SA-PBT-SVM的实木表面缺陷近红外光谱识别

针对实木板材表面存在的活节、死节、裂纹与虫眼4类缺陷,提出了基于近红外光谱分析的定性识别模型。随机选取50个样本组成训练集,30个样本组成测试集,在室内温度20 ℃、相对平均湿度50%环境下,采用900~1 700 nm的近红外光谱仪采集样本表面光谱,并利用SNV方法进行光谱数据预处理,以消除固体颗粒大小、表面散射及光程变化对漫反射光谱的影响;然后,采用偏二叉树双支持向量机(PBT-SVM)构建缺陷分类模型,运用模拟退火算法(SA)对4类核函数、参数及波长特征进行全局寻优;寻优过程以97个波长吸收度为输入特征,运用顺序前向法依次加入新特征,当分类器准确率达到90%时,得到核参数及波长特征;最后,通过确定的核函数、参数与波长构建了缺陷分类模型,并对测试样本集进行了分类验证。实验结果表明,SNV预处理方法使相同缺陷的近红外光谱具有较好的一致性,其中,活节与死节光谱差异显著,但死节、裂纹与虫眼的光谱趋势相近;当PBT-SVM分类器采用多项式核函数、参数在γ=28.63,coef=18.69,d=1,C=12.03时,缺陷识别效果最好,裂纹和活节的识别率达到了100%,虫眼为93.33%,死节为93.33%,平均准确率达到了96.65%,平均识别时间仅为0.002 s。利用近红外光谱分析的方法能够快速、有效地完成4类实木板材缺陷的识别。     

近红外光谱分析的实木板材节子形态反演

节子影响着实木板材力学性能,如何准确刻画出节子在实木板材内部的形态,进而计算出实木板材力学性能是一个具有应用价值的科学问题。目前,基于机器视觉的缺陷检测方法实现了实木板材表面缺陷检测与识别,超声波检测方法可以判断出实木板材中缺陷的存在,X-ray虽然可以全面的掌握实木信息,但其检测成本较高。近红外光谱分析具有结构丰富,测试方便、无损快速的特点,但是,光谱中存在的冗余与非线性信息影响建模精准度,提出一种基于Isomap和小波神经网络融合的节子倾角辨识方法,利用Isomap完成光谱信息非线性降维,运用小波神经网络建立节子边缘的物质成分与倾角间的非线性关联,通过边缘多点倾角反演出节子在实木板材内部的形态。首先,采用Pablo提出的节子斜圆锥模型,并结合图像处理提取实木板材表面的节子缺陷区域,计算出相应中心位置;提取节子边缘的多点位置,采集光谱信息并完成基线漂移和去噪处理;然后,利用K-S划分校正样本集,运用主成分与马氏距离结合剔除异常光谱;接着,运用Isomap方法设定降维数和邻近数,通过PLS完成不同光谱维度的快速建模,进而迭代出理想光谱特征;最后,应用具有局部信息优化能力的小波神经网络建立节子边缘光谱与该点倾角间的非线性关系,构建出1个12输入、1输出的网络模型,并运用梯度修正网络参数;将节子倾角预测结果输入Solidworks软件完成节子椎体形态的三维呈现。实验采用落叶松实木板材作为对象,选取并采集了40个节子的160组光谱数据,通过测量上、下表面节子的相对空间位置,计算出边缘点倾斜角数值并进行建模分析,实验结果表明：采用S-G平滑与一阶导数进行光谱预处理,得到的光谱轮廓更清晰、吸收峰更明显;采用Isomap特征降维方法,选取非线性降维数d=12、近邻数k=19时,SECV最小,可以消除光谱信息的冗余数据;采用小波神经网络建立的节子倾角非线性模型,其预测相关系数为0.88,预测标准差为7.65,相对分析误差为2.14;可以实现节子在实木板材内部的形态反演,可以为力学性能预测提供定量化分析手段。     

基于贝叶斯神经网络的近红外光谱实木地板表面缺陷检测

实木地板的表面缺陷直接影响其力学性能和产品等级,表面缺陷的快速检测对实木地板的在线分选具有重要的现实意义。针对视觉方法检测实木地板表面缺陷识别率低的问题,提出了一种基于近红外光谱分析技术的检测方法。首先,分别采集规格为200 mm×100 mm×20 mm的表面带有活节、死节以及无缺陷的实木地板的光谱数据各60份,其中30份作为训练样本,30份作为测试样本;其次,使用高斯滤波(GSF)、分段多元散射校正(PMSC)和去趋势法(DT)等方法对采集到的光谱数据进行预处理,降低光谱噪声、消除光谱的散射影响;然后,利用改进遗传算法从处理后的光谱中提取特征波长用于构建缺陷识别与分类模型;最后,使用基于贝叶斯理论改进的神经网络构建实木地板缺陷识别和分类模型。实验使用含有活节、死节以及无缺陷的实木地板样本对模型进行训练和测试,结果表明：通过贝叶斯神经网络构建的缺陷识别与分类模型能够准确识别活节、死节和无缺陷三类实木地板,识别率分别为92.20%, 94.47%和95.57%。证明了实木地板表面缺陷类型与其近红外吸收光谱密切相关,并为下一步实现实木地板表面缺陷的准确定位提供快速检测方法。     

KF光谱优选的木材抗弯强度预测方法

木材抗弯强度是评价木材力学性质的重要指标,其快速准确预测具有工程应用价值和科学意义。重点研究了使用近红外光谱分析光谱特征优选的卡尔曼滤波(KF)方法进行PLS建模,完成木材抗弯强度的预测。试验用126个蒙古栎无疵试样,依据国家标准《木材物理力学性质试验方法》测量抗弯强度得到力学真值;在900～1 700 nm波段进行近红外光谱采集,一阶导数与S-G卷积结合进行光谱预处理;然后,将光谱及抗弯力学样本视为动态系统,光谱冗余波长视为噪声信号,通过KF迭代得到系数矩阵和标准方差,并运用二者比值实现特征优选;最后建立蒙古栎的偏最小二乘(PLS)抗弯强度近红外模型。结果表明,经过KF优选后,光谱变量数由117减小到18个,预测模型的相关系数ｒ=0.81、预测误差均方根RMSEP=6.59;为了进一步验证方法有效性,与无信息变量消除法(UVE)、连续投影方法(SPA)特征选择方法进行了对比,KF特征优选后的预测相关系数r分别提高了0.05和0.16,预测误差均方根RMSEP降低了2.33和7.66,采用KF特征选择建立的模型预测结果最佳。KF作为特征方法可有效选择近红外光谱特征波长,降低模型维度,提高模型的适用性与准确性。     

残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络（CNN）虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16,32,64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin Softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines,University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×104,当3个数据集的样本块像素分别设置为25×25,23×23,27×27,网络深度分别为28,32和28时,3个数据集的分类准确率最高,其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度;Large-Margin Softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。