基于BP神经网络的木材表面颜色特征分类的研究

本文针对木材表面颜色自动分类难题,在 RGB 颜色空间提取木材图像的颜色矩作为颜色特征参数,利用 BP 神经网络对特征参数进行分类,通过输入层、输出层和隐含层的设计,传递函数的选择,确定最终网络结构。实验结果表明,分类正确率达到98%,验证了本文提取的特征参数的有效性。     

基于直方图和颜色矩方法的木材表面颜色特征的表达

简述了彩色图像处理中颜色空间的选择,分别用直方图和颜色矩方法表达木材表面的颜色特征。从H分量直方图可知,H分量在色彩上有较好的分类性,反映出木材彩色特征的变化。用颜色矩特征值作为BP神经网络的输入,对东北常见树种按颜色进行了分类,分级正确率达到了96.7%。     

基于融合彩色特征木材表面颜色分类的研究

针对木材表面颜色自动分类的难题,在RGB颜色空间,将R、G、B三个颜色矩阵融合成一个特征矩阵,再对这个特征矩阵提取颜色三阶矩参数作为木材表面颜色分类的特征参数,设计了适合木材表面颜色分类的BP神经网络分类器,分类识别率达到98.67%,验证了提取特征参数的有效性。     

基于颜色和纹理特征的竹材分类方法研究

为了应用机器视觉技术实现竹条表面颜色等级的分类识别,提出了用颜色矩和灰度共生矩阵描述竹材颜色特征和纹理特征的方法,并采用支持向量机对竹材进行分类识别,正确率达92．3％以上。结果表明,用颜色矩和灰度共生矩阵的特征参数来识别竹条颜色等级是可行的。     

基于木材微观特征的BP神经网络算法红木识别研究

我国实木家具产业链发展较为成熟。作为一种珍贵木材,红木在实木家具产业中占有重要地位,我国对红木资源的进口量也在逐年增加。传统识别红木的方法主要依靠人工经验,而准确科学地识别红木种类对于红木家具产业和红木工艺品都具有重要的意义。本文提出了一种基于木材微观特征的红木识别方法,并利用BP神经网络算法,建立了识别模型,表现出较好的识别效果,可为红木树种检测提供新方法。     

基于BP神经网络木材纹理分类的研究

应用 BP 神经网络对常见的10种木材纹理进行了分类研究,获得了比较满意的效果。首先,应用灰度共生矩阵提取了木材的纹理特征参数;其次,在此特征参数体系下,应用 BP 神经网络对木材纹理进行了分类研究,识别率达89%。     

基于直方图的木材表面颜色分类研究

颜色直方图是图像检索技术中一种有效的颜色表达方式，具有位移、旋转不变的特性。然而木材表面颜色较为单一，采用通常的量化方案不能达到很好的分类识别效果。提出了采用HSV颜色空间三个独立分量的直方图统计特征表达木材表面颜色信息的方法，利用色调、饱和度和亮度三分量之间的相互独立性，提取了各分量的直方图特征。最后利用BP神经网络对木材样本库的图像进行了分类仿真，其结果验证了特征的有效性。     

基于BP神经网络的中国进口俄罗斯木材贸易额预测

采用灰色关联度分析法筛选对中国进口俄罗斯木材贸易额影响较大的5个因子,运用影响因子及木材贸易进口额构建BP神经网络模型,利用GM(1,1)模型预测影响因子值,将其代入训练好的BP网络模型中对中国进口俄罗斯木材贸易额进行预测。预测结果表明,中俄木材贸易仍具有良好的发展前景。     

落叶松木材干燥的BP神经网络模型研究

以落叶松木材为研究对象,实验在东北林业大学干燥实验室进行,采用MATLAB中log-sigmoid型函数(logsig)和线性函数(purelin)为神经元的作用函数,用落叶松木材的干燥温度、湿度、循环风速及平衡含水率作为输入变量,以木材含水率作为输出变量,构建了4∶S∶1的木材干燥的BP人工神经网络模型。用120组数据对网络模型进行训练及检验,得最适宜的网络结构为4∶10∶1,均方误差函数mse=0.001 7,总体拟合精度为96.86%。该模型能够运用到相同条件下的其他树种的木材干燥。     

神经网络控制及BP算法

神经网络控制作为一种全新的智能控制方法,是解决非线性系统预测和控制问题的一种重要手段,受到了许多专家学者的广泛关注,是目前国内外研究的热点之一.本文着重研究前向神经网络的学习算法,简单探讨了BP算法在逼近非线性系统中各个因素对系统的影响.     

小波分析与人工神经网络在木质材料无损检测中的应用

介绍了小波变换和人工神经网络在无损检测中的工作原理,分析了小波变换处理非平稳信号提取特征值、人工神经网络进行模式识别的优点,并提出小波、人工神经网络以及松散型和紧致型小波神经网络在木质材料的无损检测中的应用。     

基于BP神经网络的森林植被遥感分类研究

如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。本文使用Landsat7ETM+遥感数据和森林资源分布图等地理辅助数据,用BP神经网络方法对森林植被进行了分类,并与最大似然法的分类结果进行精度比较分析。结果表明地理辅助数据参与的BP神经网络用于森林植被遥感图像分类其效果是较好的,是一种有效的图像分类方法。     

基于MEA-BP神经网络对木材内部缺陷诊断的研究

为了提高木材内部缺陷的自动识别率,采用电阻层析成像(ERT)的方法获取电导率波动信号,通过小波包变换对采集的数据进行3层小波包分析,对八维特征向量进行提取,利用思维进化算法(MEA)优化权值和阈值,孔洞、节子、腐朽试样各45组数据,进行BP神经网络训练,每种缺陷20组作为测试集,识别木材内部缺陷。结果表明:MEA-BP神经网络对木材孔洞、节子和腐朽的识别率分别为96.92%、95.38%和92.31%,该模型解决了复杂组合的优化问题,提高了搜索效率,并且达到最佳的预测效果。     

基于L*a*b*颜色空间对木材分类的研究

L*a*b*均匀颜色空间具有等距性和色差高分辨力的特点,非常适合色差较小情况下的颜色测量和比较.木材材色分布范围较窄,利用L*a*b*颜色空间中的颜色特征表示木材表面颜色,有利于木材材色之间的比较和划分.基于L*a*b*颜色空间,提取了东北常见五种树种木材图像的颜色特征进行分类研究,通过仿真试验得到了满意的分类结果.     

利用神经网络预测木材径向导热系数

利用神经网络所具有的输入-输出之间的高度非线性映射关系,给出一种利用BP神经网络模型预测木材径向导热系数的方法.为了提高网络模型的泛化能力,采用规则化调整的方法.仿真结果表明:利用文中所提出的神经网络模型能够较准确、快速地预测木材径向导热系数的变化,其精度高于推导出的木材径向导热系数的理论公式.