實木木材是基本的木材工業(yè)產品,不同木材具有不同的特性參數（例如木材樹種、密度、強度、含水率、表面粗糙度等）,導致木材的用途、物理性能及價格差別很大。因此,對上述木材屬性進行檢測是木材質量檢測的重要內容�？梢姽�/近紅外光譜分析技術具有成本低、效率高、速度快、無損、檢測方便、測試重現性好等優(yōu)點,本文利用其對木材樹種與密度的檢測進行了新的研究與探索。首先,針對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練類異常樹種,以及傳統(tǒng)的樹種檢測模型需要正類與負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,該法只需對正類樹種樣本進行學習而無需異常樹種的參與,最后通過對比閾值判別樣本是否異常。本文對比了由BP神經網絡、自組織特征映射網絡和支持向量數據描述所構造的三種單類分類器的檢測效果,結果表明,由BP構造的單類分類器檢測效果較好。同時,提出一種由RBF-BP組合神經網絡構造的單類分類器,實驗表明,該模型能夠有效增大正類樹種和異常樹種之間的差異性,從而降低誤報率、提高異常檢測率與總體檢測率。其次,針對在木材特性參數檢測研究中若要對木材的多項屬性進行... 

【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】：97 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究目的和意義
    1.2 國內外研究現狀
        1.2.1 木材密度檢測
        1.2.2 樹種檢測
        1.2.3 近紅外光譜技術在木材檢測中的應用
    1.3 主要研究內容及技術路線
    1.4 論文結構安排
2 可見光/近紅外光譜分析技術理論基礎
    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的流程
        2.3.1 樣本集劃分
        2.3.2 光譜數據預處理
        2.3.3 光譜數據降維
        2.3.4 模型建立
        2.3.5 模型性能評價
    2.4 本章小結
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 實驗樣本制備
        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 模型評價方法
    3.3 結果與討論
        3.3.1 可見光/近紅外光譜分析及預處理
        3.3.2 光譜數據降維
        3.3.3 模型的建立及實驗結果分析
        3.3.4 模型改進及實驗結果分析
    3.4 本章小結
4 基于可見光/近紅外光譜的樹種與密度同時檢測研究
    4.1 引言
    4.2 材料與方法
        4.2.1 實驗樣本及其密度測定
        4.2.2 樹種與密度同時檢測模型
        4.2.3 模型評價方法
    4.3 結果與討論
        4.3.1 光譜數據預處理
        4.3.2 光譜數據降維
        4.3.3 模型的建立及實驗結果分析
    4.4 本章小結
5 基于可見光/近紅外光譜的未知樹種類別數自動化檢測
    5.1 引言
    5.2 材料與方法
        5.2.1 實驗樣本及光譜數據
        5.2.2 t-分布隨機鄰域嵌入降維算法
        5.2.3 密度峰值快速搜索聚類算法
        5.2.4 聚類有效性評價
        5.2.5 樹種類別數自動化檢測
    5.3 結果與討論
        5.3.1 光譜降維結果可視化
        5.3.2 樹種類別數自動化檢測結果分析
        5.3.3 聚類效果分析
    5.4 本章小結
6 原型系統(tǒng)的設計與實現
    6.1 引言
    6.2 系統(tǒng)設計
        6.2.1 實現目標
        6.2.2 模塊構成
        6.2.3 開發(fā)環(huán)境
    6.3 系統(tǒng)的實現
        6.3.1 系統(tǒng)界面
        6.3.2 數據管理
        6.3.3 光譜顯示
        6.3.4 模型訓練
        6.3.5 檢測模塊
    6.4 本章總結
結論
參考文獻
附錄
攻讀學位期間發(fā)表的學術論文
致謝
附件


【參考文獻】：
期刊論文
[1]材性快速評估技術在刨花楠活立木木材密度和彈性模量預測中的應用[J]. 冷春暉,易敏,張露,胡松竹,羅海,溫婷,賴猛.  林業(yè)工程學報. 2018(06)
[2]基于針刺儀測定技術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,李義良.  林業(yè)科學. 2018(10)
[3]基于密度峰值與密度聚類的集成算法[J]. 王治和,黃夢瑩,杜輝,秦紅武.  計算機應用. 2019(02)
[4]基于改進的密度峰值算法的K-means算法[J]. 杜洪波,白阿珍,朱立軍.  統(tǒng)計與決策. 2018(18)
[5]基于SOM-BP的風機故障智能診斷[J]. 魏同發(fā).  智慧工廠. 2018(08)
[6]SOM神經網絡對永磁同步電機的故障診斷[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測[J]. 王巧云,鄭念祖.  東北大學學報(自然科學版). 2018(07)
[8]近紅外光譜技術快速檢測蓮子粉[J]. 付才力,李穎,陳荔凡,汪少蕓,王武.  光譜學與光譜分析. 2018(02)
[9]可變網格優(yōu)化的K-means聚類方法[J]. 萬靜,張超,何云斌,李松.  小型微型計算機系統(tǒng). 2018(01)
[10]基于無損檢測技術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. 2017(06)

碩士論文
[1]基于近紅外光譜分析的實木基本密度檢測方法研究[D]. 涂文俊.東北林業(yè)大學 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 2015
[3]網絡入侵檢測中機器學習方法的應用研究[D]. 賈偉峰.電子科技大學 2009



本文編號：3184640