红木识别

文章介绍了17种红木（Rosewoods）家具用材树种的木材宏观构造识别特征,并注明了树种的隶属科、属、种的中文名、拉丁学名、商品材名和主产地。     

红木家具红木种类及其识别

依据GB/T 18107-2000《红木》标准的技术条件,通过对广西凭祥市红木家具市场调查抽样,采用常规方法鉴定,得到结果:凭祥红木家具红木树种有17种,涉及了5属8大类;并介绍紫檀木类、香枝木类、酸枝木类、乌木、条纹乌木类、花梨木类、鸡翅木类的识别特征。     

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BP神经网络识别毛竹冻融循环次数

毛竹内部在经历不同次数冻融后会发生不同程度损伤,严重的内部结构破坏会影响毛竹材性。利用105组毛竹傅里叶红光谱数据,通过BP神经网络建立了毛竹冻融次数预测模型,无损预测毛竹内部冻融损伤。将105组毛竹平均分为4组,每组依次通过0、1、2、3次冻融循环处理,采集每个毛竹的红外光谱,带入BP神经网络模型中进行训练,发现较优识别准确率可达100%。结果显示：利用傅里叶红外光谱结合BP神经网络,可有效预测毛竹冻融次数,能为毛竹材料选取提供可行方法。     

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%。     

红木的识别与选购

红木——自古至今都被人们视为珍贵木材,用红木制做的家具,名贵高雅,色泽迷人,线条流畅,牢固耐用,集实用、观赏和保值于一体,既是豪华的生活用品又是收藏的珍品。由于可称之为红木的木材种类比较多,故而识别比较困难。实际应用中,因不明真伪而给生产者和消费者带来的经济损失少则几千元至上万元,多的可达上百万元,因此红木的识别显得尤为重要。     

红木类木材表面材色和光泽度的分布特征

采用X-rite SP60积分球式分光光度仪对19种红木类木材表面材色参数进行测量，讨论了这些参数的色空间分布特征，其结果为：L^＊为26—47，a^＊为1—17，b^＊为1～21；V为1～4，C为1～13，H为9R～4Y。大部分分布在YR色调系内，分布在低明度范围（L^＊，V值较低）的偏黑色、暗红褐色等深材色树种。ward聚类分析结果：紫檀木类、乌木类、条纹乌木类、黑酸枝木类和鸡翅木类归为第一大类；花梨木类、香枝木类、红酸枝类归为第二大类。两大类之间色度学参数欧式距离为30．8004。对19种红木类木材表面光泽度的测量结果为：红木素材与一般木材相比表面光泽度较高，GZL数值变化范围为5．77％-15．02％，GZT数值变化范围为4．07％～7.7％。     

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。     

红木的宏观识别初探

对当前红木市场上存在的问题进行了分析,从木材的宏观构造入手提出红木的识别依据和方法,为规范红木市场服务。     

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.     

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。     

基于卷积神经网络模型的木材宏、微观辨识方法

【目的】提出一种基于卷积神经网络模型——PWoodIDNet模型的木材宏、微观辨识方法,以有效提高木材辨识精度和速度,为海关、进出口检疫检验、家具企业等法定部门和企业提供先进的辨识方法和仪器,推动我国木材进出口检疫检验行业和木材加工制造企业的科技进步。【方法】首先,选择16种木材样本,每种样本获取50张高分辨率显微CT图像和工业相机图像,共1600幅;然后,截取具有木射线、薄壁组织、轴向管胞、纹孔和纹理等特征的目标区域,共4800幅,通过水平翻转、垂直翻转、镜像、亮度变换等图像增强算法后将图像集扩充至19200幅。构建基于卷积神经网络的木材宏、微观辨识模型——PWoodIDNet模型,采用加入动量的随机梯度下降(SGDM)方法优化模型,并利用GPU优化并行运算库,对木材宏、微观结构数据集进行分类准确率对比。【结果】相比现行GoogLeNet模型,PWoodIDNet模型准确率提高1.49%,速度提高59.69%;相比现行AlexNet模型,PWoodIDNet模型准确率提高3.76%,速度提高2.63%。【结论】PWoodIDNet模型突破现有辨识方法木材辨识种类范围窄、准确率低和辨识速度慢的难点,能够有效辨识木材,并可在更短的训练时间内实现最佳辨识效果,为我国木材辨识提供一种新的方法和思路。     

基于神经网络和颜色特征对木材进行分级的分析

为了解决木材的分级问题，提出了利用神经网络和木材表面颜色特征对木材进行分级的方法。利用竞争神经网络对114种不同树种进行粗分，然后再用BP神经网络算法对此进行验证，又对四种木材进行分类验证。从计算机分类分级仿真效果上看，达到了预期的目的。     

基于BP神经网络的CT图像重建方法研究

提出了将三层BP神经网络算法应用于不完全投影数据的图像重建。采用新的方法确定隐含层至输出层的权值,利用误差反向传播自动调节输入层和隐含层之间的权值,使重建图像投影不断逼近原始图像投影,并采用改进的Sigmoid函数和在线调整学习速率,显著加快了网络收敛速度,提高了重建图像质量。     

基于BP神经网络的森林碳汇量估测方法研究

文介绍了BP神经网络理论,以森林面积、森林覆盖率、森林蓄积量、受害森林面积、基本完成投资额、病虫害面积等6个影响森林碳汇量为主要因素,构建了基于BP神经网络的森林碳汇量估测模型;并应用我国第六次森林资源清查数据对BP神经网络模型进行训练和仿真。其分析和仿真结果显示:利用BP神经网络模型来模拟和仿真森林碳汇量精度较高,误差较小,具有有较高可靠性,从而为森林资源管理模拟仿真提供一种新方法。     

基于图像纹理特征的木材树种识别

利用木材图像的颜色、灰度、纹理等内容实现树种的相似性匹配检索,提取色调、饱和度、亮度、对比度、二阶角矩、方差和、长行程加重因子、分形维数、小波水平能量比重共9个特征参数,依据最大相似性数学原理,基于最小差值参数判别法和综合特征阈值法来检索样本.结果显示:基于图像纹理特征能够实现木材树种的检索和识别,综合特征阈值法的检索正确率与唯一性通常要好于最小差值判别法;但当被检索样本图像的纹理较弱或不呈现纹理特征时,检索结果的唯一性并不理想.综合而言,基于图像纹理特征最大相似性的木材树种检索识别较易实现,是一种值得继续发展和应用推广的木材树种识别方法.     

进口阔叶木材识别特征观测

通过对进口阔叶木材取样与切片观测,对22种进口阔叶材的木材构造与识别特征进行了具体描述。     

基于空间灰度共生矩阵木材纹理分类识别的研究

以10种木材纹理样本为对象,研究了木材纹理参数体系的建立方法,并进行了分类识别的仿真实验。首先,针对木材纹理特点并结合类别可分性判据,构造了适于描述木材的空间灰度共生矩阵,并在此基础上提取了木材的11个纹理特征参数。其次,借助相关性分析对参数进行了特征选择,进而建立了能直接与人的感官对应的木材纹理参数体系。最后,利用 BP 神经网络分类器对木材样本进行了分类识别研究,识别率为87.50%,验证了参数体系的有效性,表明用本文提出的纹理参数体系对木材进行分类识别是可行的。