目前,我國樂器制作行業(yè)在古箏面板木材等級的篩選上主要依賴于技師的主觀評判,但此法具有缺少理論客觀性和效率低等劣勢,這使得選材的客觀性及出材率的提高等方面受到限制,并且現(xiàn)有判別木材等級模式無法滿足樂器市場的大量需求,所以實現(xiàn)古箏面板木材快速、智能化的分級工作是一個急需解決的課題。近紅外光譜包含待測物體的分子結(jié)構(gòu)信息,非常適用于測量含氫的有機物質(zhì)。古箏面板木材主要化學成分化學鍵均由含氫基團組成,不同等級板材的化學成分存在差異,這些差異通過近紅外光反映在光譜數(shù)據(jù)中,這為判斷木材等級提供了可能。同時因卷積神經(jīng)網(wǎng)絡對非線性數(shù)據(jù)具有較強的特征提取能力,所以本文提出一種應用卷積神經(jīng)網(wǎng)絡模型對光譜數(shù)據(jù)進行分析的方法,進而判別古箏面板木材等級,主要的研究內(nèi)容如下:（1）針對對近紅外光譜數(shù)據(jù)進行去噪和減少實驗計算量的問題,本文提出采用光譜預處理和數(shù)據(jù)壓縮方法。通過對比分析多元散射校正、標準正態(tài)變量變換和二階導數(shù)求導（Savitzky-Golay）等多種預處理方法,以平滑效果可視化、均方根誤差和數(shù)據(jù)信號平方和為評價指標,確定最終預處理方法為Savitzky-Golay二階導數(shù),濾波窗口大小為15。然后通過對... 

【文章來源】：東北林業(yè)大學黑龍江省 211工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

圖２－３線性分類問題最優(yōu)分割面圖??Ｆｉｇ．２－３?Ｏｐｔｉｍａｌ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｓｕｒｆａｃｅ?ｆｏｒ?ｌｉｎｅａｒ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｂｌｅｍｓ??

?東北林業(yè)大學碩士學位論文???！??Ｌ?＂＊＊－＊９１■ｉ??圖３－１近紅外光譜儀器圖??Ｆｉｇ．３－１?Ｎｅａｒ?ｉｎｆｒａｒｅｄ?ｓｐｅｃｔｒｕｍ?ｉｎｓｔｒｕｍｅｎｔ??經(jīng)采集獲得的不同等級古箏面板木材原始光譜數(shù)據(jù)如圖３－２所示，共５４００條。??：：｜??９００?１０００?１１００?１２００?１３００?１４００?１５００?１６００?１７００??ｗａｖｅｌｅｎｇｔｈ（ｎｍ）??圖３－２古箏面板用木材光譜數(shù)據(jù)??Ｆｉｇ．３－２?Ｓｐｅｃｔｒａｌ?ｄａｔａ?ｏｆ?Ｃｈｉｎｅｓｅ?ｚｉｔｈｅｒ?ｐａｎｅｌｓ??從圖３－２可以看出古箏面板原始光譜首末端數(shù)據(jù)多為噪聲，有效信息較弱。為提高??實驗判別效率將其剔除，經(jīng)過剔除本文最終用于實驗分析的波段為９２９．２］－】６５３．４３ｎｍ。??３．２前端處理分析流程??本章對古箏面板木材光譜數(shù)據(jù)進行整體的數(shù)據(jù)前端處理分析流程如圖３－３所示。??古箏浥板木材光譜數(shù)據(jù)集－???＾???剔除異常樣本＾???ｉ???光譜預炎理‘］???＼ｊ／???數(shù)據(jù)降維．．??Ｉ???＾???Ｖ???主成分分析?＜?連續(xù)投影算法＊？??圖３－３光譜數(shù)據(jù)前端處理流程??－２０－??

?東北林業(yè)大學碩士學位論文???！??Ｌ?＂＊＊－＊９１■ｉ??圖３－１近紅外光譜儀器圖??Ｆｉｇ．３－１?Ｎｅａｒ?ｉｎｆｒａｒｅｄ?ｓｐｅｃｔｒｕｍ?ｉｎｓｔｒｕｍｅｎｔ??經(jīng)采集獲得的不同等級古箏面板木材原始光譜數(shù)據(jù)如圖３－２所示，共５４００條。??：：｜??９００?１０００?１１００?１２００?１３００?１４００?１５００?１６００?１７００??ｗａｖｅｌｅｎｇｔｈ（ｎｍ）??圖３－２古箏面板用木材光譜數(shù)據(jù)??Ｆｉｇ．３－２?Ｓｐｅｃｔｒａｌ?ｄａｔａ?ｏｆ?Ｃｈｉｎｅｓｅ?ｚｉｔｈｅｒ?ｐａｎｅｌｓ??從圖３－２可以看出古箏面板原始光譜首末端數(shù)據(jù)多為噪聲，有效信息較弱。為提高??實驗判別效率將其剔除，經(jīng)過剔除本文最終用于實驗分析的波段為９２９．２］－】６５３．４３ｎｍ。??３．２前端處理分析流程??本章對古箏面板木材光譜數(shù)據(jù)進行整體的數(shù)據(jù)前端處理分析流程如圖３－３所示。??古箏浥板木材光譜數(shù)據(jù)集－???＾???剔除異常樣本＾???ｉ???光譜預炎理‘］???＼ｊ／???數(shù)據(jù)降維．．??Ｉ???＾???Ｖ???主成分分析?＜?連續(xù)投影算法＊？??圖３－３光譜數(shù)據(jù)前端處理流程??－２０－??

【參考文獻】：
期刊論文
[1]基于深度學習的樹種圖像自動識別[J]. 劉嘉政,王雪峰,王甜.  南京林業(yè)大學學報(自然科學版). 2020(01)
[2]基于卷積神經(jīng)網(wǎng)絡的高分二號影像林分類型分類[J]. 江濤,王新杰.  北京林業(yè)大學學報. 2019(09)
[3]基于遷移學習的樹種識別[J]. 高旋,趙亞鳳,熊強,陳喆.  森林工程. 2019(05)
[4]應用隨機森林算法檢測琵琶共鳴板振動特性及聲學品質(zhì)評價[J]. 楊揚,劉鎮(zhèn)波,劉一星,蔣大鵬.  東北林業(yè)大學學報. 2019(08)
[5]基于極限學習機的船舶柴油機故障診斷[J]. 吳建波,王春艷,洪華軍,方偉.  計算機工程與應用. 2019(15)
[6]基于全卷積神經(jīng)網(wǎng)絡的云杉圖像分割算法[J]. 陳鋒軍,王成翰,顧夢夢,趙燕東.  農(nóng)業(yè)機械學報. 2018(12)
[7]基于卷積神經(jīng)網(wǎng)絡的煙葉近紅外光譜分類建模方法研究[J]. 魯夢瑤,楊凱,宋鵬飛,束茹欣,王蘿萍,楊玉清,劉慧,李軍會,趙龍蓮,張曄暉.  光譜學與光譜分析. 2018(12)
[8]火炬松木材基本密度和纖維長度近紅外模型的建立與應用[J]. 蔣開彬,牛品,王博,林艷,何紫迪,黃少偉.  福建農(nóng)林大學學報(自然科學版). 2018(06)
[9]不同近紅外光譜預處理方法對胡楊葉片含水量檢測模型的影響[J]. 胡艷培,白鐵成,陳好斌,姚江河,劉冠華,楊洪坤.  江蘇農(nóng)業(yè)科學. 2018(19)
[10]基于卷積神經(jīng)網(wǎng)絡和近紅外光譜的土壤有機碳預測模型[J]. 史楊,王儒敬,汪玉冰.  計算機應用與軟件. 2018(10)



本文編號：3039712