东北林业大学工程技术学院, 黑龙江 哈尔滨 150040
木材密度可以反映木材的干缩性、 抗压抗拉强度等多种物理性质, 是重要的木材物理特性。 采用近红外光谱技术能够实现木材密度的快速预测, 可克服传统检测方法耗费人力、 物力、 时间的弊端, 但建模结果往往受异常样本的影响。 为准确识别并剔除样本集中的异常样本, 提出一种孤立森林结合学生化残差方法(IFSR), 在利用孤立森林集成特征的优点基础上考虑样本对模型的影响度, 可同时检测异常样本与强影响样本。 该研究对181个落叶松木材样本的近红外光谱及其在常温下的气干密度进行了测定。 通过对比多种方法预处理和特征选择方法, 确定采用标准正态变量变化(SNV)+去趋势处理(DT)+均值中心化(MC)+标准化(Auto)方法进行预处理, 采用竞争性自适应重加权算法(CARS)进行特征波段选择, 消除噪声及无关信息对算法的影响, 简化数据集, 提高算法剔除异常样本的准确性。 为验证IFSR方法剔除异常样本的能力, 将其与蒙特卡洛交互验证(MCCV)、 马氏距离(MD)等其他六种异常检测方法对比分析, 建立偏最小二乘(PLS)模型对其进行异常检测性能评价。 同时在上述基础上采用粒子群寻优-支持向量机回归(PSO-SVR), BP神经网络(BPNN)与PLS分别建立落叶松木材密度近红外预测模型。 结果表明, IFSR结合PSO-SVR方法得到的优化模型预测能力最强, IFSR可有效剔除奇异样本, 提高模型精度。
近红外 木材密度 异常值检测 孤立森林算法 支持向量机回归 Near-infrared spectrum Wood density Outlier detection Isolation forest algorithm Support vector regression 光谱学与光谱分析
2022, 42(11): 3395
东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
光谱分析已经在木材特性参数(例如木材树种、 气干密度、 强度、 含水率、 表面粗糙度等)检测中得到应用, 但是, 现有的木材检测研究都只是针对上述某一项参数做数学建模和预测。 如果需要检测木材多项参数, 那么需要进行多次建模, 并且每次建模预测时使用的数学模型类型(例如神经网络的类型)和内部结构参数一般各不相同。 为了提高木材质量检测效率, 提出了一种基于可见光/近红外光谱的木材树种和密度同时预测方法, 它只需要一次建模和预测就可以实现这两项参数的同时输出。 对东北5种常见木材(杨木、 桦木、 樟子松、 白松和落叶松)进行检测, 首先, 采用K/S算法划分样本集, 保证了训练集和预测集具有一定的代表性。 然后, 使用主成分分析和小波变换两种光谱降维方法, 分别与BP神经网络和偏最小二乘支持向量机相结合建立了4种木材树种和密度同时预测模型和预测精度对比。 采用美国海洋公司的Ocean Optics USB2000-VIS-NIR微型光纤光谱仪采集样本的可见光/近红外光谱并进行预测处理, 光谱范围为350～1 100 nm。 结果表明, 这四种模型都可实现对木材树种和密度的同时预测, 其中小波变换降维方法结合偏最小二乘支持向量机所建立的模型预测效果相对较好, 树种正确识别率为100%, 训练集密度的R为0.973 4, 预测集密度的R为0.940 8, 训练集密度的RMSE为0.026 13, 预测集密度的RMSE为0.038 46, 它为同时对木材多项特性参数进行预测的便携式多功能一体化木材光谱检测仪器的开发奠定了理论基础。 此外, 还采用该公司生产的另一款光谱范围为900～1 650 nm的FLAME-NIR型微型光纤光谱仪进行了同样的实验。 对比发现, 利用FLAME-NIR型光谱仪所得出的结果整体比利用USB2000-VIS-NIR型光谱仪所得到的结果好, 但是相差并不是很大。 这说明该方法可用于对木材种类与密度的同时预测, 而且具有一定的稳定性和精度, 也节约了仪器的成本。
光谱分析 木材树种 木材密度 同时预测 Spectral analysis Wood species Wood density Simultaneous prediction 光谱学与光谱分析
2019, 39(11): 3525
