实木板材表面特征与物理性能直接影响板材利用与产品质量，本书以实木板材表面特征与物理性能检测为对象，以图像处理与光谱分析为检测手段，应用模式识别领域的新技术与新方法对实木板材开展检测与分析等。本书内容整合了作者的科研成果，系统介绍了线性分类器、聚类算法、主成分分析法、遗传算法、粒子群优化算法、支持向量机、压缩感知、神经网络等模式识别的基本原理，以及参数优化和相关改进策略，给出了实木板材物理性能检测与表面特征分析的整体流程和实验结果分析的相应方法。本书理论与实践相结合，可以帮助读者掌握模式识别方法的具体应用过程，并解决应用中遇到的问题。
更多科学出版社服务，请扫码获取。
参与完成了国家自然基金项目《年轮间细胞变异数字化理论及对材性影响机理》；"948"项目《实木优选在线检测与控制关键技术引进》；主持了林业公益项目《实木智能在线分选与协同控制》；主持了黑龙江省留学回国基金《实木地板表面纹理特征识别与分选方法研究》；
目录
前言
绪论 1
第1章 板材基本密度的近红外光谱检测方法 4
1.1 概述 4
1.2 密度检测基本方法 4
1.3 近红外光谱分析技术 6
1.3.1 近红外光谱分析技术特点 6
1.3.2 木材的近红外光谱检测研究现状 6
1.3.3 近红外光谱分析流程 9
1.4 样本制备与近红外光谱定量分析流程 10
1.4.1 柞木样本材料制备 10
1.4.2 实验仪器介绍 11
1.4.3 柞木样本光谱采集 12
1.4.4 柞木基本密度测量 14
1.5 木材基本密度的光谱奇异值剔除与光谱数据预处理 15
1.5.1 光谱奇异值剔除方法 15
1.5.2 木材近红外光谱数据预处理方法 18
1.5.3 实验结果与分析 24
1.6 木材基本密度的近红外光谱特征波长提取 27
1.6.1 谱区选择算法 27
1.6.2 连续投影算法 28
1.6.3 基于 BiPLS-SPA的光谱特征优选方法 29
1.6.4 光谱特征选择结果及其分析 30
1.7 小波神经网络在木材基本密度近红外建模中的应用 34
1.7.1 小波神经网络模型简介 34
1.7.2 基于小波神经网络的木材基本密度建模 39
1.7.3 实验结果与分析 40参考文献 42
第2章 基于纤维角检测的实木板材抗压弹性模量预测方法 46
2.1 概述 46
2.2 板材弹性模量检测设备硬件 46
2.2.1 纤维角检测设备 46
2.2.2 图像采集模块 47
2.2.3 运动模块 50
2.2.4 计算模块 52
2.3 板材纤维角测量方法 53
2.3.1 管胞效应 54
2.3.2 激光光斑图像处理 56
2.3.3 激光轮廓图像拟合与纤维角测量 60
2.3.4 测量精度测试 64
2.4 纤维角分布与弹性模量的建模 66
2.4.1 神经元模型 67
2.4.2 基于梯度的训练方法与优化 71
2.4.3 基于纤维角分布的弹性模量预测模型 73
参考文献 77
第3章 基于近红外光谱的板材缺陷形态反演方法 79
3.1 概述 79
3.2 实木板材缺陷的近红外光谱检测现状 79
3.3 实木板材缺陷反演模型 80
3.4 实木板材缺陷样本制备与数据采集 81
3.4.1 含缺陷的落叶松样本制备 81
3.4.2 近红外光谱采集设备介绍 82
3.4.3 落叶松样本缺陷边缘光谱采集 83
3.4.4 落叶松缺陷角度测量 85
3.5 实木板材缺陷异常样本剔除与光谱数据预处理 86
3.5.1 样本校正集和预测集及异常样本剔除划分方法 86
3.5.2 近红外光谱数据预处理方法 87
3.5.3 实验结果与分析 90
3.6 近红外光谱特征波长提取 94
3.6.1 缺陷样本光谱特征优化的 PLS模型 94
3.6.2 光谱特征选择实验与结果分析 97
3.7 基于神经网络的实木板材缺陷形态预测方法 100
3.7.1 BP神经网络预测实木板材缺陷角度 101
3.7.2 小波神经网络预测实木板材缺陷角度 103
3.7.3 预测缺陷角度结果比较 103
3.7.4 实木板材缺陷形态模拟结果 104参考文献 105
第4章 实木板材力学近红外光谱极限学习机建模 107
4.1 概述 107
4.2 木材力学性质的近红外光谱研究现状 107
4.3 实验数据采集 109
4.3.1 抗弯力学样本的加工 109
4.3.2 近红外光谱数据采集 110
4.3.3 抗弯强度和抗弯弹性模量的真实值测量 113
4.4 异常样本剔除与近红外光谱的预处理 116
4.4.1 基于马哈拉诺比斯距离的异常样本剔除 116
4.4.2 K-S校正集和预测集划分 116
4.4.3 预处理结果分析 118
4.5 基于光谱数据特征优化的PLS模型 121
4.5.1 PSO优化光谱特征与SiPLS模型 121
4.5.2 LLE优化光谱特征与PLS模型 122
4.5.3 Isomap优化光谱特征与PLS模型 124
4.6 特征优化PLS的实验结果与分析 124
4.6.1 PLS模型的实验结果 124
4.6.2 SiPLS模型的实验结果 126
4.6.3 PSO-SiPLS模型的实验结果 127
4.6.4 LLE-PLS模型的实验结果 130
4.6.5 Isomap-PLS模型的实验结果 132
4.6.6 模型预测性能比较 134
4.7 基于极限学习机的预测模型 135
4.7.1 极限学习机简介 135
4.7.2 实验结果与分析 137参考文献 142
第5章 实木板材表面缺陷的近红外光谱支持向量辨识方法 145
5.1 概述 145
5.2 实木板材表面缺陷检测研究现状 145
5.3 板材缺陷分析与板材光谱的数据采集处理 147
5.3.1 缺陷类别 147
5.3.2 板材加工、数据采集及预处理 148
5.4 光谱数据特征选择及支持向量机参数优化 155
5.4.1 支持向量机简介 155
5.4.2 特征选择 158
5.4.3 实验结果与分析 159
5.5 改进的偏二叉树双支持向量机分类模型 163
5.5.1 双支持向量机简介 163
5.5.2 二叉树支持向量机简介 170
5.5.3 改进的偏二叉树双支持向量机简介 172
5.5.4 实验结果与分析 173参考文献 174
第6章 基于特征融合的木材纹理分类 177
6.1 概述 177
6.2 木材纹理特征提取与分类器的研究现状 177
6.2.1 纹理特征提取的研究现状 177
6.2.2 分类器的研究现状 178
6.3 实验样本采集 179
6.4 基于小波变换的特征提取 184
6.4.1 最佳分解级数的确定 184
6.4.2 小波基确定 187
6.4.3 特征提取 187
6.4.4 实验结果与分析 188
6.5 基于曲波变换的特征提取 189
6.5.1 第一代曲波变换简介 189
6.5.2 第二代曲波变换简介 190
6.5.3 实验结果与分析 194
6.6 基于遗传算法特征融合的木材纹理识别 197
6.6.1 特征融合的准备 197
6.6.2 基于遗传算法的特征融合 198
6.6.3 实验结果与分析 202
参考文献 204
第7章 面向拼接的锯材原料纹理缺陷协同辨识方法 207
7.1 概述 207
7.2 实木表面特征与分类器研究现状 207
7.2.1 木材表面颜色特征识别的研究现状 207
7.2.2 木材表面纹理特征识别的研究现状 208
7.2.3 木材表面特征分类器的研究现状 209
7.3 锯材表面图像检测系统及预处理 210
7.3.1 实验设备 210
7.3.2 锯材样本图像 211
7.3.3 表面图像灰度化 212
7.4 锯材图像颜色与纹理特征表达方法 213
7.4.1 颜色特征提取 214
7.4.2 基于CIELAB颜色空间的样本颜色优选 218
7.4.3 基于DT-CWT的纹理特征提取 221
7.4.4 纹理分类实验结果与分析 223
7.5 基于离散粒子群优化算法的特征选择方法 227
7.5.1 特征优选过程 228
7.5.2 特征选取实验结果与分析 230
7.6 基于压缩感知理论的锯材表面纹理缺陷分类方法 231
7.6.1 压缩感知分类算法 231
7.6.2 锯材分选实验结果与分析 236
参考文献 242
书单推荐
