心理灵活性是否与神秘体验存在关联：一种结合“放弃状态”、“濒死体验”和裸盖菇素摄入的机器学习方法 迪伦·布里格斯（Dylan Briggs）、 托马斯·B·西斯（Thomas B. Sease）、 露西·梅努（Ruthie Menou） 以及大卫·R·珀金斯（David R. Perkins）

《Behavioral Sciences》：Does Psychological Flexibility Correlate with Mystical Experiences: A Machine Learning Approach Including State of Surrender, Near-Death Experiences, and Psilocybin Consumption Dylan Briggs, Thomas B. Sease, Ruthie Menou and David R. Perkins

　　

摘要

准确判断水果的成熟度对于优化采收时间和确保采后质量至关重要，尤其是在像桃子这样的呼吸跃变型水果中，这类水果的成熟过程迅速且不均匀。本研究提出了一种基于深度学习的方法，用于对桃子进行多阶段成熟度分类，涵盖五个成熟度等级（绿色、绿晕、红晕、黄晕和完全成熟）。通过控制图像采集、分割、数据增强和感知哈希技术构建了四个数据集，以减少数据泄露。使用包括准确率、精确度、召回率、F1分数、mAP和推理速度在内的标准指标，评估了AlexNet、EfficientNet-B0以及三种YOLO（You Only Look Once）架构（YOLOv8、YOLOv11和YOLOv12）的性能。结果表明，基于YOLO的模型显著优于传统网络，准确率在95.25%到98.3%之间，mAP@0.5值超过98.25%，同时推理时间缩短至8.1–12.7毫秒，而AlexNet的推理时间为722.23毫秒，EfficientNet-B0为171.87毫秒。在包含214个桃子的实际分拣实验中，YOLOv12的准确率达到92.06%，展现了其在实际应用中的强大性能。错误分类主要发生在相邻的成熟度阶段之间。这些发现表明，基于YOLO的模型为实时水果分拣提供了一种有效且可扩展的解决方案，而感知哈希技术的使用提高了数据集的可靠性以及模型在农业质量控制系统中的泛化能力。