目前, 我国乐器制作行业在古筝面板用木材等级的筛选上主要依赖于技师主观评判, 但此法缺少科学理论的依据, 效率低, 客观性及出材率的提高等方面受到限制, 无法满足乐器市场的大量需求。 实现古筝面板用木材快速、 智能化的分级工作是一个急需解决的课题。 近红外光谱非常适用于测量含氢的有机物质。 古筝面板木材主要化学成分的化学键均由含氢基团组成, 不同等级板材的化学成分存在差异, 这些差异反映在近红外光谱中, 为判断木材等级提供了可能。 同时卷积神经网络对非线性数据具有较强的特征提取能力, 所以提出一种应用卷积神经网络模型对光谱数据进行分析的方法, 进而判别木材的等级。 应用了Savitzky Golay一阶、 二阶微分两种预处理方法和核主成分分析、 连续投影算法两种数据压缩方法, 通过所设计的卷积神经网络模型以样本识别准确率和模型构建过程中的损失值作为判定指标选出最佳预处理和数据压缩方法。 为了提高模型提取分析光谱数据的能力和避免过拟合现象, 应用了多通道卷积核、 批量归一化和early stopping策略, 将通过两层卷积层提取的特征信息送入全连接层, 从而充分提取剩余信息, 通过Softmax函数获得板材的最终预测等级, 从而确定了最终模型。 最终Savitzky Golay一阶微分和核主成分分析为最佳数据处理方法, 同时得出用于区分不同等级的古筝面板用木材的主要关键谱带, 分别为1 163～1 243, 1 346～1 375和1 525～1 584 nm。 将该模型应用于测试集样本, 古筝面板用木材的等级识别准确率为95.5%。 实验结果表明所提出的方法可以高效地处理光谱数据, 有效识别区分不同等级的古筝面板用木材的关键特征, 从而为广阔的乐器市场提供一定的技术支持。

目前民族乐器古筝面板用板材的等级主要依靠乐器技师凭借个人经验进行判断, 此方法受限于有丰富经验的技师且容易受其主观判断影响。 针对此现状, 以用于制作古筝面板的泡桐木材为实验样本, 提出了一种利用近红外光谱结合改进的BP神经网络方法, 实现快速识别古筝面板用板材的不同等级。 近红外光谱可以表征丰富的物质结构与组成信息, 并且测量仪器成本较低, 附件形式多样化, 所以针对泡桐板材的近红外光谱实验分析有实用意义首先进行光谱去噪, 消除系统误差等以提高光谱分辨率, 根据均方根误差与信号平方和作为多种预处理方法评价指标, 选取一阶导数为本实验最终预处理方式, 15为合适的滤波去噪窗口大小, 然后通过主成分分析法压缩数据以及马氏距离法剔除建模集异常样本, 从而建立更具代表性的建模集。 然后通过聚类分析无监督学习方法进行板材等级分析, 证明板材分级的可行性。 由于H2O在近红外光谱区域具有较大吸收, 根据实验光谱分析结果, 不考虑其基频振动波段5 396.0～4 978.0 cm-1区域和第一泛音振动波段6 800～7 000 cm-1区域, 仅考虑剩余近红外光谱波段信息, 将不同光谱信息波段组合, 共七种组合波段区域作为神经网络模型的输入, 进行面板板材等级识别模型实验。 对传统的BP神经网络模型作改进。 BP神经网络中学习率的设置采用自适应学习率优化策略, 弥补传统神经网络训练速率慢等劣势。 同时采用交叉熵函数作为代价函数, 从而加快权重的更新速度。 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, 以此减少复杂计算, 构成该研究最终BP神经网络模型。 选取不同数量的主成分变量所能提取的光谱信息量不同, 通过不断增加主成分个数和调整参与模型的光谱波段区间, 调整BP神经网络模型的输入, 当主成分个数为11和光谱区间为10 000～7 000和4 976～4 000 cm-1时, 未知样本识别率达到99.7%, 所选光谱区间涵盖C—H等基团全部特征信息。 研究结果表明, 近红外光谱结合神经网络可以对不同等级的泡桐木材进行有效的识别, 降低人工检测误差, 缩短板材分级时间, 更好地满足乐器市场需求。