基于小波神经网络的木材内部缺陷类型识别的研究

利用榆木标准试件,在实验室内用超声波检测仪器对试件进行缺陷分类检测,检测信号作为原始信息.各类试件的原始信号用小波包分解,计算缺陷试件与完好试件在小波包第5层各结点的信号能量变化值.试验发现:木材缺陷引起能量的变化值主要由木材缺陷的大小或严重程度来决定,亦即木材的缺陷程度越严重,能量的变化幅度就越大;对小波包5层分解后各信号结点的能量变化值进行分析,发现在32个结点中,(5,0)结点在各类缺陷试件中能量值变化最大;使用经小波压缩后的信号作为神经网络的输入,形成应用频带能量变化值和应用(5,0)结点小波包系数的2个不同输入特征的人工神经网络.对比分析2个网络识别木材缺陷类型的能力,(5,0)结点小波包系数作为特征训练得到的神经网络检测精度更高.     

火焰目标提取方法的研究

在火灾识别应用中,应用物体的轮廓特征来检测和定位目标物体是一种有效的方法.为了精确地提取火焰目标,提出一种综合有效的实现算法,首先对采集来的图像进行抽样处理,然后采用数学形态学方法对图像进行二值化处理,最后再对图像进行分割处理,消除噪声干扰,提取出准确的火焰目标.实验结果表明该算法能够有效地提取出图像中的火焰目标.     

平移不变小波包去噪方法

由于小波基缺乏平移不变性,传统小波及小波包去噪算法可能使信号急剧变化部分产生人为振荡现象.提出了基于平移不变的小波包去噪方法,对所分析的信号进行循环平移,利用软或硬阀值对该信号的小波包系数进行压缩,重构信号,再进行相反的循环平移,通过多次的平移—消噪—平移,平均所获得的结果,从而消除小波包基的平移依赖性.对比普通小波包去噪,该方法能有效地消除人为振荡现象,使去噪后的信号更光滑,更逼近真实信号.     

基于SVM的多特征融合的天牛图像识别

天牛虫的图像特征提取对于天牛虫灾害的防治和监控有很重要的意义,针对目前图像识别在这个领域的应用中存在的问题,提出进行图像的特征提取和识别的方法:首先,对天牛虫图像进行二维小波变换分解,用低频图像进行特征提取,减少噪声的同时可以提高识别的准确率;然后,提取低频图像的SIFT(尺度不变特征变换)特征向量集,解决大范围的仿射失真、3维视角的改变、噪音的增加和光线的改变等造成的影响;为了提高复杂光照条件下的图像识别率,引入了颜色特征,将图像从RGB转换到HSV空间,提取图像的颜色矩作为颜色特征向量;最后,将所提取的特征作为SVM分类器的训练样本集,进而对目标图像进行识别,实验结果表明,提出的方法能够得到较好的识别效果。     

基于Daubechies小波基的木材声学振动信号分析与评价

针对音板木材振动信号分析不深入的问题,本研究基于小波包分析方法对木材振动信号进行分析,建立一种木材声学振动评价的新方法。利用多通道FFT分析仪获取泡桐木材的振动信号,基于Daubechies小波基函数对振动信号进行3层小波包分解与重构,得到了振动信号的特征值,将小波包变换后木材振动信号的特征值与传统方法测定的声学振动性能参数进行比较分析。研究结果表明:木材的振动信号能量主要集中在0～1 000 Hz,在传播的过程中能量衰减迅速;对振动信号进行时域分析时得出,木材的动态弹性模量随着峭度因子的增大而减小,随着峰值因子的增大而增大;基于Daubechies小波基的分析方法得到的振动信号特征值与声学振动参数之间具有显著的相关性,其中木材信号的特征能量率与木材声学振动参数动态弹性模量、声辐射品质常数以及声传播速度之间存在显著的正相关关系,与声阻抗以及对数衰减率的相关性及变化趋势之间有显著的负相关关系。研究表明,可以应用Daubechies小波对木材振动信号进行分析与评价,此方法为木材声学振动性能的客观评价提供了新思路。     

基于小波分析的柴油机振动信号处理研究

在简单介绍小波分析的基础上,设计实验方案,应用专业软件DASP2005采集柴油机缸体的振动信号,利用MATLAB编写程序,采用改进小波包软阈值消噪方法对信号进行消噪处理,提取归一化特征向量,为故障诊断提供可靠的数据。     

基于小波模极大值的木材近红外光谱去噪

将光谱一阶导数与小波变换相结合,对杉木木材近红外光谱数据进行预处理,采用db3小波对光谱数据进行4尺度分解,在各分解尺度上根据信号和噪声的不同传播特性.保留信号的模极大值,去除噪声的模极大值.结果表明:光谱导数 小波变换模极大值能够有效消除光谱噪声和各种因素干扰,并很好保留了光谱信号特征,使光谱信噪比有了较大提高.     

小波包分析在木材超声检测中的应用

小波包分解能够准确地把超声检测信号划分到不同的频带范围内，实现了不同频带范围内能量变化量的提取。试验说明缺陷试件的信号能量变化量在一些特定的频带内显示出显著的不同，为下一步应用神经网络等模式识别方法辨别试件缺陷类型提供了比较理想的特征向量。     

基于CEEMD能量算子和XGBoost的滚动轴承故障诊断

针对滚动轴承故障特征提取困难、故障类型识别困难的问题，提出一种基于互补集合经验模态分解(CEEMD)能量算子和极端梯度提升(XGBoost)树模型的滚动轴承故障诊断方法。CEEMD在处理信号时成对添加符号相反的白噪声以降低重构误差，XGBoost树模型通过对目标函数进行二阶泰勒展开计算叶子节点权重以进行合适分裂。该方法充分结合了CEEMD算法和XGBoost树模型的优点，首先使用CEEMD算法分解滚动轴承的振动信号，根据相关系数选取了4个含有主要故障信息的固有模态函数(IMF)分量，分别提取能量算子特征构建数据集，将训练集输入到XGBoost模型进行训练，最后对滚动轴承4类故障进行识别分析。通过试验数据验证了该方法在滚动轴承故障识别中的可行性。     

基于Gabor变换的纹理图像分割算法及应用

基于Gabor小波的多尺度、多方向性,结合模极值特征提取方法和聚类算法提出一种新的纹理图像分割算法,并将算法应用到竹材横端面的识别中。二维Gabor小波可以在空域、频域和方向上获得最佳的分辨率,利用其对纹理图像进行分解,提取图像模极值纹理特征,用聚类算法对纹理图像进行分割。实验结果表明,提出的方法对合成纹理图像有理想的分割效果,并能够很好地对自然纹理图像进行分割。算法在竹材横端面的分割识别中,取得了很好的效果。     

Feature extraction of wood-hole defects using wavelet-based ultrasonic testing

The primary bottleneck to extracting wood defects during ultrasonic testing is the accuracy of identifying the wood defects. The wavelet energy moment was used to extract defect features of artificial wood holes drilled into 120 elm samples that differed in the number of holes to verify the validity of the method. Wavelet energy moment can reflect the distribution of energy along the time axis and the amount of energy in each frequency band, which can effectively extract the energy distribution characteristics of signals in each frequency band; therefore, wavelet energy moment can replace the wavelet frequency band energy and constitute wood defect feature vectors. A principal component analysis was used to normalize and reduce the dimension of the feature vectors. A total of 16 principal component features were then obtained, which can effectively extract the defect features of the different number of holes in the elm samples.     

基于机器视觉的树木图像实时采集与识别系统

研究了树木图像的实时采集与识别技术 ,以及树木图像处理及分析软件系统的开发 ,并自行设计制作了室内模拟实验系统。树木图像处理技术包括图像的获取、图像的增强、图像边缘检测、图像分割和图像的特征提取与识别。本文的研究能够为分离施药目标与非施药目标提供依据 ,有助于精确农药喷雾的实现。     

基于高分辨率遥感影像与DSM的典型地物提取

高分辨率遥感影像和数字地表模型(DSM)结合的地物信息提取,虽可以区分异物同谱中存在高度差异的地物,但相同高度的地物在DSM数据可能会因海拔高度不同而存在明显差异,降低了地物提取精度。从DSM中提取出地物高度信息(nDSM),再以nDSM结合高分辨率光学影像进行地物提取。结果表明:仅以高分辨率光学影像为数据源的方法分类效果最差,结合DSM数据的方法居中,而结合nDSM的方法最优,说明在基于光学影像和DSM数据的地物提取中,采用去除地形因素的nDSM替代DSM可以有效提高分类精度。     

基于高空间分辨率遥感数据建立典型地物分类数据库

典型地物数据库是通过计算机自动分类来识别地物信息的。然而传统的以中低空间分辨率遥感数据建立的典型地物数据库由于同物异谱,同谱异物,单一指标信息等原因无法很好地区分相近目标。因此本文利用WorldView数据为典型地物影像建立数据库,可以加大遥感影像中的信息量,同时拟采用非监督分类、聚类分析的方法,以及多种指标信息对地物进行分类(如纹理信息、光谱信息等),可显著地提高识别精度,有助于更加快速、精确的识别地物类型,从而实现对地物的分类,增强遥感图像的识别,提高最终的地物分类精度以及此实验的分类效率与工作效率的提高,有着十分重要的现实意义。     

高分辨率多光谱遥感影像森林类型分类深度U-net优化方法

[目的]使用深度学习全卷积神经网络U-net的自动特征提取,有效地改善遥感目标识别及地物分类的效果。[方法]以内蒙古自治区赤峰市旺业甸林场为研究区,主要数据源包括GF-2多光谱数据、ZY-3 DOM数据、ZY-3DEM数据、小班数据以及外业实地调查数据等。借鉴前人对FCN-8s模型的优化思路,基于Unet网络模型,在模型训练过程中通过在原始波段的基础上加入标准归一化植被指数(NDVI)构建网络,并增加条件随机场后处理过程,得到最终的分类结果。[结果]表明:(1)优化后的U-net模型的总体分类精度达84.89%,Kappa系数为0.82,分别高于未加入标准归一化植被指数特征的U-net模型以及未使用条件随机场进行后处理的U-net模型的分类精度;(2)优化后的U-net模型与使用相同策略的FCN-8s,支持向量机和随机森林的分类结果相比,提高了8.04%-12.54%,分类精度大幅度提高。[结论]通过少量调整相关的遥感特征以及使用条件随机场后处理方法可改善U-net模型的分类效果,适用于基于U-net的森林类型高分辨率多光谱遥感影像分类。     

基于PCA方法的强化木地板表面图像特征提取

特征提取是实现基于机器视觉的强化木地板表面质量检测的重要环节。采用主成分分析方法对强化木地板表面图像的颜色特征及纹理特征等24维特征参数进行降维处理,使之降至4维。通过利用RBF神经网络分类器对降维前后的特征参数进行分类效果比较,结果表明,主成分分析方法能够有效简化强化木地板表面图像特征参数。     

山楂叶总黄酮三种提取方法的比较研究

以山楂品种"甜水"为试材,分别采用单因素试验法和正交试验法,研究山楂叶总黄酮3种提取方法的最佳提取工艺。结果表明:在3种提取方法中,以浸渍法提取率最高,回流提取法最低,超声波法居中;3种方法所得提取物中总黄酮含量,以回流提取法最高,超声波法与浸渍法相差不大;从总黄酮得率来看,以浸渍法所得黄酮总量最高,超声波法次之,而热回流提取法所得黄酮总量最低。但超声波法所用溶剂量最少,提取时间最短,且产率较高,是提取山楂叶总黄酮的一种非常便捷高效的方法。     

Texture analysis of stereograms of diffuse-porous hardwood: identification of wood species used in Tripitaka Koreana

Tripitaka Koreana is a collection of over 80,000 Buddhist texts carved on wooden blocks. In this study, we investigated whether six hardwood species used as blocks could be recognized by image recognition. An image data set comprising stereograms in transverse section was acquired at 10×?magnification. After auto-rotation, cropping, and filtering processes, the data set was analyzed by an image recognition system, which comprised a gray-level co-occurrence matrix method for feature extraction and a weighted neighbor distance algorithm for classification. The estimated accuracy obtained by leave-one-out cross-validation was up to 100% after optimizing the pretreatments and parameters, thereby indicating that the proposed system may be useful for the non-destructive analysis of all wooden carvings. We also examined the specific anatomical features represented by textures in the images. Many of the texture features were apparently related to the density of vessels, and others were associated with the ray intervals. However, some anatomical features that are helpful for visual inspection were ignored by the proposed system despite its perfect accuracy. In addition to the high analytical accuracy of this system, a deeper understanding of the relationships between the calculated and actual features is essential for the further development of automated recognition.