科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
-
单位上海宇航系统工程研究所; 东北林业大学
