模式識別技術在木材智能檢測中的應用

目錄
前言
緒論 1
第1章 板材基本密度的近紅外光譜檢測方法 4
1.1 概述 4
1.2 密度檢測基本方法 4
1.3 近紅外光譜分析技術 6
1.3.1 近紅外光譜分析技術特點 6
1.3.2 木材的近紅外光譜檢測研究現狀 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 實驗儀器介紹 11
1.4.3 柞木樣本光譜采集 12
1.4.4 柞木基本密度測量 14
1.5 木材基本密度的光譜奇異值剔除與光譜數據預處理 15
1.5.1 光譜奇異值剔除方法 15
1.5.2 木材近紅外光譜數據預處理方法 18
1.5.3 實驗結果與分析 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 光譜特征選擇結果及其分析 30
1.7 小波神經網絡在木材基本密度近紅外建模中的應用 34
1.7.1 小波神經網絡模型簡介 34
1.7.2 基于小波神經網絡的木材基本密度建模 39
1.7.3 實驗結果與分析 40參考文獻 42
第2章 基于纖維角檢測的實木板材抗壓彈性模量預測方法 46
2.1 概述 46
2.2 板材彈性模量檢測設備硬件 46
2.2.1 纖維角檢測設備 46
2.2.2 圖像采集模塊 47
2.2.3 運動模塊 50
2.2.4 計算模塊 52
2.3 板材纖維角測量方法 53
2.3.1 管胞效應 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量 60
2.3.4 測量精度測試 64
2.4 纖維角分布與彈性模量的建模 66
2.4.1 神經元模型 67
2.4.2 基于梯度的訓練方法與優(yōu)化 71
2.4.3 基于纖維角分布的彈性模量預測模型 73
參考文獻 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 實木板材缺陷的近紅外光譜檢測現狀 79
3.3 實木板材缺陷反演模型 80
3.4 實木板材缺陷樣本制備與數據采集 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 落葉松缺陷角度測量 85
3.5 實木板材缺陷異常樣本剔除與光譜數據預處理 86
3.5.1 樣本校正集和預測集及異常樣本剔除劃分方法 86
3.5.2 近紅外光譜數據預處理方法 87
3.5.3 實驗結果與分析 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 光譜特征選擇實驗與結果分析 97
3.7 基于神經網絡的實木板材缺陷形態(tài)預測方法 100
3.7.1 BP神經網絡預測實木板材缺陷角度 101
3.7.2 小波神經網絡預測實木板材缺陷角度 103
3.7.3 預測缺陷角度結果比較 103
3.7.4 實木板材缺陷形態(tài)模擬結果 104參考文獻 105
第4章 實木板材力學近紅外光譜極限學習機建模 107
4.1 概述 107
4.2 木材力學性質的近紅外光譜研究現狀 107
4.3 實驗數據采集 109
4.3.1 抗彎力學樣本的加工 109
4.3.2 近紅外光譜數據采集 110
4.3.3 抗彎強度和抗彎彈性模量的真實值測量 113
4.4 異常樣本剔除與近紅外光譜的預處理 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校正集和預測集劃分 116
4.4.3 預處理結果分析 118
4.5 基于光譜數據特征優(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的實驗結果與分析 124
4.6.1 PLS模型的實驗結果 124
4.6.2 SiPLS模型的實驗結果 126
4.6.3 PSO-SiPLS模型的實驗結果 127
4.6.4 LLE-PLS模型的實驗結果 130
4.6.5 Isomap-PLS模型的實驗結果 132
4.6.6 模型預測性能比較 134
4.7 基于極限學習機的預測模型 135
4.7.1 極限學習機簡介 135
4.7.2 實驗結果與分析 137參考文獻 142
第5章 實木板材表面缺陷的近紅外光譜支持向量辨識方法 145
5.1 概述 145
5.2 實木板材表面缺陷檢測研究現狀 145
5.3 板材缺陷分析與板材光譜的數據采集處理 147
5.3.1 缺陷類別 147
5.3.2 板材加工、數據采集及預處理 148
5.4 光譜數據特征選擇及支持向量機參數優(yōu)化 155
5.4.1 支持向量機簡介 155
5.4.2 特征選擇 158
5.4.3 實驗結果與分析 159
5.5 改進的偏二叉樹雙支持向量機分類模型 163
5.5.1 雙支持向量機簡介 163
5.5.2 二叉樹支持向量機簡介 170
5.5.3 改進的偏二叉樹雙支持向量機簡介 172
5.5.4 實驗結果與分析 173參考文獻 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狀 177
6.2.1 紋理特征提取的研究現狀 177
6.2.2 分類器的研究現狀 178
6.3 實驗樣本采集 179
6.4 基于小波變換的特征提取 184
6.4.1 *佳分解級數的確定 184
6.4.2 小波基確定 187
6.4.3 特征提取 187
6.4.4 實驗結果與分析 188
6.5 基于*波變換的特征提取 189
6.5.1 **代*波變換簡介 189
6.5.2 第二代*波變換簡介 190
6.5.3 實驗結果與分析 194
6.6 基于遺傳算法特征融合的木材紋理識別 197
6.6.1 特征融合的準備 197
6.6.2 基于遺傳算法的特征融合 198
6.6.3 實驗結果與分析 202
參考文獻 204
第7章 面向拼接的鋸材原料紋理缺陷協(xié)同辨識方法 207
7.1 概述 207
7.2 實木表面特征與分類器研究現狀 207
7.2.1 木材表面顏色特征識別的研究現狀 207
7.2.2 木材表面紋理特征識別的研究現狀 208
7.2.3 木材表面特征分類器的研究現狀 209
7.3 鋸材表面圖像檢測系統(tǒng)及預處理 210
7.3.1 實驗設備 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 紋理分類實驗結果與分析 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 特征選取實驗結果與分析 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 鋸材分選實驗結果與分析 236
參考文獻 242