本文關鍵詞：基于半監(jiān)督學習的木材識別研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：木材與人們的生活息息相關。然而,木材種類繁多,性能各異,價格差距較大。木材的正確識別對于木材研究、合理利用、市場流通及管理都具有重要的意義。本文應用視覺手段和半監(jiān)督學習方法對木材自動、準確識別的核心算法和關鍵技術進行了深入研究。在分析木材宏觀、微觀特點和常用識別方法的基礎上,提取了木材圖像的各種視覺特征,為充分利用大量的無標記木材圖像,提高木材識別的準確率,本文研究了單視角下Laplacian正則化支持向量機、Hessian正則化支持向量機以及多視角下Laplacian正則化支持向量機、Hessian正則化支持向量機等基于半監(jiān)督學習的木材識別,并探討了稀疏編碼在多視角Hessian正則化支持向量機中的應用,實現(xiàn)木材自動、準確識別。本文主要在以下方面進行了深入研究：(1)在分析研究常見木材宏觀和微觀特征的基礎上,針對木材的特點,提取了顏色及紋理等86種木材視覺特征。研究并提取了木材HSV顏色空間下H、S、V各通道上的顏色直方圖、顏色矩等特征。基于灰度共生矩陣提取了木材紋理的能量、熵、慣性矩等特征,并分析了不同角度和生長步長對紋理特征提取的影響。以人感官對木材紋理判斷為基礎,提取了木材圖像Tamura紋理特征。由于提取的特征多達86個,會降低運算效率,因此,采用主成分分析的方法對這86個特征進行降維。實驗結果表明,采用前10個特征值對應的主成分能夠表示木材圖像99%的信息。(2)在分析支持向量機的基礎上,研究了單視角下基于半監(jiān)督學習的木材識別方法。針對支持向量機(SVM)是有監(jiān)督學習,無法充分利用木材的無標記樣本以及泛化能力差等問題,提出了Laplacian正則化支持向量機(LapSVM)和Hessian正則化支持向量機(HesSVM)的木材識別方法。通過構造有標記和無標記木材樣本鄰接圖將Laplacian正則項引入到支持向量機目標函數(shù)中,有效表達了木材訓練樣本的流形分布,利用木材訓練樣本的局部結構信息,較大幅度提高了支持向量機的分類性能。針對Laplacian正則化對訓練樣本域外的樣本趨于常數(shù)的缺點,利用Hessian正則化項取代Laplacian正則化項并引入到支持向量機的目標函數(shù)中。由于Hessian正則化具有更豐富的零空間,能夠對訓練樣本域外的樣本做出較好的線性估計,Hessian正則化支持向量機具有更好的識別性能。實驗結果表明,提出的算法對木材具有較高的識別正確率。(3)針對木材有橫切面、弦切面和縱切面以及多種宏觀微觀特征的問題,研究了多視角Laplacian正則化支持向量機(mLapSVM)和多視角Hessian正則化支持向量機(mHesSVM)的木材識別方法。將木材樣本用多維特征表示,每種特征看作是一個視角并作為一個學習器,通過學習獲得不同視角特征的優(yōu)化權重,對木材樣本的不同特征合理優(yōu)化利用。實驗結果表明,與使用單視角特征相比,多視角半監(jiān)督學習方法在木材的識別中具有更好的識別正確率,尤其在木材訓練樣本較少的情況下。(4)研究了多視角Hessian正則化稀疏編碼支持向量機(mHesSCSVM)木材識別方法。該方法將木材樣本的標簽信息看作是一個附加的木材視角特征,在稀疏編碼中整合了多個木材特征,利用Hessian正則化對木材樣本鄰接圖進行編碼以保持木材樣本幾何局部簡單,驅動解決方案沿著流形的測地線平滑變化,無縫地集成了Hessian正則化和判別功能,有效綜合了木材不同視角特征的互補性,在不需要增加計算復雜性前提下提高了木材識別的正確率。實驗結果表明,本文提出的基于半監(jiān)督學習木材識別方法可以實現(xiàn)木材自動、準確、高效的識別。研究結果將為木材自動識別、鑒定提供一種新的技術手段和相應的理論依據(jù)。
【關鍵詞】：木材識別 半監(jiān)督學習 多視角 支持向量機 流形正則化
【學位授予單位】：山東大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要11-13
• ABSTRACT13-16
• 主要符號說明16-18
• 第1章 緒論18-32
• 1.1 課題研究背景18-20
• 1.2 木材識別研究現(xiàn)狀及不足20-24
• 1.3 半監(jiān)督學習研究現(xiàn)狀24-29
• 1.3.1 三種學習方法比較24-26
• 1.3.2 半監(jiān)督學習及應用26-29
• 1.4 本文研究內容與組織結構29-32
• 第2章 木材特征的提取32-54
• 2.1 引言32-33
• 2.2 木材的顏色特征33-41
• 2.2.1 顏色空間33-35
• 2.2.2 顏色特征35-37
• 2.2.3 木材顏色特征提取37-41
• 2.3 木材的紋理特征41-49
• 2.3.1 基于灰度共生矩陣的紋理特征42-44
• 2.3.2 基于Tamura的紋理特征44-45
• 2.3.3 木材紋理特征提取45-49
• 2.4 特征降維49-53
• 2.4.1 主成分分析法49-51
• 2.4.2 基于主成分分析法的木材特征降維51-53
• 2.5 本章小結53-54
• 第3章 基于單視角半監(jiān)督學習的木材識別54-80
• 3.1 引言54
• 3.2 支持向量機理論54-63
• 3.2.1 線性分類54-57
• 3.2.2 對偶優(yōu)化求解57-58
• 3.2.3 核函數(shù)58-61
• 3.2.4 松弛變量61-62
• 3.2.5 損失函數(shù)62-63
• 3.3 基于Laplacian正則化支持向量機的木材識別63-71
• 3.3.1 木材樣本鄰接圖Laplacian矩陣64-65
• 3.3.2 木材識別的LapSVM65-67
• 3.3.3 LapSVM的優(yōu)化求解67-69
• 3.3.4 實驗結果及分析69-71
• 3.4 基于Hessian正則化支持向量機的木材識別71-78
• 3.4.1 木材樣本的Hessian正則化71-73
• 3.4.2 基于Hessian正則化的支持向量機73-75
• 3.4.3 HesSVM的優(yōu)化求解75-76
• 3.4.4 實驗結果及分析76-78
• 3.5 本章小結78-80
• 第4章 基于多視角半監(jiān)督學習的木材識別80-98
• 4.1 引言80-81
• 4.2 基于多視角Laplacian正則化支持向量機的木材識別81-89
• 4.2.1 多視角學習框架81-83
• 4.2.2 多視角Laplacian正則化支持向量機83-84
• 4.2.3 多視角LapSVM優(yōu)化求解84-87
• 4.2.4 實驗結果及分析87-89
• 4.3 基于多視角Hessian正則化支持向量機的木材識別89-97
• 4.3.1 多視角Hessian正則化89-91
• 4.3.2 多視角Hessian正則化支持向量機91-92
• 4.3.3 多視角HesSVM優(yōu)化求解92-95
• 4.3.4 實驗結果及分析95-97
• 4.4 本章小結97-98
• 第5章 基于稀疏編碼半監(jiān)督學習的木材識別98-112
• 5.1 引言98
• 5.2 稀疏編碼98-102
• 5.2.1 稀疏編碼98-100
• 5.2.2 稀疏求解算法100-102
• 5.3 基于多視角Hessian正則化稀疏編碼支持向量機的木材識別102-111
• 5.3.1 多視角正則化稀疏編碼103-105
• 5.3.2 多視角Hessian正則化稀疏編碼105-106
• 5.3.3 多視角Hessian正則化稀疏編碼的優(yōu)化算法106-109
• 5.3.4 實驗結果及分析109-111
• 5.4 本章小結111-112
• 第6章 結論與展望112-116
• 6.1 全文總結112-113
• 6.2 本文主要創(chuàng)新點113-114
• 6.3 研究展望114-116
• 參考文獻116-130
• 攻讀博士學位期間發(fā)表的論文及參與的科研項目130-132
• 致謝132-134
• English Paper134-148
• 附件148

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊家駒,程放;微機輔助木材識別系統(tǒng)WIP-89[J];北京林業(yè)大學學報;1990年04期

2 阿拉威,楊杰,葉晨洲;采用自相關和協(xié)方差函數(shù)在光照—歐氏變化條件下識別彩色紋理(英文)[J];紅外與毫米波學報;2003年05期

3 楊劍;王玨;鐘寧;;流形上的Laplacian半監(jiān)督回歸[J];計算機研究與發(fā)展;2007年07期

4 楊偉;方濤;許剛;;基于樸素貝葉斯的半監(jiān)督學習遙感影像分類[J];計算機工程;2010年20期

5 微機識別木材課題組;;微機識別國產(chǎn)闊葉樹材的研究[J];林業(yè)科學;1989年03期

6 李月潔;;基于紋理和灰度差分相結合的運動檢測[J];計算機與數(shù)字工程;2012年11期

7 劉子豪;祁亨年;張廣群;汪杭軍;;基于橫切面微觀構造圖像的木材識別方法[J];林業(yè)科學;2013年11期

8 崔寶今;林鴻飛;張霄;;基于半監(jiān)督學習的蛋白質關系抽取研究[J];山東大學學報(工學版);2009年03期

9 劉鎮(zhèn)波;劉一星;;樂器共鳴板用木材聲學振動性能改良研究現(xiàn)狀及趨勢[J];世界林業(yè)研究;2012年01期

10 丁宇新;肖驍;吳美晶;張逸彬;董麗;;基于半監(jiān)督學習的社交網(wǎng)絡用戶屬性預測[J];通信學報;2014年08期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 汪杭軍;基于紋理的木材圖像識別方法研究[D];中國科學技術大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前6條

1 黃慧;基于木材組織構造的數(shù)字圖像處理系統(tǒng)研究[D];南京林業(yè)大學;2006年

2 王輝;基于灰度共生矩陣木材表面紋理模式識別方法的研究[D];東北林業(yè)大學;2007年

3 李想;板材表面紋理色差的樹種識別方法研究[D];東北林業(yè)大學;2012年

4 戴維;基于紋理統(tǒng)計方法的木材類型識別研究[D];湖南大學;2012年

5 劉子豪;基于子空間和多特征融合的木材分類算法研究[D];浙江農(nóng)林大學;2013年

6 藍蘇榕;基于樹木生物學特征的樹種檢索系統(tǒng)的研究與實現(xiàn)[D];北京林業(yè)大學;2014年

  本文關鍵詞：基于半監(jiān)督學習的木材識別研究，由筆耕文化傳播整理發(fā)布。

本文編號：270660