基于近红外光谱的古筝面板木材等级判别研究
发布时间：2021-02-18 14:56
目前,我国乐器制作行业在古筝面板木材等级的筛选上主要依赖于技师的主观评判,但此法具有缺少理论客观性和效率低等劣势,这使得选材的客观性及出材率的提高等方面受到限制,并且现有判别木材等级模式无法满足乐器市场的大量需求,所以实现古筝面板木材快速、智能化的分级工作是一个急需解决的课题。近红外光谱包含待测物体的分子结构信息,非常适用于测量含氢的有机物质。古筝面板木材主要化学成分化学键均由含氢基团组成,不同等级板材的化学成分存在差异,这些差异通过近红外光反映在光谱数据中,这为判断木材等级提供了可能。同时因卷积神经网络对非线性数据具有较强的特征提取能力,所以本文提出一种应用卷积神经网络模型对光谱数据进行分析的方法,进而判别古筝面板木材等级,主要的研究内容如下:（1）针对对近红外光谱数据进行去噪和减少实验计算量的问题,本文提出采用光谱预处理和数据压缩方法。通过对比分析多元散射校正、标准正态变量变换和二阶导数求导（Savitzky-Golay）等多种预处理方法,以平滑效果可视化、均方根误差和数据信号平方和为评价指标,确定最终预处理方法为Savitzky-Golay二阶导数,滤波窗口大小为15。然后通过对...
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２－３线性分类问题最优分割面图??Ｆｉｇ．２－３?Ｏｐｔｉｍａｌ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｓｕｒｆａｃｅ?ｆｏｒ?ｌｉｎｅａｒ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｂｌｅｍｓ??
?东北林业大学硕士学位论文???！??Ｌ?＂＊＊－＊９１■ｉ??图３－１近红外光谱仪器图??Ｆｉｇ．３－１?Ｎｅａｒ?ｉｎｆｒａｒｅｄ?ｓｐｅｃｔｒｕｍ?ｉｎｓｔｒｕｍｅｎｔ??经采集获得的不同等级古筝面板木材原始光谱数据如图３－２所示，共５４００条。??：：｜??９００?１０００?１１００?１２００?１３００?１４００?１５００?１６００?１７００??ｗａｖｅｌｅｎｇｔｈ（ｎｍ）??图３－２古筝面板用木材光谱数据??Ｆｉｇ．３－２?Ｓｐｅｃｔｒａｌ?ｄａｔａ?ｏｆ?Ｃｈｉｎｅｓｅ?ｚｉｔｈｅｒ?ｐａｎｅｌｓ??从图３－２可以看出古筝面板原始光谱首末端数据多为噪声，有效信息较弱。为提高??实验判别效率将其剔除，经过剔除本文最终用于实验分析的波段为９２９．２］－】６５３．４３ｎｍ。??３．２前端处理分析流程??本章对古筝面板木材光谱数据进行整体的数据前端处理分析流程如图３－３所示。??古筝浥板木材光谱数据集－???＾???剔除异常样本＾???ｉ???光谱预炎理‘］???＼ｊ／???数据降维．．??Ｉ???＾???Ｖ???主成分分析?＜?连续投影算法＊？??图３－３光谱数据前端处理流程??－２０－??
?东北林业大学硕士学位论文???！??Ｌ?＂＊＊－＊９１■ｉ??图３－１近红外光谱仪器图??Ｆｉｇ．３－１?Ｎｅａｒ?ｉｎｆｒａｒｅｄ?ｓｐｅｃｔｒｕｍ?ｉｎｓｔｒｕｍｅｎｔ??经采集获得的不同等级古筝面板木材原始光谱数据如图３－２所示，共５４００条。??：：｜??９００?１０００?１１００?１２００?１３００?１４００?１５００?１６００?１７００??ｗａｖｅｌｅｎｇｔｈ（ｎｍ）??图３－２古筝面板用木材光谱数据??Ｆｉｇ．３－２?Ｓｐｅｃｔｒａｌ?ｄａｔａ?ｏｆ?Ｃｈｉｎｅｓｅ?ｚｉｔｈｅｒ?ｐａｎｅｌｓ??从图３－２可以看出古筝面板原始光谱首末端数据多为噪声，有效信息较弱。为提高??实验判别效率将其剔除，经过剔除本文最终用于实验分析的波段为９２９．２］－】６５３．４３ｎｍ。??３．２前端处理分析流程??本章对古筝面板木材光谱数据进行整体的数据前端处理分析流程如图３－３所示。??古筝浥板木材光谱数据集－???＾???剔除异常样本＾???ｉ???光谱预炎理‘］???＼ｊ／???数据降维．．??Ｉ???＾???Ｖ???主成分分析?＜?连续投影算法＊？??图３－３光谱数据前端处理流程??－２０－??
【参考文献】：
期刊论文
[1]基于深度学习的树种图像自动识别[J]. 刘嘉政,王雪峰,王甜. 南京林业大学学报(自然科学版). 2020(01)
[2]基于卷积神经网络的高分二号影像林分类型分类[J]. 江涛,王新杰. 北京林业大学学报. 2019(09)
[3]基于迁移学习的树种识别[J]. 高旋,赵亚凤,熊强,陈喆. 森林工程. 2019(05)
[4]应用随机森林算法检测琵琶共鸣板振动特性及声学品质评价[J]. 杨扬,刘镇波,刘一星,蒋大鹏. 东北林业大学学报. 2019(08)
[5]基于极限学习机的船舶柴油机故障诊断[J]. 吴建波,王春艳,洪华军,方伟. 计算机工程与应用. 2019(15)
[6]基于全卷积神经网络的云杉图像分割算法[J]. 陈锋军,王成翰,顾梦梦,赵燕东. 农业机械学报. 2018(12)
[7]基于卷积神经网络的烟叶近红外光谱分类建模方法研究[J]. 鲁梦瑶,杨凯,宋鹏飞,束茹欣,王萝萍,杨玉清,刘慧,李军会,赵龙莲,张晔晖. 光谱学与光谱分析. 2018(12)
[8]火炬松木材基本密度和纤维长度近红外模型的建立与应用[J]. 蒋开彬,牛品,王博,林艳,何紫迪,黄少伟. 福建农林大学学报(自然科学版). 2018(06)
[9]不同近红外光谱预处理方法对胡杨叶片含水量检测模型的影响[J]. 胡艳培,白铁成,陈好斌,姚江河,刘冠华,杨洪坤. 江苏农业科学. 2018(19)
[10]基于卷积神经网络和近红外光谱的土壤有机碳预测模型[J]. 史杨,王儒敬,汪玉冰. 计算机应用与软件. 2018(10)
本文编号：3039712
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图２－３线性分类问题最优分割面图??Ｆｉｇ．２－３?Ｏｐｔｉｍａｌ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｓｕｒｆａｃｅ?ｆｏｒ?ｌｉｎｅａｒ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｂｌｅｍｓ??
?东北林业大学硕士学位论文???！??Ｌ?＂＊＊－＊９１■ｉ??图３－１近红外光谱仪器图??Ｆｉｇ．３－１?Ｎｅａｒ?ｉｎｆｒａｒｅｄ?ｓｐｅｃｔｒｕｍ?ｉｎｓｔｒｕｍｅｎｔ??经采集获得的不同等级古筝面板木材原始光谱数据如图３－２所示，共５４００条。??：：｜??９００?１０００?１１００?１２００?１３００?１４００?１５００?１６００?１７００??ｗａｖｅｌｅｎｇｔｈ（ｎｍ）??图３－２古筝面板用木材光谱数据??Ｆｉｇ．３－２?Ｓｐｅｃｔｒａｌ?ｄａｔａ?ｏｆ?Ｃｈｉｎｅｓｅ?ｚｉｔｈｅｒ?ｐａｎｅｌｓ??从图３－２可以看出古筝面板原始光谱首末端数据多为噪声，有效信息较弱。为提高??实验判别效率将其剔除，经过剔除本文最终用于实验分析的波段为９２９．２］－】６５３．４３ｎｍ。??３．２前端处理分析流程??本章对古筝面板木材光谱数据进行整体的数据前端处理分析流程如图３－３所示。??古筝浥板木材光谱数据集－???＾???剔除异常样本＾???ｉ???光谱预炎理‘］???＼ｊ／???数据降维．．??Ｉ???＾???Ｖ???主成分分析?＜?连续投影算法＊？??图３－３光谱数据前端处理流程??－２０－??
?东北林业大学硕士学位论文???！??Ｌ?＂＊＊－＊９１■ｉ??图３－１近红外光谱仪器图??Ｆｉｇ．３－１?Ｎｅａｒ?ｉｎｆｒａｒｅｄ?ｓｐｅｃｔｒｕｍ?ｉｎｓｔｒｕｍｅｎｔ??经采集获得的不同等级古筝面板木材原始光谱数据如图３－２所示，共５４００条。??：：｜??９００?１０００?１１００?１２００?１３００?１４００?１５００?１６００?１７００??ｗａｖｅｌｅｎｇｔｈ（ｎｍ）??图３－２古筝面板用木材光谱数据??Ｆｉｇ．３－２?Ｓｐｅｃｔｒａｌ?ｄａｔａ?ｏｆ?Ｃｈｉｎｅｓｅ?ｚｉｔｈｅｒ?ｐａｎｅｌｓ??从图３－２可以看出古筝面板原始光谱首末端数据多为噪声，有效信息较弱。为提高??实验判别效率将其剔除，经过剔除本文最终用于实验分析的波段为９２９．２］－】６５３．４３ｎｍ。??３．２前端处理分析流程??本章对古筝面板木材光谱数据进行整体的数据前端处理分析流程如图３－３所示。??古筝浥板木材光谱数据集－???＾???剔除异常样本＾???ｉ???光谱预炎理‘］???＼ｊ／???数据降维．．??Ｉ???＾???Ｖ???主成分分析?＜?连续投影算法＊？??图３－３光谱数据前端处理流程??－２０－??
【参考文献】：
期刊论文
[1]基于深度学习的树种图像自动识别[J]. 刘嘉政,王雪峰,王甜. 南京林业大学学报(自然科学版). 2020(01)
[2]基于卷积神经网络的高分二号影像林分类型分类[J]. 江涛,王新杰. 北京林业大学学报. 2019(09)
[3]基于迁移学习的树种识别[J]. 高旋,赵亚凤,熊强,陈喆. 森林工程. 2019(05)
[4]应用随机森林算法检测琵琶共鸣板振动特性及声学品质评价[J]. 杨扬,刘镇波,刘一星,蒋大鹏. 东北林业大学学报. 2019(08)
[5]基于极限学习机的船舶柴油机故障诊断[J]. 吴建波,王春艳,洪华军,方伟. 计算机工程与应用. 2019(15)
[6]基于全卷积神经网络的云杉图像分割算法[J]. 陈锋军,王成翰,顾梦梦,赵燕东. 农业机械学报. 2018(12)
[7]基于卷积神经网络的烟叶近红外光谱分类建模方法研究[J]. 鲁梦瑶,杨凯,宋鹏飞,束茹欣,王萝萍,杨玉清,刘慧,李军会,赵龙莲,张晔晖. 光谱学与光谱分析. 2018(12)
[8]火炬松木材基本密度和纤维长度近红外模型的建立与应用[J]. 蒋开彬,牛品,王博,林艳,何紫迪,黄少伟. 福建农林大学学报(自然科学版). 2018(06)
[9]不同近红外光谱预处理方法对胡杨叶片含水量检测模型的影响[J]. 胡艳培,白铁成,陈好斌,姚江河,刘冠华,杨洪坤. 江苏农业科学. 2018(19)
[10]基于卷积神经网络和近红外光谱的土壤有机碳预测模型[J]. 史杨,王儒敬,汪玉冰. 计算机应用与软件. 2018(10)
本文编号：3039712
本文链接：https://www.wllwen.com/kejilunwen/huaxue/3039712.html
教材专著
