后的數(shù)據(jù)降至４個(gè)主成分，并采用多項(xiàng)式特征衍生方法對(duì)每個(gè)主成分進(jìn)行２、３、４、５階的特征衍生，最終在深度森林中確定最佳的特征衍生階數(shù)為４。為檢驗(yàn)深度森林的成熟度判別效果，將其與隨機(jī)森林、jiduan梯度提升樹(shù)算法（ｘｇｂｏｏｓｔ）及ｓｔａｃｋｉｎｇ融合模型進(jìn)行了對(duì)比，對(duì)各模型確定了最佳超參數(shù)組合，深度森林和ｓｔａｃｋｉｎｇ融合模型采用了手動(dòng)調(diào)參，隨機(jī)森林和ｘｇｂｏｏｓｔ采用了貝葉斯優(yōu)化算法進(jìn)行了超參數(shù)尋優(yōu)。模型評(píng)估指標(biāo)采用準(zhǔn)確率、混淆矩陣、受試者工作特征曲線（ＲＯＣ）、ＡＵＣ度量及抗噪能力。研究結(jié)果表明，在測(cè)試集上，深度森林和ｓｔａｃｋｉｎｇ融合模型的準(zhǔn)確率均為９５．５６％，隨機(jī)森林和ｘｇｂｏｏｓｔ的準(zhǔn)確率為９３．３３％；深度森林的ＡＵＣ值為１，隨機(jī)森林、ｓｔａｃｋｉｎｇ融合模型、ｘｇｂｏｏｓｔ的ＡＵＣ值分別為０．９９、０．９８、０．９６，深度森林和ｓｔａｃｋｉｎｇ融合模型的抗噪能力優(yōu)于隨機(jī)森林和ｘｇｂｏｏｓｔ。該研究的深度森林模型整體上判別效果優(yōu)于其他三種模型，為藍(lán)莓成熟程度判別提供了技術(shù)支持。

1、硬度測(cè)定

將藍(lán)莓樣品放置于質(zhì)構(gòu)儀測(cè)試平板上，使用圓柱形探頭對(duì)單個(gè)漿果進(jìn)行全質(zhì)構(gòu)分析（ＴＰＡ）測(cè)試。測(cè)前、測(cè)試和測(cè)后上行速度均為１ｍｍ/s，果肉變形３０％，兩次壓縮停頓時(shí)間均為５ｓ，以雙峰曲線中首峰的最大值表示硬度。

參考文獻(xiàn)：王宏恩等：基于可見(jiàn)－近紅外光譜和深度森林的藍(lán)莓成熟度判別. 光譜學(xué)與光譜分析, 2024年.