基于可见光/近红外光谱的木材树种与密度无损检测研究

发布时间：2021-05-13 20:16

　　实木木材是基本的木材工业产品,不同木材具有不同的特性参数（例如木材树种、密度、强度、含水率、表面粗糙度等）,导致木材的用途、物理性能及价格差别很大。因此,对上述木材属性进行检测是木材质量检测的重要内容。可见光/近红外光谱分析技术具有成本低、效率高、速度快、无损、检测方便、测试重现性好等优点,本文利用其对木材树种与密度的检测进行了新的研究与探索。首先,针对目前木材检测模型都是基于某些特定树种建立的因而无法拒绝非训练类异常树种,以及传统的树种检测模型需要正类与负类两种样本而异常树种种类繁多无法全部获取的问题,提出采用单类分类方法建立异常树种检测模型,该法只需对正类树种样本进行学习而无需异常树种的参与,最后通过对比阈值判别样本是否异常。本文对比了由BP神经网络、自组织特征映射网络和支持向量数据描述所构造的三种单类分类器的检测效果,结果表明,由BP构造的单类分类器检测效果较好。同时,提出一种由RBF-BP组合神经网络构造的单类分类器,实验表明,该模型能够有效增大正类树种和异常树种之间的差异性,从而降低误报率、提高异常检测率与总体检测率。其次,针对在木材特性参数检测研究中若要对木材的多项属性进行... 

【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】：97 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究目的和意义
    1.2 国内外研究现状
        1.2.1 木材密度检测
        1.2.2 树种检测
        1.2.3 近红外光谱技术在木材检测中的应用
    1.3 主要研究内容及技术路线
    1.4 论文结构安排
2 可见光/近红外光谱分析技术理论基础
    2.1 可见光/近红外光谱简介
    2.2 可见光/近红外光谱的原理
    2.3 近红外光谱分析技术的流程
        2.3.1 样本集划分
        2.3.2 光谱数据预处理
        2.3.3 光谱数据降维
        2.3.4 模型建立
        2.3.5 模型性能评价
    2.4 本章小结
3 基于可见光/近红外光谱的异常树种检测研究
    3.1 引言
    3.2 材料与方法
        3.2.1 实验样本制备
        3.2.2 可见光/近红外光谱采集
        3.2.3 样本集划分
        3.2.4 异常树种检测模型
        3.2.5 模型评价方法
    3.3 结果与讨论
        3.3.1 可见光/近红外光谱分析及预处理
        3.3.2 光谱数据降维
        3.3.3 模型的建立及实验结果分析
        3.3.4 模型改进及实验结果分析
    3.4 本章小结
4 基于可见光/近红外光谱的树种与密度同时检测研究
    4.1 引言
    4.2 材料与方法
        4.2.1 实验样本及其密度测定
        4.2.2 树种与密度同时检测模型
        4.2.3 模型评价方法
    4.3 结果与讨论
        4.3.1 光谱数据预处理
        4.3.2 光谱数据降维
        4.3.3 模型的建立及实验结果分析
    4.4 本章小结
5 基于可见光/近红外光谱的未知树种类别数自动化检测
    5.1 引言
    5.2 材料与方法
        5.2.1 实验样本及光谱数据
        5.2.2 t-分布随机邻域嵌入降维算法
        5.2.3 密度峰值快速搜索聚类算法
        5.2.4 聚类有效性评价
        5.2.5 树种类别数自动化检测
    5.3 结果与讨论
        5.3.1 光谱降维结果可视化
        5.3.2 树种类别数自动化检测结果分析
        5.3.3 聚类效果分析
    5.4 本章小结
6 原型系统的设计与实现
    6.1 引言
    6.2 系统设计
        6.2.1 实现目标
        6.2.2 模块构成
        6.2.3 开发环境
    6.3 系统的实现
        6.3.1 系统界面
        6.3.2 数据管理
        6.3.3 光谱显示
        6.3.4 模型训练
        6.3.5 检测模块
    6.4 本章总结
结论
参考文献
附录
攻读学位期间发表的学术论文
致谢
附件


【参考文献】：
期刊论文
[1]材性快速评估技术在刨花楠活立木木材密度和弹性模量预测中的应用[J]. 冷春晖,易敏,张露,胡松竹,罗海,温婷,赖猛.  林业工程学报. 2018(06)
[2]基于针刺仪测定技术的湿地松木材密度间接选择效果[J]. 赵奋成,郭文冰,钟岁英,邓乐平,吴惠姗,林昌明,廖仿炎,谭志强,李义良.  林业科学. 2018(10)
[3]基于密度峰值与密度聚类的集成算法[J]. 王治和,黄梦莹,杜辉,秦红武.  计算机应用. 2019(02)
[4]基于改进的密度峰值算法的K-means算法[J]. 杜洪波,白阿珍,朱立军.  统计与决策. 2018(18)
[5]基于SOM-BP的风机故障智能诊断[J]. 魏同发.  智慧工厂. 2018(08)
[6]SOM神经网络对永磁同步电机的故障诊断[J]. 陈世游,陆海,张少泉,陈晓云.  软件. 2018(08)
[7]基于样本选择与PSO-ANN的葡萄酒酒精浓度预测[J]. 王巧云,郑念祖.  东北大学学报(自然科学版). 2018(07)
[8]近红外光谱技术快速检测莲子粉[J]. 付才力,李颖,陈荔凡,汪少芸,王武.  光谱学与光谱分析. 2018(02)
[9]可变网格优化的K-means聚类方法[J]. 万静,张超,何云斌,李松.  小型微型计算机系统. 2018(01)
[10]基于无损检测技术的湿地松生长及材性性状遗传变异分析[J]. 张帅楠,栾启福,姜景民.  林业科学. 2017(06)

硕士论文
[1]基于近红外光谱分析的实木基本密度检测方法研究[D]. 涂文俊.东北林业大学 2017
[2]基于近邻规则的间歇过程故障检测算法研究[D]. 陈川.电子科技大学 2015
[3]网络入侵检测中机器学习方法的应用研究[D]. 贾伟峰.电子科技大学 2009



本文编号：3184640