發(fā)布時間：2017-04-06 05:03

  本文關(guān)鍵詞：基于高光譜成像技術(shù)的紅酸枝品種識別，由筆耕文化傳播整理發(fā)布。

【摘要】：對市場上常見的紅酸枝類木材進行快速無損識別,有助于規(guī)范紅酸枝木的市場秩序和保護消費者的利益。目前的紅酸枝木識別方法費時、耗力、成本較高,或是破壞木材無法做到無損檢測。本研究的目的在于利用高光譜成像技術(shù)結(jié)合不同判別模型對交趾黃檀、巴里黃檀、奧氏黃檀和微凹黃檀四種不同紅酸枝木材的品種進行識別研究。首先,對光譜范圍在400~1000nm以及900~1700nm采集到的紅酸枝木的高光譜圖像分別進行感興趣區(qū)域選取;其次,運用SG平滑算法、SNV和MSC對感興趣區(qū)域的光譜進行預(yù)處理,利用PCA、RC和SPA算法方法提取紅酸枝木光譜的特征波長變量;然后,對光譜范圍在400~1000nm的紅酸枝木的高光譜圖像進行特征波長圖像和主成分圖像下的紋理信息提取;最后,分別對全部光譜、特征波長光譜和紋理特征建立PLS-DA和ELM判別分析模型,通過比較不同光譜范圍不同模型的識別結(jié)果,找出最優(yōu)模型。實驗結(jié)果表明,包含建模集和測試集在內(nèi)的總共144個樣本中,基于紋理特征建立的判別模型識別效果不理想,建模集和測試集的識別率均在85%以下,其中,主成分圖像紋理特征建立的品種識別模型效果要好于特征波長圖像建立的模型。但基于紅酸枝木的光譜特征建立的識別模型中,光譜范圍在400~1000nm的識別效果要好于光譜范圍在900~1700nm建立的模型,采用SPA提取的特征波長信息建立的ELM模型,建模集和測試集的識別率最高,均達到97.92%以上。這說明,利用高光譜成像技術(shù)對交趾黃檀、巴里黃檀、奧氏黃檀和微凹黃檀進行品種識別是可行的。
【關(guān)鍵詞】：高光譜成像 特征波長 紅酸枝木材 無損判別
【學(xué)位授予單位】：浙江農(nóng)林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要4-5
• ABSTRACT5-8
• 1 緒論8-13
• 1.1 研究背景8-9
• 1.2 國內(nèi)外紅酸枝品種識別的研究現(xiàn)狀9-10
• 1.3 主要研究內(nèi)容及技術(shù)10-12
• 1.3.1 研究的主要內(nèi)容10-11
• 1.3.2 研究方法與技術(shù)路線11-12
• 1.4 本文章節(jié)安排12-13
• 2 高光譜成像技術(shù)的相關(guān)理論及實驗材料13-25
• 2.1 高光譜成像數(shù)據(jù)采集系統(tǒng)13-15
• 2.1.1 高光譜成像技術(shù)的原理13
• 2.1.2 高光譜成像采集系統(tǒng)13-15
• 2.1.3 高光譜圖像黑白校正15
• 2.2 實驗材料15-16
• 2.3 Kennard-Stone算法選取建模集和測試集16
• 2.4 光譜數(shù)據(jù)預(yù)處理方法16-18
• 2.4.1 平滑處理17
• 2.4.2 標準正態(tài)變量變換17
• 2.4.3 多元散射校正17-18
• 2.5 樣本的主成分定性分析18
• 2.6 特征波長提取方法18-20
• 2.6.1 主成分分析19
• 2.6.2 回歸系數(shù)法19-20
• 2.6.3 連續(xù)投影法20
• 2.7 高光譜圖像紋理特征提取方法20-23
• 2.7.1 特征波長圖像紋理特征的提取21-23
• 2.7.2 主成分圖像紋理特征的提取23
• 2.8 判別分析方法23-24
• 2.8.1 偏最小二乘判別分析23
• 2.8.2 極限學(xué)習(xí)機23-24
• 2.8.3 模型評價標準24
• 2.9 數(shù)據(jù)分析軟件24
• 2.10 本章小結(jié)24-25
• 3 基于 400-1000 NM光譜范圍的紅酸枝木材品種識別25-39
• 3.1 紅酸枝木材的光譜特征分析25-27
• 3.1.1 紅酸枝木 400-1000NM的高光譜圖像采集25
• 3.1.2 感興趣區(qū)域提取和樣本集劃分25-26
• 3.1.3 全部樣本的光譜特性分析26-27
• 3.2 紅酸枝木材的主成分定性分析27-28
• 3.3 基于全部光譜數(shù)據(jù)的紅酸枝木品種識別28-30
• 3.3.1 光譜預(yù)處理28-29
• 3.3.2 基于全部光譜數(shù)據(jù)的紅酸枝木材品種識別29-30
• 3.4 基于特征波長的紅酸枝木品種識別30-34
• 3.4.1 特征波長挑選30-34
• 3.4.2 基于特征波長建立紅酸枝木品種判別模型34
• 3.5 基于高光譜圖像紋理信息的紅酸枝木品種識別34-38
• 3.5.1 特征波長圖像紅酸枝木紋理特征分析34-37
• 3.5.2 主成分圖像紅酸枝木紋理特征分析37-38
• 3.6 本章小結(jié)38-39
• 4 基于 900-1700 NM 光譜范圍的紅酸枝木材品種識別39-48
• 4.1 紅酸枝木材的光譜特征分析39-41
• 4.1.1 紅酸枝木 900-1700NM的高光譜圖像采集39
• 4.1.2 感興趣區(qū)域提取和樣本集劃分39-40
• 4.1.3 全部樣本的光譜特性分析40-41
• 4.2 紅酸枝木材的主成分定性分析41-42
• 4.3 基于全部光譜數(shù)據(jù)的紅酸枝木品種識別42-43
• 4.3.1 光譜預(yù)處理42
• 4.3.2 基于全部光譜數(shù)據(jù)的紅酸枝木材品種識別42-43
• 4.4 基于特征波長的紅酸枝木品種識別43-47
• 4.4.1 特征波長挑選43-46
• 4.4.2 基于特征波長建立紅酸枝木品種判別模型46-47
• 4.5 本章小結(jié)47-48
• 5 總結(jié)與展望48-50
• 5.1 總結(jié)48
• 5.2 展望48-50
• 參考文獻50-53
• 致謝53

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李慶利;薛永祺;王建宇;岳小強;;高光譜成像系統(tǒng)在中醫(yī)舌診中的應(yīng)用研究[J];紅外與毫米波學(xué)報;2006年06期

2 田有文;程怡;吳瓊;牟鑫;;農(nóng)產(chǎn)品病蟲害高光譜成像無損檢測的研究進展[J];激光與紅外;2013年12期

3 徐爽;易東;;利用高光譜成像技術(shù)檢測長棗表面蟲傷[J];電子制作;2013年21期

4 高國龍;用高光譜成像熒光成像儀觀察海底情況[J];紅外;2003年05期

5 單佳佳;彭彥昆;王偉;李永玉;吳建虎;張雷蕾;;基于高光譜成像技術(shù)的蘋果內(nèi)外品質(zhì)同時檢測[J];農(nóng)業(yè)機械學(xué)報;2011年03期

6 高國龍;;美國高光譜成像技術(shù)獲資金支持[J];紅外;2009年11期

7 蔡健榮;韓智義;;碧螺春茶葉的真?zhèn)舞b別技術(shù)——基于漫反射式高光譜成像技術(shù)[J];農(nóng)機化研究;2013年04期

8 高國龍;;采用靜態(tài)傅里葉變換光譜儀的星載高光譜成像技術(shù)[J];紅外;2013年05期

9 孫梅;陳興海;張恒;陳海霞;;高光譜成像技術(shù)的蘋果品質(zhì)無損檢測[J];紅外與激光工程;2014年04期

10 羅陽;何建國;賀曉光;王松磊;劉貴珊;;農(nóng)產(chǎn)品無損檢測中高光譜成像技術(shù)的應(yīng)用研究[J];農(nóng)機化研究;2013年06期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 盧云龍;劉志剛;;高光譜成像技術(shù)及其在目標檢測中的應(yīng)用進展[A];國家安全地球物理叢書（九）——防災(zāi)減災(zāi)與國家安全[C];2013年

2 馬本學(xué);應(yīng)義斌;饒秀勤;;高光譜成像在水果表面缺陷及污染檢測中的研究進展[A];2007年中國農(nóng)業(yè)工程學(xué)會學(xué)術(shù)年會論文摘要集[C];2007年

3 何寶琨;;使用曲面棱鏡的高光譜成像系統(tǒng)設(shè)計[A];中國空間科學(xué)學(xué)會空間探測專業(yè)委員會第二十六屆全國空間探測學(xué)術(shù)研討會會議論文集[C];2013年

4 孫向軍;劉凱龍;趙志勇;李雪濤;;高光譜成像及仿真技術(shù)途徑探索[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

5 顏昌翔;;星載高光譜成像及數(shù)據(jù)應(yīng)用[A];第十屆全國光電技術(shù)學(xué)術(shù)交流會論文集[C];2012年

6 肖功海;舒嶸;薛永祺;;顯微成像光譜技術(shù)及其應(yīng)用[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

7 賴建軍;陳四海;陳坦;易新建;;基于MEMS微鏡陣列的高光譜成像技術(shù)研究[A];中國宇航學(xué)會深空探測技術(shù)專業(yè)委員會第三屆學(xué)術(shù)會議論文集[C];2006年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前9條

1 葛明鋒;基于輕小型無人機的高光譜成像系統(tǒng)研究[D];中國科學(xué)院研究生院(上海技術(shù)物理研究所);2015年

2 何青;多類型高光譜成像集成系統(tǒng)的研制及其應(yīng)用研究[D];暨南大學(xué);2015年

3 王彩玲;干涉高光譜成像中的信息提取技術(shù)[D];中國科學(xué)院研究生院(西安光學(xué)精密機械研究所);2011年

4 朱逢樂;基于光譜和高光譜成像技術(shù)的海水魚品質(zhì)快速無損檢測[D];浙江大學(xué);2014年

5 馬m，

本文編號：288281