基于半监督学习的木材识别研究

发布时间：2017-03-27 16:14

  本文关键词：基于半监督学习的木材识别研究，，由笔耕文化传播整理发布。

【摘要】：木材与人们的生活息息相关。然而,木材种类繁多,性能各异,价格差距较大。木材的正确识别对于木材研究、合理利用、市场流通及管理都具有重要的意义。本文应用视觉手段和半监督学习方法对木材自动、准确识别的核心算法和关键技术进行了深入研究。在分析木材宏观、微观特点和常用识别方法的基础上,提取了木材图像的各种视觉特征,为充分利用大量的无标记木材图像,提高木材识别的准确率,本文研究了单视角下Laplacian正则化支持向量机、Hessian正则化支持向量机以及多视角下Laplacian正则化支持向量机、Hessian正则化支持向量机等基于半监督学习的木材识别,并探讨了稀疏编码在多视角Hessian正则化支持向量机中的应用,实现木材自动、准确识别。本文主要在以下方面进行了深入研究：(1)在分析研究常见木材宏观和微观特征的基础上,针对木材的特点,提取了颜色及纹理等86种木材视觉特征。研究并提取了木材HSV颜色空间下H、S、V各通道上的颜色直方图、颜色矩等特征。基于灰度共生矩阵提取了木材纹理的能量、熵、惯性矩等特征,并分析了不同角度和生长步长对纹理特征提取的影响。以人感官对木材纹理判断为基础,提取了木材图像Tamura纹理特征。由于提取的特征多达86个,会降低运算效率,因此,采用主成分分析的方法对这86个特征进行降维。实验结果表明,采用前10个特征值对应的主成分能够表示木材图像99%的信息。(2)在分析支持向量机的基础上,研究了单视角下基于半监督学习的木材识别方法。针对支持向量机(SVM)是有监督学习,无法充分利用木材的无标记样本以及泛化能力差等问题,提出了Laplacian正则化支持向量机(LapSVM)和Hessian正则化支持向量机(HesSVM)的木材识别方法。通过构造有标记和无标记木材样本邻接图将Laplacian正则项引入到支持向量机目标函数中,有效表达了木材训练样本的流形分布,利用木材训练样本的局部结构信息,较大幅度提高了支持向量机的分类性能。针对Laplacian正则化对训练样本域外的样本趋于常数的缺点,利用Hessian正则化项取代Laplacian正则化项并引入到支持向量机的目标函数中。由于Hessian正则化具有更丰富的零空间,能够对训练样本域外的样本做出较好的线性估计,Hessian正则化支持向量机具有更好的识别性能。实验结果表明,提出的算法对木材具有较高的识别正确率。(3)针对木材有横切面、弦切面和纵切面以及多种宏观微观特征的问题,研究了多视角Laplacian正则化支持向量机(mLapSVM)和多视角Hessian正则化支持向量机(mHesSVM)的木材识别方法。将木材样本用多维特征表示,每种特征看作是一个视角并作为一个学习器,通过学习获得不同视角特征的优化权重,对木材样本的不同特征合理优化利用。实验结果表明,与使用单视角特征相比,多视角半监督学习方法在木材的识别中具有更好的识别正确率,尤其在木材训练样本较少的情况下。(4)研究了多视角Hessian正则化稀疏编码支持向量机(mHesSCSVM)木材识别方法。该方法将木材样本的标签信息看作是一个附加的木材视角特征,在稀疏编码中整合了多个木材特征,利用Hessian正则化对木材样本邻接图进行编码以保持木材样本几何局部简单,驱动解决方案沿着流形的测地线平滑变化,无缝地集成了Hessian正则化和判别功能,有效综合了木材不同视角特征的互补性,在不需要增加计算复杂性前提下提高了木材识别的正确率。实验结果表明,本文提出的基于半监督学习木材识别方法可以实现木材自动、准确、高效的识别。研究结果将为木材自动识别、鉴定提供一种新的技术手段和相应的理论依据。
【关键词】：木材识别 半监督学习 多视角 支持向量机 流形正则化
【学位授予单位】：山东大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要11-13
• ABSTRACT13-16
• 主要符号说明16-18
• 第1章 绪论18-32
• 1.1 课题研究背景18-20
• 1.2 木材识别研究现状及不足20-24
• 1.3 半监督学习研究现状24-29
• 1.3.1 三种学习方法比较24-26
• 1.3.2 半监督学习及应用26-29
• 1.4 本文研究内容与组织结构29-32
• 第2章 木材特征的提取32-54
• 2.1 引言32-33
• 2.2 木材的颜色特征33-41
• 2.2.1 颜色空间33-35
• 2.2.2 颜色特征35-37
• 2.2.3 木材颜色特征提取37-41
• 2.3 木材的纹理特征41-49
• 2.3.1 基于灰度共生矩阵的纹理特征42-44
• 2.3.2 基于Tamura的纹理特征44-45
• 2.3.3 木材纹理特征提取45-49
• 2.4 特征降维49-53
• 2.4.1 主成分分析法49-51
• 2.4.2 基于主成分分析法的木材特征降维51-53
• 2.5 本章小结53-54
• 第3章 基于单视角半监督学习的木材识别54-80
• 3.1 引言54
• 3.2 支持向量机理论54-63
• 3.2.1 线性分类54-57
• 3.2.2 对偶优化求解57-58
• 3.2.3 核函数58-61
• 3.2.4 松弛变量61-62
• 3.2.5 损失函数62-63
• 3.3 基于Laplacian正则化支持向量机的木材识别63-71
• 3.3.1 木材样本邻接图Laplacian矩阵64-65
• 3.3.2 木材识别的LapSVM65-67
• 3.3.3 LapSVM的优化求解67-69
• 3.3.4 实验结果及分析69-71
• 3.4 基于Hessian正则化支持向量机的木材识别71-78
• 3.4.1 木材样本的Hessian正则化71-73
• 3.4.2 基于Hessian正则化的支持向量机73-75
• 3.4.3 HesSVM的优化求解75-76
• 3.4.4 实验结果及分析76-78
• 3.5 本章小结78-80
• 第4章 基于多视角半监督学习的木材识别80-98
• 4.1 引言80-81
• 4.2 基于多视角Laplacian正则化支持向量机的木材识别81-89
• 4.2.1 多视角学习框架81-83
• 4.2.2 多视角Laplacian正则化支持向量机83-84
• 4.2.3 多视角LapSVM优化求解84-87
• 4.2.4 实验结果及分析87-89
• 4.3 基于多视角Hessian正则化支持向量机的木材识别89-97
• 4.3.1 多视角Hessian正则化89-91
• 4.3.2 多视角Hessian正则化支持向量机91-92
• 4.3.3 多视角HesSVM优化求解92-95
• 4.3.4 实验结果及分析95-97
• 4.4 本章小结97-98
• 第5章 基于稀疏编码半监督学习的木材识别98-112
• 5.1 引言98
• 5.2 稀疏编码98-102
• 5.2.1 稀疏编码98-100
• 5.2.2 稀疏求解算法100-102
• 5.3 基于多视角Hessian正则化稀疏编码支持向量机的木材识别102-111
• 5.3.1 多视角正则化稀疏编码103-105
• 5.3.2 多视角Hessian正则化稀疏编码105-106
• 5.3.3 多视角Hessian正则化稀疏编码的优化算法106-109
• 5.3.4 实验结果及分析109-111
• 5.4 本章小结111-112
• 第6章 结论与展望112-116
• 6.1 全文总结112-113
• 6.2 本文主要创新点113-114
• 6.3 研究展望114-116
• 参考文献116-130
• 攻读博士学位期间发表的论文及参与的科研项目130-132
• 致谢132-134
• English Paper134-148
• 附件148

【参考文献】

中国期刊全文数据库 前10条

1 杨家驹,程放;微机辅助木材识别系统WIP-89[J];北京林业大学学报;1990年04期

2 阿拉威,杨杰,叶晨洲;采用自相关和协方差函数在光照—欧氏变化条件下识别彩色纹理(英文)[J];红外与毫米波学报;2003年05期

3 杨剑;王珏;钟宁;;流形上的Laplacian半监督回归[J];计算机研究与发展;2007年07期

4 杨伟;方涛;许刚;;基于朴素贝叶斯的半监督学习遥感影像分类[J];计算机工程;2010年20期

5 微机识别木材课题组;;微机识别国产阔叶树材的研究[J];林业科学;1989年03期

6 李月洁;;基于纹理和灰度差分相结合的运动检测[J];计算机与数字工程;2012年11期

7 刘子豪;祁亨年;张广群;汪杭军;;基于横切面微观构造图像的木材识别方法[J];林业科学;2013年11期

8 崔宝今;林鸿飞;张霄;;基于半监督学习的蛋白质关系抽取研究[J];山东大学学报(工学版);2009年03期

9 刘镇波;刘一星;;乐器共鸣板用木材声学振动性能改良研究现状及趋势[J];世界林业研究;2012年01期

10 丁宇新;肖骁;吴美晶;张逸彬;董丽;;基于半监督学习的社交网络用户属性预测[J];通信学报;2014年08期

中国博士学位论文全文数据库 前1条

1 汪杭军;基于纹理的木材图像识别方法研究[D];中国科学技术大学;2013年

中国硕士学位论文全文数据库 前6条

1 黄慧;基于木材组织构造的数字图像处理系统研究[D];南京林业大学;2006年

2 王辉;基于灰度共生矩阵木材表面纹理模式识别方法的研究[D];东北林业大学;2007年

3 李想;板材表面纹理色差的树种识别方法研究[D];东北林业大学;2012年

4 戴维;基于纹理统计方法的木材类型识别研究[D];湖南大学;2012年

5 刘子豪;基于子空间和多特征融合的木材分类算法研究[D];浙江农林大学;2013年

6 蓝苏榕;基于树木生物学特征的树种检索系统的研究与实现[D];北京林业大学;2014年

  本文关键词：基于半监督学习的木材识别研究，由笔耕文化传播整理发布。

本文编号：270660