近红外光谱的古筝面板用木材等级识别研究

目前民族乐器古筝面板用板材的等级主要依靠乐器技师凭借个人经验进行判断,此方法受限于有丰富经验的技师且容易受其主观判断影响。针对此现状,以用于制作古筝面板的泡桐木材为实验样本,提出了一种利用近红外光谱结合改进的BP神经网络方法,实现快速识别古筝面板用板材的不同等级。近红外光谱可以表征丰富的物质结构与组成信息,并且测量仪器成本较低,附件形式多样化,所以针对泡桐板材的近红外光谱实验分析有实用意义首先进行光谱去噪,消除系统误差等以提高光谱分辨率,根据均方根误差与信号平方和作为多种预处理方法评价指标,选取一阶导数为本实验最终预处理方式,15为合适的滤波去噪窗口大小,然后通过主成分分析法压缩数据以及马氏距离法剔除建模集异常样本,从而建立更具代表性的建模集。然后通过聚类分析无监督学习方法进行板材等级分析,证明板材分级的可行性。由于H₂O在近红外光谱区域具有较大吸收,根据实验光谱分析结果,不考虑其基频振动波段5 396.0～4 978.0 cm-1区域和第一泛音振动波段6 800～7 000 cm-1区域,仅考虑剩余近红外光谱波段信息,将不同光谱信息波段组合,共七种组合波段区域作为神经网络模型的输入,进行面板板材等级识别模型实验。对传统的BP神经网络模型作改进。BP神经网络中学习率的设置采用自适应学习率优化策略,弥补传统神经网络训练速率慢等劣势。同时采用交叉熵函数作为代价函数,从而加快权重的更新速度。选取Relu函数作为输入层与隐藏层之间的传递函数,提高了模型训练速度,有效防止过拟合的发生。选取Softmax函数作为最后一层的传递函数,以此减少复杂计算,构成该研究最终BP神经网络模型。选取不同数量的主成分变量所能提取的光谱信息量不同,通过不断增加主成分个数和调整参与模型的光谱波段区间,调整BP神经网络模型的输入,当主成分个数为11和光谱区间为10 000～7 000和4 976～4 000 cm-1时,未知样本识别率达到99.7%,所选光谱区间涵盖C-H等基团全部特征信息。研究结果表明,近红外光谱结合神经网络可以对不同等级的泡桐木材进行有效的识别,降低人工检测误差,缩短板材分级时间,更好地满足乐器市场需求。