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(fā)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(jié)合誤差反向傳播神經(jīng)網(wǎng)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(jīng)元個數(shù)、光譜預處理方法、光譜范圍對BP網(wǎng)絡模型的影響，并與SIM－CA法所建模型做比較。結(jié)果表明：（1）BP網(wǎng)絡結(jié)合全波段（780～2500nm）近紅外光譜數(shù)據(jù)建模，識別正確率達到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(shù)和二階導數(shù)對全波段光譜進行預處理后，BP網(wǎng)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(wǎng)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(wǎng)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(wǎng)絡建模比SIMCA法建模對三種人工林木材的識別正確率高。

關(guān)鍵詞：

BP網(wǎng)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(fā)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(jīng)濟價值高，然而，傳統(tǒng)的木材品質(zhì)鑒別方法需要消耗大量的人力、物力及時間，因此，尋求一種快速、準確、低成本地評價木材性質(zhì)的方法是木材科學研究的重要內(nèi)容之一。近紅外光譜分析技術(shù)是一種無損、快速的木材識別技術(shù)，九十年代開始有用于識別木材的研究［1－2］，近十幾年，國內(nèi)外研究均取得一定進展，但都是采用傳統(tǒng)的多元統(tǒng)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(jīng)網(wǎng)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(jié)合人工神經(jīng)網(wǎng)絡在木材領域的研究很有限，在材質(zhì)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(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡對不同產(chǎn)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(shù)量過少。本研究對我國產(chǎn)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(jié)合誤差反向傳播神經(jīng)網(wǎng)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(jié)合人工神經(jīng)網(wǎng)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(qū)黃山公益林場（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)局邁進林場（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(chǎn)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(tài)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(shù)據(jù)分析

近紅外光譜經(jīng)ASD提供的專業(yè)軟件轉(zhuǎn)換成光譜數(shù)據(jù)文件，用Unscrambler9．2軟件對光譜數(shù)據(jù)進行預處理和SIM－CA分析，用Matlab2012b進行人工神經(jīng)網(wǎng)絡數(shù)據(jù)分析。圖1為BP網(wǎng)絡對木材近紅外光譜數(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是目標誤差，η是學習率，q是訓練次數(shù)，p是訓練樣本，Ep是每個樣本誤差，ERME是網(wǎng)絡總誤差。圖1中，（1）對網(wǎng)絡賦予隨機的初始權(quán)值和閥值，將樣本模式計數(shù)器p和訓練次數(shù)計數(shù)器q置為1，誤差E置0，η設為0～1內(nèi)的小數(shù)，Emin設為一個正的小數(shù)；（2）木材近紅外光譜數(shù)據(jù)作為輸入向量，輸入網(wǎng)絡，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(diào)整網(wǎng)絡權(quán)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(shù)器p增1，返回步驟（2），否則轉(zhuǎn)步驟（7）；（7）檢查網(wǎng)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(jié)果與討論

2．1近紅外光譜結(jié)合BP網(wǎng)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(shù)據(jù)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(wǎng)絡模型的輸入向量。網(wǎng)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(wǎng)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(wǎng)絡，輸入層到隱含層為線性傳遞，隱含層到輸出層為對數(shù)傳遞，隨機賦予網(wǎng)絡初始權(quán)值和閥值，采用L－M算法對網(wǎng)絡權(quán)值和閥值進行調(diào)整，以得到小于目標誤差的參數(shù)向量，學習率為0．1，最大訓練次數(shù)為50000次，設定的目標誤差為0．001，網(wǎng)絡誤差為均方誤差。網(wǎng)絡隱含層神經(jīng)元數(shù)一般由經(jīng)驗公式得出，a為0～10之間的常數(shù)，m和n分別是輸入、輸出神經(jīng)元個數(shù)，表1中分別顯示7種神經(jīng)元數(shù)建立的模型，每類模型預測十次，取十次結(jié)果平均值作為最終結(jié)果。結(jié)果表明，BP網(wǎng)絡結(jié)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(nèi)。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(diào)整隱含層神經(jīng)元數(shù)，可以對模型優(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)過多，可能出現(xiàn)過擬合現(xiàn)象，降低識別率，同時神經(jīng)元數(shù)越多，內(nèi)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(tǒng)，在隱含層神經(jīng)元數(shù)不多的情況下，也能得到較好的識別效果，所以綜合考慮，Model4中，隱含層數(shù)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(wǎng)絡的近紅外模型優(yōu)化研究

BP網(wǎng)絡模型優(yōu)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(shù)據(jù)進行一階導數(shù)、標準正態(tài)變換和多元散射校正預處理，對不同波段光譜數(shù)據(jù)和同一波段不同預處理后的光譜數(shù)據(jù)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(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(shù)據(jù)分別進行三種光譜預處理，結(jié)果顯示，多元散射校正能提高模型識別正確率。一階導數(shù)和二階導數(shù)處理后的數(shù)據(jù)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(shù)過多，說明導數(shù)處理后光譜數(shù)據(jù)的關(guān)聯(lián)性降低，可能原因是導數(shù)處理使近紅外數(shù)據(jù)失真。

2．3BP網(wǎng)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(qū)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(qū)別明顯，造成這種現(xiàn)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(gòu)造都有一定差異，為進一步區(qū)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(qū)分開，這與圖2顯示的結(jié)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(jié)果，并且與BP網(wǎng)絡模型預測做對比，結(jié)果表明，對不同波段的建模效果，SIMCA法顯示的結(jié)果與BP網(wǎng)絡建模呈現(xiàn)的規(guī)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(wǎng)絡模型的木材識別率均明顯高于SIMCA模型的識別率，并BP網(wǎng)絡采用L－M算法對權(quán)值和閥值調(diào)整建模，建模時間比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)絡對三種人工林木材樹種的識別進行了研究。BP網(wǎng)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(yōu)，并神經(jīng)元數(shù)確定為13；BP網(wǎng)絡模型優(yōu)化研究，對光譜進行預處理，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(shù)和二階導數(shù)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(wǎng)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(jié)論說明近紅外光譜結(jié)合誤差反向傳播神經(jīng)網(wǎng)絡技術(shù)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(yè)科學研究院林業(yè)新技術(shù)研究所 中國林業(yè)科學研究院木材工業(yè)研究所