三種人工林木材識別探究范文
本站小編為你精心準備了三種人工林木材識別探究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
《光譜學與光譜分析雜志》2016年第S1期
摘要：
利用近紅外光譜結合誤差反向傳播神經網絡（BP）對三種人工林木材（尾葉桉、馬尾松、南方無性系I－72楊）進行識別，探討隱含層神經元個數、光譜預處理方法、光譜范圍對BP網絡模型的影響，并與SIM－CA法所建模型做比較。結果表明：（1）BP網絡結合全波段（780～2500nm）近紅外光譜數據建模，識別正確率達到97．78％，并確定隱含層神經元數為13；（2）全波段光譜建模比短波段（780～1100nm）和長波段（1100～2500nm）光譜建模識別效果好，其識別正確率分別為97．78％，95．56％和96．67％，用一階導數和二階導數對全波段光譜進行預處理后，BP網絡模型識別正確率分別為93．33％和71．11％；用多元散射校正（MSC）對全波段光譜進行預處理后，BP網絡模型識別正確率為98．89％，（3）在三種波段（780～2500，780～1100和1100～2500nm）光譜建模的情況下，BP網絡建模識別正確率分別為95．56％，96．67％和97．78％，SIMCA模型識別正確率分別為76．67％，81．11％和82．22％，BP網絡建模比SIMCA法建模對三種人工林木材的識別正確率高。
關鍵詞：
BP網絡；近紅外光譜；SIMCA；分類；尾葉桉、馬尾松、南方無性系I－72楊
引言
我國木材資源短缺，為了緩解這一矛盾，必須大力發展人工林并高效利用木材資源。我國人工林保存面積達8億多畝，居世界第一，其中楊樹總面積超過1億500萬畝，桉樹總面積6000多萬畝，馬尾松是我國南部重要用材樹種，經濟價值高，然而，傳統的木材品質鑒別方法需要消耗大量的人力、物力及時間，因此，尋求一種快速、準確、低成本地評價木材性質的方法是木材科學研究的重要內容之一。近紅外光譜分析技術是一種無損、快速的木材識別技術，九十年代開始有用于識別木材的研究［1－2］，近十幾年，國內外研究均取得一定進展，但都是采用傳統的多元統計方法對近紅外光譜建模，主要是主成分分析法［3］、簇類獨立軟模式法［4－5］和偏最小二乘回歸法［6－8］。人工神經網絡是一種強容錯性、強抗干擾的非線性建模方法，近紅外光譜結合人工神經網絡在木材領域的研究很有限，在材質預測方面，李湃等對落葉松密度［9－10］和含水率［11］進行預測，Christian等［12］預測了火炬松的氣干密度、微纖絲角、硬度、管胞長度和管胞壁厚，Watanabe等［13］預測了木材表面的干燥應力，在木材識別領域，馬明宇等分別用廣義神經網絡和BP神經網絡對不同產地和品種的89個木材切片近紅外光譜進行識別，重點探討了白噪音和偏置對識別效果的影響，但每種樹種建模數量過少。本研究對我國產量大、應用廣且具有代表性的桉樹、馬尾松、楊樹三種人工林木材樹種進行識別，分別用近紅外光譜結合誤差反向傳播神經網絡和SIMCA法建立模型，并對兩種方法進行比較，旨在為近紅外光譜結合人工神經網絡對人工林木材樹種快速識別的可行性進行研究。
1實驗部分
1．1樣品和光譜的采集
試驗采用的馬尾松和南方無性系I－72楊采自安徽省黃山區黃山公益林場（東經118°14′～118°21，北緯32°4′－32°10），尾葉桉采自廣東省遂溪縣城月鎮雷州林業局邁進林場（東經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，為了方便測量，再將氣干后的木板加工成400mm×200mm×1．7mm的小木板，每個樹種90個樣品，共270個樣品。選用美國ASD公司生產的FieldSpecR近紅外光譜儀（350～2500nm）進行光譜采集，用白板（商用聚四氟乙烯）校準，光纖探頭垂直于樣品表面，每掃描30次并自動平均為一條光譜后保存起來，光斑直徑為1．8cm。為減少每次操作狀態不同造成的誤差，每次光譜采集前都要對近紅外光譜儀預熱30min。
1．2數據分析
近紅外光譜經ASD提供的專業軟件轉換成光譜數據文件，用Unscrambler9．2軟件對光譜數據進行預處理和SIM－CA分析，用Matlab2012b進行人工神經網絡數據分析。圖1為BP網絡對木材近紅外光譜數據分析流程圖，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值，B是輸入層到隱含層閥值，W是隱含層到輸出層權值，G是隱含層到輸出層閥值，Emin是目標誤差，η是學習率，q是訓練次數，p是訓練樣本，Ep是每個樣本誤差，ERME是網絡總誤差。圖1中，（1）對網絡賦予隨機的初始權值和閥值，將樣本模式計數器p和訓練次數計數器q置為1，誤差E置0，η設為0～1內的小數，Emin設為一個正的小數；（2）木材近紅外光譜數據作為輸入向量，輸入網絡，計算各層輸出y和o；（3）計算每個樣本的輸出誤差；（4）計算各層誤差信號；（5）調整網絡權值和閥值；（6）檢查是否對所有樣本完成一次輪訓，若沒有完成，計數器p增1，返回步驟（2），否則轉步驟（7）；（7）檢查網絡總誤差是否小于目標誤差，若是，則建模成功，否則E置0，p置1，返回步驟（2）。
2結果與討論
2．1近紅外光譜結合BP網絡建模對人工林木材的識別
尾葉桉、馬尾松、南方無性系I－72楊三種木材的近紅外光譜數據進行建模，每個樹種有90條光譜，隨機選取其中2／3用于建模，1／3用于預測，共180條光譜用于建模，90條光譜用于預測。建模的光譜范圍為780～2500nm，通過PCA法在近紅外波段上提取特征向量，由于前8個主成分的累計貢獻率達到99％以上，能代表原光譜包含的大部分信息，所以將8個主成分的得分矩陣作為BP網絡模型的輸入向量。網絡期望輸出采用0，1分類，若是該樹種，對應位置顯示為1，否則，顯示為0，則桉樹為100，馬尾松為010，楊樹為001，當樣品對應位置網絡輸出值大于0．5，且其他位置小于0．5時，則判定該樣品識別正確，否則為錯誤，采用均方根誤差（RMSEP）和正確率反映模型對未知樣本的預測效果，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網絡，輸入層到隱含層為線性傳遞，隱含層到輸出層為對數傳遞，隨機賦予網絡初始權值和閥值，采用L－M算法對網絡權值和閥值進行調整，以得到小于目標誤差的參數向量，學習率為0．1，最大訓練次數為50000次，設定的目標誤差為0．001，網絡誤差為均方誤差。網絡隱含層神經元數一般由經驗公式得出，a為0～10之間的常數，m和n分別是輸入、輸出神經元個數，表1中分別顯示7種神經元數建立的模型，每類模型預測十次，取十次結果平均值作為最終結果。結果表明，BP網絡結合近紅外光譜能較好的識別木材，最高正確率達到97．78％，由于本實驗均采用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的建模時間短，均在2s以內。在所有模型中，桉樹和馬尾松都各有一個樹種不能正確識別，楊樹中有兩個樹種不容易識別，但通過調整隱含層神經元數，可以對模型優化，一般隱含層神經元數越多，擬合程度越高，但神經元數過多，可能出現過擬合現象，降低識別率，同時神經元數越多，內部運算越復雜，建模耗時越長，對計算機的運算能力要求越高，所以對于非線性較弱，輸入和輸出波形不復雜的識別系統，在隱含層神經元數不多的情況下，也能得到較好的識別效果，所以綜合考慮，Model4中，隱含層數為13時，既滿足正確率高，均方根誤差較小的要求，又不會對建模時計算機運行造成負擔。
2．2BP網絡的近紅外模型優化研究
BP網絡模型優化，從光譜預處理和波段選擇兩方面進行研究，分別選取780～1100，1100～2500和780～2500nm三種波段建模，并對全光譜數據進行一階導數、標準正態變換和多元散射校正預處理，對不同波段光譜數據和同一波段不同預處理后的光譜數據分別進行主成分分析降維，選取貢獻率達到99％以上的主成分作為輸入向量，神經元數確定為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波段建模識別效果最好，780～1100nm波段建模識別效果最差，從各樹種的識別情況，可知在1100～2500nm波段對桉樹和馬尾松都能全部識別，楊樹有兩個識別錯誤，而在全波段范圍，楊樹能全部識別，桉樹和馬尾松各有一個樣本識別錯誤，不同波段所包含的木材化學信息不同，識別效果有一定的差異。對全光譜波段數據分別進行三種光譜預處理，結果顯示，多元散射校正能提高模型識別正確率。一階導數和二階導數處理后的數據建模，識別正確率下降很多，并且貢獻率達到99％以上需要的主成分數過多，說明導數處理后光譜數據的關聯性降低，可能原因是導數處理使近紅外數據失真。
2．3BP網絡模型和SIMCA模型比較
圖2為三種人工林樹種780～2500nm的近紅外光譜圖，每個樹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分，但桉樹和楊樹光譜較接近，而馬尾松光譜與另兩種木材光譜區別明顯，造成這種現象的可能原因是楊木和桉樹均為闊葉材，而馬尾松為針葉材，針闊葉材的化學組成和解剖構造都有一定差異，為進一步區分這三種木材，對其進行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，但桉樹和楊樹較接近，有個別樣品混合到一起，馬尾松能很好的與另兩種樹種區分開，這與圖2顯示的結果一致，馬尾松樣品的簇類較分散，是由該樣品自身差異較大造成。SIMCA是以主成分分析為基礎的分類方法，表3中顯示了三種波段SIMCA模型的預測結果，并且與BP網絡模型預測做對比，結果表明，對不同波段的建模效果，SIMCA法顯示的結果與BP網絡建模呈現的規律相同，均是780～2500nm波段建模識別效果最好，780～1100nm波段識別效果最差，但在三種波段模型中，BP網絡模型的木材識別率均明顯高于SIMCA模型的識別率，并BP網絡采用L－M算法對權值和閥值調整建模，建模時間比SIMCA法短。
3結論
利用近紅外光譜結合誤差反向傳播神經網絡對三種人工林木材樹種的識別進行了研究。BP網絡對近紅外全光譜建模識別三種人工林木材樹種，識別率達到97．78％，識別效果較優，并神經元數確定為13；BP網絡模型優化研究，對光譜進行預處理，并用不同波段光譜建模，結果顯示，全波段光譜建模比短波段（780～1100nm）和長波段（1100～2500nm）光譜建模識別效果好，其識別正確率分別為97．78％，95．56％和96．67％，多元散射校正處理能提高BP模型識別正確率至98．89％，一階導數和二階導數預處理會使識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網絡建模識別正確率分別為95．56％，96．67％和97．78％，均高于SIMCA法建模對三種人工林木材樹種識別正確率76．67％，81．11％和82．22％，并且建模時間要明顯小于SIMCA方法；上述結論說明近紅外光譜結合誤差反向傳播神經網絡技術可用于人工林木材樹種的快速識別。
作者:龐曉宇 楊忠 呂斌 賈東宇 單位:中國林業科學研究院林業新技術研究所 中國林業科學研究院木材工業研究所