一种基于参数校正和迁移学习的近红外木材密度检测方法技术

本发明专利技术公开了一种基于参数校正和迁移学习的近红外木材密度检测方法。该方法包括：获取不同测量条件所测木材密度近红外光谱数据，数据预处理并划分样本集，训练Resnet网络预训练主模型，将网络超参数迁移至从模型，微调从模型的权重参数，保存预测效果最优的预训练模型；将SVR设为Resnet网络模型的回归器和TrAdaBoost.R2迁移学习框架的学习算法，用粒子群算法优化SVR的超参数；将测试集光谱数据输入主从预训练模型提取甁颈特征并分别输入TrAdaBoost.R2迁移学习框架循环训练；最后输出木材密度的预测结果。本发明专利技术克服了传统预测流程中设备性能溢出和成本高的问题，将预测成本控制在合理水平，且适合于小样本量的光谱预测，同时能动态调整样本权值，在实际生产中有更强的泛化能力和准确性。更强的泛化能力和准确性。更强的泛化能力和准确性。

【技术实现步骤摘要】
一种基于参数校正和迁移学习的近红外木材密度检测方法


[0001]本专利技术涉及光谱检测与光谱模型传递领域，主要涉及木材密度无损检测领域，具体为一种基于参数校正和迁移学习的近红外木材密度检测方法。

技术介绍

[0002]木材密度是检验木材力学性能的重要物理性质，也是鉴定木材质量的重要指标。在林业领域，木材密度可以用来预测木材的物理和机械性能，如湿胀度，硬度和强度。木材性质的准确预测与评价可为材料改良、人工林培育、提高木材综合利用率、木结构建筑物的修复与维护等方面提供理论和科学依据。因此，快速准确地获取木材密度对现代林业生产具有重要意义。传统的木材密度检测方法包括排水法、称重法和基于机械力的密度检测法。然而，上述方法过程复杂且耗时，不利于大量木材的检测。近红外光谱技术的原理是记录样品分子水平上含氢基团的组合振动，这可以与化学计量学技术结合，对木材特性进行快速、非破坏性的定性和定量分析。
[0003]然而，近红外光谱数据的强共线性、光谱对设备和环境的超灵敏度以及预测模型性能差仍然是光谱技术在木材密度估测中广泛应用的主要障碍。目前已经提出了多种模型传递方法，可以提高模型的泛化能力，改善不同数据集间的差异，但效果参差不齐，大多不理想。而且大多数模型传递方法受到数据维数和样本容量的限制，不能灵活地处理相关问题。
[0004]目前已有相关技术将深度学习和迁移学习方法应用于光谱模型传递技术中，CNN网络在许多领域得到了广泛应用且验证了其具有很强的特征提取能力，将CNN网络作为特征提取器，可以提高线性不可分的光谱数据集的可分割度，但CNN的执行条件需要大量样本，而且每个样本在训练过程中都会影响分类超平面的位置，这无疑会导致小样本数据(如光谱数据)的预测精度大大降低。与CNN的原理不同，SVR将非线性特征映射到高维空间来实现分类，一些研究证明，使用SVR作为CNN的回归器可以提高CNN对小样本数据集的预测能力，虽然CNN
‑
SVR可以降低CNN模型过拟合的风险，但在迁移学习域，当源域和目标域的样本权重变化较大时，CNN
‑
SVR也缺乏动态调整样本权值的能力。同时，CNN
‑
SVR不能及时更新超平面划分规则，在面对实际生产中不可预测的外部干扰时缺乏灵活性。

技术实现思路

[0005]基于此，为解决上述技术问题，本专利技术选择了特征提取能力更强层数更深的Resnet网络，并将SVR作为Resnet网络的回归器，同时在网络训练的过程中调用TrAdaBoost.R2算法实时调整样本权重，提出了一种预测精度更高，泛化能力更强的近红外木材密度检测方法。
[0006]为达到上述目的，本专利技术是通过以下技术方案解决上述技术问题的：
[0007]本专利技术提供了一种基于参数校正和迁移学习的近红外木材密度检测方法，具体包括：
[0008]S1：木材样品收集、光谱采集，收集若干木材样品并编号，采用排水法测得木材密度，将样品分别置于不同的温度、湿度等环境条件下，采集不同环境条件下木材样品的近红外光谱，所述环境条件均为单一变量；
[0009]S2：光谱数据预处理，采用平滑、标准正态变量校正等传统光谱预处理方法预处理光谱数据，增大信噪比，消除干扰，获得预处理后的标准化光谱矩阵，所述标准化光谱矩阵中的不同行对应不同样品的光谱，与编号一一对应；
[0010]S3：划分样品集，将所述标准化光谱矩阵划分为训练集和测试集，包括源域和目标域数据集的训练集和测试集，所述源域的训练集和测试集为测量木材密度所在环境条件下采集的光谱数据集，目标域的训练集和测试集为其他环境条件下采集的光谱数据集；
[0011]S4：构建主从Resnet网络预训练模型，将源域和目标域训练集分别输入进行多次训练后，保存具有最佳预测能力的主预训练模型，将其超参数值迁移到从预训练模型中，微调从预训练模型的权值参数，使其达到最优并保存；
[0012]S5：将SVR设为所述Resnet网络的回归器和TrAdaBoost.R2迁移学习框架的学习算法，用粒子群算法优化SVR的超参数；
[0013]S6：将Resnet网络作为特征提取器，将源域和目标域测试集分别输入主从Resnet网络预训练模型提取甁颈特征，所述甁颈特征为Resnet网络提取的低维有效特征，可显著提高光谱数据的可读性和可学习性；
[0014]S7：将所述主从预训练模型提取的甁颈特征分别输入TrAdaBoost.R2迁移学习框架循环训练，并输出木材密度预测结果。
[0015]进一步的，步骤S1中所述的排水法测木材密度参照了国家标准《木材密度测定方法(GB/T 1933
‑
2009)》，且为控制单一环境变量，实验中所述木材样品被放置在恒温恒湿箱中至少48小时。
[0016]进一步的，步骤S1中所述的采用近红外光谱仪扫描木材样品光谱，在样品同一位置重复扫描3次取平均值，每次扫描时间约为1.5秒，在设定的扫描周期内连续扫描样品30次，扫描范围为350
‑
2500nm。
[0017]进一步的，步骤S2中所述的光谱预处理方法具体为：先采用Savitzky
‑
Golay滤波法对步骤S1中采集的原始光谱进行21点3阶的平滑处理，消除噪声，然后使用标准正态变量校正法消除样品表面颗粒大小和散射对光谱的影响。
[0018]进一步的，步骤S4中所述的Resnet网络预训练模型主要由1个输入层(Input)、若干个卷积块(Basic block)、1个展平层(Flatten)、若干个全连接层(Fc)和1个输出层(Output)依次连接构成，所述卷积块包括由两个卷积层(Conv)、批归一化层(BN)和一条捷径组成，所述展平层是将最后一个池化层的输出结果按序排列连接，所述输入层为原始的光谱曲线，所述输出层为定量分析的预测值。
[0019]进一步的，步骤S4中所述的Resnet网络预训练模型中，将除输出层之外的每一层的激活函数设置为校正线性元函数(RELU)，并将输出层的激活函数设置为线性函数(Line)，以使网络成为回归模型，ADAM优化器用于训练网络的超参数，以均方误差(MSE)作为Resnet的损失函数，选择决定系数(R2)和平均绝对误差(MAE)作为模型的评价指标，为了避免模型陷入局部最优，引入了Keras提供的ReduceLROnPlatform函数和EarlyStopping函数。
[0020]进一步的，步骤S5中所述的SVR的核函数确定为径向基函数(RBF)，并利用粒子群优化算法(PSO)对SVR的超参数(惩罚因子C、核参数等)进行优化，在PSO中，种群大小被设置为50，个体学习因子c1＝1.5，社会学习因子c2＝1.7，最大迭代次数被设置为50，并且交叉验证折数被设置为10折。
[0021]进一步的，步骤S5中所述的TrAdaBoost.R2的具体步骤如下：
[0022]初始化主从预训练模型提取的瓶颈特征的权重向量w
1i
分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于参数校正和迁移学习的近红外木材密度检测方法，其特征在于，所述方法包括：S1：木材样品收集、光谱采集，收集若干木材样品并编号，采用排水法测得木材密度，将样品分别置于不同的温度、湿度等环境条件下，采集不同环境条件下木材样品的近红外光谱，所述环境条件均为单一变量；S2：光谱数据预处理，采用平滑、标准正态变量校正等传统光谱预处理方法预处理光谱数据，增大信噪比，消除干扰，获得预处理后的标准化光谱矩阵，所述标准化光谱矩阵中的不同行对应不同样品的光谱，与编号一一对应；S3：划分样品集，将所述标准化光谱矩阵划分为训练集和测试集，包括源域和目标域数据集的训练集和测试集，所述源域的训练集和测试集为测量木材密度所在环境条件下采集的光谱数据集，目标域的训练集和测试集为其他环境条件下采集的光谱数据集；S4：构建主从Resnet网络预训练模型，将源域和目标域训练集分别输入进行多次训练后，保存具有最佳预测能力的主预训练模型，将其超参数值迁移到从预训练模型中，微调从预训练模型的权值参数，使其达到最优并保存；S5：将SVR设为所述Resnet网络的回归器和TrAdaBoost.R2迁移学习框架的学习算法，用粒子群算法优化SVR的超参数；S6：将Resnet网络作为特征提取器，将源域和目标域测试集分别输入主从Resnet网络预训练模型提取甁颈特征，所述甁颈特征为Resnet网络提取的低维有效特征，可显著提高光谱数据的可读性和可学习性；S7：将所述主从预训练模型提取的甁颈特征分别输入TrAdaBoost.R2迁移学习框架循环训练，并输出木材密度预测结果。2.根据权利要求1所述的一种基于参数校正和迁移学习的近红外木材密度检测方法，其特征在于，所述步骤S1中采用排水法测木材密度参照了国家标准《木材密度测定方法(GB/T1933
‑
2009)》，且为控制单一环境变量，实验中所述木材样品被放置在恒温恒湿箱中至少48小时。3.根据权利要求1所述的一种基于参数校正和迁移学习的近红外木材密度检测方法，其特征在于，所述步骤S1中采用近红外光谱仪扫描木材样品光谱，在样品同一位置重复扫描3次取平均值，每次扫描时间约为1.5秒，在设定的扫描周期内连续扫描样品30次，扫描范围为350
‑
2500nm。4.根据权利要求1所述的一种基于参数校正和迁移学习的近红外木材密度检测方法，其特征在于，所述步骤S2中光谱预处理方法具体为：先采用Savitzky
‑
Golay滤波法对步骤S1中采集的原始光谱进行21点3阶的平滑处理，消除噪声，然后使用标准正态变量校正法消除样品表面颗粒大小和散射对光谱的影响。5.根据权利要求1所述的一种基于参数校正和迁移学习的近红外木材密度检测方法，其特征在于，所述步骤S4中的Resnet网络预训练模型主要由1个输入层(Input)、若干个卷积块(Basic block)、1个展平层(Flatten)、若干个全连接层(Fc)和1个输出层(Output)依...

【专利技术属性】
技术研发人员：张哲宇，李耀翔，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：