基于核主成分分析的GSA-SVM木材单板缺陷识别研究

摘要：

为支持向量机能够准确识别木材单板表面缺陷,以提高木材单板质量,提出高效准确的单板缺陷核主成分分析(KPCA)的引力搜索算法(GSA)-支持向量机(SVM)识别模型.考虑到图像特征数据间的冗余影响,采用KPCA方法对原始特征数据降维,并通过GSA优化SVM的惩罚因子C和核参数g,建立KPCA-GSA-SVM木材单板缺陷识别模型.基于颜色、纹理、形状3方面的特征以活节、死节、裂纹为研究对象的样本原始数据集,选取8个主要特征(1个颜色特征、1个纹理特征和6个形状特征)作为木材单板识别依据,对木材单板识别模型进行学习训练及预测分析,并与传统粒子群参数优化算法(PSO)构成的KPCA-PSO-SVM识别模型进行识别效果对比.结果表明,基于KPCA-GSA-SVM木材单板识别模型对于活节、死节、裂纹的识别率达到100％、96.78％、100％,较KPCA-PSO-SVM识别模型分别高出21.62％、0.63％、7.41％,且整体耗费时间缩短7.26 s,由此看出预测识别率、识别速度、稳定性高于前者.研究结论从新的角度对单板缺陷进行识别,有助于木材单板缺陷的识别发展.

关键词：单板缺陷、引力搜索算法、支持向量机、核主成分分析、识别模型

所属期刊栏目：39

分类号：S784(森林采运与利用)

资助基金：内蒙古自治区重点研发

在线出版日期：2023-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：91-99