模式識(shí)別技術(shù)在木材智能檢測(cè)中的應(yīng)用

目錄
前言
緒論 1
第1章 板材基本密度的近紅外光譜檢測(cè)方法 4
1.1 概述 4
1.2 密度檢測(cè)基本方法 4
1.3 近紅外光譜分析技術(shù) 6
1.3.1 近紅外光譜分析技術(shù)特點(diǎn) 6
1.3.2 木材的近紅外光譜檢測(cè)研究現(xiàn)狀 6
1.3.3 近紅外光譜分析流程 9
1.4 樣本制備與近紅外光譜定量分析流程 10
1.4.1 柞木樣本材料制備 10
1.4.2 實(shí)驗(yàn)儀器介紹 11
1.4.3 柞木樣本光譜采集 12
1.4.4 柞木基本密度測(cè)量 14
1.5 木材基本密度的光譜奇異值剔除與光譜數(shù)據(jù)預(yù)處理 15
1.5.1 光譜奇異值剔除方法 15
1.5.2 木材近紅外光譜數(shù)據(jù)預(yù)處理方法 18
1.5.3 實(shí)驗(yàn)結(jié)果與分析 24
1.6 木材基本密度的近紅外光譜特征波長提取 27
1.6.1 譜區(qū)選擇算法 27
1.6.2 連續(xù)投影算法 28
1.6.3 基于 BiPLS-SPA的光譜特征優(yōu)選方法 29
1.6.4 光譜特征選擇結(jié)果及其分析 30
1.7 小波神經(jīng)網(wǎng)絡(luò)在木材基本密度近紅外建模中的應(yīng)用 34
1.7.1 小波神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介 34
1.7.2 基于小波神經(jīng)網(wǎng)絡(luò)的木材基本密度建模 39
1.7.3 實(shí)驗(yàn)結(jié)果與分析 40參考文獻(xiàn) 42
第2章 基于纖維角檢測(cè)的實(shí)木板材抗壓彈性模量預(yù)測(cè)方法 46
2.1 概述 46
2.2 板材彈性模量檢測(cè)設(shè)備硬件 46
2.2.1 纖維角檢測(cè)設(shè)備 46
2.2.2 圖像采集模塊 47
2.2.3 運(yùn)動(dòng)模塊 50
2.2.4 計(jì)算模塊 52
2.3 板材纖維角測(cè)量方法 53
2.3.1 管胞效應(yīng) 54
2.3.2 激光光斑圖像處理 56
2.3.3 激光輪廓圖像擬合與纖維角測(cè)量 60
2.3.4 測(cè)量精度測(cè)試 64
2.4 纖維角分布與彈性模量的建模 66
2.4.1 神經(jīng)元模型 67
2.4.2 基于梯度的訓(xùn)練方法與優(yōu)化 71
2.4.3 基于纖維角分布的彈性模量預(yù)測(cè)模型 73
參考文獻(xiàn) 77
第3章 基于近紅外光譜的板材缺陷形態(tài)反演方法 79
3.1 概述 79
3.2 實(shí)木板材缺陷的近紅外光譜檢測(cè)現(xiàn)狀 79
3.3 實(shí)木板材缺陷反演模型 80
3.4 實(shí)木板材缺陷樣本制備與數(shù)據(jù)采集 81
3.4.1 含缺陷的落葉松樣本制備 81
3.4.2 近紅外光譜采集設(shè)備介紹 82
3.4.3 落葉松樣本缺陷邊緣光譜采集 83
3.4.4 落葉松缺陷角度測(cè)量 85
3.5 實(shí)木板材缺陷異常樣本剔除與光譜數(shù)據(jù)預(yù)處理 86
3.5.1 樣本校正集和預(yù)測(cè)集及異常樣本剔除劃分方法 86
3.5.2 近紅外光譜數(shù)據(jù)預(yù)處理方法 87
3.5.3 實(shí)驗(yàn)結(jié)果與分析 90
3.6 近紅外光譜特征波長提取 94
3.6.1 缺陷樣本光譜特征優(yōu)化的 PLS模型 94
3.6.2 光譜特征選擇實(shí)驗(yàn)與結(jié)果分析 97
3.7 基于神經(jīng)網(wǎng)絡(luò)的實(shí)木板材缺陷形態(tài)預(yù)測(cè)方法 100
3.7.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)實(shí)木板材缺陷角度 101
3.7.2 小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)實(shí)木板材缺陷角度 103
3.7.3 預(yù)測(cè)缺陷角度結(jié)果比較 103
3.7.4 實(shí)木板材缺陷形態(tài)模擬結(jié)果 104參考文獻(xiàn) 105
第4章 實(shí)木板材力學(xué)近紅外光譜極限學(xué)習(xí)機(jī)建模 107
4.1 概述 107
4.2 木材力學(xué)性質(zhì)的近紅外光譜研究現(xiàn)狀 107
4.3 實(shí)驗(yàn)數(shù)據(jù)采集 109
4.3.1 抗彎力學(xué)樣本的加工 109
4.3.2 近紅外光譜數(shù)據(jù)采集 110
4.3.3 抗彎強(qiáng)度和抗彎彈性模量的真實(shí)值測(cè)量 113
4.4 異常樣本剔除與近紅外光譜的預(yù)處理 116
4.4.1 基于馬哈拉諾比斯距離的異常樣本剔除 116
4.4.2 K-S校正集和預(yù)測(cè)集劃分 116
4.4.3 預(yù)處理結(jié)果分析 118
4.5 基于光譜數(shù)據(jù)特征優(yōu)化的PLS模型 121
4.5.1 PSO優(yōu)化光譜特征與SiPLS模型 121
4.5.2 LLE優(yōu)化光譜特征與PLS模型 122
4.5.3 Isomap優(yōu)化光譜特征與PLS模型 124
4.6 特征優(yōu)化PLS的實(shí)驗(yàn)結(jié)果與分析 124
4.6.1 PLS模型的實(shí)驗(yàn)結(jié)果 124
4.6.2 SiPLS模型的實(shí)驗(yàn)結(jié)果 126
4.6.3 PSO-SiPLS模型的實(shí)驗(yàn)結(jié)果 127
4.6.4 LLE-PLS模型的實(shí)驗(yàn)結(jié)果 130
4.6.5 Isomap-PLS模型的實(shí)驗(yàn)結(jié)果 132
4.6.6 模型預(yù)測(cè)性能比較 134
4.7 基于極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型 135
4.7.1 極限學(xué)習(xí)機(jī)簡(jiǎn)介 135
4.7.2 實(shí)驗(yàn)結(jié)果與分析 137參考文獻(xiàn) 142
第5章 實(shí)木板材表面缺陷的近紅外光譜支持向量辨識(shí)方法 145
5.1 概述 145
5.2 實(shí)木板材表面缺陷檢測(cè)研究現(xiàn)狀 145
5.3 板材缺陷分析與板材光譜的數(shù)據(jù)采集處理 147
5.3.1 缺陷類別 147
5.3.2 板材加工、數(shù)據(jù)采集及預(yù)處理 148
5.4 光譜數(shù)據(jù)特征選擇及支持向量機(jī)參數(shù)優(yōu)化 155
5.4.1 支持向量機(jī)簡(jiǎn)介 155
5.4.2 特征選擇 158
5.4.3 實(shí)驗(yàn)結(jié)果與分析 159
5.5 改進(jìn)的偏二叉樹雙支持向量機(jī)分類模型 163
5.5.1 雙支持向量機(jī)簡(jiǎn)介 163
5.5.2 二叉樹支持向量機(jī)簡(jiǎn)介 170
5.5.3 改進(jìn)的偏二叉樹雙支持向量機(jī)簡(jiǎn)介 172
5.5.4 實(shí)驗(yàn)結(jié)果與分析 173參考文獻(xiàn) 174
第6章 基于特征融合的木材紋理分類 177
6.1 概述 177
6.2 木材紋理特征提取與分類器的研究現(xiàn)狀 177
6.2.1 紋理特征提取的研究現(xiàn)狀 177
6.2.2 分類器的研究現(xiàn)狀 178
6.3 實(shí)驗(yàn)樣本采集 179
6.4 基于小波變換的特征提取 184
6.4.1 *佳分解級(jí)數(shù)的確定 184
6.4.2 小波基確定 187
6.4.3 特征提取 187
6.4.4 實(shí)驗(yàn)結(jié)果與分析 188
6.5 基于*波變換的特征提取 189
6.5.1 **代*波變換簡(jiǎn)介 189
6.5.2 第二代*波變換簡(jiǎn)介 190
6.5.3 實(shí)驗(yàn)結(jié)果與分析 194
6.6 基于遺傳算法特征融合的木材紋理識(shí)別 197
6.6.1 特征融合的準(zhǔn)備 197
6.6.2 基于遺傳算法的特征融合 198
6.6.3 實(shí)驗(yàn)結(jié)果與分析 202
參考文獻(xiàn) 204
第7章 面向拼接的鋸材原料紋理缺陷協(xié)同辨識(shí)方法 207
7.1 概述 207
7.2 實(shí)木表面特征與分類器研究現(xiàn)狀 207
7.2.1 木材表面顏色特征識(shí)別的研究現(xiàn)狀 207
7.2.2 木材表面紋理特征識(shí)別的研究現(xiàn)狀 208
7.2.3 木材表面特征分類器的研究現(xiàn)狀 209
7.3 鋸材表面圖像檢測(cè)系統(tǒng)及預(yù)處理 210
7.3.1 實(shí)驗(yàn)設(shè)備 210
7.3.2 鋸材樣本圖像 211
7.3.3 表面圖像灰度化 212
7.4 鋸材圖像顏色與紋理特征表達(dá)方法 213
7.4.1 顏色特征提取 214
7.4.2 基于CIELAB顏色空間的樣本顏色優(yōu)選 218
7.4.3 基于DT-CWT的紋理特征提取 221
7.4.4 紋理分類實(shí)驗(yàn)結(jié)果與分析 223
7.5 基于離散粒子群優(yōu)化算法的特征選擇方法 227
7.5.1 特征優(yōu)選過程 228
7.5.2 特征選取實(shí)驗(yàn)結(jié)果與分析 230
7.6 基于壓縮感知理論的鋸材表面紋理缺陷分類方法 231
7.6.1 壓縮感知分類算法 231
7.6.2 鋸材分選實(shí)驗(yàn)結(jié)果與分析 236
參考文獻(xiàn) 242