基于近红外光谱分析的实木板材节子形态反演方法技术

基于近红外光谱分析的实木板材节子形态反演方法，属于实木缺陷检测识别技术领域。本发明专利技术的目的是利用近红外光谱分析技术准确地刻画出节子在木材内部的形态，进而对实木板材力学性能和缺陷类别进行准确预测与识别。首先利用图像提取表面节子的缺陷区域，计算出相应中心位置；然后，提取节子缺陷边缘的多点位置，采集这些边缘点的光谱信息并进行基线漂移与去噪处理；运用主成分与马氏距离结合剔除异常光谱，利用K‑S划分校正样本集，并运用ISOMAP对缺陷光谱信息特征进行有效提取；最后，应用小波网络建立节子边缘光谱与该点倾角间的关系，并利用Solidworks软件实现节子椎体模型的三维呈现。本发明专利技术用于实木板材节子形态的建模。

【技术实现步骤摘要】
基于近红外光谱分析的实木板材节子形态反演方法
本专利技术涉及一种实木板材节子形态反演方法，属于实木缺陷检测识别

技术介绍
节子作为木材生长缺陷，破坏了木材的均匀性和完整性，不仅影响产品外观，而且节子影响着实木板材的力学性能，如何准确刻画出节子在木材内部的形态，进而计算出实木板材力学性能是一个具有应用价值的科学问题。近年来，由于无损检测技术具有非破坏、灵活、可靠的特点，许多学者已应用机器视觉、超声波检测、X-ray扫描以及激光成像等方法对实木缺陷开展了相关检测研究。GonzaloA.Ruz[1]搭建了自动视觉检测(AVI)系统，实现了11种缺陷类别图像集的正确分类；ZhangYizhuo[2,3]针对实木表面缺陷与纹理种类开展了分类研究，首先，应用图像分割技术提取缺陷，利用PCA和SOM完成缺陷特征融合与识别；然后，利用双树复小波提取实木图像频谱信息，运用PSO和CS完成特征降维和纹理、缺陷类别的快速分类。缺陷的超声波检测是根据声波信号在实木板材中传递的时间完成节子信息和木材性能的定性估算，Jose[4]构建了缺陷的超声波检测系统并对海岸松进行了测试，缺陷面积比在20％至30％时，准确率为75％至83％；张厚江[5]构建了振动测试系统，发现横向振动方式可以有效地测得了木板试材固有频率，弹性模量预测值稍大于静态方式测得的弹性模量。Olsson[6]提出应用激光成像技术测量实木表面纤维角，进而预测木材缺陷状态和估算木材相关力学性能。X-ray扫描与机器视觉技术可以全面掌握实木板材的密度分布和缺陷形态信息[7]，但设备复杂，成本较高；Mohamad[8]应用该技术测量了实木板材的缺陷形态、缺陷密度与净木密度，通过计算缺陷的KDR参数，估算了木材的MOE和MOR力学参数。目前，基于机器视觉的缺陷检测解决了实木缺陷表面检测与识别，超声波检测可以判断出缺陷的存在，X-ray虽然可以全面的掌握实木信息，但其检测成本较高。近红外光谱分析技术通过检测木材含氢基团，即C-H、N-H、O-H物质含量，进而判断木材相关物理与化学性质。梁浩[9]分析了近红外光谱与实木地板缺陷类型的相关性，并通过贝叶斯神经网络实现了缺陷的识别；YangZhong[10]采用近红外光谱结合SIMCA法分别建立了桉树的缺陷识别模型；张怡卓等[11，12]采用近红外光谱技术，分别利用GN样本优选与CPLS建模、Isomap-PLS方法预测了蒙古栎的相关力学性能。尽管近红外光谱分析技术可以对实木板材力学性能和缺陷类别进行预测和识别，但是如何应用该技术完成缺陷板材力学性能分析还尚未开展。
技术实现思路
本专利技术的目的是提供一种基于近红外光谱分析的实木板材节子形态反演方法，以利用近红外光谱分析技术准确地刻画出节子在木材内部的形态，进而对实木板材力学性能和缺陷类别进行准确预测与识别。本专利技术为解决上述技术问题采取的技术方案是：一种基于近红外光谱分析的实木板材节子形态反演方法，所述方法的实现过程为：训练过程：首先利用图像处理技术提取实木板材上、下表面节子的缺陷边界区域，找出上下表面节子缺陷边界上相对应的边界点，及节子缺陷表面的中心位置，得到实木板材一个表面上的节子缺陷边界点A、该点所在缺陷表面对应的中心点O、及与该点对应的另一表面上的缺陷边界点A′所构成的边界点倾角OAA′，利用近红外光谱分析仪采集缺陷边界点倾角的光谱信息，对所述光谱信息进行预处理后得到有效的训练集；运用ISOMAP对训练集内的缺陷边界点倾角的光谱信息进行有效提取，以提取的缺陷边界点倾角的光谱有效特征为输入、以缺陷边界点倾角角度为输出，构建出小波神经网络从而得到光谱有效特征与边界点倾角OAA之间的非线性映射关系；检测过程：首先利用图像处理技术提取实木板材某一表面节子的缺陷边界区域，找出该表面节子缺陷边界上多个边界点；利用近红外光谱分析仪采集所述多个边界点的光谱信息，并进行基线漂移与去噪处理，提取出每个光谱的有效特征输入给训练好的小波神经网络，得到每个缺陷边界点倾角角度，利用这些倾角角度通过Solidworks软件实现节子椎体模型的三维呈现。在训练过程中对所述光谱信息进行预处理包括：先进行基线漂移与去噪处理，再运用主成分与马氏距离结合剔除异常光谱，然后利用K-S划分校正样本集。运用ISOMAP对训练集内的缺陷边界点倾角的光谱信息进行有效提取，其过程为：在采用Isomap算法对板材缺陷边缘光谱特征降维时，设定降维数范围d为1～15，近邻k的范围为2～20，选取d和k的不同组合对数据降维效果进行测试，当k＝19，d＝12时，具有最小的SECV值为12.53，缺陷角度预测相关系数R为0.83，预测相对分析误差RPD为1.80。将Isomap优化后的每个光谱的有效特征12维数据作为输入，输出为1维数据，采用小波神经网络模型预测板材缺陷角度，将小波神经网络的隐含层节点设置为14，小波神经网络的小波基函数采用Morlet函数，设定的学习速率、期望误差、学习次数分别为0.01、0.001、1000，运用103个样本进行训练得到训练好的小波神经网络模型用于边界点倾角预测。先进行基线漂移与去噪处理的过程为：首先对缺陷样本的近红外光谱进行一阶导数处理得到导数光谱，一阶导数光谱预处理方法如下：式中，xt为波长t处的离散光谱，g为窗口宽度；然后，采用S-G平滑处理去掉光谱高频噪声，提高信噪比，计算波长t处经平滑后的平均值公式如下：式中，xt,smooth为平滑后波长t处的数值，hi为S-G平滑系数，H为归一化因子，w为平滑窗口大小；运用主成分与马氏距离结合剔除异常光谱的过程为：将缺陷边缘点样本光谱与平均光谱在主成分空间中相似度低的样本视为异常，通过选用不同的权重系数e值来对阈值范围进行大小调整，并采用模型预测结果来剔除异常样本，计算奇异样本存在的阈值范围如下：式中，At为阈值范围，为近红外光谱数据到平均光谱在主成分空间中的马氏矩阵平均值；σ为A的标准差；e为调整阈值范围的权重系数；缺陷边缘点样本i的光谱数据为Ai，当Ai-At值越小，表明两者相似度越高；反之亦然。因此，e值越大，相似度随之增高；反之，相似度越低；利用K-S划分校正样本集的过程为：(1)在缺陷光谱样本n中，设置校正集样本个数m；(2)计算光谱之间的欧式距离lij，选择lij最大的样本n1和n2进入校正集；(3)分别计算其余光谱与校正集光谱的距离，并取最小值构成集合l，l＝min(l1v,l2v,,…,lqv)，其中，1～q表示选入校正集样本的编号，v表示剩余的待选样本的编号；(4)选取l中最大值对应的样本进入校正集，该样本为距离已有校正样本最远的样本；(5)依次重复进行步骤(3)、(4)，直至校正集样本个数达到预先设定的数目m。所述小波神经网络采用小波基函数代替BP网络隐含层的激活函数，小波神经网络的输入参数为缺陷样本点优选出的特征波长点，小波神经网络的预测输出为缺陷点的倾角；在输入信号序列为xi(i＝1,2,…,k)时，小波神经网络的隐含层输出计算公式为：式中，h(j)为小波神经网络的隐含层第j个节点的输出，wij为小波神经网络的输入层和隐含层的连接权值，hj为小波基函数，bj为hj的平移因子，aj为hj的伸缩因子；小波神经网络输出层的计算公本文档来自技高网...

【技术保护点】
1.一种基于近红外光谱分析的实木板材节子形态反演方法，其特征在于，所述方法的实现过程为：训练过程：首先利用图像处理技术提取实木板材上、下表面节子的缺陷边界区域，找出上下表面节子缺陷边界上相对应的边界点，及节子缺陷表面的中心位置，得到实木板材一个表面上的节子缺陷边界点A、该点所在缺陷表面对应的中心点O、及与该点对应的另一表面上的缺陷边界点A′所构成的边界点倾角OAA′，利用近红外光谱分析仪采集缺陷边界点倾角的光谱信息，对所述光谱信息进行预处理后得到有效的训练集；运用ISOMAP对训练集内的缺陷边界点倾角的光谱信息进行有效提取，以提取的缺陷边界点倾角的光谱有效特征为输入、以缺陷边界点倾角角度为输出，构建出小波神经网络从而得到光谱有效特征与边界点倾角OAA之间的非线性映射关系；检测过程：首先利用图像处理技术提取实木板材某一表面节子的缺陷边界区域，找出该表面节子缺陷边界上多个边界点；利用近红外光谱分析仪采集所述多个边界点的光谱信息，并进行基线漂移与去噪处理，提取出每个光谱的有效特征输入给训练好的小波神经网络，得到每个缺陷边界点倾角角度，利用这些倾角角度通过Solidworks软件实现节子椎体模型的三维呈现。...

【技术特征摘要】
1.一种基于近红外光谱分析的实木板材节子形态反演方法，其特征在于，所述方法的实现过程为：训练过程：首先利用图像处理技术提取实木板材上、下表面节子的缺陷边界区域，找出上下表面节子缺陷边界上相对应的边界点，及节子缺陷表面的中心位置，得到实木板材一个表面上的节子缺陷边界点A、该点所在缺陷表面对应的中心点O、及与该点对应的另一表面上的缺陷边界点A′所构成的边界点倾角OAA′，利用近红外光谱分析仪采集缺陷边界点倾角的光谱信息，对所述光谱信息进行预处理后得到有效的训练集；运用ISOMAP对训练集内的缺陷边界点倾角的光谱信息进行有效提取，以提取的缺陷边界点倾角的光谱有效特征为输入、以缺陷边界点倾角角度为输出，构建出小波神经网络从而得到光谱有效特征与边界点倾角OAA之间的非线性映射关系；检测过程：首先利用图像处理技术提取实木板材某一表面节子的缺陷边界区域，找出该表面节子缺陷边界上多个边界点；利用近红外光谱分析仪采集所述多个边界点的光谱信息，并进行基线漂移与去噪处理，提取出每个光谱的有效特征输入给训练好的小波神经网络，得到每个缺陷边界点倾角角度，利用这些倾角角度通过Solidworks软件实现节子椎体模型的三维呈现。2.根据权利要求1所述的基于近红外光谱分析的实木板材节子形态反演方法，其特征在于，在训练过程中对所述光谱信息进行预处理包括：先进行基线漂移与去噪处理，再运用主成分与马氏距离结合剔除异常光谱，然后利用K-S划分校正样本集。3.根据权利要求2所述的基于近红外光谱分析的实木板材节子形态反演方法，其特征在于，运用ISOMAP对训练集内的缺陷边界点倾角的光谱信息进行有效提取，其过程为：在采用Isomap算法对板材缺陷边缘光谱特征降维时，设定降维数范围d为1～15，近邻k的范围为2～20，选取d和k的不同组合对数据降维效果进行测试，当k＝19，d＝12时，具有最小的SECV值为12.53，缺陷角度预测相关系数R为0.83，预测相对分析误差RPD为1.80。4.根据权利要求3所述的基于近红外光谱分析的实木板材节子形态反演方法，其特征在于，将Isomap优化后的每个光谱的有效特征12维数据作为输入，输出为1维数据，采用小波神经网络模型预测板材缺陷角度，将小波神经网络的隐含层节点设置为14，小波神经网络的小波基函数采用Morlet函数，设定的学习速率、期望误差、学习次数分别为0.01、0.001、1000，运用103个样本进行训练得到训练好的小波神经网络模型用于边...

【专利技术属性】
技术研发人员：于慧伶，张怡卓，张淼，梁玉亮，候弘毅，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：黑龙江,23