详情

原文传递一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法

专利名称：	一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法
摘要：	一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法属于木材分类领域；但目前研究中都只是针对少数的树种进行识别；包括获取待测木材样品；对待测木材样品进行光谱一阶微分预处理；将处理后的木材样品信息通过SVDD分类器进行判别是否已知树种，若是已知树种，使用BP神经网络对已知树种进行树种类别的鉴别，判断出已知树种的类别；若是未知树种，进行t‑SNE降维处理，通过CFSFDP聚类算法进行自动聚类处理，引入CH聚类指标，设定簇类个数K的搜索范围，确定使得CH指标值最大的K为最佳聚类数；当未知树种的聚类样本达到阈值时，确定未知树种的具体类别；转移到木材样本数据库中，通过不断重复上述过程，本发明能够分类识别的木材树种数量将不断增加。
专利类型：	发明专利
国家地区组织代码：	黑龙江;23
申请人：	东北林业大学
发明人：	赵鹏;李悦
专利状态：	有效
申请日期：	2019-03-27T00:00:00+0800
发布日期：	2019-06-11T00:00:00+0800
申请号：	CN201910237855.9
公开号：	CN109870421A
代理机构：	哈尔滨市伟晨专利代理事务所(普通合伙)
代理人：	曹徐婷
分类号：	G01N21/31(2006.01);G;G01;G01N;G01N21
申请人地址：	150040 黑龙江省哈尔滨市香坊区和兴路26号
主权项：	1.一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，包括以下步骤：步骤a、获取待测木材样品；步骤b、对待测木材样品进行光谱一阶微分预处理；步骤c、将处理后的木材样品信息通过SVDD分类器进行判别是否已知树种，若是已知树种，进行步骤d，若不是已知树种，则是未知树种，进行步骤e；步骤d、使用BP神经网络对已知树种进行树种类别的鉴别，判断出已知树种的类别；步骤e、对未知树种进行t-SNE降维处理，通过CFSFDP聚类算法进行自动聚类处理，引入CH聚类指标，设定簇类个数K的搜索范围，确定使得CH指标值最大的K为最佳聚类数；当某一种未知树种的聚类样本达到阈值时，把所述未知树种的样本进行提取，确定所述未知树种的具体类别；将所述树种样本转移到木材样本数据库中，并且转换为已知树种的类别，继续执行步骤a。 2.根据权利要求1所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述光谱一阶微分预处理包括光谱采集方法和光谱降维方法；所述光谱采集方法包括下列步骤：步骤b11、待测木材样品放在光谱仪的支架上，待测面朝下，光纤探头距待测物体表面约5mm，圆形视场角的直径为6.35mm；步骤b12、采集采用漫反射方式，谱区采集范围为350-1100nm，光谱波长分辨率约为0.3nm；步骤b13、采集光谱前，进行光谱白板校正和暗校正，白板校正时使用标准聚四氟乙烯白板为背景，暗校正则是以遮光方式进行，同时打开电子暗噪声校正和杂散光校正按钮；步骤b14、在光谱仪器配套的软件中参数设置如下：积分时间为1s，重复扫描900次取平均，平滑度为5；步骤b15、采集样本时，在每个样本的横切面上随机选取4个点进行光谱采集并求取其平均值，每测完5个样本后,进行一次标准白板校正；将首尾的波段去掉，选取450nm～900nm范围内的反射光谱，即选取的光谱为1328维。 3.根据权利要求2所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述光谱降维方法包括下列步骤：步骤b21、采用小波变换进行降维，模型的预测能力受小波基函数和分解尺度的影响；选择Symlet小波函数中的sym4为小波基；分解时每层采用不同的阈值并使用软阈值策略，对光谱信号进行分解；步骤b22、光谱经小波分解后分为低频和高频两个部分，低频部分对应近似系数，高频部分对应细节系数，低频系数含有原光谱信号有效信息，而以噪声为代表的冗余信息存在于高频系数中；步骤b23、用低频小波系数代替原来的光谱变量作为SVDD分类器的输入，实现去噪和提取特征信息的作用。 4.根据权利要求1所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述SVDD分类器判别是否已知树种的方法包括下列步骤：步骤c1、在建立模型前，求出最优的C和σ的组合，利用最优的SVDD模型对待预测样本进行鉴别；步骤c2、将输入向量通过高斯核函数映射到特征空间中，构造一个包含所有目标类样本的最优超球体，所述目标类样本即为已知树种样本，最优超球体的边界形状是由惩罚参数C和高斯核函数中的核参数σ的值所共同决定的，而边界的形状同时也影响着识别的准确率；步骤c3、通过计算待测样本与超球体的球心之间的距离，并将其与超球体的半径进行比较，在最优超球体内的样本则为目标类样本，再进行下一步的树种精确鉴别，在最优超球体外的样本则为非目标类样本，即为未知树种样本。 5.根据权利要求4所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述非目标类样本若误识为目标类样本，所述样本进入到BP神经网络进行树种分类识别，判断所述样本是非目标类样本，将其删除掉；所述目标类样本若误识为非目标类样本，所述样本确定为目标类样本；确保整个木材分类识别的精度。 6.根据权利要求5所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述样本确定为目标类样本的方法是通过木材科学专家的人工鉴别或者送交到国家林业局木材质量鉴定中心鉴别。 7.根据权利要求1所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述使用BP神经网络对已知树种进行树种类别的鉴别的方法包括下列步骤：步骤d1、对不同的树种用类别标签1、2、3…进行编号；步骤d2、模型的输入为经过降维处理后的光谱数据，期望输出标记为单位矩阵编码，即树种1对应1000…，树种2对应0100…，树种3对应0010…，以此类推；步骤d3、预测结束后，将每位的预测值都转换为二进制编码；比较几个节点的预测值，将最大的转换为1，其余的都视为0；同时计算每个样本的预测值与预测的二进制编码之间的误差平方和：上式中，N为预测样本个数，l为编码的位数；P为BP神经网络的预测值，Q为预测值的二进制编码；步骤d4、当模型训练完毕后，选定阈值T，当SSE大于该阈值T时，确认是非目标类样本，当SSE小于等于该阈值T时，确认是目标类样本，并根据1的位置得出其所对应的精确树种类别。 8.根据权利要求1所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述的CFSFDP聚类算法进行自动聚类处理的方法包括下列步骤：步骤e1、选用t-SNE降维算法对第一次降维后的数据进行了二次降维处理，其中，t-SNE中的t代表的是t分布，t分布的自由度为1；步骤e2、通过构造决策图，即密度和距离的乘积并对其进行降序排列；步骤e3、引入CH聚类指标，设定簇类个数K的搜索范围，实现聚类中心的自动化选取及聚类簇数的自动化确定；步骤e4、依次选取排序图中的前K个大的局部密度和距离的乘积所对应样本作为聚类中心，并对剩下的样本进行归类处理及内部指标CH计算，CH指标的值为最大的则为最佳聚类数。
所属类别：	发明专利