论文部分内容阅读
木材基本密度是表征木材物理性能的重要指标,不仅可以评估木材的实际重量,而且关系到木材的干缩、硬度、强度等物理力学性质。常规的密度检测方法程序繁琐、耗时长,并对木材有一定的损坏,影响木材的后续加工,因此对木材基本密度快速无损检测尤其重要。近红外光谱检测技术是一种快速、高效的间接分析技术,相比于其他木材检测技术具有操作简便、无损、测定速度快、易于实现在线检测等优点,为木材无损检测和信息获取提供了有效手段。本论文以柞木作为研究对象,依据国家标准方法制取120个柞木样本并测定样本基本密度,将样本以2:1的比例分为校正集和预测集,80个校正集,40个预测集。由于木材的生长特性导致不同切面的光谱存在差异,考虑各切面的性质与实际生产条件,使用900~1700nm的近红外光谱仪作为测试仪器,获取木材径切面的近红外光谱数据,分析光谱数据与柞木基本密度的关系,建立柞木基本密度的近红外快速预测模型。首先采用蒙特卡洛采样法剔除奇异样本,相比杠杆值法和半数重采样法,蒙特卡洛采样法是基于统计学的奇异值识别方法,考虑每个样本对整体数据的影响。其次采用多元散射校正+SG平滑对光谱数据进行预处理,消除光谱漂移、表面散射和噪声的影响。然后通过BiPLS-SPA算法对特征波长进行提取,可以降低不相关变量对预测效果的影响,减少SPA在全波段提取最低限度冗余波长的计算量。最后用提取的光谱特征构建小波神经网络模型预测柞木基本密度,小波神经网络具有学习能力强,结构简单、收敛速度快的优点。应用蒙特卡洛采样法剔除柞木奇异样本,共剔除编号为8、23、37、52、64和72的6个奇异样本,与全样本建模相比,预测模型相关系数由0.846提高到0.904。分别采用导数光谱、平滑算法、标准正态变换和多元散射校正对光谱数据进行预处理,在本文波长数较少的情况中,导数计算会产生一定误差,在此应用多元散射校正+SG平滑方法进行预处理,消除散射效应与噪声的影响。采用BiPLS结合SPA的算法对样本光谱特征波长选择,BiPLS算法将光谱分为5~15个子区间,当划分为10个子区间时RMSECV最小,最佳区间组合为[3 5 6 7 9],变量个数由全光谱117降至59个;SPA算法再对最佳区间内的变量进一步特征提取,将变量由59降至6个,共提取6个与柞木基本密度最相关的波长特征。构建小波神经网络模型建立柞木基本密度与近红外光谱之间的关系,与常用线性建模方法偏最小二乘(PLS)和BP神经网络相比,小波神经网络对预测集样本验证结果最好,相关系数为0.968,预测均方根误差为0.0144,得到更适合柞木基本密度与近红外光谱建模的算法。