基于迁移学习的木材缺陷近红外识别方法研究
针对基于近红外光谱的硬木表面缺陷分类检测中,由于样本数量有限、数据代表性不足等原因,导致的分类器泛化能力不足、精度仍有待提高等问题,提出适应成分分析与深度迁移前馈神经网络相结合的方法,有效地迁移其他树种光谱与缺陷对应知识至目标分类器,提高分类器性能.以色木样本为源域,柞木样本为目标域,根据近红外光谱定性分析方法,在900~1700 nm光谱波长范围内采集了色木、柞木样本表面无瑕、活节、死节等3种近红外光谱数据.经过标准正态变量变换和Savitzky-Golay平滑进行原始光谱去噪预处理后投入建立的基于适应成分分析的深度迁移学习模型.将测试样本投入完成的分类器进行测试,结果表明,当柞木训练集占总样本比例超过30%后,模型对3种类型缺陷的识别率均为100%.
硬木缺陷、近红外光谱、定性分析、光谱去噪、适应成分分析、迁移学习
24
TP274.3(自动化技术及设备)
国家自然科学基金;中央高校基本科研业务费专项资金;中央高校研究生自主创新基金
2020-11-10(万方平台首次上网日期,不代表论文的发表时间)
共8页
159-166