东北林业大学机电工程学院, 黑龙江 哈尔滨 150040
木材的抗弯强度是木材重要的力学指标。 光谱分析操作简单、 方便、 快速, 已成为木材检测的重要手段。 但是在应用中, 面对检测环境的温湿度变化、 仪器部件老化和附件更换等情况, 采集到的光谱数据会发生一定程度的偏移。 为了解决这一问题, 以落叶松抗弯强度的近红外光谱预测模型为研究对象, 针对不同类型光谱仪数据差异而导致主机模型泛化能力差的问题, 提出了一种迁移学习与光谱转移校准结合的近红外光谱建模方法。 加工200组落叶松板材试件样本, 以NIRQuest512光谱仪为主机、 One-chip微型集成光谱仪为从机, 分别采集落叶松试材光谱数据, 利用力学万能测试机检测试件力学真值; 2类数据经过SNV、 S-G、 光谱剪切预处理后, 从机数据使用PDS转移校正完成从机到主机光谱线性变换; 然后, 利用SWCSS对2类光谱数据进行特征提取, 优选出主机与从机相关的稳定性一致光谱波段; 最后, 采用100组试件的2类近红外光谱数据进行GFK-SVM建模, 得到适用于主机、 从机设备的通用模型。 为了验证模型方法的有效性, 应用100组数据进行测试并对比了DS-PLS, PDS-PLS, DS-SWCSS-GFK-SVM和PDS-SWCSS-GFK-SVM等建模方法; 结果表明, PDS采用了滑窗技术, 方法相较DS方法可以更好地完成光谱数据的线形映射, 在一定程度上提高了建模精度, 统一了两组光谱仪之间的光程与波长数; SWCSS特征提取方法能够根据2组光谱数据集之间的差异与共性优选波段, 保证特征选择的有效性与稳定性, 提升建模精度; GFK-SVM适合不同光谱数据的迁移, 能够通过合理的核函数参数优选实现不同类型光谱数据的高维映射, 在高维空间中构建不同数据集的通用模型, 实现主机模型在从机光谱预测上的泛化, 提升了数据的使用效率, 测试集相关系数Rp达到0.875, 均方根误差RMSEP为11.975。
木材抗弯强度 模型转移 迁移学习 Wood bending strength Calibration transfer Transfer learning GFK-SVM GFK-SVM 光谱学与光谱分析
2022, 42(5): 1471
东北林业大学机电工程工程学院, 黑龙江 哈尔滨 150040
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。Residual Networks
高光谱图像分类 深度学习 残差网络 Hyperspectral image classification Deep learning Residual network Large-Margin Softmax Large-Margin Softmax 光谱学与光谱分析
2019, 39(11): 3501
