基于隨機森林算法的谷物粉分類及硬件加速

摘要：針對傳統谷物粉種類檢測速度較慢的問題，基于ZYNQ平臺實現隨機森林算法輔助微波無損檢測技術對谷物粉種類進行高效準確識別。通過對隨機森林模型硬件實現的分析研究，提出了一種改進模型參數結構，有效節省了硬件存儲資源的消耗。為了縮短算法預測時間并降低系統功耗，在硬件實現時引入提前終止識別機制，在保證準確率不變的前提下避免不必要的決策樹預測過程。針對Zedboard開發板，設計一種模型參數存儲方案，充分利用片上資源保證系統正常工作。實驗結果表明，與傳統CPU實現隨機森林算法相比，該方案在ZYNQ上運行的實測時間縮短約54.2%，同時沒有引起識別精度的損失。

關鍵詞：隨機森林；ZYNQ；FPGA；機器學習；可重構計算

中圖分類號：TP18文獻標志碼：A

文章編號：1001-3695（2022）04-031-1143-05

doi：10.19734/j.issn.1001-3695.2021.09.0418

Grain flour classification and hardware acceleration based on random forest algorithm

Xu Leijun，Xiang Houyou，Ni Lihua

（School of Electrical Information Engineering，Jiangsu University，Zhengjiang Jiangsu 212013，China）

Abstract：In view of the slow detection speed of traditional grain flour species，this study implemented the random forest algorithm-assisted microwave nondestructive testing technology to identify grain flour species efficiently and accurately based on ZYNQ platform.By analyzing the hardware implementation of the random forest model，this paper proposed an improved model parameter structure，which could effectively save the consumption of hardware storage resources.In order to shorten the prediction time of the algorithm and reduce the power consumption of the system，

it introduced the early termination recognition mechanism in the hardware implementation to avoid the unnecessary decision tree prediction process on the premise of keeping the accuracy unchanged.In view of the Zedboard development board，

it designed a storage scheme for model parameters to make full use of on-board resources and ensure the normal operation of the system.The experimental results show that the implementation time of the scheme with ZYNQ is about 54.2% shorter than that of the random forest algorithm with traditional CPU，and no loss of recognition accuracy is caused.

Key words：random forest；ZYNQ；field programmable gate arrays（FPGA）；machine learning；reconfigurable computing

0引言

為了降低生產成本，提高市場競爭力，不法商家弄虛作假，“面粉中摻雜滑石粉”等侵犯消費者權益甚至危害生命健康的公共衛生事件時有發生，因此對谷物進行準確、高效的分類識別具有重大的現實意義［1～4］。微波檢測以其無損、非接觸、非污染、靈敏度高等優點，已廣泛應用于含水量檢測、復合材料檢測、醫療人體檢測等領域。可以利用微波探測產生的幅值、相位信息等作為谷物粉分類的數據源［5～8］。

分類算法是谷物粉識別的重要部分，隨機森林是一種集成學習方法，對于異常值與缺失值有較強的容忍度，通過平均決策樹降低了過擬合的風險，能夠處理高維度數據且不需要作特征選擇。由于優異的性能表現，隨機森林被廣泛應用于計算機視覺領域、企業風險評估領域、金融危機預警等領域［9～15］。算法在CPU上實現速度較慢，無法滿足實際應用中對裝置低時延的要求。隨機森林算法內部決策樹相互獨立，可以實現高度并行處理。相較于其他算法包含大量算數運算，隨機森林算法僅進行比較運算，其在硬件實現時將消耗更少的資源與運算時間，因此隨機森林算法極其適合硬件實現。現場可編程門陣列（FPGA）具有高度并行性、可重構性，同時功耗低、體積小，是機器學習算法硬件加速的一個熱門研究領域［16～22］。

Lin等人［23］提出三種隨機森林算法的硬件實現架構，分別為存儲器核心架構、比較器核心架構和綜合核心架構。三種方案均存在不足，如存儲核心架構數據量太大消耗過多存儲資源，比較器核心架構以及綜合核心架構無法快速更新模型參數，靈活性較差。鄭小敏等人［24］完成了隨機森林手勢識別算法的嵌入式軟件實現，但是在硬件實現過程中為了節省存儲資源的消耗，其采用動態加載模型參數的方案，這將消耗大量的時間用于模型參數的讀取，無法達到硬件加速的效果。

本文基于ZYNQ平臺實現了隨機森林的預測模型，結合微波檢測技術，實現了對谷物粉類別的預測。該設計提出了一種精簡模型參數結構，降低了硬件實現時存儲資源的消耗。同時，該設計引入預測提前終止機制，降低了預測的平均時間。整個系統能夠脫離PC獨立運行，提高裝置的便攜性與可移動性。

1谷物粉分類系統介紹

本文采用的數據產生設備為所在課題組設計的微波透射掃頻裝置，在該系統原型的基礎上將識別算法功能移植到FPGA平臺上，實現算法硬件加速，同時增加系統的靈活性。圖1所示為本文谷物粉識別系統采用的實驗裝置。其中：①為微控制器；②為微波源；③為微帶天線、載物盒與金屬腔體；④為混頻器；⑤為濾波器；⑥為幅相檢測模塊；⑦為Zedboard；⑧為串口屏。

發射天線主動發射電磁波，信號經過待測樣本被接收天線采集。不同介電常數的待測樣品對微波的吸收能力不一樣，從而接收天線采集到的信號會有幅值和相位的不同。本文以待測樣本在不同頻率下對應的幅值電壓值作為數據特征，特征數據經過分類器后完成對谷物粉的預測。

實驗裝置以掃頻模式進行特征數據采集，起始頻率設置為2.2 GHz，終止頻率為4.4 GHz，步進100 MHz，每組數據累計150個頻率點幅值信息，也就是150個特征值。本文選擇面粉（類標簽1）、奶粉（類標簽2）、小蘇打粉（類標簽3）、粘米粉（類標簽4）和滑石粉（類標簽5）作為待測樣本。

2隨機森林算法

2.1隨機森林簡介

隨機森林（random forest，RF）算法于2001年由Breiman和Cutler首次提出，其實質為采用集成學習（ensemble learning）的理念組合一系列彼此獨立的決策樹，是一種適用于回歸與分類的算法。在隨機森林的構建過程中，利用bootsrap方法重采樣，隨機生成互異的訓練集，基于每個訓練集構造一個決策樹。內部節點進行分割時不再考察所有屬性的基尼值（Gini），而是隨機選擇若干屬性進行對比。由于在決策樹的生成過程中引入了兩個隨機性，使得隨機森林具有優異的抗噪聲能力，降低了過擬合的風險［25，26］。隨機森林算法的框架如圖2所示。

隨機森林算法的預測基本流程如下：

a）基于bootsrap方法重采樣，隨機生成N個訓練集，產生的訓練集與原始訓練集P樣本總數相等。由于是有放回抽取，產生的訓練集中大概率包含重復樣本，保證了訓練集之間的差異性。

b）利用訓練集構建相對應的決策樹K1，K2，…，KN。在每一個內部節點選擇分裂特征前，從訓練集中的M個特征中隨機選取m（m≤M）個作為當前內部節點的分裂特征集，選擇對應基尼值（Gini）最小的特征作為分裂特征。每棵樹都生長到底，不進行剪枝操作。特征a對應的基尼值計算公式為

Gini（Di）=1-∑|y|k=1p2k（1）

Gini_index（D，a）==∑Vi=1|Di||D|Gini（Di）（2）

其中：D指的是一個數據集；V指的是在該數據集中特征a的可能取值數目。

c）對于測試集數據X，每個決策樹給出獨立的預測結果K1（X），K2（X），…，KN（X），即投出自己的一票。

d）統計每一個決策樹的預測結果，將所得票數最多的預測值作為最終的預測結果。

2.2連續屬性問題

連續屬性問題是指屬性的可取值數目為無限，內部節點不能直接根據連續屬性進行分裂［27］ 。本文中的數據為不同頻率下對應的幅值信息，均為連續屬性。解決連續屬性問題的策略就是采用二分法對連續屬性進行處理，基本流程如下：

a）連續屬性a的取值從小到大排序，設存在n個不同的取值，記為{a1，a2，a3，…，an}。

b）構建劃分點集Ta={ai+ai+12|1≤i≤n-1}，基于劃分點t（t∈Ta）將樣本集D分為D-t和D+t兩個子集，D+t包含那些在屬性a上取值大于t的樣本；D-t則為在屬性值a上小于等于t的樣本集合。

c）計算每一個劃分點對應的基尼值，選擇對應基尼值最小的劃分點對樣本集合進行劃分。

2.3隨機森林模型超參數設定

用戶自定義函數T（決策樹棵樹）與m（隨機選擇特征變量的個數）影響隨機森林模型的性能，因此，需要選擇合適的隨機森林模型超參數保證預測的精度。通過比較不同T與m組合對應隨機森林算法識別的準確度，來確定最佳的T和m值。為了降低隨機性的影響，當T和m的值確定之后，構建100個隨機森林模型，然后取其準確率的平均值，作為當前確定參數下的準確率。圖3展現了不同隨機森林超參數組合對應的預測精度，綜合考慮模型精確度與運行時間，設定決策樹的數量為150，特征數量為11。

3基于ZYNQ平臺的谷物粉分類

隨機森林單元總體設計如圖4所示，ZYNQ的PS（ARM）端首先將存儲在SD卡中的模型參數寫入DDR，接著通過AXI_LITE接口配置并啟動AXI_DMA IP核，自定義IP核random forest通過AXI-STREAM接口與AXI_DMA IP核連接，接收模型參數用于構建隨機森林模型。隨機森林模型部署完畢后，將待測樣品置入微波探測平臺，啟動裝置，生成的預測數據通過UART接口與自定義IP核sample_Rx連接，該模塊將解析得到的特征數據通過自定義接口傳輸到random forest核。經過隨機森林模型運算得到預測類型，該值通過自定義接口傳輸到screen_drive模塊，用于驅動串口屏顯示預測類型。

隨機森林算法的硬件實現需要消耗大量的存儲資源BRAM，而BRAM資源分布在FPGA中的特定區域，在系統分配時，與附近的SLICE距離較遠，導致路徑延遲過大。此時，需要降低時鐘運行頻率，否則會導致時序違例，引起系統異常工作。因此在設計隨機森林算法硬件實現的時候，需要充分考慮資源的使用，平衡空間與時間。

4隨機森林的硬件實現

4.1隨機森林模型參數結構

采用文獻［23］提出的存儲核心架構在FPGA上實現隨機森林模型時，需要將所有決策樹轉換成二叉樹，這種方法邏輯控制簡單，但是模型參數文件較大，達到2.89 MB。硬件實現時需要消耗大量存儲資源，并且隨著決策樹層數的增加，節點數將呈指數級遞增，相應的模型參數大小也將大幅增長。

為了減少FPGA存儲資源的消耗，降低FPGA布局布線難度，提高系統運行頻率，需要最大限度地簡化模型，僅組合存儲隨機森林的最簡有效信息。綜合考慮硬件訪問，本文提出一種數據格式，每個節點數據包含三個域，如圖5所示。

通過層次遍歷決策樹，給每一個節點標記一個序號。對于決策樹中的最后一個葉子節點，域1取值為0，域2為對應的類標簽，域3取值為1；對于其他葉子節點，域1取值為0，域2為對應的類標簽，域3取值大于1；對于內部節點，域1取值大于0，域2為對應的分裂值，域3取值大于1，為該內部節點左子節點的序號。第一個域是分裂屬性與葉子節點標志位，它的取值是（0～150），（27lt;151lt;28），所以用8位二進制數存儲該域值；第二個域是分裂值或類標簽（當域1取值為0時，該節點為葉子節點，該域為類標簽，否則該節點為內部節點，該域為分裂值），經校驗最大分裂值為433（28lt;151lt;29），需要9位二進制數來表示；第三個域為左子節點序號值與決策樹最后一個葉子節點指示位，經計算單棵決策樹最大節點數為69（26lt;69lt;27），該域值至少需要7位二進制數存儲，故一個節點數據結構占3 Byte。節點數據的含義以及相應域特征如表1所示。

本文保留決策樹的結構，采用特定格式存儲節點信息，最終生成的模型參數文件大小為84 KB。對本文中的精簡模型數據與文獻［23］進行比較，結果表明，在減少模型參數的同時，并沒有損失識別精度，但是會增加硬件邏輯控制的復雜性，少量增加邏輯資源的消耗。

4.2模型參數片上存儲

Zedboard開發板有140個36 KB的BRAM，一個36 KB的BRAM可以配置為兩個獨立的18 KB BRAM，所以Zedboard含有280個18 KB的BRAM。本文訓練好的隨機森林模型擁有150棵決策樹，單棵決策樹的參數文件大小約為2.16 KB，理論上可以將每棵決策樹模型參數存入一個18 KB BRAM，150棵決策樹同時開始預測過程，這種方案的預測速度最快。但是，這種實現方案消耗了大量的BRAM，會導致系統布局布線復雜，引起BRAM輸出數據到下一級寄存器的路徑延時巨大，造成時序違例，系統不能正常工作。同時，這種實現方案需要消耗77 213個LUT，數量已經超過Zedboard開發板上的LUT資源。

查閱Xilinx官方文檔［28］，BRAM有16 KB×1、8 KB×2、4 KB×4、2 KB×9、1 KB×18、512×36六種原型方案，所有的BRAM配置方案均在這些原型的基礎上疊加拼接得到。為了平衡時間與空間，本設計在一個18 KB的Bram中存儲7個決策樹模型參數，共計消耗22個18 KB BRAM。

決策樹在Bram中的存儲結構如圖6所示，單棵決策樹的節點數據按照節點序號順序存儲，每棵決策樹的基地址以69（單棵決策樹的最多節點數）為單位遞增。這種存儲方式，通過決策樹的基地址結合節點序號，硬件電路可以輕易訪問任意決策樹以及任意節點。

4.3隨機森林模型預測過程

考慮到測試數據量較小并且Dram（分布式RAM）有更好的時序表現，將測試數據存儲在Dram中。當測試數據采集完畢，系統進入預測過程。22棵決策樹為一組，并行開始預測過程。隨機森林的預測過程流程圖如圖7所示。

首先讀取BRAM中基地址為0，偏移地址也為0的節點數據，判斷該節點是內部節點還是葉子節點，如果是葉子節點，該棵決策樹預測結束，預測結果為節點數據對應的類標簽值；如果該節點是內部節點，在節點數據中分離出劃分屬性、劃分值、左子節點序號值M。在待測數據中取出對應劃分屬性的特征值，將特征值與劃分值進行比較，如果特征值大于劃分值，那么下一個比較節點為左子節點（基地址為0，偏移地址為M-1），否則下一個比較節點為右子節點（基地址為0，偏移地址為M）。直到讀取到22棵決策樹的葉子節點，一輪預測結束。

接著統計各棵決策樹的預測值，并且判斷是否存在某一類別的被預測次數大于隨機森林中決策樹棵樹的一半，如果存在，隨機森林預測過程結束，預測結果就是該類標簽。例如有78棵決策樹預測該待測數據屬于標簽1的類，那么隨機森林預測過程提前終止，預測結果為標簽1的類。如果不存在，則開啟第二輪22棵決策樹的預測，總體流程與第一輪基本一致，區別在于，首先讀取BRAM中基地址為69，偏移地址為0的節點數據。依此類推，第三輪的基地址為138，第四輪為207，第五輪為276，第六輪為345，第七輪為414。如果提前終止條件沒有被觸發，那么待測數據需要通過隨機森林中每一棵決策樹的判斷，也就是經歷7輪預測過程，才能給出最后的預測結果。

4.4基于ZYNQ芯片開發流程

ZYNQ內部集成了PS（ARM）和PL（FPGA）兩部分，與傳統的FPGA開發不同，ZYNQ開發流程除了FPGA部分的硬件邏輯設計，還需要ARM部分的設備驅動程序開發。

本文ZYNQ芯片主要開發流程如下：創建VIVADO工程，添加block design，通過部署IP核構建硬件平臺。在block design中添加ZYNQ7 processing system、AXI_DMA等官方IP以及實現隨機森林預測功能、測試數據采集功能、串口屏驅動功能三個自定義IP，并完成各個IP的配置，硬件平臺結構如圖8所示。接著在Vivado里生成頂層HDL文件，添加約束文件，再編譯生成比特流文件。最后導出硬件信息到SDK軟件開發環境，在SDK環境中編寫驅動軟件代碼，結合比特流文件調試ZYNQ系統。

5結果與總結

5.1行為級描述仿真結果

構建隨機森林算法模型，用于谷物粉種類的識別。利用UltraEdit軟件編寫Verilog代碼，調用Vivado軟件進行編譯綜合，仿真采用的是ModelSim軟件。輸入面粉（類標簽為1）對應的測試數據作為仿真激勵，仿真結果如圖9所示，predict_state表示預測過程的狀態機；m_predict_result表示150棵決策樹預測結果的統計值；result表示隨機森林最終的預測結果；result_vld表示預測結果有效。如圖9所示，隨機森林模型正確預測出該谷物種類為面粉。

5.2性能評估

5.2.1識別精度

本文測試集為50組待測樣本對應的特征數據，每種待測樣本對應十組數據。基于相同的訓練集和測試集，將本文采用的隨機森林算法與其他主流分類算法比較，同時比較隨機森林算法軟件實現與硬件實現對應的準確率，結果如表2所示。

實驗結果表明：本文使用的隨機森林算法識別的準確率達到98%，明顯高于其他分類算法。同時，由于本文采用的訓練集與預測集數據均經過定點化處理，硬件實現沒有引入誤差，所以隨機森林算法硬件實現的準確率與軟件實現一致，沒有造成精度損失。

5.2.2片上資源利用率

本文基于Xilinx ZYNQ-7000平臺的Zedboard開發板，該平臺FPGA芯片為XC7Z020CLG484，FPGA的時鐘頻率設定為100 MHz。表3給出了算法模型實現后的FPGA硬件資源使用狀況。從表3中可以看出，本設計在ZYNQ中實現的隨機森林模型片內資源利用率處于較低的水平。5.2.3識別速度

表4是在ZYNQ與CPU兩種平臺上，實現相同架構、相同待測數據的預測時間的比較。ZYNQ平臺運行時間頻率為100 MHz時鐘頻率。CPU平臺是在11th Gen Intel CoreTM i7-11800H@2.30 GHz，16.0 GB內存配置的PC上運行，利用MATLAB 2020b軟件完成隨機森林預測過程時間測量。比較數據可以得出，ZYNQ的計算效率相比與CPU實現提高了近2.2倍，加速效果明顯。

5.3板級驗證

在Vivado 20108.3軟件上對工程進行綜合、實現、生成bit流文件以及硬件信息。該設計基于AMD公司的ZYNQ系列FPGA芯片XC7Z020CLG484進行驗證，并在Zedboard開發板上進行了板級驗證，輸入為面粉（類標簽為1）對應的待測數據，開發板連接串口屏顯示隨機森林模型的預測結果，預測結果正確，如圖10所示。

6結束語

本文設計了一種基于ZYNQ平臺的隨機森林算法模型，并聯合微波探測平臺應用于谷物分類領域，增強設備的移動性，減少預測時間。本文提出更精簡的節點數據結構，針對Zedboard開發板，綜合考慮性能、功耗、面積，設計一種折中的存儲空間分配方案。經過實驗測試，相較于CPU，基于ZYNQ實現隨機森林預測模型，預測時間減少了54.2%，同時預測精度完全一致。該設計可以推廣應用于其他分類場景。

參考文獻：

［1］潘立剛，張縉，陸安祥，等.農產品質量無損檢測技術研究進展與應用［J］.農業工程學報，2008，24（S2）：325-330.（Pan Ligang，Zhang Jin，Lu Anxiang，et al.Research progress and application of nondestructive testing technology for agricultural product quality［J］.Journal of Agricultural Engineering，2008，24（S2）：325-330.）

［2］Yu Xiaokang，Wang Zhiwen，Wang Yuhang，et al.Edge detection of agricultural products based on morphologically improved Canny algorithm［J］.Mathematical Problems in Engineering，2021，2021：article ID 6664970.

［3］Zhu Min，Huang Dan，Hu Xinjun，et al.Application of hyperspectral technology in detection of agricultural products and food：a review［J］.Food Science amp; Nutrition，2020，8（10）：5206-5214.

［4］Xin Pingmo，Zhi Guopan.Study and application of machine vision technique for quality detection of agricultural products［J］.Advanced Materials Research，2014，1061-1062：999-1002.

［5］楊玉娥，何存富，吳斌.微波無損檢測熱障涂層下金屬表面裂縫的參數優化［J］.復合材料學報，2013，30（3）：149-153.（Yang Yu’e，He Cunfu，Wu Bin.Parameter optimization of microwave nondestructive testing of metal surface cracks under thermal barrier coatings［J］.Journal of Composites，2013，30（3）：149-153.）

［6］Li Zhen，Haigh A，Soutis C，et al.A review of microwave testing of glass fibre-reinforced polymer composites［J］.Nondestructive Testing and Evaluation，2019，34（4）：429-458.

［7］Jan B，Schüler N，Erlekampf J，et al.Minority carrier lifetime measurements on 4H-SiC epiwafers by time-resolved photoluminescence and microwave detected photoconductivity［J］.Materials Science Forum，2019，963：313-317.

［8］Sadeghipanah A，SArhadi K H，Rahighi J，et al.Low power microwave tests on RF gun prototype of the Iranian Light Source Facility［J］.Iranian Journal of Physics Research，2017，17（2）：233-239.

［9］李兵，韓睿，何怡剛，等.改進隨機森林算法在電機軸承故障診斷中的應用［J］.中國電機工程學報，2020，40（4）：1310-1319，1422.（Li Bing，Han Rui，He Yigang，et al.Application of improved random forest algorithm in motor bearing fault diagnosis［J］.Chinese Journal of Electrical Engineering，2020，40（4）：1310-1319，1422.）

［10］胡夢珺，王佳，張亞云，等.基于隨機森林評價的蘭州市主城區校園地表灰塵重金屬污染［J］.環境科學，2020，41（4）：1838-1846.（Hu Mengjun，Wang Jia，Zhang Yayun，et al.Heavy metal pollution of campus surface dust in the main urban area of Lanzhou based on random forest assessment［J］.Environmental Science，2020，41（4）：1838-1846.）

［11］郭澎濤，李茂芬，羅微，等.基于多源環境變量和隨機森林的橡膠園土壤全氮含量預測［J］.農業工程學報，2015，31（5）：194-202.（Guo Pengtao，Li Maofen，Luo Wei，et al.Prediction of soil total nitrogen content in rubber plantation based on multi-source environmental variables and random forest［J］.Journal of Agricultural Enginee-ring，2015，31（5）：194-202.）

［12］Wall W A，Hohmann M G，Just M G，et al.Characterizing past fire occurrence in longleaf pine ecosystems with the mid-infrared burn index and a random forest classifier［J］.Forest Ecology and Management，2021，500：119635.

［13］Kato D，Yoshitsugu K，Maeda N，et al.Positioning error calibration of industrial robots based on random forest［J］.International Journal of Automation Technology，2021，15（5）：581-589.

［14］Piao Yong，Jeong S，Park S，et al.Analysis of land use and land cover change using time-series data and random forest in North Korea［J］.Remote Sensing，2021，13（17）：3501.

［15］Kohestani V R，Bazarganlari M R，Asgari M J.Prediction of maximum surface settlement caused by earth pressure balance shield tunneling using random forest［J］.Journal of Artificial Intelligence and Data Mining，2017，5（1）：127-135.

［16］王超，王騰，馬翔，等.基于FPGA的機器學習硬件加速研究進展［J］.計算機學報，2020，43（6）：1161-1182.（Wang Chao，Wang Teng，Ma Xiang，et al.Research progress of hardware acceleration of machine learning based on FPGA［J］.Journal of Computer Science，2020，43（6）：1161-1182.）

［17］孫孝輝，宋慶增，金光浩，等.基于ARM+FPGA平臺的二值神經網絡加速方法研究［J］.計算機應用研究，2020，37（3）：779-783.（Sun Xiaohui，Song Qingzeng，Jin Guanghao，et al.Research on acceleration method of binary neural network based on ARM+FPGA platform［J］.Application Research of Computer，2020，37（3）：779-783.）

［18］王晨，王曉凱，徐鶴丁.基于FPGA的圖像自動白平衡研究和實現［J］.計算機應用研究，2020，37（S1）：346-347，350.（Wang Chen，Wang Xiaokai，Xu Heding.Research and implementation of image automatic white balance based on FPGA［J］.Application Research of Computers，2020，37（S1）：346-347，350.）

［19］閆小盼，夏玉立，趙軍鎖，等.遙感視頻實時云檢測的FPGA高效實現方法［J］.計算機應用研究，2021，38（6）：1794-1799.（Yan Xiaopan，Xia Yuli，Zhao Junsuo，et al.FPGA efficient implementation method of remote sensing video real-time cloud detection［J］.Application Research of Computers，2021，38（6）：1794-1799.）

［20］Choi Y，Jeong D，Lee M，et al.FPGA implementation of the range-Doppler algorithm for real-time synthetic aperture radar imaging［J］.Electronics，2021，10（17）：2133.

［21］Chen Rui，Qiu Chengfeng，Liu Zhaojun，et al.P-5.4：design and implementation of Mini-LED multi-screen splicing display system based on FPGA［J］.SID Symposium Digest of Technical Papers，2021，52：807-809.

［22］Zhang Jinglong，Qin Xue，Zhao Mingyang，et al.FPGA implementation of a real-time digital pulse processing analysis for radiation detectors［J］.Applied Radiation and Isotopes，2021，176：109900.

［23］Lin Xiang，Blanton R D S，Thomas D E.Random forest architectures on FPGA for multiple applications［C］//Proc of the on Great Lakes Symposium on VLSI.New York：ACM Press，2017：415-418.

［24］鄭小敏，李翔宇.隨機森林手勢識別算法的高效嵌入式軟件實現［J］.計算機工程，2021，47（7）：218-225.（Zheng Xiaomin，Li Xiangyu.Efficient embedded software implementation of random forest gesture recognition algorithm［J］.Computer Engineering，2021，47（7）：218-225.）

［25］王鵬新，齊璇，李俐，等.基于隨機森林回歸的玉米單產估測［J］.農業機械學報，2019，50（7）：237-245.（Wang Pengxin，Qi Xuan，Li Li，et al.Estimation of maize yield per unit area based on random forest regression［J］.Journal of Agricultural Machinery，2019，50（7）：237-245.）

［26］陳元鵬，羅明，彭軍還，等.基于網格搜索隨機森林算法的工礦復墾區土地利用分類［J］.農業工程學報，2017，33（14）：250-257，315.（Chen Yuanpeng，Luo Ming，Peng Junhuan，et al.Land use classification of industrial and mining reclamation area based on grid search random forest algorithm［J］.Journal of Agricultural Engineering，2017，33（14）：250-257，315.）

［27］周志華.機器學習［M］.北京：清華大學出版社，2016：171-196.（Zhou Zhihua.Machine learning［M］.Beijing：Tsinghua University Press，2016：171-196.）

收稿日期：2021-09-26；修回日期：2021-11-01基金項目：國家自然科學基金資助項目（61874050）；江蘇省自然科學基金資助項目（SJCX20_1403）；江蘇省農業科技自主創新項目（CX（17）3001）

作者簡介：徐雷鈞（1976-），男（通信作者），江蘇海門人，教授，博導，博士，主要研究方向為太赫茲集成電路設計與谷物無損探測技術（xlking@ujs.edu.cn）；項厚友（1996-），男，安徽安慶人，碩士研究生，主要研究方向為機器學習算法硬件加速實現；倪利華（1995-），男，四川內江人，碩士研究生，主要研究方向為微波無損檢測.