10.3964/j.issn.1000-0593(2023)03-0814-09
中红外光谱结合CA-SDP-DenseNet的木材种类识别研究
光谱分析在木材种类识别领域具有一定的潜力,而其中的中红外光谱也广泛应用于定性及定量分析.该研究中红外光谱法识别木材种类的报道中,基于深度卷积神经网络可以在参数较少的条件下获得较高的识别率.提出了一种聚类分析(CA)、对称点阵图像分析(SDP)与深度学习(DenseNet)相融合的算法,利用DenseNet的优势提高中红外光谱法识别木材的准确率.首先,采集了愈疮木、巴里黄檀、刺猬紫檀、大果紫檀、螺穗木5种木材样本的250组中红外光谱数据,应用欧式距离进行了异常值剔除,剩余240组作为待分析数据并对其进行分类的可行性分析.对光谱数据进行SDP转化分析,确定SDP转化的最优参数;之后,运用CA筛选原始光谱数据的特征,根据CA不同阙值确定了三组维数的特征并进行讨论,通过对比三组特征数据经过SDP转化后图像间的类内相似性和类间差异性,初步确定了最优维数特征;再将初步确定的最优维数特征数据输入到SDP-DenseNet模型中,获得模型识别的准确率;最后通过对比分析验证了模型的有效性,一方面将原始数据及其余两组对照维数的特征数据分别输入到SDP-DenseNet模型中,对比识别的准确率;另一方面以最优维数特征数据输入到随机森林中进行识别,对比传统机器识别与SDP-DenseNet算法识别的准确率.结果表明:经CA特征筛选的SDP-DenseNet模型普遍高于原始数据直接输入到SDP-DenseNet 模型的准确率,CA特征筛选最优维数为255维,其测试集最高识别率达到了 88.67%,而对照组107维为77.78%,322维为68.89%,原始数据的SDP-DenseNet模型识别率仅为57.78%;经CA特征筛选的最优维数数据对应的随机森林模型识别率较低,仅为66.67%.因此,提出的CA-SDP-DenseNet模型能有效提高中红外光谱法识别木材种类的精度.
中红外光谱、木材种类识别、聚类分析、对称点阵图像分析、深度学习
43
O657.3(分析化学)
中央高校基本科研业务费专项资金项目;国家自然科学基金;黑龙江省自然科学基金项目
2023-04-03(万方平台首次上网日期,不代表论文的发表时间)
共9页
814-822