實(shí)木木材是基本的木材工業(yè)產(chǎn)品,不同木材具有不同的特性參數(shù)（例如木材樹種、密度、強(qiáng)度、含水率、表面粗糙度等）,導(dǎo)致木材的用途、物理性能及價(jià)格差別很大。因此,對(duì)上述木材屬性進(jìn)行檢測是木材質(zhì)量檢測的重要內(nèi)容。可見光/近紅外光譜分析技術(shù)具有成本低、效率高、速度快、無損、檢測方便、測試重現(xiàn)性好等優(yōu)點(diǎn),本文利用其對(duì)木材樹種與密度的檢測進(jìn)行了新的研究與探索。首先,針對(duì)目前木材檢測模型都是基于某些特定樹種建立的因而無法拒絕非訓(xùn)練類異常樹種,以及傳統(tǒng)的樹種檢測模型需要正類與負(fù)類兩種樣本而異常樹種種類繁多無法全部獲取的問題,提出采用單類分類方法建立異常樹種檢測模型,該法只需對(duì)正類樹種樣本進(jìn)行學(xué)習(xí)而無需異常樹種的參與,最后通過對(duì)比閾值判別樣本是否異常。本文對(duì)比了由BP神經(jīng)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)和支持向量數(shù)據(jù)描述所構(gòu)造的三種單類分類器的檢測效果,結(jié)果表明,由BP構(gòu)造的單類分類器檢測效果較好。同時(shí),提出一種由RBF-BP組合神經(jīng)網(wǎng)絡(luò)構(gòu)造的單類分類器,實(shí)驗(yàn)表明,該模型能夠有效增大正類樹種和異常樹種之間的差異性,從而降低誤報(bào)率、提高異常檢測率與總體檢測率。其次,針對(duì)在木材特性參數(shù)檢測研究中若要對(duì)木材的多項(xiàng)屬性進(jìn)行... 

【文章來源】：東北林業(yè)大學(xué)黑龍江省 211工程院校 教育部直屬院校

【文章頁數(shù)】：97 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 木材密度檢測
        1.2.2 樹種檢測
        1.2.3 近紅外光譜技術(shù)在木材檢測中的應(yīng)用
    1.3 主要研究內(nèi)容及技術(shù)路線
    1.4 論文結(jié)構(gòu)安排
2 可見光/近紅外光譜分析技術(shù)理論基礎(chǔ)
    2.1 可見光/近紅外光譜簡介
    2.2 可見光/近紅外光譜的原理
    2.3 近紅外光譜分析技術(shù)的流程
        2.3.1 樣本集劃分
        2.3.2 光譜數(shù)據(jù)預(yù)處理
        2.3.3 光譜數(shù)據(jù)降維
        2.3.4 模型建立
        2.3.5 模型性能評(píng)價(jià)
    2.4 本章小結(jié)
3 基于可見光/近紅外光譜的異常樹種檢測研究
    3.1 引言
    3.2 材料與方法
        3.2.1 實(shí)驗(yàn)樣本制備
        3.2.2 可見光/近紅外光譜采集
        3.2.3 樣本集劃分
        3.2.4 異常樹種檢測模型
        3.2.5 模型評(píng)價(jià)方法
    3.3 結(jié)果與討論
        3.3.1 可見光/近紅外光譜分析及預(yù)處理
        3.3.2 光譜數(shù)據(jù)降維
        3.3.3 模型的建立及實(shí)驗(yàn)結(jié)果分析
        3.3.4 模型改進(jìn)及實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
4 基于可見光/近紅外光譜的樹種與密度同時(shí)檢測研究
    4.1 引言
    4.2 材料與方法
        4.2.1 實(shí)驗(yàn)樣本及其密度測定
        4.2.2 樹種與密度同時(shí)檢測模型
        4.2.3 模型評(píng)價(jià)方法
    4.3 結(jié)果與討論
        4.3.1 光譜數(shù)據(jù)預(yù)處理
        4.3.2 光譜數(shù)據(jù)降維
        4.3.3 模型的建立及實(shí)驗(yàn)結(jié)果分析
    4.4 本章小結(jié)
5 基于可見光/近紅外光譜的未知樹種類別數(shù)自動(dòng)化檢測
    5.1 引言
    5.2 材料與方法
        5.2.1 實(shí)驗(yàn)樣本及光譜數(shù)據(jù)
        5.2.2 t-分布隨機(jī)鄰域嵌入降維算法
        5.2.3 密度峰值快速搜索聚類算法
        5.2.4 聚類有效性評(píng)價(jià)
        5.2.5 樹種類別數(shù)自動(dòng)化檢測
    5.3 結(jié)果與討論
        5.3.1 光譜降維結(jié)果可視化
        5.3.2 樹種類別數(shù)自動(dòng)化檢測結(jié)果分析
        5.3.3 聚類效果分析
    5.4 本章小結(jié)
6 原型系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    6.1 引言
    6.2 系統(tǒng)設(shè)計(jì)
        6.2.1 實(shí)現(xiàn)目標(biāo)
        6.2.2 模塊構(gòu)成
        6.2.3 開發(fā)環(huán)境
    6.3 系統(tǒng)的實(shí)現(xiàn)
        6.3.1 系統(tǒng)界面
        6.3.2 數(shù)據(jù)管理
        6.3.3 光譜顯示
        6.3.4 模型訓(xùn)練
        6.3.5 檢測模塊
    6.4 本章總結(jié)
結(jié)論
參考文獻(xiàn)
附錄
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝
附件


【參考文獻(xiàn)】：
期刊論文
[1]材性快速評(píng)估技術(shù)在刨花楠活立木木材密度和彈性模量預(yù)測中的應(yīng)用[J]. 冷春暉,易敏,張露,胡松竹,羅海,溫婷,賴猛.  林業(yè)工程學(xué)報(bào). 2018(06)
[2]基于針刺儀測定技術(shù)的濕地松木材密度間接選擇效果[J]. 趙奮成,郭文冰,鐘歲英,鄧樂平,吳惠姍,林昌明,廖仿炎,譚志強(qiáng),李義良.  林業(yè)科學(xué). 2018(10)
[3]基于密度峰值與密度聚類的集成算法[J]. 王治和,黃夢(mèng)瑩,杜輝,秦紅武.  計(jì)算機(jī)應(yīng)用. 2019(02)
[4]基于改進(jìn)的密度峰值算法的K-means算法[J]. 杜洪波,白阿珍,朱立軍.  統(tǒng)計(jì)與決策. 2018(18)
[5]基于SOM-BP的風(fēng)機(jī)故障智能診斷[J]. 魏同發(fā).  智慧工廠. 2018(08)
[6]SOM神經(jīng)網(wǎng)絡(luò)對(duì)永磁同步電機(jī)的故障診斷[J]. 陳世游,陸海,張少泉,陳曉云.  軟件. 2018(08)
[7]基于樣本選擇與PSO-ANN的葡萄酒酒精濃度預(yù)測[J]. 王巧云,鄭念祖.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(07)
[8]近紅外光譜技術(shù)快速檢測蓮子粉[J]. 付才力,李穎,陳荔凡,汪少蕓,王武.  光譜學(xué)與光譜分析. 2018(02)
[9]可變網(wǎng)格優(yōu)化的K-means聚類方法[J]. 萬靜,張超,何云斌,李松.  小型微型計(jì)算機(jī)系統(tǒng). 2018(01)
[10]基于無損檢測技術(shù)的濕地松生長及材性性狀遺傳變異分析[J]. 張帥楠,欒啟福,姜景民.  林業(yè)科學(xué). 2017(06)

碩士論文
[1]基于近紅外光譜分析的實(shí)木基本密度檢測方法研究[D]. 涂文俊.東北林業(yè)大學(xué) 2017
[2]基于近鄰規(guī)則的間歇過程故障檢測算法研究[D]. 陳川.電子科技大學(xué) 2015
[3]網(wǎng)絡(luò)入侵檢測中機(jī)器學(xué)習(xí)方法的應(yīng)用研究[D]. 賈偉峰.電子科技大學(xué) 2009



本文編號(hào)：3184640