CN119413736A 一种杨树材性高通量精准定量鉴定方法、系统、设备及介质 （中国林业科学研究院）

本发明涉及一种杨树材性高通量精准定量与密度的高通量精准预测；系统上集成样品控2在至少一部分样品上自动搜索并标记符合预设条件的待采集根据数据集，构建并训练针对杨树的光谱数据和测试所得的数与随机森林的混合智能学习模型，以输出杨树的多批量的化学成分数据和/或密度数据的根据识别结果，向加工设备发送指令，控制加工设备将选取的在毛坯试样经过气干处理后，控制加工设备将毛坯试样加控制粉碎机将第二部分样品粉碎成木粉，并控制过滤设备将的光谱数据或采集标记过的样品的待采集区域的光谱数据，并对样品进行密度测试和/或在第一部分样品置于恒温恒湿箱中进行平衡处理后，控制密控制光谱仪在待采集区域中采集第一部分样品横截面的近按照预设标准对过滤后的木粉进行多批量的材性测试，其中，多批量的定时启动或事件触发启动预先配置的Python脚本，利用增量导3利用Python脚本的异步协程框架，创建遍历每个新检测到的样品的唯一性序号，并检查每个样品的唯一性序如果字典中不存在该唯一性序号，则为唯一性序号创建一如果字典中已存在该唯一性序号，则选择跳过该序号条对于检测到的不完整数据，添加一预指定的标签或移动到一个新利用Python脚本执行重复样本检测，自校验完成后，利用Python脚本将校验通过的光谱数据、密度数据以根据变换矩阵将光谱数据矩阵投影到由选定特征向量构成的低在主成分空间中，引入抗噪马氏距离算法，采用基于中位数和绝对中位对于每个光谱数据，根据基于中位数和绝对中位差得到的得分矩阵的确定每一光谱数据在主成分空间中的k个最近邻，计算每一光谱若样本的马氏距离超过当前的动态阈值，则标记为异常点，从4;ij表示第i个光谱数据样本在第j个光谱特征的值；光谱数据;;;;S=X.E；;;;5;逐一计算预处理后的光谱数据中的每个波长与目标变量之间使用基于光谱强度值的相似度度量，计算未被选为特征波长的对与目标变量存在粘性相关的波长进行冗余性检查，以排除与特征波经过冗余性检查后，根据剩余的非冗余且与目标变量构建并训练针对杨树的光谱数据和测试所得的数据的基于堆叠自编码器与随机森林的混合智能学习模型，以输出杨树的多批量的化学成分数据和/或密度数据的定量预测结果包从数据集中获得包含光谱数据和化学成分数据标签的训练集数据，据的第一特征矩阵Xchem和化学成分数从数据集中获得包含光谱数据和密度数据参考标签的训练集数据，据的第二特征矩阵Xdensity和密度确定并构建堆叠自编码器的两个并行的自编码器路将第一特征矩阵Xchem和第二特征矩阵Xdensity分别输入到两个并行的自编码器路径，进行独立训练，并通过最小化每个路径的重构误差来分别优化两个自编码器路径的网络参将训练好的堆叠自编码器应用于第一特征矩阵Xchem和第二特征矩阵Xdensity，分别提取使用提取出的第一特征表示Fchem和化学成分数据的标签向量Ychem，训练一个针对化学6采用交叉验证方法对两个随机森林回归模型进行评估，并通过调整模型对于输入的新的杨树光谱数据，先通过训练好的堆叠自编码器进行;错误而引入的常数项。8.一种杨树材性高通量精准定量鉴定系统，应用实施如权利要求1_7任一项所述的杨样品控制模块，用于自动识别和选取符合预设条件的杨树原木段，并控采集测试模块，用于通过光谱仪采集样品的光谱数据，并对样品中数据集确定模块，用于引入主成分分析和抗噪马氏距离，对存储结果输出模块，用于根据数据集，构建并训练针对杨树多模态数据库集群，包括至少一个数据库，多模态其中，弹性云存储存储有可被至少一个数据库执行的指令行，以使至少一个数据库能够执行如权利要求1_7任一项所述的杨树材性高通量定量鉴定处理器执行时实现如权利要求1_7任一项所述的杨树材性高通量精准定7[0001]本发明涉及木材鉴定技术领域，尤其涉及一种杨树材性高通量精准定量鉴定方样品的光谱数据或采集标记过的样品的待采集区域的光谱数据，并对样品进行密度测试杨树的光谱数据和测试所得的数据的基于堆叠自编码器与随机森林的混合智能学习模型，8光谱仪直接采集未标记过的样品的光谱数据或采集标记过的样品的待采集区域的光谱数过聚四氟乙烯参考白板对光谱仪的光源和仪器进行校准处理；以漫反射模式控制光谱仪，机制自动检测并读取光谱仪、材性测试仪以及密度检测设备生成的新结果文件；利用或移动到一个新的用于存储不完整数据的临时数据表；利用Python脚本执行重复样本检9在主成分空间中的k个最近邻，计算每一光谱数据到所对应的k个最近邻的距离并取平均;;;;S=X.E；;;;;堆叠自编码器与随机森林的混合智能学习模型，以输出杨树的多批量的化学成分数据和/特征矩阵Xdensity和密度数据的标签向量Ydensity；确定并构建堆叠自编码器的两个并行的自个自编码器路径的权重和偏置；将第一特征矩阵Xchem和第二特征矩阵Xdensity分别输入到两个自编码器路径的网络参数；将训练好的堆叠自编码器应用于第一特征矩阵Xchem和第二特征矩阵Xdensity，分别提取出压缩后的第一深层特征表示Fchem和压缩后的第二深层特征表;码器输出的重构数据，是原始数据的均值，HY是重构数据的均值，o:是原始数据的方试和/或多批量的材性测试；利用预先构建的自动化脚本自动导入、匹配以及存储光谱数对杨树的光谱数据和测试所得的数据的基于堆叠自编码器与随机森林的混合智能学习模[0039]这一步主要是将毛坯试样加工成若干小木块，并自动将这些小木块分割为两部[0045]S23、预热完成后，通过聚四氟乙烯参考白板对光谱仪的光源和仪器进行校准处[0046]S24、以漫反射模式控制光谱仪，在恒温室内对过滤后的木粉进行近红外光谱采[0051]确定采用“DeterminationofStructuralCarbohydratesandLigninin从异步任务队列中取出新结果文件并从新结果文件导[0059]根据项目需求和系统资源，确定使用Python的异步编程框架（如asyncio对于整个异步任务队列的基础。接着使用asyncio库中的方法如ensure_future()或create_Python中用于异步编程的关键字await来异步执行队列中的任务。这样可以确保在导入大并行地将导入的光谱数据、化学成分数据以及密度数据添加到新的序号条目对应的列表跳过该序号条目、追加新的序号条目（通常是在数据需要按时间或批次等额外维度区分;;[0078]再根据特征值的大小选择能解释总方差95%的特征向量，并将其组成变换矩阵;;[0081]为了在存在异常值的情况下更稳健地估计得分矩阵S的均值向量和协方差矩阵，;;;;的异常光谱数据样本及相应的标准值从数据集中删除，并将清洗后的数据保存到新文件;用中可能对目标变量的预测或分类具有辅助作自编码器与随机森林的混合智能学习模型，以输出杨树的多批量的化学成分数据和/或密;分得到光谱数据的第二特征矩阵Xdensity和密;density中的元素yi表示第i个样本的密度数据标;码器输出的重构数据，是原始数据的均值，HY是重构数据的均值，o:是原始数据的方分别提取出压缩后的第一深层特征表示Fchem和压缩后的第二深层特征表示Fdensity。当特征;[0111]S58、对于输入的新的杨树光谱数据，先通过训练好的堆叠自编码器进行特征提输出杨树的多批量的化学成分数据和/或密度数据的定量预测杨树材性高通量定量鉴定方法。这种设计使得设备在鉴定过程中能够灵活调用所需指令，执行指令被处理器执行时实现如上所述的杨树材性高