發(fā)布時間：2020-12-12 14:03

　　針對基于近紅外光譜的硬木表面缺陷分類檢測中,由于樣本數(shù)量有限、數(shù)據(jù)代表性不足等原因,導致的分類器泛化能力不足、精度仍有待提高等問題,提出適應成分分析與深度遷移前饋神經網絡相結合的方法,有效地遷移其他樹種光譜與缺陷對應知識至目標分類器,提高分類器性能。以色木樣本為源域,柞木樣本為目標域,根據(jù)近紅外光譜定性分析方法,在900～1 700 nm光譜波長范圍內采集了色木、柞木樣本表面無瑕、活節(jié)、死節(jié)等3種近紅外光譜數(shù)據(jù)。經過標準正態(tài)變量變換和Savitzky-Golay平滑進行原始光譜去噪預處理后投入建立的基于適應成分分析的深度遷移學習模型。將測試樣本投入完成的分類器進行測試,結果表明,當柞木訓練集占總樣本比例超過30%后,模型對3種類型缺陷的識別率均為100%。 

【文章來源】：電機與控制學報. 2020年10期 第159-166頁 北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

基于近紅外光譜的領域自適應深度遷移硬木缺陷分類流程圖

樣本在波長范圍為900～1 700 nm的近紅外光譜中均勻采集512個波長點。色木、柞木樣本原始光譜如圖2所示�？梢钥闯�，無瑕樣本與活節(jié)樣本光譜相似性較強，不易區(qū)分。死節(jié)光譜與無瑕、活節(jié)樣本相比，差異性更大，更易區(qū)分。同時可見原始光譜高頻噪聲較多，有明顯的光程散射。圖2 硬木表面缺陷原始光譜

硬木表面缺陷原始光譜

【參考文獻】：
期刊論文
[1]基于深度學習的木材缺陷圖像檢測方法[J]. 程玉柱,顧權,王眾輝,李趙春.  林業(yè)機械與木工設備. 2018(08)
[2]紅外熱像無損檢測技術的發(fā)展歷程、現(xiàn)狀和趨勢[J]. 劉穎韜,郭廣平,曾智,李曉麗,唐佳.  無損檢測. 2017(08)
[3]基于機器視覺的鋸材表面缺陷檢測系統(tǒng)設計[J]. 楊建華,張偉,李麗.  林產工業(yè). 2013(01)
[4]近紅外光譜結合SIMCA模式識別法檢測木材表面節(jié)子[J]. 楊忠,陳玲,付躍進,呂斌.  東北林業(yè)大學學報. 2012(08)
[5]基于紋理特征的柳杉鋸材表面節(jié)疤缺陷的自動識別[J]. 朱新波,王婷,李重根,胡傳雙,胡碩飛.  華南農業(yè)大學學報. 2009(03)
[6]近紅外光譜分析中光譜預處理方法的作用及其發(fā)展[J]. 尼珍,胡昌勤,馮芳.  藥物分析雜志. 2008(05)
[7]超聲波木材缺陷檢測若干問題的探討[J]. 于文勇,王立海,楊慧敏,張希棟.  森林工程. 2006(06)



本文編號：2912693