留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

栾景然 冯国红 朱玉杰

栾景然, 冯国红, 朱玉杰. 基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别[J]. 浙江农林大学学报, 2022, 39(3): 671-678. doi: 10.11833/j.issn.2095-0756.20210377
引用本文: 栾景然, 冯国红, 朱玉杰. 基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别[J]. 浙江农林大学学报, 2022, 39(3): 671-678. doi: 10.11833/j.issn.2095-0756.20210377
LUAN Jingran, FENG Guohong, ZHU Yujie. Visible/near infrared spectrum wood identification based on SPA-GA-BP neural network[J]. Journal of Zhejiang A&F University, 2022, 39(3): 671-678. doi: 10.11833/j.issn.2095-0756.20210377
Citation: LUAN Jingran, FENG Guohong, ZHU Yujie. Visible/near infrared spectrum wood identification based on SPA-GA-BP neural network[J]. Journal of Zhejiang A&F University, 2022, 39(3): 671-678. doi: 10.11833/j.issn.2095-0756.20210377

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

doi: 10.11833/j.issn.2095-0756.20210377
基金项目: 中央高校基本科研业务费专项资金项目(2572020BL01);黑龙江省自然科学基金资助项目(LH2020C050)
详细信息
    作者简介: 栾景然(ORCID: 0000-0002-7931-7670),从事木材种类识别研究。E-mail: luanjr@163.com
    通信作者: 冯国红(ORCID: 0000-0001-8756-7154),副教授,博士,从事木材种类识别研究。E-mail: fgh_1980@126.com
  • 中图分类号: S781.1

Visible/near infrared spectrum wood identification based on SPA-GA-BP neural network

  • 摘要:   目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法+标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(Winitial=1 445 nm)、吸收峰个数为特征个数(Ntot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23
  • 图  1  SPA-GA-BP设计步骤

    Figure  1  SPA-GA-BP design steps

    图  2  红檀的原始光谱图

    Figure  2  Original spectra of red sandalwood

    图  3  10种木材的光谱图

    Figure  3  Spectral diagrams of 10 species of wood

    表  1  不同预处理的PCA-BP神经网络识别率

    Table  1.   PCA-BP neural network recognition with different preprocessing      

    检测方式预处理方法累计贡
    献率/%
    主成分
    个数/个
    平均识
    别率/%
    可见/近红外光谱 对照组 95 12 80.2
    移动平均法 95 14 81.4
    移动平均法+MSC 95 10 82.1
    移动平均法+SNV 95 11 83.5
    S-G滤波器 95 12 81.3
    S-G滤波器+MSC 95 13 82.9
    S-G滤波器+SNV 95 15 84.7
    下载: 导出CSV

    表  2  不同预处理的SPA-BP神经网络平均识别率      

    Table  2.   Average recognition rate of SPA-BP neural network with different pretreatments

    预处理方法平均识
    别率/%
    预处理方法平均识
    别率/%
    对照组 86.1 S-G滤波器 86.4
    移动平均法 87.2 S-G滤波器+MSC 86.8
    移动平均法+MSC 86.5 S-G滤波器+SNV 87.3
    移动平均法+SNV 88.2
    下载: 导出CSV

    表  3  10种木材吸收峰个数和集中波段

    Table  3.   Number of absorption peaks and concentrated bands of 10 species of wood

    木材种类吸收峰个数/个集中分布波段/nm
    红檀 7 920~970、1 010~1 060、1 210~1 260、1 570~1 620、1 779~1 829、1 921~1 971、2 122~2 172
    大果紫檀 7 930~980、1 020~1 070、1 220~1 270、1 580~1 630、1 780~1 830、1 920~1 970、2 120~2 170
    檀香紫檀 7 932~982、1 023~1 073、1 221~1 271、1 568~1 618、1 777~1 827、1 921~1 971、2 123~2 173
    刺猬紫檀 9 763~813、1 222~1 272、1 308~1 358、1 461~1 511、1 548~1 598、1 760~1 810、1 931~1 981、
    2 092~2 142、2 211~2 261
    巴里黄檀 9 765~815、1 221~1 271、1 307~1 357、1 466~1 516、1 545~1 595、1 769~1 819、1 930~1 980、
    2 087~2 137、2 219~2 269
    红檀香 9 753~803、1 223~1 273、1 309~1 359、1 463~1 513、1 558~1 608、1 771~1 821、1 932~1 982、
    2 092~2 142、2 212~2 262
    破布木 9 763~813、1 222~1 272、1 317~1 367、1 463~1 513、1 551~1 601、1 772~1 822、1 933~1 983、
    2097~2147、2214~2264
    豆瓣香 9 766~816、1230~1280、1317~1367、1468~1518、1554~1604、1775~1825、1940~1990、
    2095~2145、2 216~2 266
    中美洲黄檀 9 753~803、1 218~1 268、1 305~1 355、1 457~1 507、1 544~1 594、1 769~1 819、1 928~1 978、
    2 084~2 134、2 209~2 259
    黑檀 9 881~931、1 218~1 268、1 305~1 355、1 452~1 502、1 557~1 607、1 772~1 822、1 923~1 973、
    2 092~2 142、2 218~2 268
    下载: 导出CSV

    表  4  不同起始波段的SPA-BP神经网络平均识别率

    Table  4.   Average recognition rate of SPA-BP neural network with different starting bands

    特征值数/起始波段/nm10种木材提取特征波长分布/nm平均识别率/%
    10 895 364~368、2 141~2 144;402~410;418~426;324、2 135~2 142;375~383;432~440;400~408;476~484;420~428;1 452~1 460 89.7
    10 1 445 478~586;410~418;423~431;500~508;405~413;436~444;418~426;693~701;891~899;888~896 90.4
    10 1 605 133~135、2 137~2 142;891~899;891~899;2 135~2 142、2 132;419~427;819~827;420~428;446~454;892~990;893~901 90.1
    10 15 2133~135、2 137~2 142;2 133~2 135、2 137~2 142;408~416;292、22 135~2 142;375~383;430~438;414~422;461~469;420~428;890~898 88.3
    10 795 61~64、2 139~2 143;405~413;420~428;326、2 135~2 142;378~386;527~535;403~411;478~486;420~422、1 453~1 458;1 350~1 358 89.5
    10 995 203~209、2 141~2 142;399~407;418~426;349~352、2 138~2 142;3381~389;434~442;421~429;485~493;527~535;1 452、1 454~ 1458、1 461~1 463 89.2
    10 1 350 82~90;891~899;434~442;519~527;416~424;886~894;420~428;694~702;891~899;888~896 88.9
    10 1 950 13、2 135~2 142;379~387;407~415;281、2 135~2 142;293~301;428~436;
    1 058~1 066;450~458;413、1 452~1 459;1 452~1 460
    88.6
      说明:木材依次为红檀、大果紫檀、檀香紫檀、刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀、黑檀
    下载: 导出CSV

    表  5  同一起始波段不同特征波段的SPA-BP神经网络平均识别率

    Table  5.   Average recognition rate of SPA-BP neural network with the same starting band and different characteristic bands

    起始波
    段/nm
    特征值
    数/个
    平均识
    别率/%
    起始波
    段/nm
    特征值
    数/个
    平均识
    别率/%
    1 445592.31 4451090.6
    1 445793.01 4452092.7
    1 445993.21 4452591.2
    1 445891.6
    下载: 导出CSV

    表  6  同一预处理方式10种木材的SPA-BP神经网络平均识别率

    Table  6.   Average recognition rate of SPA-BP neural network for 10 species of wood with the same pretreatment method

    木材种类平均识
    别率/%
    木材种类平均识
    别率/%
    木材种类平均识
    别率/%
    红檀  90.9巴里黄檀94.2中美洲黄檀100.0
    大果紫檀100.0红檀香 100.0黑檀   100.0
    檀香紫檀90.7破布木 94.6平均   95.7
    刺猬紫檀95.1豆瓣香 91.0
      说明:预处理方式为移动平均法+SNV,起始波段为1 445 nm,     特征值数为9个
    下载: 导出CSV
  • [1] LEE H T, SOON L L, KEVIN K N, et al. DNA extraction from dry wood of Neobalanocarpus heimii (Diperocarpaceae)for forensic DNA profiling and timeber tracking [J]. Wood Sci Technol, 2012, 46(5): 813 − 815. doi:  10.1007/s00226-011-0447-6
    [2] 陈利顶, 李秀珍, 傅伯杰, 等. 中国景观生态学发展历程与未来研究重点[J]. 生态学报, 2014, 34(12): 3129 − 3141.

    CHEN Liding, LI Xiuzhen, FU Bojie, et al. Development history and future research priorities of landscape ecology in China [J]. J Ecol, 2014, 34(12): 3129 − 3141.
    [3] JIAO Lichao, YIN Yafang, XIAO Fuming, et al. Comparative analysis of two DNA extraction protocols from fresh and dried wood of Cunninghamia lanceolata(Taxodiaceae) [J]. J Iawa, 2012, 4(33): 441 − 456.
    [4] 王宪, 沈华杰, 于清琳, 等. 基于IAWA的3种简易木材识别方法探究[J]. 西南林业大学学报, 2019, 39(6): 167 − 172. doi:  10.11929/j.swfu.201902073

    WANG Xian, SHEN Huajie, YU Qinglin, et al. Research on 3 simple timber identification methods based on IAWA [J]. J Southwest For Univ, 2019, 39(6): 167 − 172. doi:  10.11929/j.swfu.201902073
    [5] MUECHER S, KLIJN J A, WASCHER D, et al. A new European landscape clasification(LANMAP): a transparent, flexible and user-oriented methodology to distinguish landscapes [J]. Ecol Indic, 2010, 10(1): 87 − 103. doi:  10.1016/j.ecolind.2009.03.018
    [6] 王学顺, 黄安民, 孙一丹, 等. 基于BP神经网络的木材近红外光谱树种识别[J]. 东北林业大学学报, 2015, 43(12): 82 − 85, 89. doi:  10.3969/j.issn.1000-5382.2015.12.018

    WANG Xueshun, HUANG Anmin, SUN Yidan, et al. Back propagation artificial neural network combine with near infrared spectroscopy for timber recognition [J]. J Northeast For Univ, 2015, 43(12): 82 − 85, 89. doi:  10.3969/j.issn.1000-5382.2015.12.018
    [7] 谭念, 孙一丹, 王学顺, 等. 基于主成分分析和支持向量机的木材近红外光谱树种识别研究[J]. 光谱学与光谱分析, 2017, 37(11): 3370 − 3374.

    TAN Nian, SUN Yidan, WANG Xueshun, et al. Research on near infrared spectrum with principal component analysis and support vector machine for timber identification [J]. Spectrosc Spectral Anal, 2017, 37(11): 3370 − 3374.
    [8] 陈远哲, 王巧华, 高升, 等. 基于近红外光谱的淡水鱼贮藏期质构品质的无损检测模型[J]. 激光与光电子学进展, 2021, 58(12): 491 − 499.

    CHEN Yuanzhe, WANG Qiaohua, GAO Sheng, et al. Nondestructive testing model for textural quality of freshwater fish instorage usingnear-infrared spectroscopy [J]. Laser Optoelectron Prog, 2021, 58(12): 491 − 499.
    [9] 郭文川, 朱德宽, 张乾, 等. 基于近红外光谱的掺伪油茶籽油检测[J]. 农业机械学报, 2020, 51(9): 350 − 357. doi:  10.6041/j.issn.1000-1298.2020.09.040

    GUO Wenchuan, ZHU Dekuan, ZHANG Qian, et al. Detection on adulterated oil-tea camellia seed oil based on near-infrared spectroscopy [J]. J Agric Mach, 2020, 51(9): 350 − 357. doi:  10.6041/j.issn.1000-1298.2020.09.040
    [10] 潘拓, 马鑫, 谢安, 等. 利用主成分分析法优化BP神经网络模型在砂砾岩岩性识别中的应用[J]. 新疆地质, 2020, 38(3): 417 − 420. doi:  10.3969/j.issn.1000-8845.2020.03.022

    PAN Tuo, MA Xin, XIE An, et al. Application of the optimized BP neural network model based on principal component analysis in lithology identification of glutenite reservoirs [J]. Xinjiang Geol, 2020, 38(3): 417 − 420. doi:  10.3969/j.issn.1000-8845.2020.03.022
    [11] ZHU Hongyan, CHU Bingquan, FAN Yangyang, et al. Hyperspectral imaging for predicting the internal quality of kiwifruits based on variable selection algorithms and chemometric models [J]. Sci Rep, 2017, 7(1): 1 − 13. doi:  10.1038/s41598-016-0028-x
    [12] ARAÚJO M C U, SALDANHA T C B, GALVÃO R K H, et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis [J]. Chemometrics Intell Lab Syst, 2001, 57(2): 65 − 73. doi:  10.1016/S0169-7439(01)00119-8
    [13] 董蒙, 栾希亭, 吴宝元, 等. 基于自适应遗传算法的电液伺服系统控制[J]. 机床与液压, 2019, 47(14): 78 − 83. doi:  10.3969/j.issn.1001-3881.2019.14.018

    DONG Meng, LUAN Xiting, WU Baoyuan, et al. Control of electro-hydraulic servo system control based on adaptive genetic algorithm [J]. Mach Tools Hydraul, 2019, 47(14): 78 − 83. doi:  10.3969/j.issn.1001-3881.2019.14.018
    [14] 冯国红, 朱玉杰, 徐华东, 等. 应用遗传算法-主成分分析-反向传播神经网络的近红外光谱识别树种效果[J]. 东北林业大学学报, 2020, 48(6): 56 − 60. doi:  10.3969/j.issn.1000-5382.2020.06.011

    FENG Guohong, ZHU Yujie, XU Huadong, et al. Using near infrared spectrum to identify tree species by GA-PCA-BP neural network [J]. J Northeast For Univ, 2020, 48(6): 56 − 60. doi:  10.3969/j.issn.1000-5382.2020.06.011
    [15] 许锋, 付丹丹, 王彬, 等. 基于MCCV-CARS-RF建立红提糖度和酸度的可见-近红外光谱无损检测方法[J]. 食品科学, 2018, 39(8): 149 − 154. doi:  10.7506/spkx1002-6630-201808024

    XU Feng, FU Dandan, WANG Bin, et al. Nondestructive detection of sugar content and acidity in red globe table grapes using visible near infrared spectroscopy based on Monte-Carlo Cross Validation-Competitive Adaptive Reweighted Sampling-Random Forest (MCCV-CARS-RF) [J]. Food Sci, 2018, 39(8): 149 − 154. doi:  10.7506/spkx1002-6630-201808024
    [16] ROMERO-TORRES S, PÉREZ-RAMOS J D, MORRIS K R. Raman spectroscopic measurement of tablet-to-tablet coating variability [J]. J Pharm Biomed Anal, 2005, 38(2): 270 − 274. doi:  10.1016/j.jpba.2005.01.007
    [17] 于慧伶, 门洪生, 梁浩, 等. SA-PBT-SVM的实木表面缺陷近红外光谱识别[J]. 光谱学与光谱分析, 2018, 38(6): 1724 − 1728.

    YU Huiling, MEN Hongsheng, LIANG Hao, et al. Near, infrared spectroscopy identification method of wood surface defects based on SA-PBT-SVM [J]. Spectrosc Spectral Anal, 2018, 38(6): 1724 − 1728.
    [18] 殷勇, 王光辉. 连续投影算法融合信息熵选择霉变玉米高光谱特征波长[J]. 核农学报, 2020, 34(2): 356 − 362. doi:  10.11869/j.issn.100-8551.2020.02.0356

    YIN Yong, WANG Guanghui. Hyperspectral characteristic wavelength selection method for moldy maize based on continuous projection algorithm fusion information entropy [J]. J Nucl Agric Sci, 2020, 34(2): 356 − 362. doi:  10.11869/j.issn.100-8551.2020.02.0356
    [19] 朱淑鑫, 顾兴健, 杨宸, 等. K均值算法结合连续投影算法应用于土壤速效钾含量的高光谱分析[J]. 江苏农业学报, 2020, 36(2): 358 − 365. doi:  10.3969/j.issn.1000-4440.2020.02.015

    ZHU Shuxin, GU Xingjian, YANG Chen, et al. K-means algorithm combined with successive projection algorithm for hyperspectral analysis of soil available potassium content [J]. J Jiangsu Agric Sci, 2020, 36(2): 358 − 365. doi:  10.3969/j.issn.1000-4440.2020.02.015
    [20] 陈伟, 李创, 唐荣年. 应用间隔随机蛙结合连续投影算法检测橡胶树叶片氮含量[J]. 河南科技大学学报, 2019, 40(5): 51 − 56.

    CHEN Wei, LI Chuang, TANG Rongnian. Application of interval randomfrog combined with successive projections algorithm to detecting nitrogen content in rubber tree leaves [J]. J Henan Univ Sci Technol Nat Sci, 2019, 40(5): 51 − 56.
    [21] 熊智新, 房桂干, 梁龙, 等. 近红外光谱结合连续投影算法检测综纤维素含量[J]. 中国造纸学报, 2019, 34(4): 46 − 51. doi:  10.11981/j.issn.1000-6842.2019.04.46

    XIONG Zhixin, FANG Guigan, LIANG Long, et al. Full cellulose content in composite optical fibrous in combination with continuous projection algorithm [J]. Transac China Pulp Paper, 2019, 34(4): 46 − 51. doi:  10.11981/j.issn.1000-6842.2019.04.46
    [22] 明曼曼, 陈芳, 孙恺琦, 等. 基于集群算法优化BP神经网络的NIRS树种识别研究[J]. 西部林业科学, 2020, 49(5): 124 − 128.

    MING Manman, CHEN Fang, SUN Kaiqi, et al. NIRS tree species identification based on cluster algorithm optimized BP neural network [J]. J West China For Sci, 2020, 49(5): 124 − 128.
    [23] 汪紫阳, 尹世逵, 李耀翔, 等. 基于可见/近红外光谱识别东北地区常见木材[J]. 浙江农林大学学报, 2019, 36(1): 162 − 169. doi:  10.11833/j.issn.2095-0756.2019.01.020

    WANG Ziyang, YIN Shikui, LI Yaoxiang, et al. Identification of common wood species in northeast China using Vis/NIR spectroscopy [J]. J Zhejiang A&F Univ, 2019, 36(1): 162 − 169. doi:  10.11833/j.issn.2095-0756.2019.01.020
  • [1] 李雅琳, 李素艳, 孙向阳, 郝丹, 蔡琳琳, 常晓彤.  基于人工神经网络算法的2株木质素降解菌固体菌剂的制备 . 浙江农林大学学报, 2022, 39(2): 364-371. doi: 10.11833/j.issn.2095-0756.20210311
    [2] 王琰, 余韵, 刘勇, 王开勇, 周晓杰, 王洋.  北京市核心区洋白蜡行道树健康评价及影响因素 . 浙江农林大学学报, 2022, 39(6): 1340-1349. doi: 10.11833/j.issn.2095-0756.20220109
    [3] 刘光武, 陈晨, 王柯力.  基于神经网络的马尾松人工林密度指数模型 . 浙江农林大学学报, 2020, 37(1): 100-104. doi: 10.11833/j.issn.2095-0756.2020.01.013
    [4] 黄鹏桂, 赵璠, 李晓平, 吴章康, 汤正捷, 张严风.  卷积神经网络在红木树种识别中的应用 . 浙江农林大学学报, 2020, 37(6): 1200-1206. doi: 10.11833/j.issn.2095-0756.20190672
    [5] 卯光宪, 谭伟, 柴宗政, 赵杨, 杨深钧.  基于BP神经网络的马尾松人工林胸径-树高模型预测 . 浙江农林大学学报, 2020, 37(4): 752-760. doi: 10.11833/j.issn.2095-0756.20190486
    [6] 郑泽宇, 冯海林, 杜晓晨, 方益明.  木材径切面内部缺陷的应力波成像算法 . 浙江农林大学学报, 2019, 36(2): 211-218. doi: 10.11833/j.issn.2095-0756.2019.02.001
    [7] 谢福明, 字李, 舒清态.  基于优化k-NN模型的高山松地上生物量遥感估测 . 浙江农林大学学报, 2019, 36(3): 515-523. doi: 10.11833/j.issn.2095-0756.2019.03.012
    [8] 汪紫阳, 尹世逵, 李颖, 李耀翔.  基于可见/近红外光谱识别东北地区常见木材 . 浙江农林大学学报, 2019, 36(1): 162-169. doi: 10.11833/j.issn.2095-0756.2019.01.020
    [9] 胡梦霄, 杭芸, 黄华宏, 张胜龙, 童再康, 楼雄珍.  杉木木材结晶度的近红外预测模型建立及变异分析 . 浙江农林大学学报, 2017, 34(2): 361-368. doi: 10.11833/j.issn.2095-0756.2017.02.022
    [10] 周竹, 尹建新, 周素茵, 周厚奎.  基于近红外光谱技术的针叶材板材表面节子缺陷检测 . 浙江农林大学学报, 2017, 34(3): 520-527. doi: 10.11833/j.issn.2095-0756.2017.03.018
    [11] 王晓丽, 张晓丽, 周国民.  基于近红外光谱技术的果树花期树种识别方法 . 浙江农林大学学报, 2017, 34(6): 1008-1015. doi: 10.11833/j.issn.2095-0756.2017.06.006
    [12] 倪茜茜, 祁亨年, 周竹, 汪杭军.  基于高光谱成像技术的红酸枝木材种类识别 . 浙江农林大学学报, 2016, 33(3): 489-494. doi: 10.11833/j.issn.2095-0756.2016.03.017
    [13] 郑剑, 周竹, 仲山民, 曾松伟.  基于近红外光谱与随机青蛙算法的褐变板栗识别 . 浙江农林大学学报, 2016, 33(2): 322-329. doi: 10.11833/j.issn.2095-0756.2016.02.019
    [14] 周竹, 郑剑, 王允祥, 曾松伟.  雷竹笋硬度的近红外光谱检测模型优化 . 浙江农林大学学报, 2015, 32(6): 875-882. doi: 10.11833/j.issn.2095-0756.2015.06.008
    [15] 张高品, 李光辉, 李剑, 冯海林.  木材无损检测技术中的应力波传播时延估计算法 . 浙江农林大学学报, 2014, 31(3): 394-398. doi: 10.11833/j.issn.2095-0756.2014.03.010
    [16] 方益明, 郑红平, 冯海林.  基于傅里叶变换和独立成分分析的木材显微图像特征提取与识别 . 浙江农林大学学报, 2010, 27(6): 826-830. doi: 10.11833/j.issn.2095-0756.2010.06.004
    [17] 汪杭军, 张广群, 祁亨年, 李文珠.  木材识别方法研究综述 . 浙江农林大学学报, 2009, 26(6): 896-902.
    [18] 施拥军, 徐小军, 杜华强, 周国模, 金伟, 周宇峰.  基于BP神经网络的竹林遥感监测研究 . 浙江农林大学学报, 2008, 25(4): 417-421.
    [19] 田有圳, 黄金桃, 林照授, 涂育合, 叶功富.  凹叶厚朴一元立木材积方程的研究 . 浙江农林大学学报, 2002, 19(3): 255-258.
    [20] 何东进, 洪伟, 吴承祯.  人工神经网络用于杉木壮苗定向培育规律的研究 . 浙江农林大学学报, 1997, 14(4): 339-343.
  • 加载中
  • 链接本文:

    https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20210377

    https://zlxb.zafu.edu.cn/article/zjnldxxb/2022/3/671

图(3) / 表(6)
计量
  • 文章访问数:  353
  • HTML全文浏览量:  62
  • PDF下载量:  13
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-05-14
  • 录用日期:  2021-12-02
  • 修回日期:  2021-12-02
  • 网络出版日期:  2022-05-23
  • 刊出日期:  2022-05-23

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

doi: 10.11833/j.issn.2095-0756.20210377
    基金项目:  中央高校基本科研业务费专项资金项目(2572020BL01);黑龙江省自然科学基金资助项目(LH2020C050)
    作者简介:

    栾景然(ORCID: 0000-0002-7931-7670),从事木材种类识别研究。E-mail: luanjr@163.com

    通信作者: 冯国红(ORCID: 0000-0001-8756-7154),副教授,博士,从事木材种类识别研究。E-mail: fgh_1980@126.com
  • 中图分类号: S781.1

摘要:   目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法+标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(Winitial=1 445 nm)、吸收峰个数为特征个数(Ntot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23

English Abstract

栾景然, 冯国红, 朱玉杰. 基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别[J]. 浙江农林大学学报, 2022, 39(3): 671-678. doi: 10.11833/j.issn.2095-0756.20210377
引用本文: 栾景然, 冯国红, 朱玉杰. 基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别[J]. 浙江农林大学学报, 2022, 39(3): 671-678. doi: 10.11833/j.issn.2095-0756.20210377
LUAN Jingran, FENG Guohong, ZHU Yujie. Visible/near infrared spectrum wood identification based on SPA-GA-BP neural network[J]. Journal of Zhejiang A&F University, 2022, 39(3): 671-678. doi: 10.11833/j.issn.2095-0756.20210377
Citation: LUAN Jingran, FENG Guohong, ZHU Yujie. Visible/near infrared spectrum wood identification based on SPA-GA-BP neural network[J]. Journal of Zhejiang A&F University, 2022, 39(3): 671-678. doi: 10.11833/j.issn.2095-0756.20210377
  • 木材在中国可再生资源中占有很大的比例。随着国民经济逐步增长,木材市场不断扩大。目前,由于优质木材频频出现供需不平衡、木材造假等问题,因此采用多种识别技术来甄别木材种类已成为必然。木材种类识别除了依照形态学处理外,还可以使用计算机图像识别、DNA识别等方法[1-3],但是这些方法和传统的取样方法一样[4],都需要对树木进行剖析和制样,对于一些珍贵的木材会造成不必要的浪费,甚至会降低本身的价值。近红外光谱分析技术是20世纪70年代兴起的一种新的木材识别分析技术。它作为一种常用的测量工具,具有快速、无损、在线分析等优势。近几年,学者们应用近红外光谱技术对木材种类进行了识别研究[5],如王学顺等[6]利用近红外光谱技术,结合主成分分析(PCA)和BP神经网络对不同木材种类进行了识别研究,效果良好。谭念等[7]基于近红外光谱技术,联合PCA和支持向量机实现了木材种类的有效鉴别。

    目前,近红外光谱分析技术用于木材种类识别大多采用PCA进行特征提取,实现数据降维,但这种方法的特征值筛选有一定的局限性,仅凭累计贡献率决定特征值的个数,无法通过参数化等方法对处理过程进行干预,效率和物理实用性不高。连续投影算法(SPA)是一种常用的特征波长筛选算法。它能够利用向量的投影分析,寻找含有最低限度冗长信息的变量组,通过参数调整可实现较强物理实用性的数据压缩。陈远哲等[8]基于SPA构建了最小偏二乘法回归模型,适用于淡水鱼储藏期质构品质的快速无损检测。郭文川等[9]通过比较不同特征提取方式,得出采用SPA和随机森林识别准确率最高。遗传算法(GA)用于寻优,广泛应用于机器学习等领域。

    本研究将SPA和GA联用,在运用SPA获得特征值后,应用GA进一步寻找最佳特征参数,以提升木材识别的效率和准确率。本研究以红檀Swartizia spp.、刺猬紫檀Pterocarpus erinaceus、巴里黄檀Dalbergia bariensis、大果紫檀Pterocarpus macrocarpus、红檀香Myroxylon balsamu、破布木Cordia dichotoma、豆瓣香Osmanthus delavayi、檀香紫檀Pterocarpus santalinus、中美洲黄檀Dalbergia granadillo和黑檀Dalbergia nigra为研究对象,应用可见/近红外光谱仪采集10种木材的光谱图,运用不同的预处理方式叠加进行降噪分析,以BP神经网络为木材种类的分类识别算法,探讨经GA优化的SPA较之常规特征提取算法的优越性,为更精确高效的木材识别提供参考。

    • 数据采集:参与试验的木材共10种,试样为6 cm×5 cm×2 cm的木块。每种木材制备5块样本,共计50块。每块木材分10个点采集光谱,以木块横向等分2份,纵向等分5份,取每份的中心点作为标记进行采样,每个点采集10组数据,取平均值作为此样点的实验数据,即1块试样采集10组实验数据,10种木材共计采集500组实验数据。样点采集遵循以下原则:①采谱过程中每15 min进行1次空白校正,以保证光谱的稳定性。②每块木材样本大小、薄厚和形状均保持一致,确保样点在每块样本木块上的属性相同,最大程度缩小误差。

      主要仪器:LabSpec 5000光谱仪(ASD公司,美国),波长为350~2 500 nm。用光谱仪配套的软件Indico Pro Version 3.1采集光谱数据。

    • PCA是一种常用的波段降维手段。主成分通常表示为原始变量的某种线性组合,它们不仅能够代表原始变量绝大多数的信息,还可以一定程度上去除噪声,压缩数据,对高维数据进行降维,减少预测变量的个数[10]

    • SPA是一种使矢量空间共线性最小化的前向变量选择算法,在降低共线信息的研究和有效信息获取的研究中取得较好的成效[11-12]。本研究应用SPA在光谱全波段中筛选出少量几个特征波段,不仅能够减少参与识别的光谱波段个数,并且可以保证特征波段之间的共线性最小,进而提高识别正确率和速度。

    • 当SPA筛选后的输入自变量较多且不是相互独立时,利用BP神经网络容易出现过拟合的现象,从而导致所建立的模型精度低、建模时间长等问题,因此,在构建模型前,有必要对输入自变量进行优化,选择最能反映输入与输出关系的自变量参与建模。GA优化能较好解决上述问题。利用GA进行优化计算,需要将解空间映射到编码空间,每个编码对应问题的1个解。本研究将编码长度设计为10,木材光谱特征的每位对应1个输入自变量,每一位的基因取值只能是“1”和“0”,如果一位值为“1”,表示该位对应的输入自变量参与最终的建模;反之,则表示“0”对应的输入自变量不作为最终的建模自变量。选取测试集数据均方误差的倒数作为GA的适应度函数,这样,经过不断的迭代进化,最终筛选出最具代表性的输入自变量参与建模[13-14]。GA优化的设计步骤主要为:首先产生初始种群,对适应度函数进行计算,其次进行选择、交叉和变异的基础操作,最后优化结果输出,构建其模型。设计步骤如图1所示。

      图  1  SPA-GA-BP设计步骤

      Figure 1.  SPA-GA-BP design steps

    • 应用LabSpec 5000光谱仪采集10种木材的原始光谱图,其中选取红檀的50个样本进行对比分析(图2)。

      图  2  红檀的原始光谱图

      Figure 2.  Original spectra of red sandalwood

      为了更直观地对比10种木材光谱图的差异,分别取10种木材中第1组数据进行绘图分析(图3)。由图3可见:大果紫檀、红檀和檀香紫檀的强度数值过小,几乎与x轴重叠。

      图  3  10种木材的光谱图

      Figure 3.  Spectral diagrams of 10 species of wood

      图2图3可以看出:同一种木材光谱图的波形基本一致,但强度值略有差异;刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀这6种木材的光谱图从波峰、形状上相似性均较高,黑檀与这6种木材的光谱图也较相似,仅在第1个波谷处形状上略有差异。

    • 原始光谱图往往带有一定的噪声,影响BP神经网络识别的正确率,因此有必要对光谱数据进行预处理[15-17]。数据的预处理方法较多,本研究分别采用了移动平均法、移动平均法+多元散射校正(MSC)、移动平均法+标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV对10种木材的原始光谱进行了预处理,通过对比分析以确定最佳的预处理方法。

      针对上述的几种预处理方法,分别进行主成分特征提取。以累计贡献率达95%及以上为主成分个数的选取标准。以选取的主成分为输入向量,40个样本作为训练,10个样本作为测试(后文测试数据均与此相同,不再赘述)。应用BP神经网络进行木材种类识别测试,经过20次的随机试验,获得各种预处理下BP神经网络的平均识别结果(表1)。由表1可以看出:采用S-G滤波器+SNV预处理时,BP 神经网络获得的平均识别率最高,达到了84.7%。

      表 1  不同预处理的PCA-BP神经网络识别率

      Table 1.  PCA-BP neural network recognition with different preprocessing      

      检测方式预处理方法累计贡
      献率/%
      主成分
      个数/个
      平均识
      别率/%
      可见/近红外光谱 对照组 95 12 80.2
      移动平均法 95 14 81.4
      移动平均法+MSC 95 10 82.1
      移动平均法+SNV 95 11 83.5
      S-G滤波器 95 12 81.3
      S-G滤波器+MSC 95 13 82.9
      S-G滤波器+SNV 95 15 84.7

      为了方便对比10种木材各自的识别效果,整理了S-G滤波器+SNV预处理时10种木材的BP神经网络识别结果:10种木材的识别效果相差不大,最低为豆瓣香(83.1%),最高为刺猬紫檀(85.8%)。

    • 针对2.2节中的几种预处理方法进行SPA的BP神经网络识别探讨,以确定最佳的预处理方法。为了对比预处理的效果,针对SPA方法中的起始波段和特征值个数进行了随机设置。令SPA方法中的起始波段(Winitial)为15 nm,特征值个数(Ntot)为10,对各种预处理后的数据进行SPA特征提取,应用BP神经网络进行20次的随机识别,得出10种木材的平均识别率(表2)。由表2可以看出:对于不同的预处理方式,SPA-BP的正确识别率有所不同,移动平均法+SNV的预处理方法最佳,正确率可达88.2%,因此,后续在分析SPA-BP神经网络识别木材时,本研究仅针对移动平均法和SNV叠加的预处理方法进行分析。

      表 2  不同预处理的SPA-BP神经网络平均识别率      

      Table 2.  Average recognition rate of SPA-BP neural network with different pretreatments

      预处理方法平均识
      别率/%
      预处理方法平均识
      别率/%
      对照组 86.1 S-G滤波器 86.4
      移动平均法 87.2 S-G滤波器+MSC 86.8
      移动平均法+MSC 86.5 S-G滤波器+SNV 87.3
      移动平均法+SNV 88.2
    • 影响SPA特征提取的因素通常有2个,分别是WinitialNtot。随着WinitialNtot的改变,提取的特征波长分布会有所不同,从而影响最终BP神经网络的正确识别率,此处探讨最佳Winitial的选取方法。光谱图中的特征吸收峰对被分析物质是很关键的特征,因此首先考虑分别以木材的吸收峰和非吸收峰作为起始波段,通过对比分析,确定最佳起始波段。①吸收峰作为起始波段的选取。光谱图中分布了大小不一的波峰,选取波峰特征较明显的吸收峰进行分析,以波峰点为中心点,取宽度相等的波段区间(每个波段均取51个数据)作为吸收峰的集中分布波段,10种木材的吸收峰集中波段如表3所示。由表3可以看出:10种木材的吸收峰重叠的波段有1 230~1 260、1 780~1 810、1 940~1 970 nm。分别取3个波段的中位数作为起始波段值,即1 245、1 795和1 955 nm。因为Winitial的数值表示为序列号,所以在此基础上减去初始波段350 nm,Winitial最终取值分别为895、1 445、1 605 nm。②非吸收峰作为起始波段的选取。将全波段350~2 500 nm等分成5份,分别在每个等分波段中随机选取1个非吸收峰作为起始波段。本研究随机选取的5个波段的波长分别为365、1 145、1 345、1 700、2 300 nm。在此基础上减去初始波段350 nm,Winitial最终取值分别为15、795、995、1350、1 950。分别以上述的吸收峰和非吸收峰为起始波段值,即以15、795、895、995、1 350、1 445、1 605、1 950 nm作为SPA的起始波段。SPA的特征值个数统一取10,进行BP神经网络识别,经过20次的随机试验,10种木材提取的特征波长分布和平均识别率如表4所示。由表4可以看出:以吸收峰作为起始波段时,特征波长分布大多追溯在吸收峰附近。对比表4的识别率可见,起始波段为1 445 nm时最高,达90.4%,其余按照1605、895、795、995、1 350、1 950和15 nm的顺序依次递减。不难看出,吸收峰作为起始波段的识别率普遍优于非吸收峰。

      表 3  10种木材吸收峰个数和集中波段

      Table 3.  Number of absorption peaks and concentrated bands of 10 species of wood

      木材种类吸收峰个数/个集中分布波段/nm
      红檀 7 920~970、1 010~1 060、1 210~1 260、1 570~1 620、1 779~1 829、1 921~1 971、2 122~2 172
      大果紫檀 7 930~980、1 020~1 070、1 220~1 270、1 580~1 630、1 780~1 830、1 920~1 970、2 120~2 170
      檀香紫檀 7 932~982、1 023~1 073、1 221~1 271、1 568~1 618、1 777~1 827、1 921~1 971、2 123~2 173
      刺猬紫檀 9 763~813、1 222~1 272、1 308~1 358、1 461~1 511、1 548~1 598、1 760~1 810、1 931~1 981、
      2 092~2 142、2 211~2 261
      巴里黄檀 9 765~815、1 221~1 271、1 307~1 357、1 466~1 516、1 545~1 595、1 769~1 819、1 930~1 980、
      2 087~2 137、2 219~2 269
      红檀香 9 753~803、1 223~1 273、1 309~1 359、1 463~1 513、1 558~1 608、1 771~1 821、1 932~1 982、
      2 092~2 142、2 212~2 262
      破布木 9 763~813、1 222~1 272、1 317~1 367、1 463~1 513、1 551~1 601、1 772~1 822、1 933~1 983、
      2097~2147、2214~2264
      豆瓣香 9 766~816、1230~1280、1317~1367、1468~1518、1554~1604、1775~1825、1940~1990、
      2095~2145、2 216~2 266
      中美洲黄檀 9 753~803、1 218~1 268、1 305~1 355、1 457~1 507、1 544~1 594、1 769~1 819、1 928~1 978、
      2 084~2 134、2 209~2 259
      黑檀 9 881~931、1 218~1 268、1 305~1 355、1 452~1 502、1 557~1 607、1 772~1 822、1 923~1 973、
      2 092~2 142、2 218~2 268

      表 4  不同起始波段的SPA-BP神经网络平均识别率

      Table 4.  Average recognition rate of SPA-BP neural network with different starting bands

      特征值数/起始波段/nm10种木材提取特征波长分布/nm平均识别率/%
      10 895 364~368、2 141~2 144;402~410;418~426;324、2 135~2 142;375~383;432~440;400~408;476~484;420~428;1 452~1 460 89.7
      10 1 445 478~586;410~418;423~431;500~508;405~413;436~444;418~426;693~701;891~899;888~896 90.4
      10 1 605 133~135、2 137~2 142;891~899;891~899;2 135~2 142、2 132;419~427;819~827;420~428;446~454;892~990;893~901 90.1
      10 15 2133~135、2 137~2 142;2 133~2 135、2 137~2 142;408~416;292、22 135~2 142;375~383;430~438;414~422;461~469;420~428;890~898 88.3
      10 795 61~64、2 139~2 143;405~413;420~428;326、2 135~2 142;378~386;527~535;403~411;478~486;420~422、1 453~1 458;1 350~1 358 89.5
      10 995 203~209、2 141~2 142;399~407;418~426;349~352、2 138~2 142;3381~389;434~442;421~429;485~493;527~535;1 452、1 454~ 1458、1 461~1 463 89.2
      10 1 350 82~90;891~899;434~442;519~527;416~424;886~894;420~428;694~702;891~899;888~896 88.9
      10 1 950 13、2 135~2 142;379~387;407~415;281、2 135~2 142;293~301;428~436;
      1 058~1 066;450~458;413、1 452~1 459;1 452~1 460
      88.6
        说明:木材依次为红檀、大果紫檀、檀香紫檀、刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀、黑檀
    • 将起始波段固定为最佳,即Winitial=1 445 nm,探讨Ntot取不同数值时,对BP神经网络识别木材的影响。从图3的光谱图可以看出:红檀、大果紫檀、檀香紫檀3种木材样本的吸收峰有7个,刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀和黑檀有9个。考虑吸收峰能更好地反映木材光谱图的特征,Ntot分别取了7和9,同时参考SPA的相关文献[18-21],且基于BP神经网络输入向量过多也会影响识别精度,又分别取了5、8、10、20、25进行了对比分析。基于以上特征数,分别应用BP神经网络进行木材识别,每个状态仍随机运行20次,获得的结果如表5所示。分析表5可知:整体上,当特征值个数取7和9时正确率偏高,说明特征值个数的取值和吸收峰值有关;当特征值个数取9时识别率最高,达93.2%,说明特征值个数和单个木材的吸收峰无关,应由整体的吸收峰来确定。

      表 5  同一起始波段不同特征波段的SPA-BP神经网络平均识别率

      Table 5.  Average recognition rate of SPA-BP neural network with the same starting band and different characteristic bands

      起始波
      段/nm
      特征值
      数/个
      平均识
      别率/%
      起始波
      段/nm
      特征值
      数/个
      平均识
      别率/%
      1 445592.31 4451090.6
      1 445793.01 4452092.7
      1 445993.21 4452591.2
      1 445891.6
    • 基于最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9),整理出SPA-BP神经网络识别10种木材各自的识别结果(表6)。由表6可以看出:在最佳参数设置下,SPA-BP神经网络的识别率较高,大果紫檀、红檀香、中美洲黄檀和黑檀的平均识别率均为100.0%,其他木材的平均识别率最低达90.7%,最高达95.1%。

      表 6  同一预处理方式10种木材的SPA-BP神经网络平均识别率

      Table 6.  Average recognition rate of SPA-BP neural network for 10 species of wood with the same pretreatment method

      木材种类平均识
      别率/%
      木材种类平均识
      别率/%
      木材种类平均识
      别率/%
      红檀  90.9巴里黄檀94.2中美洲黄檀100.0
      大果紫檀100.0红檀香 100.0黑檀   100.0
      檀香紫檀90.7破布木 94.6平均   95.7
      刺猬紫檀95.1豆瓣香 91.0
        说明:预处理方式为移动平均法+SNV,起始波段为1 445 nm,     特征值数为9个
    • 针对SPA的最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9),基于SPA-GA的BP神经网络识别方法随机运行20次,采用GA优化前后建模时间明显缩短;大果紫檀、红檀香、中美洲黄檀和黑檀在采用GA优化前后正确识别率均为100.0%,说明这4种木材在采用SPA特征提取时,识别率较高,采用GA优化后对正确识别率影响不大;其他6种木材采用SPA特征提取时均有一定的误判,运用GA优化后识别率有一定的提高。其中破布木的识别率由90.0%提升到了100.0%,巴里黄檀由88.9%提升到了100.0%,刺猬紫檀由90.9%提升到了100.0%。虽然每次仅提升1种木材,但通过多次运行,可达到整体提升的效果。

      针对上述20次运行结果,获得10种木材各自的识别结果:大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀平均识别正确率高达100.0%,其他3种木材的平均识别率最低达91.5%,最高达95.7%,10种木材的平均识别率达98.0%。

      已有的木材识别研究的特征提取方法主要集中于主成分分析[22]、导数处理[23]等,主成分分析的平均识别率为70.0%~95.3%,导数处理识别率达98.6%。虽然这些研究识别率较高,但这些研究参与识别的木材种类大多仅为4~5个,对于同时识别10种木材未见尝试。经研究,参与识别的木材种类越多,识别率越难保证。本研究的主成分分析法识别10种木材,平均识别率仅为84.7%。本研究采取SPA-GA联合的特征提取方法,识别对象为10种木材,通过调整吸收峰、特征值等参数,最终7种木材的平均识别率达100.0%,且识别速度提高为原来的2~3倍。为了进一步验证识别率的鲁棒性,本研究还采用多种预处理的方式,使得原始数据表现出良好的稳定性和容错性。最后实验数据均为随机20次运行的结果,说明训练好的模型可以随时间和频次迁移应用,识别性能不会降低。

    • 研究结果表明:①SPA-GA法识别木材时,选择移动平均法+SNV的预处理方式效果最佳。②对于参数的选择,起始波段选取吸收峰比选取非吸收峰识别率更高,特征值个数结合光谱图的峰值个数选取更恰当。本研究分别选取起始波段为1 445 nm,特征值个数为9个。③SPA-GA提取光谱图特征时识别性能最佳。SPA特征值经GA寻优后,特征个数大多减少为原来的一半左右,优化后BP神经网络的平均识别速度显著提升,大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀等7种木材的平均识别正确率均高达100.0%,总体识别率较SPA显著提高。

      本研究仅选择了红檀、刺猬紫檀、巴里黄檀、大果紫檀、红檀香、破布木、豆瓣香、檀香紫檀、中美洲黄檀和黑檀这10种木材样本进行了探讨,对于其他木材的识别有待进一步研究验证。

参考文献 (23)

目录

    /

    返回文章
    返回