成 果 简 介

应用场景

本技术可以用来甄别各种木材种类，正确识别率可达90%，具有绿色、快速、无损等优势。

主要解决的问题

木材的原始光谱数据维数较大且吸收谱图重叠严重，难以直接用来识别木材，为解决这一问题，本技术采用连续投影算法与遗传算法融合、聚类分析、深度学习等智能算法进行了光谱特征提取和分类算法研究，提高了木材种类识别的速度和准确率。

技术要点

（1）基于连续投影算法等的光谱特征提取问题。

首先，利用LabSpec5000光谱仪采集了10种木材的光谱图；其次，进行了移动平均法处理、移动平均法+多元散射校正（MSC）、移动平均法＋标准正态变量变换（SNV）、Savitzky-Golay卷积平滑算法）（S-G滤波器）、S-G滤波器+MSC和S-G滤波器+SNV等预处理；再次，提出连续投影算法（SPA）和遗传算法（GA）联合进行光谱特征提取；最后，将提取的特征结合BP神经网络进行木材识别试验，得出：移动平均法+SNV的预处理效果最佳；以吸收峰为起始波段、吸收峰个数为特征个数时，BP神经网络的平均识别速度提升明显，10种木材的平均识别率为98.0%，其中7种木材的识别率达到了100.0%。以上研究在《东北林业大学学报》和《浙江农林大学学报》上各发表了1篇论文。

（2）基于深度学习的分类问题。

首先，运用Frontier FT-IR傅里叶中红外光谱仪采集了50余种木材的光谱数据；其次，选取其中5种为研究对象，提出了一种聚类分析（CA）、对称点阵图像分析（SDP）与深度学习（DenseNet）相融合的算法进行识别试验；最后，通过试验表明：经CA特征筛选的SDP-DenseNet模型普遍高于原始数据直接输入到SDP-DenseNet模型的准确率，而经CA特征筛选的最优维数数据对应的随机森林模型识别率较低，验证了CA-SDP-DenseNet模型的有效性。以上研究发表了1篇SCI论文，另一篇正在审稿中。

应用成效

可见/近红外光谱同时识别10种木材的准确率可高达95%以上，中红外光谱同时识别5种木材，识别的准确率可达到90%。

适用范围

我国经济飞跃式增长的大背景下，各类木制品行业也在迅速发展，因此对木材的需求也呈现逐步上升的趋势。目前中国的木材贸易现状为补充性进口贸易，进口木材占比达到了80%左右，其中进口木材的品种繁多，木材种类来源较为复杂，一旦市场规模庞大，就容易出现逃避关税、以次充好等贸易欺诈行为。新形势下，准确地鉴别木材种类对于更好的稳定市场和保护消费者利益具有更实际的意义。本技术集绿色、高效、无损等优势于一身，在木材种类识别领域具有广阔的应用前景。

联系 人：孟庆焕

联系电话：0451-82190721

科学技术研究院