1 广西科技大学电气电子与计算机科学学院, 广西 柳州 545006
2 东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
紫檀属中的木材有很多属于名贵木材, 不同树种之间十分相似。 传统的木材识别方法多以木材解剖学为主, 通过观察木材的切片结构特征对木材的树种进行判断, 这类方法虽有较高的识别精度, 但是其识别工艺较为复杂而且技术难度也相对较高。 与木材解剖学相对应的是利用图像信息或光谱信息的木材树种识别方法, 该类方法虽具有较为简单的识别工艺, 但是在对同属相似木材树种进行识别时, 往往不能够取得较好的识别效果。 提出了一种基于木材切面光谱特征和纹理特征相融合的木材树种识别方法, 该方法不仅识别工艺简单、 自动化程度高, 而且具有较高的识别精度。 首先通过数码相机和光谱仪采集木材切面的图像信息和光谱信息, 然后分别使用纹理特征提取方法和光谱特征提取方法提取两类特征的特征向量, 接下来使用基于典型相关分析的特征级融合方法将这两个特征向量进行融合, 最后使用支持向量机对融合后的特征向量进行分类识别。 为了验证方法的有效性, 以市场中常见的5种紫檀属树种的三个切面为研究对象, 对这些木材树种进行了识别。 实验结果显示, 单独使用纹理特征的识别正确率最高为80.00%, 单独使用光谱特征的识别正确率最高为94.40%, 使用融合的特征最高的识别正确率可达99.20%。 还将这5种木材树种与其他30种木材树种进行了混合, 混合后的木材样本数量可达1750。 实验进一步显示, 该方法可以对包含紫檀属在内的35种木材的树种进行识别, 其正确率可达98.29%。 综上所述, 木材的纹理特征和木材的光谱特征可以有效的相互补充, 从而进一步提高识别正确率。 最后还用所提出的方法与目前主流的方法进行了比较, 结果发现所述的木材树种识别方法高于目前主流方法。
同属木材 树种识别 光谱特征 纹理特征 特征融合 Same genus wood Tree species identification Spectral features Textural features Feature fusion 光谱学与光谱分析
2022, 42(7): 2247
东北林业大学工程技术学院, 黑龙江 哈尔滨 150040
基于支持向量机和马氏距离探索了中红外光谱分析识别进口的卢氏黑黄檀、 风车木、 微凹黄檀、 燃料紫檀和东非黑黄檀的能力。 应用中红外光谱仪采集了500组试验样本进行分析, 对试验数据进行了预处理: 首先, 为了保证样本的有效性, 对异常光谱进行了诊断。 基于莱特检验法诊断出卢氏黑黄檀和微凹黄檀各有2组异常, 风车木、 燃料紫檀和东非黑黄檀各有1组异常。 为使样本数量统一, 五种树种分别剔除了包含异常光谱在内的5组数据； 其次, 分析了近红外光谱的树种识别研究, 结果表明: 对光谱数据进行一阶导数处理, 可提高识别的精度。 因此, 对中红外光谱数据进行了平滑处理和一阶导数处理。 采用主成分分析提取了光谱数据的特征值, 测试集的第一和第二主成分得分的散点图显示, 平滑加一阶导数处理的测试集的各自聚类性较平滑处理好。 以主成分的得分为特征, 基于支持向量机和马氏距离进行了识别研究。 考虑到识别方法中主成分个数的选取会直接影响识别的精度, 而通常主成分的选取仅参考累计贡献率, 此处为使主成分的选取更科学, 在支持向量机识别方法中利用粒子群算法进行参数寻优时, 对主成分的个数(范围为［5, 30］)与5折检验下的最佳判别准确率的关系进行了试验, 结果表明: 平滑处理和平滑加一阶导数处理的主成分个数在［7, 11］范围内的5折检验下的最佳判别准确率较高, 结合对应的判别准确率, 确定了最佳的主成分个数为8个。 以前8个主成分作为输入变量, 基于支持向量机和马氏距离对测试集进行了测试, 结果得出: 两种识别方法的正确识别率均较高, 支持向量机的识别率略高于马氏距离, 平滑加一阶导数处理的识别率均优于平滑处理, 平滑加一阶导数处理的支持向量机正确识别率达到了98%, 识别效果最好。 因此, 中红外光谱分析可以作为木材树种识别的一种有效手段。
中红外光谱 树种识别 一阶导数 主成分分析 支持向量机 马氏距离 Mid-infrared spectrum Tree species identification First derivative Principal component analysis Support vector machine Mahalanobis distance 光谱学与光谱分析
2020, 40(7): 2128
1 新疆农业大学草业与环境科学学院, 新疆 乌鲁木齐 830052
2 安徽师范大学地理与旅游学院, 安徽 芜湖 241000
3 滁州学院计算机与信息工程学院, 安徽 滁州 239000
4 新疆师范大学地理科学与旅游学院, 新疆 乌鲁木齐 830001
针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高的问题,将能够提取高维数据立体特征的三维卷积神经网络(3D-CNN)引入到遥感影像树种识别中,并利用残差网络(ResNet)对其进行改进,提出三维残差卷积神经网络(3D-RCNN),以减小网络深度带来的误差,降低退化现象的影响。联合高分五号高光谱数据(GF-5 AHIS)和高分六号高空间分辨率数据(GF-6 PMS),辅以森林资源数据和外业调查数据构建样本集。结合3D-RCNN思想构建树种识别模型。实验结果表明:相较于传统3D-CNN,3D-RCNN将模型网络从12层增加到18层,能够深化网络结构,缓解网络退化;联合GF-5 AHIS和GF-6 PMS,3D-RCNN能够有效地识别北亚热带森林树种,且识别精度(91.72%)要优于传统3D-CNN(85.65%)和支持向量机算法(85.22%)。
图像处理 卷积神经网络 残差网络 树种识别 高光谱影像 激光与光电子学进展
2020, 57(24): 242804
