基于BP神经网络对薇甘菊预处理方法的选取

以入侵植物薇甘菊高光谱图像为研究对象,基于4种预处理方法对薇甘菊高光谱图像进行降低噪声处理,分别研究了基于主成分分析的特征提取方法和基于BP神经网络的分类模型,筛选出薇甘菊高光谱识别的最优预处理方法,以实现薇甘菊的快速准确识别。结果显示,预处理方法为一阶、二阶微分的识别率分别为81.2%和76.92%;标准正态变量变换(SNV)和一阶微分+SG平滑的识别率分别为89.74%和87.18%。多次试验得到基于SNV预处理方法的识别率最稳定,即得到最优预处理方法为SNV。     

基于近红外光谱多种预处理的胡杨叶片含水量预测对比

通过比较5种不同光谱预处理方法（MSC、SNV、VN、一阶导数、二阶导数）提取胡杨叶片近红外光谱信息，分别采用遗传算法(GA)和连续投影算法(SPA)筛选特征波段，建立并比较偏最小二乘回归(PLS)模型对水分含量的预测效果，研究了胡杨叶片水分含量与叶片光谱信息的关系。结果表明，基于5种预处理方法使用SPA-PLS回归模型预测的相关系数R分别为0.764 4、0.869 79、0.806 01、0.779 93、0.816 8；预测均方根误差(RMSEP)分别为0.017 87、0.014 491、0.018 547、0.020 228、0.018 089；所选取的特征波段个数分别为11、20、24、18、18，较GA-PLS选取的特征波段数少，且预测效果普遍优于GA-PLS，其中基于SNV的预测结果最好。研究表明，基于近红外光谱数据，SPA算法相比于GA算法具有更好的选择特征波长能力，并且SPA-PLS算法的回归预测结果普遍优于GA-PLS，采用SNV-SPA-PLS方法可实现胡杨叶片水分含量的快速检测。     

基于高光谱成像技术的红酸枝木材种类识别

为了实现市场上常见红酸枝类Dalbergia spp.木材的快速无损识别,利用高光谱成像技术对不同红酸枝木材进行种类识别研究。以交趾黄檀 Dalbergia cochinchinensis,巴里黄檀 Dalbergia bariensis,奥氏黄檀Dalbergia oliveri和微凹黄檀 Dalbergia retusa为研究对象,采集高光谱图像并提取感兴趣区域内的反射光谱,采用Savitsky-Golay（SG）平滑算法、标准正态变量变换（SNV）和多元散射校正（MSC）对955~1 642 nm 波段光谱进行预处理,并通过主成分分析法（PCA）,回归系数法（RC）以及连续投影法（SPA）选择特征波长,分别建立了偏最小二乘判别分析（PLS-DA）和极限学习机（ELM）判别分析模型。研究结果表明:经SG和MSC光谱预处理,采用SPA选择的特征波长建立的ELM模型性能最优,建模集和预测集的识别率均为100.0%。这为红酸枝木材种类的快速无损识别提供了新的方法。图5表4参17     

基于BP神经网络的木材近红外光谱树种识别

利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。以桉木、杨树、落叶松、马尾松、樟子松5个树种的296个样本的近红外光谱数据为研究对象,运用主成分分析对光谱数据进行降维,并以处理后的主成分数据作为分类模型的输入变量,分别建立了不同属的桉树和杨树以及同属的落叶松和樟子松的BP神经网络二分类模型;建立了桉木、杨树、落叶松、马尾松、樟子松5个树种的BP神经网络识别模型,并利用遗传算法和粒子群算法对5树种分类模型进行优化。结果显示,对于不同属木材,BP神经网络模型树种识别率可达100%,对于同属木材树种识别率也可达85%以上;对所建立的5树种识别模型,BP神经网络树种识别率有所下降,但正确识别率也均可达到75%以上,经过遗传算法和粒子群算法对模型的优化,木材树种平均识别率可分别达到84%和87%以上,表明遗传算法和粒子群算法可以有效提高木材树种识别率。     

基于高光谱成像技术识别苹果轻微损伤的有效波段研究

为了筛选出适用于开发苹果轻微损伤自动分级仪器的有效波段，以200个烟台富士苹果为对象进行研究。首先获取400～1 000 nm波长范围内完好和轻微损伤后0、0.5、1 h的苹果高光谱图像，然后提取完好与损伤样本感兴趣区域的平均光谱反射率数据，再利用载荷系数法（x LW）、连续投影法（SPA）和二阶导数（second derivative）法提取特征波长，分别提取3、9和20个特征波长，并根据特征波长建立基于遗传算法优化的BP神经网络（GA BP）和支持向量机（SVM）损伤识别模型。结果显示，三种基于特征波长提取方法建立的SVM模型对测试集的识别率（分别为77.50%、91.88%、96.88%）均高于BP GA模型（分别为75.63%、90.63%、93.75%）,因此，SVM被确定为最佳苹果轻微损伤识别模型。最后，利用每一特征波长分别作为变量建立SVM模型。结果发现，波段811 nm识别率达到90.63%，优于其他波段，被确定为苹果轻微损伤识别的最优波段。     

应用遗传算法-主成分分析-反向传播神经网络的近红外光谱识别树种效果

以风车木(Conbretum imberbe)和非洲小叶紫檀(Pterocarpus tinctorius Welw)为研究对象,应用LabSpec光谱仪采集光谱样本进行主成分分析(PCA),并运用遗传算法(GA)对主成分进行寻优,分别以未经GA寻优的主成分和经GA寻优的主成分作为反向传播(BP)神经网络输入量,测试了BP神经网络识别两种树种的效果。结果表明:寻优前,获得高识别率的主成分区间较窄,仅有5种情况识别效果理想,此种情况不利于主成分数的恰当选择;寻优后,获得高识别率的主成分区间较宽,从前6到前17有12种情况可供选择,此种情况更利于主成分的合理选择;寻优后的识别率比寻优前高,且稳定性较好。利用近红外光谱,依据GA-PCA-BP神经网络方法识别树种是一种理想的方法。     

基于近红外光谱技术的果树花期树种识别方法

为建立果树花期树种识别的有效模型,利用ASD Field Spec 3全波段便携式光谱分析仪采集了4种果树花期花的光谱数据。利用剔除异常光谱、5点移动平滑等技术对4种果树花期花的光谱反射率进行预处理,使用连续投影算法(SPA)进行有效波长选取并获得7个波长下的反射光谱,同时增加了590 nm和720 nm处2个波形差异大的光谱,与归一化植被指数(INDV)和比值植被指数(IRV)共11个特征波段作为分类建模数据,建立了偏最小二乘判别分析(PLS-DA),正交偏最小二乘判别分析(O-PL-DA)和基于误差反向传播算法的多层前向神经网络(BP)算法3种识别模型。结果表明:对测试样本的识别率由高到低依次为BP(93.90%)O-PLS-DA(81.82%)PLS-DA(76.36%)。综合研究认为:在优选波段的基础上,对果树花期树种判别应优选BP神经网络模型。     

利用特征分割和病斑增强的杨树叶部病害识别

  目的  针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点，提出通过对图像集进行预处理的方法以提高识别精度的方案。  方法  为去除图像背景的影响，采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓；借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征；使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像，分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。  结果  研究最终分别获得93.56%和98.07%的验证集识别精度，较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像，有效避免目标叶片的背景干扰；限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果，有效降低反光等因素的干扰。  结论  几种病害图像预处理对提高识别精度效果明显，识别能力远超过未经处理的原始病害图像识别，有助于提高杨树叶部病害的智能识别能力。图8表1参22     

基于多特征提取和选择的木材分类与识别

木材与人们的生活息息相关,不同品种木材的用途各不相同。如何快速并正确地识别不同种类的木材是目前亟须解决的问题。纹理是木材表面重要的天然属性,也是区分木材的重要依据,因而如何准确地提取木材的纹理特征是本文研究的重点。本文设计了一种木材自动识别系统,其基本工作流程如下:首先,使用K-means聚类算法,根据图像的纹理采用SPPD(导管分布的统计特性)及BGLAM(基本灰度级氛围矩阵)特征对木材进行预分类,实现对木材数据库的降维,为提高识别效率做好准备;其次,使用GA(遗传算法)挑选出对木材纹理具有较强区分度的LBP(局部二值模式)特征;最后,用KNN(K最近邻)分类器根据挑选出的LBP特征对木材图像进行最终的分类识别。试验结果表明,木材样本类别个数为20时,识别率较高,可以达到98.13%以上;当木材样本类别个数增加为30时,识别率也在95%以上。     

卷积神经网络在红木树种识别中的应用

  目的  不同类型的红木由于生长周期和木材特性的不同，导致商业价格差异悬殊，其中还包含有国家保护木种。本研究旨在找到能准确地识别红木种类的方法，以防止交易中的欺诈行为和保护树种。  方法  以国家林业和草原局木材与木竹制品质量检验检测中心(昆明)实际检测中累积的黄檀属Dalbergia和紫檀属Pterocarpus中的交趾黄檀D. cochinchinensis、刀状黑黄檀D. cultrata、卢氏黑黄檀D. louvelii、巴里黄檀D. bariensis、奥氏黄檀D. oliveri、大果紫檀P. macrocarpus、檀香紫檀P. santalinus等7种红木的376个样本作为基本数据，使用计算机算法扩展样本数量，提出自动化识别红木的卷积神经网络模型。  结果  该方法能够自动提取适合模型分类识别的特征，使用更为便捷，相比其他传统方法识别效果更准确的，结果证明平均识别精度达99.4%。  结论  自建的卷积神经网络可以有效识别红木树种，虽然在调参优化与训练时间大于VGG16等迁移学习方法，但泛化能力更强，证明了自建模型在红木识别应用上优于迁移学习模型。图7表4参23     

基于BP神经网络的马尾松人工林胸径-树高模型预测

  目的  马尾松Pinus massoniana是中国南方主要用材树种，建立高效的马尾松人工林胸径-树高预测模型，可为马尾松人工林经营提供理论指导。  方法  以贵州省黔中地区马尾松人工林为研究对象，基于82块样地(25 m×25 m)的4 284株马尾松单木数据，选取6个常用的广义非线性模型进行拟合，从中筛选出拟合效果最好的模型。使用相同的数据确定最佳隐层节点数量后，经过反复训练建立基于BP神经网络的马尾松胸径-树高预测模型。  结果  在6个广义非线性模型中，拟合效果最佳为Korf模型(R2=0.650)；马尾松适宜的隐藏层节点数为2，适宜的模型结构(输入层节点数∶隐藏层节点数∶输出层节点数)为1∶2∶1，模型预测精度达0.717。  结论  广义非线性模型能较好地拟合马尾松人工林胸径-树高关系，但与BP神经网络模型相比，BP神经网络不需要依赖经验模型，也不用模型筛选，而且BP神经网络模型具有较高的决定系数和较低的均方根误差，拟合精度优于广义非线性模型。图5表5参35     

基于改进K-means聚类与分水岭的木材横截面管孔分割

  目的  管孔是木材识别方面的重要特征之一。针对管孔随机分布、大小不一导致管孔分割鲁棒性不高,木纤维、木射线以及轴向薄壁组织等噪声区域对管孔分割效果影响较大的问题,本研究提出了一种改进K-means聚类与分水岭的木材横截面管孔分割算法。  方法  采用改进K-means聚类对管孔区域进行粗分割,有效区分管孔区域与木纤维、木射线以及轴向薄壁组织等噪声区域。再对粗分割结果采用改进分水岭算法进行精分割,分割出的管孔与实际管孔基本吻合。  结果  平均每张木材横截面微观图像有97.1%的管孔被准确有效地分割出来。本研究提出的改进分割算法与其他算法相比,分割效果显著提升,在大小不一且随机分布的管孔分割过程中鲁棒性高,具有良好的分割性能。  结论  该算法有效解决了传统K-means聚类算法在图像分割时受噪声影响大和初始聚类中心随机性问题,为阔叶材管孔特征提取和定量分析奠定了坚实基础。图7表1参16     

基于Gabor滤波与Tamura纹理特征的板材分类研究

板材表面的纹理特征是木质板材表面最为直观的特性,同时也是建筑装潢质量和木制品品质的重要评价指标。以中国东北部常见的红松、落叶松、白桦、水曲柳和柞木等5种树种的弦切、径切图像作为研究对象,提出一种基于多通道Gabor滤波和Tamura纹理特征的板材纹理特征提取方法,克服了传统方法在提取样本图像的全局特征时对局部纹理特征不敏感的问题。具体是将基于视觉心理学的Tamura纹理特征与Gabor滤波器进行结合,在不同频率、不同方向上共24组滤波器的虚部卷积图像上进行纹理特征参数提取,结合上述的纹理特征参数在BP神经网络、KNN和支持向量机分类器上进行分类试验,最佳特征参数体系的识别率达97.8%。     

面向边缘计算的轻量级植物病害识别模型

  目的  传统深度学习模型因参数和计算量过大不适用于边缘部署，在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。  方法  联合使用多种模型压缩方法，得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经网络，在边缘节点实现植物病害智能识别。模型压缩分2个阶段:第1阶段利用基于L₁范数的通道剪枝方法，压缩MobileNet模型；第2阶段将模拟学习与量化相结合，在模型量化的同时恢复识别精度，得到高精度轻量级的端模型。  结果  在PlantVillage数据集58类植物病害的实验结果表明:通道剪枝将MobileNet压缩了3.6~14.3倍，量化又将模型的参数精度由32 bit降低至8 bit。整体压缩率达到了14.4~57.2倍，识别准确率仅降低0.24%~1.65%。与通道剪枝后无模拟学习训练、通道剪枝结合量化后无模拟学习训练这2种压缩方法相比，具有更高的模型压缩率和识别准确率。  结论  联合使用多种模型压缩方法可以少量的精度损失深度压缩人工智能模型，可为农林业提供面向边缘计算的植物病害识别模型。图3表2参23     

基于随机森林法的农作物高光谱遥感识别

  目的  不同农作物种类光谱差异小，通过探测众多窄波段范围的细微差别，提取区分不同农作物的特征波段，是目前实现农作物高光谱遥感识别的重要途径。如何提取区分不同农作物的特征波段，进而实现农作物的精确识别是一个挑战。近来出现的随机森林方法在多变量目标的分类识别方法展现了优势，为解决这一难题提供了一个新手段。  方法  利用随机森林法与传统方法分析杭州地区8种典型农作物的反射光谱，提取特征波段并进行分类，对比不同方法的识别效果。  结果  不同作物的反射光谱及其一阶微分、二阶微分、倒数的对数、去包络线法所提取的特征波段只能区分部分作物；随机森林法无需对反射光谱预处理，直接对全波段反射光谱数据处理，不仅筛选出了区分不同作物的特征波段，且运用所选择的波段对作物进行随机森林分类的效果也是最优的。  结论  随机森林法选择的波段（550、2 490、370、770、560、380、540、530、570、350 nm）不仅能区分不同作物，还能反映农作物生化属性的不同，使得用于分类的波段及分类方法体现了不同作物间物化性质的不同，在展现高光谱遥感识别农作物优势的同时，也为大面积农作物遥感精细分类提供借鉴。     

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。结果本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB + H通道 + LBP条件下,验证识别准确率最高,达到93.50%;RGB + HSV + LBP + HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。      

基于神经网络的马尾松人工林密度指数模型

  目的  通过对马尾松Pinus massoniana人工林密度指数模型的研究，为制定木材产量及质量的提升决策提供参考。  方法  以河南省薄山林场马尾松人工林为研究对象，采用147块标准地数据，以林分平均胸径为输入向量，以林分密度为输出向量，建立了林分密度指数人工神经网络（ANN）模型，并与Reineke的林分密度指数模型进行比较。  结果  ① 薄山林场马尾松人工林最大密度线斜率b为-1.516 3，马尾松标准平均胸径为14 cm，Reineke的林分密度指数模型精度为92.11%，t检验结果显著；②构建了网络结构为1:2:1的林分密度指数ANN模型，模型拟合精度为92.57%，均方误差为0.001 469 7。③无论采用Reineke林分密度指数还是人工神经网络技术，在拟合株数密度随林分平均胸径的变化趋势时，幼龄林组拟合效果都不理想，这与幼龄林组数据数量偏少有关。  结论  所建模型可为薄山林场马尾松抚育经营决策提供依据。     

碳量子点复合TiO2木材涂层制备及其净化甲醛气体的研究

  目的  为提高二氧化钛（TiO₂）光催化剂净化甲醛气体污染物的能力，利用具有优异光吸收性能和电子转移能力的碳量子点（CDs）掺杂改性TiO₂，可大幅度提高TiO₂光催化性能。  方法  采用3-氨丙基三甲氧基硅烷（APTMS）对亲水性纳米TiO₂进行表面改性，并将禾本植物柳枝稷合成的CDs负载于TiO₂制备了TiO₂-CDs复合光催化木材功能涂层。借助高分辨透射电子显微镜、红外光谱、热重分析、紫外可见光光谱、荧光光谱等表征手段对CDs及其负载TiO₂复合光催化剂进行表征，并以甲醛气体作为模拟污染物进行光催化降解实验。  结果  合成的CDs粒径尺寸为3 ~ 6 nm，表现为较好的石墨相结构，且CDs光致发光具有一定的激发依赖性。CDs功能化TiO₂复合材料不仅在紫外光区域有较强的吸收，而且在400 ~ 500 nm波长范围内具有更宽的吸收带，CDs负载TiO₂光催化涂层分别在紫外光源与紫外结合可见光源条件下对甲醛气体的净化效率达到68.26%和81.63%，较未改性的TiO₂木材涂层提高了35.55%和38.71%，同时TiO₂-CDs木材涂层可显著降低木材表面润湿性，其表面水接触角为96.4°，较对照组木材（62.5°）提升了54.24%。表面涂饰对木材表观颜色影响较小，TiO₂-CDs净醛功能化木材的表面亮度较对照组木材轻微降低了5.22%，表面色差较对照组为11.03。此外，TiO₂-CDs木材涂层具有优良的可重复使用性能，相比第一次循环，7次循环后试样对甲醛气体的降解效率仅分别下降了3.54%和2.56%。  结论  CDs掺杂功能化可拓宽TiO₂光催化剂在可见光区域净化甲醛气体污染物的能力，同时改善木材表面润湿性，且对木材表观颜色影响较小，对于开发具有净化室内甲醛气体污染物功能的木质材料意义重大。