1 陕西科技大学 机电工程学院,西安 710021
2 西安交通大学 机械工程学院,西安 710049
3 西安交通大学 精密微纳制造技术全国重点实验室,西安 710054
针对商用低精度惯性测量单元具有高成本、制造工艺复杂、废弃后污染环境、不能生物降解等缺点,提出一种低成本、可生物降解的木制惯性测量单元。该设计包含平衡振子和非平衡振子单元,分别用于测量3轴加速度和3轴角加速度。采用激光诱导石墨烯的工艺在木梁上制备应变传感器阵列,并形成多组惠斯顿电桥测量电路。结果表明:加速度方面,X轴灵敏度为0.006 mV/g,Y轴灵敏度为8.695×10-4 mV/g,Z轴灵敏度为0.200 mV/g;角加速度方面,X轴灵敏度为0.285 mV/(rad/s2),绕Y轴旋转的灵敏度为0.305 mV/(rad/s2),绕Z轴旋转的灵敏度为0.765 mV/(rad/s2)。与有限单元法仿真结果对比,实验测量误差在10%以内,且具有良好的重复测量精度。该惯性测量单元在木制船舶、木制载具、木制家具等方面具有潜在的应用前景。
惯性测量单元 激光诱导石墨烯 陀螺仪 加速度计 木材 Inertial measurement unit Laser induced graphene Gyroscope Accelerometer Wood
1 东北林业大学机电工程学院, 黑龙江 哈尔滨 150040
2 常州大学计算机与人工智能学院, 江苏 常州 213164
木材抗拉强度是评价木材力学性质的重要指标。 针对近红外光谱建模中样本数据量小、 波长信息冗余所导致预测模型精度低的问题, 提出一种基于模型集群分析MC-UVE-IVSO波长优选的木材抗拉强度建模方法。 以桦木为例, 选取150个桦木样本作为实验对象, 首先使用900~1 700 nm波段的近红外光谱仪采集试件光谱数据, 并采用力学试验机获得相应的抗拉强度真值; 然后对采集的光谱数据运用多元散射校正(MSC)、 一阶求导和卷积平滑(SG)相结合的方法进行预处理, 完成光谱平滑滤波; 分别采用变量组合集群分析算法(VCPA)、 蒙特卡罗无信息变量消除法(MC-UVE)、 迭代变量子集优化算法(IVSO)及MC-UVE-IVSO组合优化算法进行波长筛选, 并对比优选波长结果; 最后在优选近红外波长基础上, 建立桦木抗拉强度的偏最小二乘预测模型(PLS)。 实验结果表明: 基于MC-UVE-IVSO算法优选波长的PLS模型, 光谱变量数由512减小到98, 优选波长占总波长的19%, 其预测决定系数R2为0.94, 预测均方根误差RMSEP为7.50, 性能偏差比RPD为3.16, 相比于全波段、 MC-UVE、 VCPA、 MC-UVE-VCPA与IVSO相应的R2(0.92、 0.93、 0.82、 0.87、 0.93)、 RMSEP(17.91、 11.7、 14.91、 12.12、 8.47)和RPD(2.81、 2.91、 2.25、 2.28、 2.78)均有不同程度提升; 通过统计特征波长所建立的预测模型箱形图, 进一步证明了MC-UVE-IVSO算法在处理多变量波长的稳定性。 实验结果表明, MC-UVE方法可以消除与建模不相关的多数变量, 而IVSO算法能有效搜索出最优变量子集, 基于MC-UVE-IVSO的光谱优选算法提升了木材抗拉强度预测模型的准确性和稳定性, 为木材近红外光谱的无损、 快速与精准检测提供了一定的理论基础。
木材抗拉强度 近红外光谱 集群分析 蒙特卡罗无信息变量消除 迭代变量子集优化 Wood tensile strength Near-infrared spectroscopy Model population analysis Monte Carlo uninformative variable elimination Iterative variable subset optimization 光谱学与光谱分析
2023, 43(8): 2488
1 安徽建筑大学 电子与信息工程学院, 合肥 230601
2 安徽建筑大学 安徽省古建筑智能感知与高维建模国际联合研究中心, 合肥 230601
为了快速无损地检测评估木材的霉变及含水量, 利用高光谱激光雷达系统主动获取木材的高光谱数据, 设计了一种分析霉变特征并建立含水量预测模型的方法。首先选取白松为样本, 进行时长为4个月的间隔性测量, 分析其霉变发生发展过程(正常、潮湿和霉变状态)的光谱特征变化; 然后在分析样本不同含水量光谱特性的基础上, 采用竞争性自适应重加权采样算法、连续投影算法及竞争性自适应重加权采样-连续投影组合算法提取特征波长; 最后分别建立偏最小二乘回归预测模型。结果表明, 正常状态的光谱反射率最高而霉变状态最低;当霉变状态稳定时, 光谱反射率随时间变化缓慢并趋于稳定; 基于竞争性自适应重加权采样-连续投影组合算法建立的模型预测性能最佳, 预测集的相关系数和均方根误差分别为0.9073和0.7564。利用高光谱激光雷达主动获取的高光谱信息可以评估木材的霉变并实现含水量预测, 为木质建筑的快速无损检测提供了新思路。
遥感 高光谱激光雷达 偏最小二乘回归 木材 霉变 含水量 remote sensing hyperspectral LiDAR partial least squares regression timber mildew moisture content
南京林业大学材料科学与工程学院, 江苏 南京 210037
基于近红外光谱技术对木材产地进行识别必须依赖于光谱数据预处理方法和校准模型, 然而大多数采用近红外光谱技术识别木材产地的研究工作都是采用经典的线性模型。 构建木材地理溯源系统有利于促进木材市场的良性发展, 打击乱砍滥伐, 保护濒危树种。 为提高木材产地识别效率, 提出一种基于近红外光谱技术结合机器学习的木材产地识别方法。 首先建立木材产地的光谱数据集, 采集来自两种不同产地的樟子松、 泡桐、 榉木、 柚木、 椴木和臭椿的光谱数据, 每个树种构成一个数据集, 并将特征维度降至2维, 以探索各数据集的数据分布情况; 其次对原始光谱数据进行特征工程, 即分别采用主成分分析法和线性判别分析法对高维光谱数据进行降维处理, 以提高模型的泛化能力, 并对比两种降维技术对模型准确率的影响; 最后构建木材产地鉴别模型, 分别从非线性算法、 回归算法、 分类算法、 概率算法、 集成算法和深度学习算法六个角度选取了支持向量机、 逻辑回归、 K最近邻、 朴素贝叶斯、 随机森林和人工神经网络6种算法建立模型, 采用学习曲线、 网格搜索法、 K折交叉验证等算法优化模型参数以提高模型识别准确率及稳健性, 并从模型的准确率与运行时间两个层面来评估模型效果。 结果表明, 基于近红外光谱技术结合机器学习是识别木材地理来源的有效手段, 樟子松、 泡桐、 榉木、 柚木、 椴木和臭椿的准确率分别达到98.3%、 100%、 100%、 100%、 100%、 98.3%, 相应的模型运行时间分别为0.183、 0.182、 0.181、 0.182、 11.424和12.969 s。 综合分析6种模型在各数据集上的表现, 发现非线性的支持向量机和人工神经网络模型比其余模型更具有优势。 其中, 基于人工神经网络构建的木材产地鉴别模型表现优异, 在各数据集中识别率最高, 但运行时间远多于其余算法。
机器学习 近红外光谱 木材产地识别 主成分分析法 线性判别分析法 人工神经网络 Machine learning Near-infrared spectroscopy Wood origin identification Principal component analysis Linear discriminant analysis Artificial neural network 光谱学与光谱分析
2023, 43(11): 3372
1 东北林业大学工程技术学院, 黑龙江 哈尔滨 150040
2 上海宇航系统工程研究所, 上海 201100
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。
中红外光谱 木材种类识别 聚类分析 对称点阵图像分析 深度学习 Mid-infrared spectroscopy Identification of wood species Cluster analysis Symmetrical lattice image analysis Deep learning
中国林业科学研究院木材工业研究所, 北京 100091
楸树(Catalpa bungei)木材纹理通直、 材性优良、 用途广泛, 是中国特有的珍贵材树种。 研究木材重要的力学性质--抗弯性质的快速测定方法可以为楸树木材的遗传改良及加工利用提供科学依据。 以楸树无性系新品种“洛楸1号”、 “洛楸4号”和“天楸2号”为试验材料, 依据国家标准抗弯性质测试方法, 测定楸树木材抗弯强度(MOR)和抗弯弹性模量(MOE)。 利用近红外光谱(NIRs)分析结合偏最小二乘法(PLS)对新选育的三个楸树无性系的抗弯性质进行预测, 探究基于不同采谱切面、 不同预处理方法以及不同采谱点的最佳建模方法。 研究结果表明, 基于两切面平均光谱建立的抗弯强度预测模型的相关系数和相对分析误差最高为0.843和1.88, 建立的抗弯弹性模量预测模型的相关系数和相对分析误差最高为0.846和1.88。 选用两切面光谱, 预处理方法按抗弯强度模型性能排序为多元散射校正与卷积平滑结合算法(MSC+S-G)>二阶导数与卷积平滑结合算法(2ndDer+S-G)>一阶导数与卷积平滑结合算法(1stDer+S-G), 预处理方法按抗弯弹性模量模型性能排序为MSC+S-G>1stDer+S-G>2ndDer+S-G。 使用一点采谱法建立的抗弯强度和抗弯弹性模量预测模型相关系数比五点采谱法的分别降低5.93%和2.96%。 综上所述, 近红外光谱可以用于预测珍贵材楸木的抗弯强度和抗弯弹性模量。 采用不同切面、 预处理方法和采谱点数建立的模型, 建模结果有一定差异。 得出了楸树木材抗弯强度和抗弯弹性模量的最佳建模方法。 基于径切面和弦切面平均光谱建立的抗弯强度和抗弯弹性模量近红外模型效果最佳。 MSC+S-G是最适用于楸树木材抗弯性质的预处理方法。 五点采谱法模型精度较高, 但对大量样品抗弯性质快速估算时, 可以降低采谱点数量, 仅采集中间部位即载荷加载部位一个光谱点以减少采谱工作量, 提高楸树木材抗弯性质快速评估效率。
楸木 近红外光谱 抗弯性质 木材切面 预处理方法 采谱点数 Catalpa bungei wood Near-infrared spectroscopy Bending property Wood sections Pretreatment Sampling point
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
东北林业大学工程技术学院, 黑龙江 哈尔滨 150040
为实现温度不稳定环境下木材含水率的近红外光谱检测, 探究了不同温度下木材近红外光谱的变化规律及温度变化对近红外预测木材含水率的影响。 对从林场采集的樟子松、 水曲柳、 大青杨和红松原木木块试样各75块, 共计300块试样, 进行了不同温度和含水率条件下的近红外光谱采集。 采用单一温度下的校正集分别与各个温度下的验证集建立偏最小二乘含水率预测模型, 探究温度变化对木材含水率模型预测准确性的影响。 比较了不同光谱预处理的木材含水率预测温度全局模型。 采集相同含水率下不同温度的近红外光谱数据, 对光谱进行光谱平均、 一次微分、 主成分分析和偏最小二乘判别分析, 以探究温度变化时, 木材近红外光谱的变化规律。 结果显示: (1)温度对木材样品光谱存在显著影响; 主成分分析和判别分析表明不同温度下的样品有明显聚类趋势, 温度判别准确率为96.1%。 温度会影响木材的近红外光谱在特定波长吸收峰的位置及吸光度, 在含水率相同的情况下, 随着温度的升高, 特定位置吸收峰有逐渐向高频波段转移的趋势且在零下低温时波峰移动变化更明显。 (2)不同温度下的PLS含水率预测模型对温度变动的适应能力有差异, 木材含水率预测模型更适应于检测与建模样本相同温度的样品。 与单一温度模型相比, PLS温度全局模型对于温度变化具有很好的适应性和应用潜力, RMSEP低于大部分单一温度模型。 基于SG平滑+多元散射校正+一次微分预处理联用的PLS含水率温度全局模型有较好的预测效果和温度适应性, RMSEP降为0.074。 可见, 温度变动是近红外法检测木材含水率的过程中不可忽视的扰动因素; 基于光谱预处理的温度全局模型可以显著提高温度适用性。 该研究可进一步促进近红外光谱技术在木材生产、 加工过程中的应用。
木材 含水率 近红外光谱 温度变化 全局模型 Wood Moisture content Near-infrared detection Temperature influence Global calibration model 光谱学与光谱分析
2022, 42(11): 3387
1 广西科技大学电气电子与计算机科学学院, 广西 柳州 545006
2 东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
紫檀属中的木材有很多属于名贵木材, 不同树种之间十分相似。 传统的木材识别方法多以木材解剖学为主, 通过观察木材的切片结构特征对木材的树种进行判断, 这类方法虽有较高的识别精度, 但是其识别工艺较为复杂而且技术难度也相对较高。 与木材解剖学相对应的是利用图像信息或光谱信息的木材树种识别方法, 该类方法虽具有较为简单的识别工艺, 但是在对同属相似木材树种进行识别时, 往往不能够取得较好的识别效果。 提出了一种基于木材切面光谱特征和纹理特征相融合的木材树种识别方法, 该方法不仅识别工艺简单、 自动化程度高, 而且具有较高的识别精度。 首先通过数码相机和光谱仪采集木材切面的图像信息和光谱信息, 然后分别使用纹理特征提取方法和光谱特征提取方法提取两类特征的特征向量, 接下来使用基于典型相关分析的特征级融合方法将这两个特征向量进行融合, 最后使用支持向量机对融合后的特征向量进行分类识别。 为了验证方法的有效性, 以市场中常见的5种紫檀属树种的三个切面为研究对象, 对这些木材树种进行了识别。 实验结果显示, 单独使用纹理特征的识别正确率最高为80.00%, 单独使用光谱特征的识别正确率最高为94.40%, 使用融合的特征最高的识别正确率可达99.20%。 还将这5种木材树种与其他30种木材树种进行了混合, 混合后的木材样本数量可达1750。 实验进一步显示, 该方法可以对包含紫檀属在内的35种木材的树种进行识别, 其正确率可达98.29%。 综上所述, 木材的纹理特征和木材的光谱特征可以有效的相互补充, 从而进一步提高识别正确率。 最后还用所提出的方法与目前主流的方法进行了比较, 结果发现所述的木材树种识别方法高于目前主流方法。
同属木材 树种识别 光谱特征 纹理特征 特征融合 Same genus wood Tree species identification Spectral features Textural features Feature fusion 光谱学与光谱分析
2022, 42(7): 2247
1 北京林业大学材料科学与技术学院, 北京 100083
2 中国林业科学研究院木材工业研究所, 北京 100091
利用红外光谱结合模式识别和二维相关光谱对乌木、 东非黑黄檀、 风车木和成对古夷苏木四种黑檀硬木心材进行鉴别和聚类分析。 红外光谱显示四种木材中的主体成分为纤维素(特征吸收峰位置在~1 370, ~1 158, ~1 034和~895 cm-1附近)、 木质素(特征吸收峰位置~2 935, ~1 510, ~1 462和~1 426 cm-1附近)和草酸钙(特征吸收峰位置~1 615, ~1 318和~781 cm-1附近)。 三种主体成分在四种木材红外光谱之间的相对峰强度H表明: 乌木和东非黑黄檀中木质素含量较高, 风车木中草酸钙含量较高, 成对古夷苏木中含有一定量的脂类成分。 根据红外光谱的差异性选取不同的波段, 优选计算参数, 分别对四种硬木心材进行相关系数判别分类和SIMCA聚类分析。 相关系数判别分类模式识别中, 成对古夷苏木中有一个样本未得到有效的验证, 但是其余三个木材样品均得到了有效验证。 SIMCA聚类模式识别中, 四种木材心材之间的识别率、 拒绝率和验证率都达到100%, 说明不同木材之间没有重叠区域, 可以完全的区分识别。 二维相关红外光谱中, 乌木与东非黑黄檀在升温过程中纤维素的C—O和C—C基团对温度敏感性较高, 风车木中草酸钙热敏性较高, 成对古夷苏木中木质素的热敏性高于纤维素。 红外光谱结合聚类分析和二维相关红外光谱, 不仅可以对木材主体成分进行的定性和相对含量的分析, 在完善聚类模型基础上还可以对木材种类进行快速、 有效的分类模式识别。
木材鉴别 聚类识别 Wood identification FTIR Clustering recognition 2DCOS-IR FTIR 2DCOS-IR 光谱学与光谱分析
2022, 42(6): 1915