基于神经网络的近红外光谱识别古筝面板用木材等级的方法技术

本发明专利技术公开了一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法，所述方法包括如下步骤：(1)将包含不同等级的古筝面板用木材的近红外光谱数据进行Savitzky‑Golay卷积平滑和一阶导数预处理和主成分分析；(2)构建改进的BP神经网络模型；(3)训练改进的BP神经网络模型；(4)利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类，从而实现古筝面板用木材的等级识别。本发明专利技术基于可以涵盖不同等级古筝面板用木材的化学物质的近红外光谱数据进行判别，测量数据快，成本低，判断时间短，有效缩小计算数据量，不掺杂主观臆断，稳定性较高，方法更具健壮性。

Identification of Wood Grade for Guzheng Panel by Near Infrared Spectroscopy Based on Neural Network

The invention discloses a method for identifying wood grade for guzheng panel by near infrared spectroscopy based on neural network. The method comprises the following steps: (1) Savitzky Golay convolution smoothing and first derivative pre-processing and principal component analysis of near infrared spectroscopy data for guzheng panel containing different grades; (2) building an improved BP neural network model; (3) training improved B. P neural network model; (4) The improved BP neural network model is used to classify the near infrared spectroscopy data of the wood used in the guzheng panel, so as to realize the classification of the wood used in the guzheng panel. The method is based on the near infrared spectral data of chemical substances that can cover different grades of Guzheng panels. The measurement data is fast, the cost is low, the judgment time is short, the calculation data amount is effectively reduced, the subjective assumption is not mixed, the stability is high, and the method is more robust.

【技术实现步骤摘要】
基于神经网络的近红外光谱识别古筝面板用木材等级的方法
本专利技术属于古筝板材的等级鉴别
，涉及一种古筝面板用木材的等级鉴别方法，尤其涉及一种基于识别板材的近红外光谱波段的化合物特征峰等信息和神经网络提取特征向量，从而识别其板材等级的测试方法。
技术介绍
随着我国经济的飞速发展和生活水平的不断提高，人们对于高等级古筝制品的需求量也在不断增长，人们对于古筝音质的要求也越来越高，高音质的古筝制品具有非常高的演奏价值。通过拨弦引起振动，通过筝码传播到面板，从而产生美妙的旋律，可见在古筝结构中其他用料一致的情况下，面板木材的好坏很大程度上决定了古筝的音色优美与否。古筝面板木材分为高级品、中级品和普及品三个等级，由于泡桐木材具有木质疏松，共振好等特点，广泛用于制作古筝面板。古筝面板用木材的等级选择在制作古筝过程中是一项重要的工作。目前，我国对木材识别的方法标准只有QB/T1207.3-2011《筝》标准，该标准是以木材的宏观特征为依据。我国古筝制作行业在面板用木材的选择上主要有木材切片法和经验法。对于木材切片法，进行鉴别的时候需要破坏等操作，造成木材的浪费。对于传统经验法，通常依赖于乐器技师观察木材纹理和疤结大小和数量、掂、敲、听等方式进行主观评判。此传统方法缺少了科学理论的总结，板材等级判断时间较长，判断准确率受主观影响和误判率高，这就使得乐器质量的提高、选材的客观性以及出材率的提高等方面受到限制。同时在生产过程中，富有经验的相关工作人员的数量逐年递减，此现状为面板板材等级快速正确判别带来了限制。
技术实现思路
为了克服判别时间长、判别结果易受判别者主观影响和相关从业者人数逐年递减等存在的问题，本专利技术提供了一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法。此方法基于可以涵盖不同等级古筝面板用木材的化学物质的近红外光谱数据进行判别，测量数据快，成本低，判断时间短，有效缩小计算数据量，不掺杂主观臆断，稳定性较高，方法更具健壮性。本专利技术的目的是通过以下技术方案实现的：一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法，包括如下步骤：步骤(1)：将包含不同等级的古筝面板用木材的N组不同波段的近红外光谱数据进行Savitzky-Golay卷积平滑和一阶导数预处理和主成分分析，将变换后的不同波段的近红外光谱数据随机分组，将其中的n组数据作为训练样本集，N-n组数据作为测试样本集；步骤(2)：构建改进的BP神经网络模型；步骤(3)：将训练样本集作为训练样本输入步骤(2)构建的改进的BP神经网络模型中，利用模型设计样本，得到训练好的改进的BP神经网络模型和基于训练样本集板材的最佳等级分类结果，从而确定用于实验分析的最佳光谱数据波段；步骤(4)：将测试样本集作为测试样本输入步骤(3)训练好的改进的BP神经网络模型中，利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类，从而实现古筝面板用木材的等级识别。相比于现有技术，本专利技术具有如下优点：1、本专利技术将采集的近红外光谱数据进行预处理和主成分分析操作，将变换的数据送入改进BP神经网络模型，提取不同等级的古筝面板木材的特征信息，实现了快速准确古筝面板用等级识别，通过计算机的手段进行判断，避免人工判别的方式，缩短识别时间，误判率较低，判别结果更具客观性。2、本专利技术的识别方法不破坏实验样本，实现无损操作，充分利用化合物特征信息，等级识别率较高。3、在进行模型训练以及模型测试时，本专利技术所提出的模型的未知样本识别准确率达到99.7％，神经网络模型的损失值低至0.59，从读取光谱数据经历预处理等工作再到等级判别结束所需时长大约为11.783秒。4、本专利技术所提出的模型识别速度快，准确率较高，可以更好地满足乐器市场的需求，降低相关从业人员的经验标准。5、本专利技术的方法可以推广到更多乐器的面板用木材等级分类，虽然不同乐器的木材近红外光谱存在差异，导致所选的最佳主成分个数有所不同，导致网络的输入结点数有所变化，但是网络的基本结构和每层的操作是不变的。附图说明图1为本专利技术识别方法的框图；图2为采集的古筝面板用木材的近红外光谱图；图3为光谱预处理效果图；图4为光谱的吸收峰标记图(横坐标为全部波段的光谱数据点个数)；图5为改进的BP神经网络模型的结构图；图6为改进的BP神经网络模型的损失值变化图。图7为改进的BP神经网络模型的准确率变化图；具体实施方式下面结合附图对本专利技术的技术方案作进一步的说明，但并不局限于此，凡是对本专利技术技术方案进行修改或者等同替换，而不脱离本专利技术技术方案的范围，均应涵盖在本专利技术的保护范围中。具体实施方式一：本实施方式提供了一种基于神经网络的近红外光谱识别古筝面板用泡桐木材等级的方法，如图1所示，所述方法包括如下步骤：步骤(1)：将包含不同等级的古筝面板用木材的N组不同波段的近红外光谱数据进行Savitzky-Golay卷积平滑和一阶导数预处理和主成分分析，将变换后的不同波段的近红外光谱数据随机分组，将其中的n组数据作为训练样本集，N-n组数据作为测试样本集。步骤(2)：构建改进的BP神经网络模型，所述改进的BP神经网络模型包括输入层、隐藏层和输出层，使用Softmax函数作为模型的分类函数，具体构建步骤如下：(1)利用一维Logistic映射产生的混沌序列进行初始化改进BP模型的权重值，正态分布初始化偏置值，逐层计算每层的输入和输出，映射方程公式如下，Xn+1＝rXn(1-Xn)，其中r为系统参数，Xn为混沌序列第n层的输出，当系统参数r≥3.56时进入混沌状态，本专利技术选择r＝4，X0＝0.3；(2)训练样本经本模型输入层与隐藏层之间的传递函数选取Relu函数，将学习率设置为指数衰减式学习率；(3)采用Adam算法确定神经网络模型的权重值和偏置值，增加模型的鲁棒性，避免易陷入局部最优解的局面，获得训练集的分类准确率；(4)采用批量数据方法训练神经网络，根据训练结果调整网络各层节点数、学习率初始值、衰减指数、观察模型损失值和准确率变化，选取获得最高准确率的网络结构作为训练好的改进的BP神经网络模型的结构。步骤(3)：将训练样本集作为训练样本输入步骤(2)构建的改进的BP神经网络模型中，利用模型设计样本，得到训练好的改进的BP神经网络模型和基于训练样本集板材的最佳等级分类结果，从而确定用于实验分析的最佳光谱数据波段。步骤(4)：将测试样本集作为测试样本输入步骤(3)训练好的改进的BP神经网络模型中，利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类，从而实现古筝面板用木材的等级识别。与现有技术中其他木材等级鉴别方法相比，本实施方式针对泡桐木材展开不同等级的古筝面板木材测试，将不同等级的古筝面板用木材的近红外光谱数据进行预处理和主成分分析操作，将不同波段光谱数据作为改进的BP神经网络模型的输入，通过神经网络模型提取不同等级的木材的特征信息，选取最有代表性且参与计算数据量最小的光谱波段，保证了木材的完整性，识别率更高，等级识别速度更快和结果更具客观性。具体实施方式二：本实施方式是对具体实施方式一的进一步说明。本实施方式的具体实现步骤如下：(1)采集待测古筝面板用木材的近红外光谱数据。(2)光谱数据分析：(2a)观察原始光谱曲线，发本文档来自技高网...

【技术保护点】
1.一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法，其特征在于所述包括如下步骤：步骤(1)：将包含不同等级的古筝面板用木材的N组不同波段的近红外光谱数据进行Savitzky‑Golay卷积平滑和一阶导数预处理和主成分分析，将变换后的不同波段的近红外光谱数据随机分组，将其中的n组数据作为训练样本集，N‑n组数据作为测试样本集；步骤(2)：构建改进的BP神经网络模型；步骤(3)：将训练样本集作为训练样本输入步骤(2)构建的改进的BP神经网络模型中，利用模型设计样本，得到训练好的改进的BP神经网络模型和基于训练样本集板材的最佳等级分类结果，从而确定用于实验分析的最佳光谱数据波段；步骤(4)：将测试样本集作为测试样本输入步骤(3)训练好的改进的BP神经网络模型中，利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类，从而实现古筝面板用木材的等级识别。

【技术特征摘要】
1.一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法，其特征在于所述包括如下步骤：步骤(1)：将包含不同等级的古筝面板用木材的N组不同波段的近红外光谱数据进行Savitzky-Golay卷积平滑和一阶导数预处理和主成分分析，将变换后的不同波段的近红外光谱数据随机分组，将其中的n组数据作为训练样本集，N-n组数据作为测试样本集；步骤(2)：构建改进的BP神经网络模型；步骤(3)：将训练样本集作为训练样本输入步骤(2)构建的改进的BP神经网络模型中，利用模型设计样本，得到训练好的改进的BP神经网络模型和基于训练样本集板材的最佳等级分类结果，从而确定用于实验分析的最佳光谱数据波段；步骤(4)：将测试样本集作为测试样本输入步骤(3)训练好的改进的BP神经网络模型中，利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类，从而实现古筝面板用木材的等级识别。2.根据权利要求1所述的基于神经网络的近红外光谱识别古筝面板用木材等级的方法，其特征在于所述古筝面板用木材为泡桐木。3.根据权利要求1所述的基于神经网络的近红外光谱识别古筝面板用木材等级的方法，其特征在于所述近红外光谱的波段为10000cm-1至7000cm-1波段、6800cm-1至5398cm-1、4976cm-1至4000cm-1三个波段区域。4.根据权利要求1所述的基于神经网络的近红外光谱识别古筝面板用木材等级的方法，其特征在于所述Savitzky-Golay卷积平滑和一阶导数预处理和主成分分析的具体方法如下：(a)采用Savitzky-Golay卷积平滑方法，以均方根误差和模型计算量为衡量标准确定最佳滤波窗口，以15个数据点为数据卷积平滑窗口大小，保存变换后的数据；(b)采用一阶导数变换，保存变换后的数据；(c)对预处理后的光谱数据进行主成分分析，根据主成分累积解释程度选取最佳主成分个数，...

【专利技术属性】
技术研发人员：黄英来，孟诗语，苗红，曲玉利，于鸣，温馨，
申请(专利权)人：东北林业大学，扬州市良匠古筝制作研究院有限公司，
类型：发明
国别省市：黑龙江,23