CN109253985B - 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 - Google Patents
基于神经网络的近红外光谱识别古筝面板用木材等级的方法 Download PDFInfo
- Publication number
- CN109253985B CN109253985B CN201811436277.3A CN201811436277A CN109253985B CN 109253985 B CN109253985 B CN 109253985B CN 201811436277 A CN201811436277 A CN 201811436277A CN 109253985 B CN109253985 B CN 109253985B
- Authority
- CN
- China
- Prior art keywords
- neural network
- wood
- data
- near infrared
- infrared spectrum
- 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.)
- Active
Links
- 239000002023 wood Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000009499 grossing Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 24
- 230000003595 spectral effect Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 240000002834 Paulownia tomentosa Species 0.000 claims 1
- 239000000126 substance Substances 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 15
- 238000010521 absorption reaction Methods 0.000 description 6
- 244000055346 Paulownia Species 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 210000002659 acromion Anatomy 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000002916 wood waste Substances 0.000 description 1
Images
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法,所述方法包括如下步骤:(1)将包含不同等级的古筝面板用木材的近红外光谱数据进行Savitzky‑Golay卷积平滑和一阶导数预处理和主成分分析;(2)构建改进的BP神经网络模型;(3)训练改进的BP神经网络模型;(4)利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类,从而实现古筝面板用木材的等级识别。本发明基于可以涵盖不同等级古筝面板用木材的化学物质的近红外光谱数据进行判别,测量数据快,成本低,判断时间短,有效缩小计算数据量,不掺杂主观臆断,稳定性较高,方法更具健壮性。
Description
技术领域
本发明属于古筝板材的等级鉴别技术领域,涉及一种古筝面板用木材的等级鉴别方法,尤其涉及一种基于识别板材的近红外光谱波段的化合物特征峰等信息和神经网络提取特征向量,从而识别其板材等级的测试方法。
背景技术
随着我国经济的飞速发展和生活水平的不断提高,人们对于高等级古筝制品的需求量也在不断增长,人们对于古筝音质的要求也越来越高,高音质的古筝制品具有非常高的演奏价值。通过拨弦引起振动,通过筝码传播到面板,从而产生美妙的旋律,可见在古筝结构中其他用料一致的情况下,面板木材的好坏很大程度上决定了古筝的音色优美与否。古筝面板木材分为高级品、中级品和普及品三个等级,由于泡桐木材具有木质疏松,共振好等特点,广泛用于制作古筝面板。古筝面板用木材的等级选择在制作古筝过程中是一项重要的工作。目前,我国对木材识别的方法标准只有QB/T 1207.3-2011《筝》标准,该标准是以木材的宏观特征为依据。我国古筝制作行业在面板用木材的选择上主要有木材切片法和经验法。对于木材切片法,进行鉴别的时候需要破坏等操作,造成木材的浪费。对于传统经验法,通常依赖于乐器技师观察木材纹理和疤结大小和数量、掂、敲、听等方式进行主观评判。此传统方法缺少了科学理论的总结,板材等级判断时间较长,判断准确率受主观影响和误判率高,这就使得乐器质量的提高、选材的客观性以及出材率的提高等方面受到限制。同时在生产过程中,富有经验的相关工作人员的数量逐年递减,此现状为面板板材等级快速正确判别带来了限制。
发明内容
为了克服判别时间长、判别结果易受判别者主观影响和相关从业者人数逐年递减等存在的问题,本发明提供了一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法。此方法基于可以涵盖不同等级古筝面板用木材的化学物质的近红外光谱数据进行判别,测量数据快,成本低,判断时间短,有效缩小计算数据量,不掺杂主观臆断,稳定性较高,方法更具健壮性。
本发明的目的是通过以下技术方案实现的:
一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法,包括如下步骤:
步骤(1):将包含不同等级的古筝面板用木材的N组不同波段的近红外光谱数据进行Savitzky-Golay卷积平滑和一阶导数预处理和主成分分析,将变换后的不同波段的近红外光谱数据随机分组,将其中的n组数据作为训练样本集,N-n组数据作为测试样本集;
步骤(2):构建改进的BP神经网络模型;
步骤(3):将训练样本集作为训练样本输入步骤(2)构建的改进的BP神经网络模型中,利用模型设计样本,得到训练好的改进的BP神经网络模型和基于训练样本集板材的最佳等级分类结果,从而确定用于实验分析的最佳光谱数据波段;
步骤(4):将测试样本集作为测试样本输入步骤(3)训练好的改进的BP神经网络模型中,利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类,从而实现古筝面板用木材的等级识别。
相比于现有技术,本发明具有如下优点:
1、本发明将采集的近红外光谱数据进行预处理和主成分分析操作,将变换的数据送入改进BP神经网络模型,提取不同等级的古筝面板木材的特征信息,实现了快速准确古筝面板用等级识别,通过计算机的手段进行判断,避免人工判别的方式,缩短识别时间,误判率较低,判别结果更具客观性。
2、本发明的识别方法不破坏实验样本,实现无损操作,充分利用化合物特征信息,等级识别率较高。
3、在进行模型训练以及模型测试时,本发明所提出的模型的未知样本识别准确率达到99.7%,神经网络模型的损失值低至0.59,从读取光谱数据经历预处理等工作再到等级判别结束所需时长大约为11.783秒。
4、本发明所提出的模型识别速度快,准确率较高,可以更好地满足乐器市场的需求,降低相关从业人员的经验标准。
5、本发明的方法可以推广到更多乐器的面板用木材等级分类,虽然不同乐器的木材近红外光谱存在差异,导致所选的最佳主成分个数有所不同,导致网络的输入结点数有所变化,但是网络的基本结构和每层的操作是不变的。
附图说明
图1为本发明识别方法的框图;
图2为采集的古筝面板用木材的近红外光谱图;
图3为光谱预处理效果图;
图4为光谱的吸收峰标记图(横坐标为全部波段的光谱数据点个数);
图5为改进的BP神经网络模型的结构图;
图6为改进的BP神经网络模型的损失值变化图。
图7为改进的BP神经网络模型的准确率变化图;
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的范围,均应涵盖在本发明的保护范围中。
具体实施方式一:本实施方式提供了一种基于神经网络的近红外光谱识别古筝面板用泡桐木材等级的方法,如图1所示,所述方法包括如下步骤:
步骤(1):将包含不同等级的古筝面板用木材的N组不同波段的近红外光谱数据进行Savitzky-Golay卷积平滑和一阶导数预处理和主成分分析,将变换后的不同波段的近红外光谱数据随机分组,将其中的n组数据作为训练样本集,N-n组数据作为测试样本集。
步骤(2):构建改进的BP神经网络模型,所述改进的BP神经网络模型包括输入层、隐藏层和输出层,使用Softmax函数作为模型的分类函数,具体构建步骤如下:
(1)利用一维Logistic映射产生的混沌序列进行初始化改进BP模型的权重值,正态分布初始化偏置值,逐层计算每层的输入和输出,映射方程公式如下,Xn+1=rXn(1-Xn),其中r为系统参数,Xn为混沌序列第n层的输出,当系统参数r≥3.56时进入混沌状态,本发明选择r=4,X0=0.3;
(2)训练样本经本模型输入层与隐藏层之间的传递函数选取Relu函数,将学习率设置为指数衰减式学习率;
(3)采用Adam算法确定神经网络模型的权重值和偏置值,增加模型的鲁棒性,避免易陷入局部最优解的局面,获得训练集的分类准确率;
(4)采用批量数据方法训练神经网络,根据训练结果调整网络各层节点数、学习率初始值、衰减指数、观察模型损失值和准确率变化,选取获得最高准确率的网络结构作为训练好的改进的BP神经网络模型的结构。
步骤(3):将训练样本集作为训练样本输入步骤(2)构建的改进的BP神经网络模型中,利用模型设计样本,得到训练好的改进的BP神经网络模型和基于训练样本集板材的最佳等级分类结果,从而确定用于实验分析的最佳光谱数据波段。
步骤(4):将测试样本集作为测试样本输入步骤(3)训练好的改进的BP神经网络模型中,利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类,从而实现古筝面板用木材的等级识别。
与现有技术中其他木材等级鉴别方法相比,本实施方式针对泡桐木材展开不同等级的古筝面板木材测试,将不同等级的古筝面板用木材的近红外光谱数据进行预处理和主成分分析操作,将不同波段光谱数据作为改进的BP神经网络模型的输入,通过神经网络模型提取不同等级的木材的特征信息,选取最有代表性且参与计算数据量最小的光谱波段,保证了木材的完整性,识别率更高,等级识别速度更快和结果更具客观性。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明。本实施方式的具体实现步骤如下:
(1)采集待测古筝面板用木材的近红外光谱数据。
(2)光谱数据分析:
(2a)观察原始光谱曲线,发现光谱重叠且谱峰重叠,本实施方式结合改进的BP神经网络算法提取光谱特征。观察原始光谱,可以发现木材在波数10000cm-1至7100cm-1区附近吸收最小,在波数6806cm-1至5192cm-1区吸收稍高,在波数4400cm-1至4016cm-1区附近区域最高;
(2b)参照图4,光谱数据在6806cm-1、5804cm-1、5602cm-1、5192cm-1、4760cm-1、4400cm-1、4286cm-1、4016cm-1处附近有明显的吸收峰,光谱在9040cm-1、8280cm-1、7668cm-1、6084cm-1、5396cm-1、4978cm-1、4526cm-1、4354cm-1、4166cm-1处有明显的肩峰,其中5192cm-1处附近由水中O-H键反对称的伸缩振动和变形振动引起,6806cm-1处附近由水中O-H键伸缩振动的第一泛音引起;
(2c)送入神经网络模型训练的光谱数据应该避开水分吸收带,所以本发明选择10000cm-1至7000cm-1波段、6800cm-1至5398cm-1,4976cm-1至4000cm-1三个波段区域的数据进行实验,将三个波段进行排列组合(表1)进行实验判别分析。
表1 7种用于实验判别分析的光谱波段组合
数字 | 光谱波段(单位:cm<sup>-1</sup>) |
1 | 10000-7000 |
2 | 6800-5398 |
3 | 4976-4000 |
4 | 10000-7000和6800-5398 |
5 | 10000-7000和4976-4000 |
6 | 6800-5398和4976-4000 |
7 | 10000-7000和6800-5398和4976-4000 |
(3)近红外光谱数据预处理和主成分分析:
(3a)采用Savitzky-Golay卷积平滑方法,以均方根误差和模型计算量为衡量标准确定最佳滤波窗口,以15个数据点为数据卷积平滑窗口大小,保存变换后的数据;
(3b)采用一阶导数变换,保存变换后的数据;
(3c)对预处理后的光谱数据进行主成分分析,根据主成分累积解释程度选取最佳主成分个数,主成分个数为12,保存变换后的数据。
(4)构建改进的BP神经网络模型:
(4a)神经网络模型结构采用输入层结点数为12,隐藏层结点数为15,输出层结点个数为3,学习率初始值设为0.01,衰减指数设为0.96;
(4b)选取Relu函数作为输入层与隐藏层之间的传递函数,提高了模型训练速度,有效防止过拟合的发生,选取Softmax函数作为最后一层的传递函数;
(4c)采用批训练方式,批量大小为40,总训练次数为30。
(5)板材等级分类:
利用Sofmax分类器对特征向量进行分类。
(6)训练网络:
采用改进的神经网络算法训练训练集样本,得到训练好的神经网络模型。
(7)测试网络:
将测试样本集输入到训练好的改进BP神经网络,得到测试结果,与其他传传统方法的测试结果进行比较,验证本方法的有效性。
具体实施方式三:本实施方式以三种等级的适用于古筝面板用木材的泡桐木及3种未知等级面板用木材样品作为分析对象。
如图1所示,本实施方式中的基于近红外的古筝面板用木材的等级识别方法采用Savitzky-Golay卷积平滑和一阶导数方法预处理数据集,进行主成分分析操作,分析光谱确定定化学键的吸收峰位置,确定送入神经网络模型的波段数据,并将其分为训练样本集和测试样本集,采用改进的BP神经网络模型,将特征向量送入Softmax分类器,调整隐藏层结点数和参与实验的波段,得到训练样本集的板材等级分类最佳结果,确定最终具有分类特征的光谱波段。最后将测试样本集送入训练好的神经网络模型中,得到测试样本集的古筝面板用木材等级识别结果。
本实施方式中,所述输入数据集的具体步骤为:将三种等级的古筝面板用木材进行陈化、干燥等处理,校准近红外光谱测量仪器,测量板材数据保存到计算机。
由于不同等级板材的原始光谱走势基本相同,光谱重叠且包含一些与待测样品性质无关的信息,所以采取卷积平滑和一阶导数预处理的方法将图2所示光谱数据具有的特征更加明显的体现出来,消除基线漂移等影响。本实施方式中,所述预处理方法首先进行Savitzky-Golay卷积平滑处理,提取信息窗口大小为15,再在此基础上进行一阶导数变换,增加光谱的分辨率。预处理后的光谱数据如图3所示。
将光谱数据进行预处理后,由于每条光谱数据具有3000点,参与实际计算量较大,增加计算机负担和加长分类判别时间,所以采用主成分分析方法,降低计算量的同时保证了光谱数据的完整性,以主成分累计解释程度为考量,12为最佳主成分个数。
如图5所示,本实施方式所构建的改进的BP神经网络具体结构为三层,输入层结点数为12,隐藏层结点数为15,输出层结点数为3,分类器为Softmax分类器,将输入层与隐藏层之间计算的输出作为隐藏层与输出层之间的输入。
本实施方式中,构建改进的BP神经网络构的具体步骤如下:随机初始化权值和正态分布初始化偏置值,在输入层与隐藏层之间的激活函数不采用传统的Sigmoid函数,采用Relu激活函数,避免梯度弥散等问题,Relu函数公式为:f(x)=max(0,x)。
输入层结点与隐藏层之间的计算公式如下:
bh=θh(ah)。
其中,Wih为权值,n为隐藏层结点数,xi为指定波段的光谱数据,θ为Relu激活函数。
代价函数选用交叉熵代价函数,加快更新速度,减少误差。由于古筝面板等级共有三种,属于多分类情况,所以隐藏层和输出层之间的激活函数为Softmax函数。在训练过程中,学习率初始值设置为0.01,衰减指数设置为0.96,调整输入神经网络的光谱波段,调整隐藏层结点个数,训练训练集样本,观察模型训练过程中损失值的变化,得出参与计算的最佳光谱波段和神经网络模型,最佳光谱波段即为10000cm-1至7000cm-1和4976cm-1至4000cm-1组合的波段。
本实施方式中,测试改进的BP神经网络模型的具体步骤为:将测试样本集输入到已经训练好的改进BP神经网络模型,得到测试结果。与其他基准方法的测试结果进行比较,验证本方法的有效性。改进的BP神经网络模型的损失值变化图如图6所示,改进的BP神经网络模型的准确值变化图如图7所示。
Claims (3)
1.一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法,其特征在于包括如下步骤:
步骤(1):将包含不同等级的古筝面板用木材的N组不同波段的近红外光谱数据进行Savitzky-Golay卷积平滑和一阶导数预处理和主成分分析,将变换后的不同波段的近红外光谱数据随机分组,将其中的n组数据作为训练样本集,N-n组数据作为测试样本集,所述古筝面板用木材为泡桐木;
步骤(2):构建改进的BP神经网络模型,所述改进的BP神经网络模型包括输入层、隐藏层、输出层,选取Relu函数作为输入层与隐藏层之间的传递函数,选取Softmax函数作为模型的分类函数;
步骤(3):将训练样本集作为训练样本输入步骤(2)构建的改进的BP神经网络模型中,利用模型设计样本,得到训练好的改进的BP神经网络模型和基于训练样本集板材的最佳等级分类结果,从而确定用于实验分析的最佳光谱数据波段;
步骤(4):将测试样本集作为测试样本输入步骤(3)训练好的改进的BP神经网络模型中,利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类,从而实现古筝面板用木材的等级识别;所述Savitzky-Golay卷积平滑和一阶导数预处理和主成分分析的具体方法如下:
(a)采用Savitzky-Golay卷积平滑方法,以均方根误差和模型计算量为衡量标准确定最佳滤波窗口,以15个数据点为数据卷积平滑窗口大小,保存变换后的数据;
(b)采用一阶导数变换,保存变换后的数据;
(c)对预处理后的光谱数据进行主成分分析,根据主成分累积解释程度选取最佳主成分个数,保存变换后的数据;所述主成分个数为12;所述改进的BP神经网络模型的具体构建步骤如下:
①利用一维Logistic映射产生的混沌序列进行初始化改进BP模型的权重值,正态分布初始化偏置值,逐层计算每层的输入和输出,映射方程公式如下,Xn+1=rXn(1-Xn),其中r为系统参数,Xn为混沌序列第n层的输出;
②训练样本经本模型输入层与隐藏层之间的传递函数选取Relu函数,将学习率设置为指数衰减式学习率;
③采用Adam算法确定神经网络模型的权重值和偏置值,增加模型的鲁棒性,获得训练集的分类准确率;
④采用批量数据方法训练神经网络,根据训练结果调整网络各层节点数、学习率初始值、衰减指数、观察模型损失值和准确率变化,选取获得最高准确率的网络结构作为训练好的改进的BP神经网络模型的结构;所述输入层的结点数为12,隐藏层的结点数为15,输出层的结点个数为3;所述输入层结点与隐藏层之间的计算公式如下:
bh=θh(ah);
其中,Wih为权值,n为隐藏层结点数,xi为指定波段的光谱数据,θ为Relu激活函数。
2.根据权利要求1所述的基于神经网络的近红外光谱识别古筝面板用木材等级的方法,其特征在于所述近红外光谱的波段为10000cm-1至7000cm-1波段、6800cm-1至5398cm-1、4976cm-1至4000cm-1三个波段区域。
3.根据权利要求1所述的基于神经网络的近红外光谱识别古筝面板用木材等级的方法,其特征在于所述最佳光谱波段为10000cm-1至7000cm-1和4976cm-1至4000cm-1组合的波段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436277.3A CN109253985B (zh) | 2018-11-28 | 2018-11-28 | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436277.3A CN109253985B (zh) | 2018-11-28 | 2018-11-28 | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109253985A CN109253985A (zh) | 2019-01-22 |
CN109253985B true CN109253985B (zh) | 2022-01-11 |
Family
ID=65042709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811436277.3A Active CN109253985B (zh) | 2018-11-28 | 2018-11-28 | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109253985B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7297348B2 (ja) | 2020-03-05 | 2023-06-26 | 国立研究開発法人物質・材料研究機構 | スペクトル汎化システム及び方法、並びに物質同定システム及び方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059549A (zh) * | 2019-03-11 | 2019-07-26 | 齐鲁工业大学 | 一种基于深度学习的木材薄板分类系统及算法 |
CN111879710B (zh) * | 2020-07-23 | 2023-07-11 | 中冶建筑研究总院(深圳)有限公司 | 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 |
CN112669915B (zh) * | 2020-11-06 | 2024-03-29 | 西安理工大学 | 一种基于神经网络与近红外光谱的梨无损检测方法 |
CN115046956B (zh) * | 2022-08-17 | 2022-12-13 | 扬州金韵乐器御工坊有限公司 | 基于光学信息的古筝面板材料检测方法 |
CN115222745B (zh) * | 2022-09-21 | 2022-12-13 | 南通未来文化科技有限公司 | 基于光学信息的古筝面板材料检测方法 |
CN116433107B (zh) * | 2023-05-29 | 2023-08-15 | 四川多联实业有限公司 | 一种管材产品质量诊断系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872339A (zh) * | 2010-06-11 | 2010-10-27 | 南京邮电大学 | 一种基于复杂动态网络的Hash算法 |
CN104132910A (zh) * | 2014-08-15 | 2014-11-05 | 华南农业大学 | 一种用近红外光谱技术预测火炬松木材纤维长度的方法 |
CN104730032A (zh) * | 2015-04-14 | 2015-06-24 | 北京林业大学 | 基于近红外光谱的热处理木材材色的数学模型及检测方法 |
CN106770003A (zh) * | 2016-11-21 | 2017-05-31 | 无锡迅杰光远科技有限公司 | 基于近红外光谱技术的木材识别方法及系统 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107480782A (zh) * | 2017-08-14 | 2017-12-15 | 电子科技大学 | 一种片上学习神经网络处理器 |
CN108814550A (zh) * | 2018-04-16 | 2018-11-16 | 北京工业大学 | 一种基于神经网络的近红外光谱断层成像重建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3129896B1 (en) * | 2014-04-09 | 2024-02-14 | Entrupy Inc. | Authenticating physical objects using machine learning from microscopic variations |
CN104866868B (zh) * | 2015-05-22 | 2018-09-07 | 杭州朗和科技有限公司 | 基于深度神经网络的金属币识别方法和装置 |
CN105975931B (zh) * | 2016-05-04 | 2019-06-14 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
CN107123117B (zh) * | 2017-04-26 | 2020-10-20 | 广东工业大学 | 一种基于深度学习的ic引脚焊点质量检测方法及装置 |
-
2018
- 2018-11-28 CN CN201811436277.3A patent/CN109253985B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872339A (zh) * | 2010-06-11 | 2010-10-27 | 南京邮电大学 | 一种基于复杂动态网络的Hash算法 |
CN104132910A (zh) * | 2014-08-15 | 2014-11-05 | 华南农业大学 | 一种用近红外光谱技术预测火炬松木材纤维长度的方法 |
CN104730032A (zh) * | 2015-04-14 | 2015-06-24 | 北京林业大学 | 基于近红外光谱的热处理木材材色的数学模型及检测方法 |
CN106770003A (zh) * | 2016-11-21 | 2017-05-31 | 无锡迅杰光远科技有限公司 | 基于近红外光谱技术的木材识别方法及系统 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107480782A (zh) * | 2017-08-14 | 2017-12-15 | 电子科技大学 | 一种片上学习神经网络处理器 |
CN108814550A (zh) * | 2018-04-16 | 2018-11-16 | 北京工业大学 | 一种基于神经网络的近红外光谱断层成像重建方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7297348B2 (ja) | 2020-03-05 | 2023-06-26 | 国立研究開発法人物質・材料研究機構 | スペクトル汎化システム及び方法、並びに物質同定システム及び方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109253985A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109253985B (zh) | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 | |
CN105630743B (zh) | 一种光谱波数的选择方法 | |
WO2018010352A1 (zh) | 一种定性定量相结合的近红外定量模型构建方法 | |
WO2018121121A1 (zh) | 用于扣除谱图本底的方法、通过拉曼谱图识别物质的方法和电子设备 | |
CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
CN109115692B (zh) | 一种光谱数据分析方法及装置 | |
He et al. | Fast discrimination of apple varieties using Vis/NIR spectroscopy | |
CN108802002B (zh) | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN105717066A (zh) | 一种基于加权相关系数的近红外光谱识别模型 | |
Ruan et al. | A novel hybrid filter/wrapper method for feature selection in archaeological ceramics classification by laser-induced breakdown spectroscopy | |
CN110186871A (zh) | 一种茶鲜叶产地的判别方法 | |
CN113030007B (zh) | 基于相似度学习算法快速检验烟用香精质量稳定性的方法 | |
CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
Xia et al. | Non-destructive analysis the dating of paper based on convolutional neural network | |
CN110186870A (zh) | 一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法 | |
CN106970042B (zh) | 一种卡拉胶杂质、水分含量检测方法 | |
CN112229816B (zh) | 基于opls-spa-mix-pls的木材弹性模量预测方法 | |
Huang et al. | Neural network for classification of Chinese zither panel wood via near-infrared spectroscopy | |
WO2022151570A1 (zh) | 卷烟主流烟气的品质评价方法 | |
CN112763448A (zh) | 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法 | |
CN112697745A (zh) | 一种白酒酒精含量测定方法 | |
CN114441468B (zh) | 一种基于近红外-中红外融合算法的窖泥品质检测方法 | |
CN113791049B (zh) | 一种融合nirs和cv对冷鲜鸭肉新鲜度进行快速检测的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |