CN107179297A - 一种智能红木种类鉴定方法及其平台 - Google Patents
一种智能红木种类鉴定方法及其平台 Download PDFInfo
- Publication number
- CN107179297A CN107179297A CN201710340312.0A CN201710340312A CN107179297A CN 107179297 A CN107179297 A CN 107179297A CN 201710340312 A CN201710340312 A CN 201710340312A CN 107179297 A CN107179297 A CN 107179297A
- Authority
- CN
- China
- Prior art keywords
- rosewood
- sample
- data
- spectral
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 244000017106 Bixa orellana Species 0.000 title abstract 4
- 235000012665 annatto Nutrition 0.000 title abstract 4
- 239000010362 annatto Substances 0.000 title abstract 4
- 230000003595 spectral effect Effects 0.000 claims abstract description 88
- 238000001228 spectrum Methods 0.000 claims abstract description 55
- 240000005020 Acaciella glauca Species 0.000 claims abstract description 26
- 235000003499 redwood Nutrition 0.000 claims abstract description 25
- 241000894007 species Species 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 244000086363 Pterocarpus indicus Species 0.000 claims description 209
- 235000009984 Pterocarpus indicus Nutrition 0.000 claims description 185
- 239000000523 sample Substances 0.000 claims description 118
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 238000012706 support-vector machine Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 239000013307 optical fiber Substances 0.000 claims description 14
- 238000007476 Maximum Likelihood Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004611 spectroscopical analysis Methods 0.000 abstract 2
- 238000012797 qualification Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 20
- 239000002023 wood Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 239000003205 fragrance Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 235000003385 Diospyros ebenum Nutrition 0.000 description 5
- 241000792913 Ebenaceae Species 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000522195 Dalbergia Species 0.000 description 3
- 244000236655 Diospyros kaki Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241001070941 Castanea Species 0.000 description 2
- 235000014036 Castanea Nutrition 0.000 description 2
- 235000011511 Diospyros Nutrition 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 2
- 101001018064 Homo sapiens Lysosomal-trafficking regulator Proteins 0.000 description 2
- 102100033472 Lysosomal-trafficking regulator Human genes 0.000 description 2
- 241000521581 Millettia Species 0.000 description 2
- 244000038561 Modiola caroliniana Species 0.000 description 2
- 235000010703 Modiola caroliniana Nutrition 0.000 description 2
- 241000750718 Pterocarpus santalinus Species 0.000 description 2
- 240000001890 Ribes hudsonianum Species 0.000 description 2
- 235000016954 Ribes hudsonianum Nutrition 0.000 description 2
- 235000001466 Ribes nigrum Nutrition 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 description 1
- 235000011437 Amygdalus communis Nutrition 0.000 description 1
- 244000144725 Amygdalus communis Species 0.000 description 1
- 241000657528 Dalbergia odorifera Species 0.000 description 1
- 235000008597 Diospyros kaki Nutrition 0.000 description 1
- 241000490050 Eleutherococcus Species 0.000 description 1
- 235000005205 Pinus Nutrition 0.000 description 1
- 241000218602 Pinus <genus> Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011162 core material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种智能红木种类鉴定方法及其平台，用以解决在没有人为干预的情况下快速无损地鉴定红木种类的技术问题。该方法包括如下步骤：采集红木样本光谱数据：预先采集每一种红木样本的表面漫反射光谱，对应每一种红木样本进行标记并存储红木样本光谱数据；建立红木光谱分类模型；对所述红木样本光谱数据进行分类处理，获得并存储每一种红木对应的红木光谱模型数据；红木种类实时鉴定：采集待测红木样品的表面漫反射光谱，获得待测红木光谱数据，比对所述待测红木光谱数据和所述红木光谱模型数据，获得待测红木样品的种类结果。
Description
技术领域
本发明涉及红木鉴定技术领域，具体涉及一种智能红木种类鉴定方法及其平台。
背景技术
现有的红木种类鉴定方法主要包括实验室检测法和经验法。实验室检测需要对检测样品制样，方法繁琐，检测时间长而且会对待测样品造成损伤。经验法主要通过观察红木表面的颜色和纹理确定红木种类，强烈地依赖于检验人员的经验，检验准确率低。
光谱是物质的“指纹”。不同物质的高光谱数据具有不同的特征，利用高光谱数据可以对不同的物质进行分类。高光谱技术在化学分析等领域中已经有了广泛的应用。随着光谱技术的发展，目前市场上已经有了成熟的光谱仪，如ASD公司和海洋光学公司生产的光谱仪，利用光谱仪可以方便快捷地采集红木的光谱数据。
发明内容
本发明的目的在于提供一种智能红木种类鉴定方法及其平台，用以解决在没有人为干预的情况下快速无损地鉴定红木种类的技术问题。
为实现上述目的，本发明方法以支持向量机和神经网络等模式识别算法可以对光谱数据进行有效的分类，利用这些算法可以建立分类模型，区分不同种类的红木的光谱数据。具体地，本发明提供了一种智能红木种类鉴定方法，该方法包括如下步骤：
S101、采集红木样本光谱数据：
预先采集每一种红木样本的表面漫反射光谱，对应每一种红木样本进行标记并存储红木样本光谱数据；
S102、建立红木光谱分类模型：
对所述红木样本光谱数据进行分类处理，获得并存储每一种红木对应的红木光谱模型数据；
S103、红木种类实时鉴定：
采集待测红木样品的表面漫反射光谱，获得待测红木光谱数据，比对所述待测红木光谱数据和所述红木光谱模型数据，获得待测红木样品的种类结果。
进一步的，所述步骤S102中，采用支持向量机算法(SVM)、贝叶斯决策法、最大似然估计法、BP神经网络算法、无监督学习算法和聚类算法等机器学习算法对所述红木样本光谱数据进行分类处理。如期刊《信息技术》2007年第5期发表的论文《应用SVM算法进行TM多光谱图像地物分类》提及了利用上述机器学习算法对光谱图像进行分类的方法。
例如，在训练支持向量机算法(SVM)分类模型时需要求解如下的优化问题：
s.t.yi(wTφ(xi)+b)≥1-ξi，i＝1，…，L
ξi≥0，i＝1，…，L
其中，xi，i＝1，…，L是训练样本；yi，i＝1，…，L是训练样本的标签，即样本所属的红木类别的标号；φ(x)是核函数，常见的核函数包括多项式核函数、高斯核函数等；是对分类错误的样本的惩罚系数,表示样本错分的程度。在训练的过程中可以采用遍历的方法搜索使得分类正确率最大的惩罚系数和核函数中的参数。
BP神经网络是一个三层感知器模型，由输入层、隐含层和输出层组成。BP神经网络算法的基本思想是：输入信号向前传播，经隐层到输出层，如果在输出层得不到期望输出时，计算每个输出神经元的误差值，并将此误差值反向传播到隐层神经元，根据误差值调整各神经元的连接权值和阈值，直到误差达到要求为至。
例如，利用BP神经网络算法对所述红木样本光谱数据进行分类处理，实现的具体步骤如下：
1)确定输入参数个数，归一化处理后生成训练红木样本和测试红木样本。
2)采用BP算法对网络进行训练，在满足精度要求下，确定网络中的各连接权值Ⅳ和阈值b及网络最佳隐层节点数。
BP算法为误差调节的梯度算法，对P个红木样本假设三层BP网络，输入节点xi，隐节点yj，输出节点zl；
输入节点与隐层节点间的网络权值为wji；
隐层节点与输出节点间的网络权值为vlj；
输出节点期望值为tl，则：
隐层节点的输出：
其中，
输出节点的输出：
其中，
于是，输出节点误差为：
由上式可知，网络误差为各层权值wji、vlj的函数，因此通过调整权值可以改变误差E，直到达到精度要求。显然，调增权值的原则是使误差不断减少，因此应使权值的调整量与误差的梯度下降(负梯度)成正比。
在训练过程中隐含层到输出层和输入层到隐含层的权值调整量分别为：
vlj(k+1)＝vlj(k)+Δvlj＝vlj(k)+ηδlyj
δl＝-(tl-zl)·f'(netl)
wji(k+1)＝wji(k)+Δwji＝wji(k)+η’δ’jxi；
3)利用测试红木样本，对网络进行检验。若结果不满足测试要求，再修改隐层节点数，重新训练，直到满足误差要求为止。
例如，利用贝叶斯决策法对红木样本光谱数据进行分类处理，实现的具体步骤如下：
1)每一个红木样本利用一个n维特性向量X＝{x1,x2，…,xn}表示，分别描述对n个属性A1,A2，…，An红木样本的n个度量。
2)假定有m个类C1,C2，…，Cn，给定一个未知的红木样本X(即没有类标号)，分类器将预测X属于具有最高后验概率(条件X下)的类。也就是说，朴素贝叶斯分类将未知的红木样本分频给类Ci(1≤i≤m)，当且仅当P(Ci∣X)>P(Cj∣X)，对任意的j＝1，2，…,m，j≠i。这样，最大化P(Ci∣X)。其中P(Ci∣X)最大的类Ci称为最大后验假定。根据贝叶斯原理：
3)由于P(X)对于所有类为常数，因而只需要保证P(X∣Ci)P(Ci)最大即可。如果Ci类的先验概率未知，则通常假定这些类是等概率的，即P(C1)＝P(C2)＝…＝P(Cm),因此问题就转换为对P(X∣Ci)的最大化。否则，需要最大化P(X∣Ci)P(Ci)。类的先验概率可以用P(Ci)＝si/s，计算，其中si是类Ci中训练红木样本数，而s是训练红木样本总数。
4)给定具有许多属性的数据集，计算P(X∣Ci)的开销可能非常大。为了降低计算P(X∣Ci)的开销，可以做类条件独立的朴素假定。给定红木样本的类标号，假定属性值的相互条件独立，即在属性间不存在依赖关系，则
其中概率P(x1∣Ci)，P(x2∣Ci)，P(x3∣Ci)，…，P(xn∣Ci)可以由训练红木样本估值。
5)对未知样本X分类，也就是对每个类Ci，计算P(X∣Ci)P(Ci)。样本X被指派到类Ci，当且仅当P(Ci∣X)>P(Cj∣X)，1≤j≤m，j≠i，即X被指派到其P(X∣Ci)P(Ci)最大的类。
进一步的，所述步骤S103中，采用支持向量机(SVM)、贝叶斯决策法、最大似然估计法、BP神经网络算法、无监督学习算法和聚类算法等机器学习算法对所述待测红木光谱数据进行分类处理，与所述红木光谱模型数据比对获得所述待测红木样品的光谱数据匹配度百分比。
进一步的，所述步骤S103中，当所述待测红木样品的光谱数据匹配度百分比低于50％时，对所述待测红木光谱数据进行分类处理，建立并存储一对应的红木光谱模型数据。
本发明的另一个方面，为了实现上述的智能红木种类鉴定方法，本发明还提供了一种智能红木种类鉴定平台，包括采集模块、计算模块、显示模块以及电源模块，所述采集模块用于预先采集每一种红木样本的表面漫反射光谱，对应每一种红木样本进行标记并存储红木样本光谱数据；以及采集待测红木样品的表面漫反射光谱，获得待测红木光谱数据；
所述计算模块用于对所述红木样本光谱数据进行分类处理，获得并存储每一种红木对应的红木光谱模型数据；以及比对所述待测红木光谱数据和所述红木光谱模型数据，获得待测红木样品的种类结果。
所述显示模块用于显示所述待测红木样品的种类结果，以及预设所述鉴定平台的参数；
所述电源模块用于提供所述显示模块、所述采集模块和所述计算模块的工作电压。
进一步的，智能红木种类鉴定平台还包括存储模块，所述存储模块用于存储所述红木样本光谱数据和所述红木光谱模型数据。
进一步的，所述采集模块包括光谱仪、光源、光纤和采集手柄，所述光谱仪通过所述光纤与所述采集手柄的光纤探头连接，所述光谱仪通过USB接口与所述计算模块数据通信。在采集红木光谱数据时，首先打开光源和光谱仪，把光纤夹在采集手柄上，操作人员手持手柄使光纤探头贴紧红木表面。光谱仪可以采集待测样品的表面漫反射光谱并把光谱数据传输给计算模块，光谱仪通过USB接口与计算模块相连。
进一步的，所述计算模块与所述存储模块连接，接收所述采集模块传输的所述红木样本光谱数据和所述待测红木光谱数据；采用支持向量机(SVM)、贝叶斯决策法、最大似然估计法、BP神经网络算法、无监督学习算法和聚类算法等机器学习算法对所述红木样本光谱数据和所述待测红木光谱数据进行分类处理，获得所述红木光谱模型数据并比对鉴定所述待测样品的种类结果。
进一步的，所述显示模块是一触摸显示屏，所述触摸显示屏与所述计算模块通过HDMI接口连接。
本发明方法具有如下优点：
本发明的智能红木种类鉴定方法及其平台，通过利用现有的光谱分类处理算法，对每一种红木的样品进行光谱数据采集，然后分类处理获得每一种红木对应的红木光谱模型数据，作为待测样品的待测红木光谱数据的比对参照基准，通过实时采集待测样品的待测红木光谱数据，能够快速鉴定待测样品的种类。本发明提出的方法鉴定时间短、不会对待测样品造成损害，并且不依赖鉴定人员的经验。
附图说明
图1是本发明实施例的一种智能红木种类鉴定方法流程框图。
图2是本发明实施例的一种智能红木种类鉴定平台结构框图。
图3是本发明实施例的一种智能红木种类鉴定平台操作示意图。
图4是本发明实施例的一种智能红木种类鉴定平台的操作流程框图。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
如图1所示，本发明提供了一种智能红木种类鉴定方法，该方法包括如下步骤：
S101、采集红木样本光谱数据：
预先采集每一种红木样本的表面漫反射光谱，对应每一种红木样本进行标记并存储红木样本光谱数据；
S102、建立红木光谱分类模型：
对所述红木样本光谱数据进行分类处理，获得并存储每一种红木对应的红木光谱模型数据；
S103、红木种类实时鉴定：
采集待测红木样品的表面漫反射光谱，获得待测红木光谱数据，比对所述待测红木光谱数据和所述红木光谱模型数据，获得待测红木样品的种类结果。
《红木》期刊根据国家标准依据科学性、历史延续性和可行性的原则，将“红木”的范围确定为5属8类。5属是以树木学的属来命名的，即紫檀属、黄檀属、柿属、崖豆属及铁力木属。8类则是以木材的商品名来命名的，即紫檀木类、花梨木类、香枝木类、黑酸枝类、红酸枝木类、乌木类、条纹乌木类和鸡翅木类。同时，红木是指这5属8类木料的心材，心材是指树木的中心、无生活细胞的部分。
其中，各种红木的木材特征如下：
1、紫檀木类心材红至紫红色，久则转为深紫或黑紫；木材结构细至甚细；甚重硬，沉于水；波痕可见或不明显；香气无或很微弱；紫檀属的树种；产于印度等热带地区。
2、花梨木类心材主为红褐、浅红褐至紫红褐色；木材结构细；重或甚重，大多数浮于水；波痕可见或不明显；有香气或很微弱；木刨花水浸出液有荧光现象显著、可见，少数不见；紫檀属的树种；产于热带地区。
3、香枝木类心材红褐或深红色，常带黑色条纹；木材结构细；重至甚重；波痕可见；辛辣气味浓郁；黄檀属的树种；产于中国海南、亚洲热带地区。
4、黑酸枝木类心材黑栗褐色，常带黑色条纹；木材结构细；重至甚重，绝大多数沉于水；波痕可见或不明显；有酸香气或很微弱；黄檀属的树种；产于热带地区。
5、红酸枝类心材主为红褐或紫红褐色；木材结构细；重至甚重，绝大多数沉于水；由于纹理交错在径切面上常形成带状花纹；黄檀属的树种；产于热带地区。
6、乌木类心材全部乌黑色；木材结构细；甚重，沉于水；波痕未见；香气无；柿属的树种；产于热带地区。
7、条纹乌木类散孔材黑色或栗褐色，间有浅色条纹；轴向薄壁组织主为同心层式离管细线，疏环管数少；木材结构细；甚重，绝大多数沉于水；波痕未见；香气无；柿属的树种；产于热带地区。
8、鸡翅木类心材黑褐或栗褐色；在弦切面上呈鸡翅状花纹；木材结构细至中；重量中、重至甚重；波痕未见；香气无；崖豆属和铁刀属的树种；产于热带地区。
由于不同的时间、不同的生长环境、不同的加工工艺等等，容易使得同一种类的红木均发生变化，因此，每一种类的红木样品有多个，在建立每一种类的红木光谱模型数据时，应当尽可能地采集更多的红木样品，从而使得红木光谱模型数据趋于完善。
其中，所述步骤S102中，采用支持向量机(SVM)、贝叶斯决策法、最大似然估计法、BP神经网络算法、无监督学习算法和聚类算法等机器学习算法对所述红木样本光谱数据进行分类处理。如期刊《信息技术》2007年第5期发表的论文《应用SVM算法进行TM多光谱图像地物分类》提及了利用上述机器学习算法对光谱图像进行分类的方法。
在训练支持向量机分类模型时需要求解如下的优化问题：
s.t.yi(wTφ(xi)+b)≥1-ξi，i＝1，…，L
ξi≥0，i＝1，…，L
其中，xi，i＝1，…，L是训练样本；yi，i＝1，…，L是训练样本的标签，即样本所属的红木类别的标号；φ(x)是核函数，常见的核函数包括多项式核函数、高斯核函数等；是对分类错误的样本的惩罚系数,表示样本错分的程度。在训练的过程中可以采用遍历的方法搜索使得分类正确率最大的惩罚系数和核函数中的参数。
BP神经网络是一个三层感知器模型，由输入层、隐含层和输出层组成。BP神经网络算法的基本思想是：输入信号向前传播，经隐层到输出层，如果在输出层得不到期望输出时，计算每个输出神经元的误差值，并将此误差值反向传播到隐层神经元，根据误差值调整各神经元的连接权值和阈值，直到误差达到要求为至。
例如，利用BP神经网络算法对所述红木样本光谱数据进行分类处理，实现的具体步骤如下：
1)确定输入参数个数，归一化处理后生成训练红木样本和测试红木样本。
2)采用BP算法对网络进行训练，在满足精度要求下，确定网络中的各连接权值Ⅳ和阈值b及网络最佳隐层节点数。
BP算法为误差调节的梯度算法，对P个红木样本假设三层BP网络，输入节点xi，隐节点yj，输出节点zl；
输入节点与隐层节点间的网络权值为wji；
隐层节点与输出节点间的网络权值为vlj；
输出节点期望值为tl，则：
隐层节点的输出：
其中，
输出节点的输出：
其中，
于是，输出节点误差为：
由上式可知，网络误差为各层权值wji、vlj的函数，因此通过调整权值可以改变误差E，直到达到精度要求。显然，调增权值的原则是使误差不断减少，因此应使权值的调整量与误差的梯度下降(负梯度)成正比。
在训练过程中隐含层到输出层和输入层到隐含层的权值调整量分别为：
vlj(k+1)＝vlj(k)+Δvlj＝vlj(k)+ηδlyj
δl＝-(tl-zl)·f’(netl)
wji(k+1)＝wji(k)+Δwji＝wji(k)+η’δ’jxi；
3)利用测试红木样本，对网络进行检验。若结果不满足测试要求，再修改隐层节点数，重新训练，直到满足误差要求为止。
例如，利用贝叶斯决策法对红木样本光谱数据进行分类处理，实现的具体步骤如下：
1)每一个红木样本利用一个n维特性向量X＝{x1，x2，...，xn}表示，分别描述对n个属性A1，A2，...，An红木样本的n个度量。
2)假定有m个类C1,C2，…，Cn，给定一个未知的红木样本X(即没有类标号)，分类器将预测X属于具有最高后验概率(条件X下)的类。也就是说，朴素贝叶斯分类将未知的红木样本分频给类Ci(1≤i≤m)，当且仅当P(Ci∣X)>P(Cj∣X)，对任意的j＝1，2，…,m，j≠i。这样，最大化P(Ci∣X)。其中P(Ci∣X)最大的类Ci称为最大后验假定。根据贝叶斯原理：
3)由于P(X)对于所有类为常数，因而只需要保证P(X∣Ci)P(Ci)最大即可。如果Ci类的先验概率未知，则通常假定这些类是等概率的，即P(C1)＝P(C2)＝…＝P(Cm),因此问题就转换为对P(X∣Ci)的最大化。否则，需要最大化P(X∣Ci)P(Ci)。类的先验概率可以用P(Ci)＝si/s，计算，其中si是类Ci中训练红木样本数，而s是训练红木样本总数。
4)给定具有许多属性的数据集，计算P(X∣Ci)的开销可能非常大。为了降低计算P(X∣Ci)的开销，可以做类条件独立的朴素假定。给定红木样本的类标号，假定属性值的相互条件独立，即在属性间不存在依赖关系，则
其中概率P(x1∣Ci)，P(x2∣Ci)，P(x3∣Ci)，…，P(xn∣Ci)可以由训练红木样本估值。
5)对未知样本X分类，也就是对每个类Ci，计算P(X∣Ci)P(Ci)。样本X被指派到类Ci，当且仅当P(Ci∣X)>P(Cj∣X)，1≤j≤m，j≠i，即X被指派到其P(X∣Ci)P(Ci)最大的类。
其中，所述步骤S103中，采用支持向量机(SVM)、贝叶斯决策法、最大似然估计法、BP神经网络算法、无监督学习算法和聚类算法等机器学习算法对所述待测红木光谱数据进行分类处理，与所述红木光谱模型数据比对获得所述待测红木样品的光谱数据匹配度百分比。
其中，所述步骤S103中，当所述待测红木样品的光谱数据匹配度百分比低于50％时，对所述待测红木光谱数据进行分类处理，建立并存储一对应的红木光谱模型数据。
实施例2
如图2、3所示，本发明的另一个方面，为了实现上述的智能红木种类鉴定方法，本发明还提供了一种智能红木种类鉴定平台，包括采集模块、计算模块、显示模块以及电源模块，所述采集模块用于预先采集每一种红木样本的表面漫反射光谱，对应每一种红木样本进行标记并存储红木样本光谱数据；以及采集待测红木样品的表面漫反射光谱，获得待测红木光谱数据；
所述计算模块用于对所述红木样本光谱数据进行分类处理，获得并存储每一种红木对应的红木光谱模型数据；以及比对所述待测红木光谱数据和所述红木光谱模型数据，获得待测红木样品的种类结果。
所述显示模块用于显示所述待测红木样品的种类结果，以及预设所述鉴定平台的参数；
所述电源模块用于提供所述显示模块、所述采集模块和所述计算模块的工作电压。
其中，智能红木种类鉴定平台还包括存储模块，所述存储模块用于存储所述红木样本光谱数据和所述红木光谱模型数据。
其中，所述采集模块包括光谱仪、光源、光纤和采集手柄，所述所述光谱仪通过所述光纤与所述采集手柄的光纤探头连接，所述光谱仪通过USB接口与所述计算模块数据通信。在采集红木光谱数据时，首先打开光源和光谱仪，把光纤夹在采集手柄上，操作人员手持手柄使光纤探头贴紧红木表面。光谱仪可以采集待测样品的表面漫反射光谱并把光谱数据传输给计算模块，光谱仪通过USB接口与计算模块相连。
其中，所述计算模块与所述存储模块连接，接收所述采集模块传输的所述红木样本光谱数据和所述待测红木光谱数据；采用支持向量机(SVM)、贝叶斯决策法、最大似然估计法、BP神经网络算法、无监督学习算法和聚类算法等机器学习算法对所述红木样本光谱数据和所述待测红木光谱数据进行分类处理，获得所述红木光谱模型数据并比对鉴定所述待测样品的种类结果。
其中，所述显示模块是一触摸显示屏，所述触摸显示屏与所述计算模块通过HDMI接口连接。
其中，计算模块包括一台计算机，计算机安装了控制软件。操作人员可以使用控制软件控制光谱仪采集待检测红木样品的表面漫反射光谱，计算机根据光谱数据自动对红木种类进行鉴别并把鉴别结果传输给显示模块。控制软件使用机器学习算法如聚类算法、支持向量机算法、神经网络算法等算法训练分类模型，对红木光谱数据进行分类从而鉴定红木的种类。
其中，显示模块使用优派公司生产的触摸显示屏。采集模块使用海洋光学公司生产的NIRQuest512型光谱仪及其自带光源、手枪型手柄。计算模块使用安装了windows7系统的计算机。电源模块使用飞利浦公司生产的电源分配单元。
如图4所示，使用本发明的智能红木种类鉴定平台进行红木鉴别的步骤如下：
1、打开计算机、光源和光谱仪的电源；
2、打开计算机上的红木鉴别软件，点击连接光谱仪，软件显示“已连接”则表示已经成功连接光谱仪；
3、将待检测样品平稳地放置于检测平台上，手持采集手柄，使光纤探头贴紧待测样品的表面；
4、在红木鉴别软件上点击采集光谱，等待大约3秒钟即可采集到待测样品的光谱数据；
5、在红木鉴别软件上点击红木鉴别，在软件的“结果”文本框中会显示出待测样品的种类。
具体地，使用线性核函数的支持向量机算法建立的分类模型可以对小叶紫檀、非洲血檀、越香枝等7类红木进行鉴别，在实际鉴别的过程中，鉴别准确率达到了99.53％。
本发明的智能红木种类鉴定方法及其平台，通过利用现有的光谱分类处理算法，对每一种红木的样品进行光谱数据采集，然后分类处理获得每一种红木对应的红木光谱模型数据，作为待测样品的待测红木光谱数据的比对参照基准，通过实时采集待测样品的待测红木光谱数据，能够快速鉴定待测样品的种类。本发明提出的方法鉴定时间短、不会对待测样品造成损害，并且不依赖鉴定人员的经验。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (9)
1.一种智能红木种类鉴定方法，其特征在于，所述方法包括如下步骤：
S101、采集红木样本光谱数据：
预先采集每一种红木样本的表面漫反射光谱，对应每一种红木样本进行标记并存储红木样本光谱数据；
S102、建立红木光谱分类模型：
对所述红木样本光谱数据进行分类处理，获得并存储每一种红木对应的红木光谱模型数据；
S103、红木种类实时鉴定：
采集待测红木样品的表面漫反射光谱，获得待测红木光谱数据，比对所述待测红木光谱数据和所述红木光谱模型数据，获得待测红木样品的种类结果。
2.根据权利要求1所述的一种智能红木种类鉴定方法，其特征在于，所述步骤S102中，采用支持向量机算法、贝叶斯决策法、最大似然估计法、BP神经网络算法、无监督学习算法和聚类算法的其中一种对所述红木样本光谱数据进行分类处理。
3.根据权利要求1所述的一种智能红木种类鉴定方法，其特征在于，所述步骤S103中，采用支持向量机算法、贝叶斯决策法、最大似然估计法、BP神经网络算法、无监督学习算法和聚类算法的其中一种对所述待测红木光谱数据进行分类处理，与所述红木光谱模型数据比对获得所述待测红木样品的光谱数据匹配度百分比。
4.根据权利要求1所述的一种智能红木种类鉴定方法，其特征在于，所述步骤S103中，当所述待测红木样品的光谱数据匹配度百分比低于50％时，对所述待测红木光谱数据进行分类处理，建立并存储一对应的红木光谱模型数据。
5.一种智能红木种类鉴定平台，其特征在于，所述鉴定平台包括采集模块、计算模块、显示模块以及电源模块，所述采集模块用于预先采集每一种红木样本的表面漫反射光谱，对应每一种红木样本进行标记并存储红木样本光谱数据；以及采集待测红木样品的表面漫反射光谱，获得待测红木光谱数据；
所述计算模块用于对所述红木样本光谱数据进行分类处理，获得并存储每一种红木对应的红木光谱模型数据；以及比对所述待测红木光谱数据和所述红木光谱模型数据，获得待测红木样品的种类结果。
所述显示模块用于显示所述待测红木样品的种类结果，以及预设所述鉴定平台的参数；
所述电源模块用于提供所述显示模块、所述采集模块和所述计算模块的工作电压。
6.根据权利要求5所述的一种智能红木种类鉴定平台，其特征在于，还包括存储模块，所述存储模块用于存储所述红木样本光谱数据和所述红木光谱模型数据。
7.根据权利要求5所述的一种智能红木种类鉴定平台，其特征在于，所述采集模块包括光谱仪、光源、光纤和采集手柄，所述光谱仪通过所述光纤与所述采集手柄的光纤探头连接，所述光谱仪通过USB接口与所述计算模块数据通信。
8.根据权利要求6所述的一种智能红木种类鉴定平台，其特征在于，所述计算模块与所述存储模块连接，接收所述采集模块传输的所述红木样本光谱数据和所述待测红木光谱数据；采用支持向量机算法、贝叶斯决策法、最大似然估计法、BP神经网络算法、无监督学习算法和聚类算法的其中一种对所述红木样本光谱数据和所述待测红木光谱数据进行分类处理，获得所述红木光谱模型数据并比对鉴定所述待测样品的种类结果。
9.根据权利要求5所述的一种智能红木种类鉴定平台，其特征在于，所述显示模块是一触摸显示屏，所述触摸显示屏与所述计算模块通过HDMI接口连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710340312.0A CN107179297A (zh) | 2017-05-15 | 2017-05-15 | 一种智能红木种类鉴定方法及其平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710340312.0A CN107179297A (zh) | 2017-05-15 | 2017-05-15 | 一种智能红木种类鉴定方法及其平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107179297A true CN107179297A (zh) | 2017-09-19 |
Family
ID=59831846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710340312.0A Pending CN107179297A (zh) | 2017-05-15 | 2017-05-15 | 一种智能红木种类鉴定方法及其平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107179297A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190689A (zh) * | 2018-08-17 | 2019-01-11 | 北京木业邦科技有限公司 | 配漆模型确定、配漆方法和系统及存储介质和电子设备 |
| CN112906750A (zh) * | 2021-01-25 | 2021-06-04 | 浙江大学 | 一种基于高光谱图像的材质分析方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101907564A (zh) * | 2010-06-24 | 2010-12-08 | 江苏大学 | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 |
| CN102564966A (zh) * | 2012-02-03 | 2012-07-11 | 江西出入境检验检疫局检验检疫综合技术中心 | 纺织品成分的近红外光谱快速无损检测方法 |
-
2017
- 2017-05-15 CN CN201710340312.0A patent/CN107179297A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101907564A (zh) * | 2010-06-24 | 2010-12-08 | 江苏大学 | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 |
| CN102564966A (zh) * | 2012-02-03 | 2012-07-11 | 江西出入境检验检疫局检验检疫综合技术中心 | 纺织品成分的近红外光谱快速无损检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 严衍禄等: "《《近红外光谱分析的原理、技术与应用》》", 31 January 2013 * |
| 李菲菲等: "基于ＮＩＲ和ＳＶＭ 算法的巴里黄檀和交趾黄檀鉴别研究", 《光谱学与光谱分析》 * |
| 王春丽: "《环境仪器分析》", 30 April 2014 * |
| 王汝杰等: "《现代设备管理》", 30 April 2017 * |
| 齐干等: "《西藏古格王国遗址洞窟变形破坏机理及加固对策研究》", 31 January 2016 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190689A (zh) * | 2018-08-17 | 2019-01-11 | 北京木业邦科技有限公司 | 配漆模型确定、配漆方法和系统及存储介质和电子设备 |
| CN112906750A (zh) * | 2021-01-25 | 2021-06-04 | 浙江大学 | 一种基于高光谱图像的材质分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10671833B2 (en) | Analyzing digital holographic microscopy data for hematology applications | |
| WO2019110567A1 (en) | Method of computing tumor spatial and inter-marker heterogeneity | |
| CN110264454B (zh) | 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法 | |
| Song et al. | Hybrid deep autoencoder with Curvature Gaussian for detection of various types of cells in bone marrow trephine biopsy images | |
| CN111523582B (zh) | 一种基于迁移学习的跨仪器拉曼光谱定性分析方法 | |
| Ates et al. | An image-processing based automated bacteria colony counter | |
| CN112347894A (zh) | 基于迁移学习和高斯混合模型分离的单株植被提取方法 | |
| KR20160012114A (ko) | 스펙트럼 이미지화에 의해 생물학적 시료를 분석하기 위한 방법 및 시스템 | |
| MacLeod et al. | Automated leaf physiognomic character identification from digital images | |
| Johnsson | Structures in high-dimensional data: Intrinsic dimension and cluster analysis | |
| CN112274110A (zh) | 一种基于皮肤荧光图像的毛孔检测系统、装置及方法 | |
| Lee et al. | Statistical file matching of flow cytometry data | |
| Li et al. | An automatic plant leaf stoma detection method based on YOLOv5 | |
| CN107179297A (zh) | 一种智能红木种类鉴定方法及其平台 | |
| Kaur et al. | A methodology for the performance analysis of cluster based image segmentation | |
| Luta et al. | Multi-label classification of pH levels using support vector machines | |
| Wang et al. | Vision-Based Defect Classification and Weight Estimation of Rice Kernels | |
| Concepcion et al. | Identification of Philippine Maize Variety Using Convolutional Neural Network with Kernel Morphological Phenes Characterization | |
| Gampa | A data-driven approach for detecting stress in plants using hyperspectral imagery | |
| Cong et al. | Machine vision-based estimation of body size and weight of pearl gentian grouper | |
| Concepcion II et al. | BivalveNet: A hybrid deep neural network for common cockle (Cerastoderma edule) geographical traceability based on shell image analysis | |
| Vidhya et al. | Milk quality prediction using supervised machine learning technique | |
| Seetharaman et al. | Automatic Identification of Leaf Disease using Image Segmentation Method | |
| Nguyen et al. | Rapidly adaptive cell detection using transfer learning with a global parameter | |
| Thirumal et al. | Automated Cell Phenotyping for Imaging Mass Cytometry |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180813 Address after: 100176 Chaoyang District, Beijing, Xiaohong gate Township, South Fourth Ring Road, No. 308, Cheng Shou Si Road, four floor, 2733 Applicant after: Beijing beye Technology Co., Ltd. Address before: 100020 Beijing Chaoyang District waterfront South Street 8, moist Pavilion 364-1-701 Applicant before: Cui Zhe |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170919 |
|
| RJ01 | Rejection of invention patent application after publication |