光谱分析在木材种类识别领域具有一定的潜力, 而其中的中红外光谱也广泛应用于定性及定量分析。 该研究中红外光谱法识别木材种类的报道中, 基于深度卷积神经网络可以在参数较少的条件下获得较高的识别率。 提出了一种聚类分析(CA)、 对称点阵图像分析(SDP)与深度学习(DenseNet)相融合的算法, 利用DenseNet的优势提高中红外光谱法识别木材的准确率。 首先, 采集了愈疮木、 巴里黄檀、 刺猬紫檀、 大果紫檀、 螺穗木5种木材样本的250组中红外光谱数据, 应用欧式距离进行了异常值剔除, 剩余240组作为待分析数据并对其进行分类的可行性分析。 对光谱数据进行SDP转化分析, 确定SDP转化的最优参数; 之后, 运用CA筛选原始光谱数据的特征, 根据CA不同阙值确定了三组维数的特征并进行讨论, 通过对比三组特征数据经过SDP转化后图像间的类内相似性和类间差异性, 初步确定了最优维数特征; 再将初步确定的最优维数特征数据输入到SDP-DenseNet模型中, 获得模型识别的准确率; 最后通过对比分析验证了模型的有效性, 一方面将原始数据及其余两组对照维数的特征数据分别输入到SDP-DenseNet模型中, 对比识别的准确率; 另一方面以最优维数特征数据输入到随机森林中进行识别, 对比传统机器识别与SDP-DenseNet算法识别的准确率。 结果表明: 经CA特征筛选的SDP-DenseNet模型普遍高于原始数据直接输入到SDP-DenseNet模型的准确率, CA特征筛选最优维数为255维, 其测试集最高识别率达到了88.67%, 而对照组107维为77.78%, 322维为68.89%, 原始数据的SDP-DenseNet模型识别率仅为57.78%; 经CA特征筛选的最优维数数据对应的随机森林模型识别率较低, 仅为66.67%。 因此, 提出的CA-SDP-DenseNet模型能有效提高中红外光谱法识别木材种类的精度。

木材是人们生活中必不可少的可再生资源, 同时在建筑、 工艺、 家具、 结构材料等方面有着举足轻重的地位。 市场中常见的木材品种繁多, 其品质和价格千差万别, 使用智能化技术对木材进行正确的分类不仅可以防止不法商贩“以次充好”, 也可以大幅度降低木材分类人员的工作难度。 通过木材的遗传信息和解剖学信息可以得到较为准确的木材分类结果, 这类方法识别工艺相对复杂, 对非专业人员并不友好。 借助木材切面的图像信息或光谱信息可以简单方便地对木材进行分类, 然而由于不同种木材之间存在的近似性, 这类方法往往分类精度不高或只适用于某些阔叶木材。 提出了一种基于木材横切面图像信息和光谱信息的多特征木材分类算法, 首先分别采集木材横切面的光谱信息以及图像信息; 再使用Segnet图像分割方法将待分类样本分成含管孔木材和不含管孔木材两组, 并对含管孔样本组中的木材进行管孔分割; 然后对含管孔样本组中的木材提取管孔特征、 光谱特征以及纹理特征, 对无管孔样本组木材提取光谱特征和纹理特征; 最后根据这些特征使用支持向量机分别对木材进行分类并记录其木材的分类结果, 对分类结果不一致的样本使用相似性判据判断最佳分类结果。 为了验证该方法的有效性, 以20种常见的阔叶木材和针叶木材的混合样本集为研究对象, 对其进行了分类。 实验结果显示三种特征均可以对木材进行分类, 单独使用光谱特征、 纹理特征以及管孔特征对木材进行分类的最高正确率分别为93.00%, 89.33% 和69.23%, 通过相似测度的判断后三个特征可以相互补充从而进一步提高木材的分类正确率, 最高正确率可达98.00%。 综上所述, 该方法可以对包含阔叶木材和针叶木材的混合样本集中的木材进行分类, 木材横切面的光谱特征、 纹理特征以及管孔特征可以相互补充, 从而使分类正确率进一步的提高。 与目前的主流木材分类方法进行对比, 发现该算法的分类正确率高于其他算法。

为了过滤木材高光谱图像中大量的冗余信息, 提升应用图像纹理进行分类的准确率, 本文采用基于多重分形理论的木材高光谱图像分类算法。首先利用不同的特征选择算法选取最具代表性的10个波段; 随后根据不同的函数密度图像对所选取波段的图像求解其多重分形曲线, 将选择出的多个波段所对应的多重分形曲线取平均, 得到表示样本纹理特征的多重分形曲线; 最后使用支持向量机和BP神经网络分类器对多重分形曲线进行分类。实验表明, 相对熵(K-L散度)要好于自适应波段选择(ABS)提取的波段, 多重分形算法提取的高光谱图像纹理特征要好于灰度共生矩阵, 支持向量机算法的分类准确率和速度要优于BP神经网络, 融合K-L散度、多重分形和支持向量机算法能够有效地提高木材高光谱图像的识别准确率, 最高识别准确率达到了97.91%。

采用体视显微高光谱成像方法, 构建木材树种分类识别模型。 利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外(372.53～1 038.57 nm)波段内的木材高光谱图像。 首先, 采用ENVI软件提取木材样本感兴趣区域(ROI)的平均光谱, 分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对光谱数据进行降维。 再利用支持向量机(SVM)分别建立木材样本采集波段和特征波长下的分类模型。 然后, 在空间维采用第一主成分图像, 计算基于灰度共生矩阵(GLCM)的木材纹理特征。 在0°, 45°, 90°和135°四个方向计算能量、 熵、 惯性矩、 相关性等16个特征参数后输入SVM进行木材树种分类处理。 最后, 采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。 20个树种的分类实验结果表明, CARS的特征波长选择效果和运行速度较好一些, 采用普通SVM进行木材光谱维特征分类处理时, 测试集分类准确率达到了92.166 7%。 采用基于GLCM的木材空间维纹理特征时, 采用普通SVM的测试集分类准确率是60.333 0%, 具有较低的分类精度。 在将光谱维和空间维纹理特征进行数据融合及分类处理时, 采用复合核函数SVM分类具有更好的效果。 采用第二个复合核函数的SVM分类精度最高, 测试集分类正确率是94.166 7%, 运行时间为0.254 7 s。 另外, 采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%, 运行时间分别为0.180 0和0.260 2 s。 可以看出, 采用这3种复合核函数的SVM进行木材树种分类, 分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。 因此, 利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度, 为木材树种快速分类提供了参考。

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。

木材的种类识别是木材加工和贸易的一个重要环节, 传统的木材种类识别方法主要有显微检测法和木材纹理识别法, 其操作繁琐, 耗时长, 成本高, 不能满足当前需求。 本研究利用木材的近红外光谱（NIRS）结合模式识别方法, 以期实现木材种类的快速准确识别。 采用近红外光谱结合主成分分析法（PCA）、 偏最小二乘判别分析法（PLSDA）和簇类独立软模式法（SIMCA）三种模式识别对58种木材进行种类鉴别研究; 5点平滑、 标准正态变量变换（SNV）、 多元散射校正（MSC）、 Savitzky-Golay一阶导数（SG 1st-Der）和小波导数（WD）五种光谱预处理方法用于木材光谱的预处理; 校正集和测试集样品的正确识别率（CRR）用于模型的评价。 采用PCA方法, 通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。 在建立PLSDA模型, 原始光谱的正确识别率最高, 分别为88.2%和88.2%; 5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%; SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%; MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%; SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD（小波基为“Haar”, 分解尺度为80）处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。 可知, 在PLSDA模型中, 木材光谱未经预处理种类识别效果最后好。 在建立SIMCA模型过程中, 原始光谱的校正集和测试集的CRR分别为99.7%和99.4%; 5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%; SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%; MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%; SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD处理的光谱校正集和测试集的CRR分别为100%和100%。 可知, 在SIMCA模型中, 木材光谱经平滑和小波导数处理后的识别效果最好, 且光谱的校正集和测试集CRR都为100%。 采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时, 由于木材样本属性复杂, 主成分分布图相互交织, PCA无法识别出58种木材; 原始光谱的PLSDA模型可以得到较好的判别模型, 但校正集和测试集的CRR只有88.2%和88.2%; 木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果, 校正集和测试集的CRR均为100%, 且WD-SIMCA模型因子数比5点平滑SIMCA模型小, 模型更为简化, 故WD-SIMCA为58种木材种类识别的最优模型。 研究表明光谱预处理方法可以有效的提高木材种类识别精度, 有监督模式识别方法SIMCA可以用来建立有效的木材识别模型, 近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。

提出了一种基于木材表面光谱反射率的新型木材树种分类识别系统, 它解决了下面三个问题。 首先, 考虑到实际采集的光谱反射率曲线在某些波长噪声较大, 这些波长应该被删除。 另外, 木材光谱反射率曲线波段为350~2 500 nm, 原始实验数据为一个2 150维的向量（光谱采样间隔设定为1 nm）, 所以要对光谱数据进行特征选择和降维处理。 为高效和同时地解决这两个问题, 使用了一种散步矩阵求解特征值方法进行了光谱特征波长的特征选择, 同时还对噪声波长进行了滤波处理。 该方法收到了较好的效果, 具有一定的新颖性。 最后, 为了使光谱仪采集到的光谱反射率曲线具有最佳的模式可分性信息, 还对室内照明光源的安装高度进行了最优化设计, 使用遗传算法求解出光源的最佳安装高度, 使得采集的光谱反射率曲线具有最佳的树种分类信息。 因此, 提出的这种照明光源安装高度优化设计方法, 在一定程度上提高了树种分类识别的精度, 它具有较好的可行性和一定的新颖性。 针对东北地区常见的五种树种（白松、 樟子松、 落叶松、 杨木和桦木）木材进行大量的（约10万次）分类测试, 实验结果表明五种树种木材的混合识别率达到了95%以上, 具有较好的分类识别精度和速度。 特征选择的波长主要集中在近红外波段。

测量了不同产地及品种的89个木材样品的近红外光谱, 并分别使用反向传播人工神经网络(back propagation artificial neural networks, BPANN)与广义回归神经网络(generalized regression neural network, GRNN)建立了NIRS树种识别模型。 通过方差分析分别选择两种神经网络所用参数, 并采用最优参数进行网络训练。 考虑到样品光谱的差异, 对含不同水平白噪声与不同水平偏置的光谱进行模拟, 并使用建立的模型对模拟光谱进行预测。 发现两种神经网络模型均有较好的预测结果, 其中BPANN模型, 对含偏置水平不高于2％、 噪声水平不高于4％的模拟光谱识别正确率在97％以上; GRNN模型, 对含偏置水平不高于2％、 噪声水平不高于4％的模拟光谱识别正确率在99％以上。