三種人工林木材識(shí)別探究范文

本站小編為你精心準(zhǔn)備了三種人工林木材識(shí)別探究參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫(xiě)作靈感。歡迎深入閱讀并收藏。

《光譜學(xué)與光譜分析雜志》2016年第S1期

摘要：

利用近紅外光譜結(jié)合誤差反向傳播神經(jīng)網(wǎng)絡(luò)（BP）對(duì)三種人工林木材（尾葉桉、馬尾松、南方無(wú)性系I－72楊）進(jìn)行識(shí)別，探討隱含層神經(jīng)元個(gè)數(shù)、光譜預(yù)處理方法、光譜范圍對(duì)BP網(wǎng)絡(luò)模型的影響，并與SIM－CA法所建模型做比較。結(jié)果表明：（1）BP網(wǎng)絡(luò)結(jié)合全波段（780～2500nm）近紅外光譜數(shù)據(jù)建模，識(shí)別正確率達(dá)到97．78％，并確定隱含層神經(jīng)元數(shù)為13；（2）全波段光譜建模比短波段（780～1100nm）和長(zhǎng)波段（1100～2500nm）光譜建模識(shí)別效果好，其識(shí)別正確率分別為97．78％，95．56％和96．67％，用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)對(duì)全波段光譜進(jìn)行預(yù)處理后，BP網(wǎng)絡(luò)模型識(shí)別正確率分別為93．33％和71．11％；用多元散射校正（MSC）對(duì)全波段光譜進(jìn)行預(yù)處理后，BP網(wǎng)絡(luò)模型識(shí)別正確率為98．89％，（3）在三種波段（780～2500，780～1100和1100～2500nm）光譜建模的情況下，BP網(wǎng)絡(luò)建模識(shí)別正確率分別為95．56％，96．67％和97．78％，SIMCA模型識(shí)別正確率分別為76．67％，81．11％和82．22％，BP網(wǎng)絡(luò)建模比SIMCA法建模對(duì)三種人工林木材的識(shí)別正確率高。

關(guān)鍵詞：

BP網(wǎng)絡(luò)；近紅外光譜；SIMCA；分類(lèi)；尾葉桉、馬尾松、南方無(wú)性系I－72楊

引言

我國(guó)木材資源短缺，為了緩解這一矛盾，必須大力發(fā)展人工林并高效利用木材資源。我國(guó)人工林保存面積達(dá)8億多畝，居世界第一，其中楊樹(shù)總面積超過(guò)1億500萬(wàn)畝，桉樹(shù)總面積6000多萬(wàn)畝，馬尾松是我國(guó)南部重要用材樹(shù)種，經(jīng)濟(jì)價(jià)值高，然而，傳統(tǒng)的木材品質(zhì)鑒別方法需要消耗大量的人力、物力及時(shí)間，因此，尋求一種快速、準(zhǔn)確、低成本地評(píng)價(jià)木材性質(zhì)的方法是木材科學(xué)研究的重要內(nèi)容之一。近紅外光譜分析技術(shù)是一種無(wú)損、快速的木材識(shí)別技術(shù)，九十年代開(kāi)始有用于識(shí)別木材的研究［1－2］，近十幾年，國(guó)內(nèi)外研究均取得一定進(jìn)展，但都是采用傳統(tǒng)的多元統(tǒng)計(jì)方法對(duì)近紅外光譜建模，主要是主成分分析法［3］、簇類(lèi)獨(dú)立軟模式法［4－5］和偏最小二乘回歸法［6－8］。人工神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)容錯(cuò)性、強(qiáng)抗干擾的非線性建模方法，近紅外光譜結(jié)合人工神經(jīng)網(wǎng)絡(luò)在木材領(lǐng)域的研究很有限，在材質(zhì)預(yù)測(cè)方面，李湃等對(duì)落葉松密度［9－10］和含水率［11］進(jìn)行預(yù)測(cè)，Christian等［12］預(yù)測(cè)了火炬松的氣干密度、微纖絲角、硬度、管胞長(zhǎng)度和管胞壁厚，Watanabe等［13］預(yù)測(cè)了木材表面的干燥應(yīng)力，在木材識(shí)別領(lǐng)域，馬明宇等分別用廣義神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對(duì)不同產(chǎn)地和品種的89個(gè)木材切片近紅外光譜進(jìn)行識(shí)別，重點(diǎn)探討了白噪音和偏置對(duì)識(shí)別效果的影響，但每種樹(shù)種建模數(shù)量過(guò)少。本研究對(duì)我國(guó)產(chǎn)量大、應(yīng)用廣且具有代表性的桉樹(shù)、馬尾松、楊樹(shù)三種人工林木材樹(shù)種進(jìn)行識(shí)別，分別用近紅外光譜結(jié)合誤差反向傳播神經(jīng)網(wǎng)絡(luò)和SIMCA法建立模型，并對(duì)兩種方法進(jìn)行比較，旨在為近紅外光譜結(jié)合人工神經(jīng)網(wǎng)絡(luò)對(duì)人工林木材樹(shù)種快速識(shí)別的可行性進(jìn)行研究。

1實(shí)驗(yàn)部分

1．1樣品和光譜的采集

試驗(yàn)采用的馬尾松和南方無(wú)性系I－72楊采自安徽省黃山區(qū)黃山公益林場(chǎng)（東經(jīng)118°14′～118°21，北緯32°4′－32°10），尾葉桉采自廣東省遂溪縣城月鎮(zhèn)雷州林業(yè)局邁進(jìn)林場(chǎng)（東經(jīng)109°39′～110°38′，北緯20°18′－21°30′），將新鮮原木旋切為2000mm×1300mm×1．7mm的木板，在大氣中自然干燥，為了方便測(cè)量，再將氣干后的木板加工成400mm×200mm×1．7mm的小木板，每個(gè)樹(shù)種90個(gè)樣品，共270個(gè)樣品。選用美國(guó)ASD公司生產(chǎn)的FieldSpecR近紅外光譜儀（350～2500nm）進(jìn)行光譜采集，用白板（商用聚四氟乙烯）校準(zhǔn)，光纖探頭垂直于樣品表面，每掃描30次并自動(dòng)平均為一條光譜后保存起來(lái)，光斑直徑為1．8cm。為減少每次操作狀態(tài)不同造成的誤差，每次光譜采集前都要對(duì)近紅外光譜儀預(yù)熱30min。

1．2數(shù)據(jù)分析

近紅外光譜經(jīng)ASD提供的專(zhuān)業(yè)軟件轉(zhuǎn)換成光譜數(shù)據(jù)文件，用Unscrambler9．2軟件對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理和SIM－CA分析，用Matlab2012b進(jìn)行人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分析。圖1為BP網(wǎng)絡(luò)對(duì)木材近紅外光譜數(shù)據(jù)分析流程圖，其中X是輸入向量，Y是隱含層輸出向量，O是輸出層輸出向量，d是期望輸出向量，V是輸入層到隱含層權(quán)值，B是輸入層到隱含層閥值，W是隱含層到輸出層權(quán)值，G是隱含層到輸出層閥值，Emin是目標(biāo)誤差，η是學(xué)習(xí)率，q是訓(xùn)練次數(shù)，p是訓(xùn)練樣本，Ep是每個(gè)樣本誤差，ERME是網(wǎng)絡(luò)總誤差。圖1中，（1）對(duì)網(wǎng)絡(luò)賦予隨機(jī)的初始權(quán)值和閥值，將樣本模式計(jì)數(shù)器p和訓(xùn)練次數(shù)計(jì)數(shù)器q置為1，誤差E置0，η設(shè)為0～1內(nèi)的小數(shù)，Emin設(shè)為一個(gè)正的小數(shù)；（2）木材近紅外光譜數(shù)據(jù)作為輸入向量，輸入網(wǎng)絡(luò)，計(jì)算各層輸出y和o；（3）計(jì)算每個(gè)樣本的輸出誤差；（4）計(jì)算各層誤差信號(hào)；（5）調(diào)整網(wǎng)絡(luò)權(quán)值和閥值；（6）檢查是否對(duì)所有樣本完成一次輪訓(xùn)，若沒(méi)有完成，計(jì)數(shù)器p增1，返回步驟（2），否則轉(zhuǎn)步驟（7）；（7）檢查網(wǎng)絡(luò)總誤差是否小于目標(biāo)誤差，若是，則建模成功，否則E置0，p置1，返回步驟（2）。

2結(jié)果與討論

2．1近紅外光譜結(jié)合BP網(wǎng)絡(luò)建模對(duì)人工林木材的識(shí)別

尾葉桉、馬尾松、南方無(wú)性系I－72楊三種木材的近紅外光譜數(shù)據(jù)進(jìn)行建模，每個(gè)樹(shù)種有90條光譜，隨機(jī)選取其中2／3用于建模，1／3用于預(yù)測(cè)，共180條光譜用于建模，90條光譜用于預(yù)測(cè)。建模的光譜范圍為780～2500nm，通過(guò)PCA法在近紅外波段上提取特征向量，由于前8個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到99％以上，能代表原光譜包含的大部分信息，所以將8個(gè)主成分的得分矩陣作為BP網(wǎng)絡(luò)模型的輸入向量。網(wǎng)絡(luò)期望輸出采用0，1分類(lèi)，若是該樹(shù)種，對(duì)應(yīng)位置顯示為1，否則，顯示為0，則桉樹(shù)為100，馬尾松為010，楊樹(shù)為001，當(dāng)樣品對(duì)應(yīng)位置網(wǎng)絡(luò)輸出值大于0．5，且其他位置小于0．5時(shí)，則判定該樣品識(shí)別正確，否則為錯(cuò)誤，采用均方根誤差（RMSEP）和正確率反映模型對(duì)未知樣本的預(yù)測(cè)效果，正確率越高，RMSEP越小，模型的擬合效果越佳。建模采用單隱含層的前向BP網(wǎng)絡(luò)，輸入層到隱含層為線性傳遞，隱含層到輸出層為對(duì)數(shù)傳遞，隨機(jī)賦予網(wǎng)絡(luò)初始權(quán)值和閥值，采用L－M算法對(duì)網(wǎng)絡(luò)權(quán)值和閥值進(jìn)行調(diào)整，以得到小于目標(biāo)誤差的參數(shù)向量，學(xué)習(xí)率為0．1，最大訓(xùn)練次數(shù)為50000次，設(shè)定的目標(biāo)誤差為0．001，網(wǎng)絡(luò)誤差為均方誤差。網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)一般由經(jīng)驗(yàn)公式得出，a為0～10之間的常數(shù)，m和n分別是輸入、輸出神經(jīng)元個(gè)數(shù)，表1中分別顯示7種神經(jīng)元數(shù)建立的模型，每類(lèi)模型預(yù)測(cè)十次，取十次結(jié)果平均值作為最終結(jié)果。結(jié)果表明，BP網(wǎng)絡(luò)結(jié)合近紅外光譜能較好的識(shí)別木材，最高正確率達(dá)到97．78％，由于本實(shí)驗(yàn)均采用Levenberg－Marquardt算法建模，模型收斂速度快，且輸出向量較少，所以BP－Model1－7的建模時(shí)間短，均在2s以?xún)?nèi)。在所有模型中，桉樹(shù)和馬尾松都各有一個(gè)樹(shù)種不能正確識(shí)別，楊樹(shù)中有兩個(gè)樹(shù)種不容易識(shí)別，但通過(guò)調(diào)整隱含層神經(jīng)元數(shù)，可以對(duì)模型優(yōu)化，一般隱含層神經(jīng)元數(shù)越多，擬合程度越高，但神經(jīng)元數(shù)過(guò)多，可能出現(xiàn)過(guò)擬合現(xiàn)象，降低識(shí)別率，同時(shí)神經(jīng)元數(shù)越多，內(nèi)部運(yùn)算越復(fù)雜，建模耗時(shí)越長(zhǎng)，對(duì)計(jì)算機(jī)的運(yùn)算能力要求越高，所以對(duì)于非線性較弱，輸入和輸出波形不復(fù)雜的識(shí)別系統(tǒng)，在隱含層神經(jīng)元數(shù)不多的情況下，也能得到較好的識(shí)別效果，所以綜合考慮，Model4中，隱含層數(shù)為13時(shí)，既滿足正確率高，均方根誤差較小的要求，又不會(huì)對(duì)建模時(shí)計(jì)算機(jī)運(yùn)行造成負(fù)擔(dān)。

2．2BP網(wǎng)絡(luò)的近紅外模型優(yōu)化研究

BP網(wǎng)絡(luò)模型優(yōu)化，從光譜預(yù)處理和波段選擇兩方面進(jìn)行研究，分別選取780～1100，1100～2500和780～2500nm三種波段建模，并對(duì)全光譜數(shù)據(jù)進(jìn)行一階導(dǎo)數(shù)、標(biāo)準(zhǔn)正態(tài)變換和多元散射校正預(yù)處理，對(duì)不同波段光譜數(shù)據(jù)和同一波段不同預(yù)處理后的光譜數(shù)據(jù)分別進(jìn)行主成分分析降維，選取貢獻(xiàn)率達(dá)到99％以上的主成分作為輸入向量，神經(jīng)元數(shù)確定為13，建模如表2所示。由BP－Model4，BP－Model8和BP－Model9的總正確率得出，780～2500nm波段建模識(shí)別效果最好，780～1100nm波段建模識(shí)別效果最差，從各樹(shù)種的識(shí)別情況，可知在1100～2500nm波段對(duì)桉樹(shù)和馬尾松都能全部識(shí)別，楊樹(shù)有兩個(gè)識(shí)別錯(cuò)誤，而在全波段范圍，楊樹(shù)能全部識(shí)別，桉樹(shù)和馬尾松各有一個(gè)樣本識(shí)別錯(cuò)誤，不同波段所包含的木材化學(xué)信息不同，識(shí)別效果有一定的差異。對(duì)全光譜波段數(shù)據(jù)分別進(jìn)行三種光譜預(yù)處理，結(jié)果顯示，多元散射校正能提高模型識(shí)別正確率。一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理后的數(shù)據(jù)建模，識(shí)別正確率下降很多，并且貢獻(xiàn)率達(dá)到99％以上需要的主成分?jǐn)?shù)過(guò)多，說(shuō)明導(dǎo)數(shù)處理后光譜數(shù)據(jù)的關(guān)聯(lián)性降低，可能原因是導(dǎo)數(shù)處理使近紅外數(shù)據(jù)失真。

2．3BP網(wǎng)絡(luò)模型和SIMCA模型比較

圖2為三種人工林樹(shù)種780～2500nm的近紅外光譜圖，每個(gè)樹(shù)種選取三條樣品光譜作圖，可以直觀的看出，三種木材光譜圖能相互區(qū)分，但桉樹(shù)和楊樹(shù)光譜較接近，而馬尾松光譜與另兩種木材光譜區(qū)別明顯，造成這種現(xiàn)象的可能原因是楊木和桉樹(shù)均為闊葉材，而馬尾松為針葉材，針闊葉材的化學(xué)組成和解剖構(gòu)造都有一定差異，為進(jìn)一步區(qū)分這三種木材，對(duì)其進(jìn)行PCA分析，圖3為三種木材所有樣品的PCA得分圖，從圖中可以看出，樣品聚成三簇，但桉樹(shù)和楊樹(shù)較接近，有個(gè)別樣品混合到一起，馬尾松能很好的與另兩種樹(shù)種區(qū)分開(kāi)，這與圖2顯示的結(jié)果一致，馬尾松樣品的簇類(lèi)較分散，是由該樣品自身差異較大造成。SIMCA是以主成分分析為基礎(chǔ)的分類(lèi)方法，表3中顯示了三種波段SIMCA模型的預(yù)測(cè)結(jié)果，并且與BP網(wǎng)絡(luò)模型預(yù)測(cè)做對(duì)比，結(jié)果表明，對(duì)不同波段的建模效果，SIMCA法顯示的結(jié)果與BP網(wǎng)絡(luò)建模呈現(xiàn)的規(guī)律相同，均是780～2500nm波段建模識(shí)別效果最好，780～1100nm波段識(shí)別效果最差，但在三種波段模型中，BP網(wǎng)絡(luò)模型的木材識(shí)別率均明顯高于SIMCA模型的識(shí)別率，并BP網(wǎng)絡(luò)采用L－M算法對(duì)權(quán)值和閥值調(diào)整建模，建模時(shí)間比SIMCA法短。

3結(jié)論

利用近紅外光譜結(jié)合誤差反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)三種人工林木材樹(shù)種的識(shí)別進(jìn)行了研究。BP網(wǎng)絡(luò)對(duì)近紅外全光譜建模識(shí)別三種人工林木材樹(shù)種，識(shí)別率達(dá)到97．78％，識(shí)別效果較優(yōu)，并神經(jīng)元數(shù)確定為13；BP網(wǎng)絡(luò)模型優(yōu)化研究，對(duì)光譜進(jìn)行預(yù)處理，并用不同波段光譜建模，結(jié)果顯示，全波段光譜建模比短波段（780～1100nm）和長(zhǎng)波段（1100～2500nm）光譜建模識(shí)別效果好，其識(shí)別正確率分別為97．78％，95．56％和96．67％，多元散射校正處理能提高BP模型識(shí)別正確率至98．89％，一階導(dǎo)數(shù)和二階導(dǎo)數(shù)預(yù)處理會(huì)使識(shí)別正確率分別下降至93．33％和71．11％；在三種波段光譜建模的情況下，BP網(wǎng)絡(luò)建模識(shí)別正確率分別為95．56％，96．67％和97．78％，均高于SIMCA法建模對(duì)三種人工林木材樹(shù)種識(shí)別正確率76．67％，81．11％和82．22％，并且建模時(shí)間要明顯小于SIMCA方法；上述結(jié)論說(shuō)明近紅外光譜結(jié)合誤差反向傳播神經(jīng)網(wǎng)絡(luò)技術(shù)可用于人工林木材樹(shù)種的快速識(shí)別。

作者:龐曉宇 楊忠 呂斌 賈東宇 單位:中國(guó)林業(yè)科學(xué)研究院林業(yè)新技術(shù)研究所 中國(guó)林業(yè)科學(xué)研究院木材工業(yè)研究所