In dieser Arbeit wird die Hyperspektralbildgebungstechnologie verwendet, um Spektraldaten von Atomstempel-Tinten mehrerer Marken zu erfassen, und die Savitzky-Golay (SG)-Methode zur Vorverarbeitung angewendet. Darauf aufbauend wurde ein Erkennungsmodell für Arten von Atomstempel-Tinten auf Basis des Random-Forest (RF)-Algorithmus entwickelt. Zur Validierung der Modellleistung wurde ein systematischer Vergleich zwischen dem RF-Modell und traditionellen Methoden wie dem Backpropagation-Neuronalen Netzwerk (BP) und dem Mehrschichtigen Perzeptron (MLP) durchgeführt. Außerdem wurden die Modellparameter durch Grid-Search in Kombination mit Fünffach-Kreuzvalidierung optimiert, um die Leistung und Generalisierungsfähigkeit zu verbessern. Die experimentellen Ergebnisse zeigen, dass das RF-Klassifikationsmodell (Anzahl der Bäume 20, Anzahl der Blattknoten 3) die BP- und MLP-Modelle in Bezug auf Genauigkeit, Sensitivität, Spezifität und F1-Score übertrifft. Die Klassifikationsgenauigkeit betrug im Trainings- und Testdatensatz jeweils 99,77 % bzw. 98,66 %. Die vorgeschlagene Kombination aus Hyperspektralbildgebungstechnologie und RF-Algorithmus ermöglicht eine schnelle, zerstörungsfreie und genaue Erkennung der Tintenarten und bietet eine neue technische Referenz für die Prüfung von Farbspuren atomarer Stempel.

Hyperspektralbildgebung;Random Forest;Atomstempel-Tinte;Artenidentifikation