本文關(guān)鍵詞：基于半監(jiān)督學(xué)習(xí)的木材識(shí)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(guān)。然而,木材種類繁多,性能各異,價(jià)格差距較大。木材的正確識(shí)別對(duì)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(yīng)用視覺手段和半監(jiān)督學(xué)習(xí)方法對(duì)木材自動(dòng)、準(zhǔn)確識(shí)別的核心算法和關(guān)鍵技術(shù)進(jìn)行了深入研究。在分析木材宏觀、微觀特點(diǎn)和常用識(shí)別方法的基礎(chǔ)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(biāo)記木材圖像,提高木材識(shí)別的準(zhǔn)確率,本文研究了單視角下Laplacian正則化支持向量機(jī)、Hessian正則化支持向量機(jī)以及多視角下Laplacian正則化支持向量機(jī)、Hessian正則化支持向量機(jī)等基于半監(jiān)督學(xué)習(xí)的木材識(shí)別,并探討了稀疏編碼在多視角Hessian正則化支持向量機(jī)中的應(yīng)用,實(shí)現(xiàn)木材自動(dòng)、準(zhǔn)確識(shí)別。本文主要在以下方面進(jìn)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(chǔ)上,針對(duì)木材的特點(diǎn),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(duì)紋理特征提取的影響。以人感官對(duì)木材紋理判斷為基礎(chǔ),提取了木材圖像Tamura紋理特征。由于提取的特征多達(dá)86個(gè),會(huì)降低運(yùn)算效率,因此,采用主成分分析的方法對(duì)這86個(gè)特征進(jìn)行降維。實(shí)驗(yàn)結(jié)果表明,采用前10個(gè)特征值對(duì)應(yīng)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(jī)的基礎(chǔ)上,研究了單視角下基于半監(jiān)督學(xué)習(xí)的木材識(shí)別方法。針對(duì)支持向量機(jī)(SVM)是有監(jiān)督學(xué)習(xí),無法充分利用木材的無標(biāo)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(jī)(LapSVM)和Hessian正則化支持向量機(jī)(HesSVM)的木材識(shí)別方法。通過構(gòu)造有標(biāo)記和無標(biāo)記木材樣本鄰接圖將Laplacian正則項(xiàng)引入到支持向量機(jī)目標(biāo)函數(shù)中,有效表達(dá)了木材訓(xùn)練樣本的流形分布,利用木材訓(xùn)練樣本的局部結(jié)構(gòu)信息,較大幅度提高了支持向量機(jī)的分類性能。針對(duì)Laplacian正則化對(duì)訓(xùn)練樣本域外的樣本趨于常數(shù)的缺點(diǎn),利用Hessian正則化項(xiàng)取代Laplacian正則化項(xiàng)并引入到支持向量機(jī)的目標(biāo)函數(shù)中。由于Hessian正則化具有更豐富的零空間,能夠?qū)τ?xùn)練樣本域外的樣本做出較好的線性估計(jì),Hessian正則化支持向量機(jī)具有更好的識(shí)別性能。實(shí)驗(yàn)結(jié)果表明,提出的算法對(duì)木材具有較高的識(shí)別正確率。(3)針對(duì)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(jī)(mLapSVM)和多視角Hessian正則化支持向量機(jī)(mHesSVM)的木材識(shí)別方法。將木材樣本用多維特征表示,每種特征看作是一個(gè)視角并作為一個(gè)學(xué)習(xí)器,通過學(xué)習(xí)獲得不同視角特征的優(yōu)化權(quán)重,對(duì)木材樣本的不同特征合理優(yōu)化利用。實(shí)驗(yàn)結(jié)果表明,與使用單視角特征相比,多視角半監(jiān)督學(xué)習(xí)方法在木材的識(shí)別中具有更好的識(shí)別正確率,尤其在木材訓(xùn)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(jī)(mHesSCSVM)木材識(shí)別方法。該方法將木材樣本的標(biāo)簽信息看作是一個(gè)附加的木材視角特征,在稀疏編碼中整合了多個(gè)木材特征,利用Hessian正則化對(duì)木材樣本鄰接圖進(jìn)行編碼以保持木材樣本幾何局部簡單,驅(qū)動(dòng)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(bǔ)性,在不需要增加計(jì)算復(fù)雜性前提下提高了木材識(shí)別的正確率。實(shí)驗(yàn)結(jié)果表明,本文提出的基于半監(jiān)督學(xué)習(xí)木材識(shí)別方法可以實(shí)現(xiàn)木材自動(dòng)、準(zhǔn)確、高效的識(shí)別。研究結(jié)果將為木材自動(dòng)識(shí)別、鑒定提供一種新的技術(shù)手段和相應(yīng)的理論依據(jù)。
【關(guān)鍵詞】：木材識(shí)別 半監(jiān)督學(xué)習(xí) 多視角 支持向量機(jī) 流形正則化
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要11-13
• ABSTRACT13-16
• 主要符號(hào)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(shí)別研究現(xiàn)狀及不足20-24
• 1.3 半監(jiān)督學(xué)習(xí)研究現(xiàn)狀24-29
• 1.3.1 三種學(xué)習(xí)方法比較24-26
• 1.3.2 半監(jiān)督學(xué)習(xí)及應(yīng)用26-29
• 1.4 本文研究內(nèi)容與組織結(jié)構(gòu)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(jié)53-54
• 第3章 基于單視角半監(jiān)督學(xué)習(xí)的木材識(shí)別54-80
• 3.1 引言54
• 3.2 支持向量機(jī)理論54-63
• 3.2.1 線性分類54-57
• 3.2.2 對(duì)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(jī)的木材識(shí)別63-71
• 3.3.1 木材樣本鄰接圖Laplacian矩陣64-65
• 3.3.2 木材識(shí)別的LapSVM65-67
• 3.3.3 LapSVM的優(yōu)化求解67-69
• 3.3.4 實(shí)驗(yàn)結(jié)果及分析69-71
• 3.4 基于Hessian正則化支持向量機(jī)的木材識(shí)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(jī)73-75
• 3.4.3 HesSVM的優(yōu)化求解75-76
• 3.4.4 實(shí)驗(yàn)結(jié)果及分析76-78
• 3.5 本章小結(jié)78-80
• 第4章 基于多視角半監(jiān)督學(xué)習(xí)的木材識(shí)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(jī)的木材識(shí)別81-89
• 4.2.1 多視角學(xué)習(xí)框架81-83
• 4.2.2 多視角Laplacian正則化支持向量機(jī)83-84
• 4.2.3 多視角LapSVM優(yōu)化求解84-87
• 4.2.4 實(shí)驗(yàn)結(jié)果及分析87-89
• 4.3 基于多視角Hessian正則化支持向量機(jī)的木材識(shí)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(jī)91-92
• 4.3.3 多視角HesSVM優(yōu)化求解92-95
• 4.3.4 實(shí)驗(yàn)結(jié)果及分析95-97
• 4.4 本章小結(jié)97-98
• 第5章 基于稀疏編碼半監(jiān)督學(xué)習(xí)的木材識(shí)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(jī)的木材識(shí)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(shí)驗(yàn)結(jié)果及分析109-111
• 5.4 本章小結(jié)111-112
• 第6章 結(jié)論與展望112-116
• 6.1 全文總結(jié)112-113
• 6.2 本文主要?jiǎng)?chuàng)新點(diǎn)113-114
• 6.3 研究展望114-116
• 參考文獻(xiàn)116-130
• 攻讀博士學(xué)位期間發(fā)表的論文及參與的科研項(xiàng)目130-132
• 致謝132-134
• English Paper134-148
• 附件148

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊家駒,程放;微機(jī)輔助木材識(shí)別系統(tǒng)WIP-89[J];北京林業(yè)大學(xué)學(xué)報(bào);1990年04期

2 阿拉威,楊杰,葉晨洲;采用自相關(guān)和協(xié)方差函數(shù)在光照—?dú)W氏變化條件下識(shí)別彩色紋理(英文)[J];紅外與毫米波學(xué)報(bào);2003年05期

3 楊劍;王玨;鐘寧;;流形上的Laplacian半監(jiān)督回歸[J];計(jì)算機(jī)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(xué)習(xí)遙感影像分類[J];計(jì)算機(jī)工程;2010年20期

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

6 李月潔;;基于紋理和灰度差分相結(jié)合的運(yùn)動(dòng)檢測[J];計(jì)算機(jī)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(gòu)造圖像的木材識(shí)別方法[J];林業(yè)科學(xué);2013年11期

8 崔寶今;林鴻飛;張霄;;基于半監(jiān)督學(xué)習(xí)的蛋白質(zhì)關(guān)系抽取研究[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2009年03期

9 劉鎮(zhèn)波;劉一星;;樂器共鳴板用木材聲學(xué)振動(dòng)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(xué)習(xí)的社交網(wǎng)絡(luò)用戶屬性預(yù)測[J];通信學(xué)報(bào);2014年08期

中國博士學(xué)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(shí)別方法研究[D];中國科學(xué)技術(shù)大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前6條

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

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

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

4 戴維;基于紋理統(tǒng)計(jì)方法的木材類型識(shí)別研究[D];湖南大學(xué);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(xué);2013年

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

  本文關(guān)鍵詞：基于半監(jiān)督學(xué)習(xí)的木材識(shí)別研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：270660