[發明專利]基于近紅外光譜分析的實木板材節子形態反演方法

有效

• 申請號: 201811265532.2
• 申請日: 2018-10-26
• 公開（公告）號: CN109064553B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 于慧伶;張怡卓;張淼;梁玉亮;候弘毅
• 申請（專利權）人: 東北林業大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06V10/44;G06V10/30;G01N21/3563;G01N21/359
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 楊立超

1.一種基于近紅外光譜分析的實木板材節子形態反演方法，其特征在于，所述方法的實現過程為：

訓練過程：

首先利用圖像處理技術提取實木板材上、下表面節子的缺陷邊界區域，找出上下表面節子缺陷邊界上相對應的邊界點，及節子缺陷表面的中心位置，得到實木板材一個表面上的節子缺陷邊界點A、節子缺陷邊界點A所在缺陷表面對應的中心點O、及與節子缺陷邊界點A對應的另一表面上的缺陷邊界點A′所構成的邊界點傾角OAA′；

利用近紅外光譜分析儀采集缺陷邊界點傾角的光譜信息，對所述光譜信息進行預處理后得到有效的訓練集；

運用ISOMAP對訓練集內的缺陷邊界點傾角的光譜信息進行有效提取，以提取的缺陷邊界點傾角的光譜有效特征為輸入、以缺陷邊界點傾角角度為輸出，構建出小波神經網絡從而得到光譜有效特征與邊界點傾角OAA′之間的非線性映射關系；

在訓練過程中對所述光譜信息進行預處理包括：先進行基線漂移與去噪處理，再運用主成分與馬氏距離結合剔除異常光譜，然后利用K-S劃分校正樣本集；

先進行基線漂移與去噪處理的過程為：

首先對缺陷樣本的近紅外光譜進行一階導數處理得到導數光譜，一階導數光譜預處理方法如下：

式中，x_t為波長t處的離散光譜，g為窗口寬度；

然后，采用S-G平滑處理去掉光譜高頻噪聲，提高信噪比，計算波長t處經平滑后的平均值公式如下：

式中，x_t,smooth為平滑后波長t處的數值，h_i為S-G平滑系數，H為歸一化因子，w為平滑窗口大小；

運用主成分與馬氏距離結合剔除異常光譜的過程為：

將缺陷邊界點樣本光譜與平均光譜在主成分空間中相似度低的樣本視為異常，通過選用不同的權重系數e值來對閾值范圍進行大小調整，并采用模型預測結果來剔除異常樣本，計算奇異樣本存在的閾值范圍如下：

式中，A_t為閾值范圍，為近紅外光譜數據到平均光譜在主成分空間中的馬氏矩陣平均值；σ為A的標準差；e為調整閾值范圍的權重系數；

缺陷邊界點樣本i的光譜數據為A_i，當A_i-A_t值越小，表明兩者相似度越高；反之亦然；因此，e值越大，相似度隨之增高；反之，相似度越低；

利用K-S劃分校正樣本集的過程為：

(1)在缺陷光譜樣本n中，設置校正集樣本個數m；

(2)計算光譜之間的歐式距離l_ij，選擇l_ij最大的樣本n₁和n₂進入校正集；

(3)分別計算其余光譜與校正集光譜的距離，并取最小值構成集合l，l＝min(l_1v,l_2v,,…,l_qv)，其中，1～q表示選入校正集樣本的編號，v表示剩余的待選樣本的編號；

(4)選取l中最大值對應的樣本進入校正集，該樣本為距離已有校正樣本最遠的樣本；

(5)依次重復進行步驟(3)、(4)，直至校正集樣本個數達到預先設定的數目m；

檢測過程：

首先利用圖像處理技術提取實木板材某一表面節子的缺陷邊界區域，找出該表面節子缺陷邊界上多個邊界點；

利用近紅外光譜分析儀采集所述多個邊界點的光譜信息，并進行基線漂移與去噪處理，提取出每個光譜的有效特征輸入給訓練好的小波神經網絡，得到每個缺陷邊界點傾角角度，利用這些傾角角度通過Solidworks軟件實現節子椎體模型的三維呈現。

2.根據權利要求1所述的基于近紅外光譜分析的實木板材節子形態反演方法，其特征在于，運用ISOMAP對訓練集內的缺陷邊界點傾角的光譜信息進行有效提取，其過程為：

在采用ISOMAP算法對板材缺陷邊緣光譜特征降維時，設定降維數范圍d為1～15，近鄰k的范圍為2～20，選取d和k的不同組合對數據降維效果進行測試，當k＝19，d＝12時，具有最小的SECV值為12.53，缺陷角度預測相關系數R為0.83，預測相對分析誤差RPD為1.80。