基于迁移学习的木材缺陷近红外识别方法研究

发布时间：2020-12-12 14:03

　　针对基于近红外光谱的硬木表面缺陷分类检测中,由于样本数量有限、数据代表性不足等原因,导致的分类器泛化能力不足、精度仍有待提高等问题,提出适应成分分析与深度迁移前馈神经网络相结合的方法,有效地迁移其他树种光谱与缺陷对应知识至目标分类器,提高分类器性能。以色木样本为源域,柞木样本为目标域,根据近红外光谱定性分析方法,在900～1 700 nm光谱波长范围内采集了色木、柞木样本表面无瑕、活节、死节等3种近红外光谱数据。经过标准正态变量变换和Savitzky-Golay平滑进行原始光谱去噪预处理后投入建立的基于适应成分分析的深度迁移学习模型。将测试样本投入完成的分类器进行测试,结果表明,当柞木训练集占总样本比例超过30%后,模型对3种类型缺陷的识别率均为100%。 

【文章来源】：电机与控制学报. 2020年10期 第159-166页 北大核心

【文章页数】：8 页

【部分图文】：

基于近红外光谱的领域自适应深度迁移硬木缺陷分类流程图

样本在波长范围为900～1 700 nm的近红外光谱中均匀采集512个波长点。色木、柞木样本原始光谱如图2所示。可以看出，无瑕样本与活节样本光谱相似性较强，不易区分。死节光谱与无瑕、活节样本相比，差异性更大，更易区分。同时可见原始光谱高频噪声较多，有明显的光程散射。图2 硬木表面缺陷原始光谱

硬木表面缺陷原始光谱

【参考文献】：
期刊论文
[1]基于深度学习的木材缺陷图像检测方法[J]. 程玉柱,顾权,王众辉,李赵春.  林业机械与木工设备. 2018(08)
[2]红外热像无损检测技术的发展历程、现状和趋势[J]. 刘颖韬,郭广平,曾智,李晓丽,唐佳.  无损检测. 2017(08)
[3]基于机器视觉的锯材表面缺陷检测系统设计[J]. 杨建华,张伟,李丽.  林产工业. 2013(01)
[4]近红外光谱结合SIMCA模式识别法检测木材表面节子[J]. 杨忠,陈玲,付跃进,吕斌.  东北林业大学学报. 2012(08)
[5]基于纹理特征的柳杉锯材表面节疤缺陷的自动识别[J]. 朱新波,王婷,李重根,胡传双,胡硕飞.  华南农业大学学报. 2009(03)
[6]近红外光谱分析中光谱预处理方法的作用及其发展[J]. 尼珍,胡昌勤,冯芳.  药物分析杂志. 2008(05)
[7]超声波木材缺陷检测若干问题的探讨[J]. 于文勇,王立海,杨慧敏,张希栋.  森林工程. 2006(06)



本文编号：2912693