实木板材表面特征与物理性能直接影响板材利用与产品质量，《模式识别技术在木材智能检测中的应用》以实木板材表面特征与物理性能检测为对象，以图像处理与光谱分析为检测手段，应用模式识别领域的新技术与新方法对实木板材开展检测与分析等。《模式识别技术在木材智能检测中的应用》内容整合了作者的科研成果，系统介绍了线性分类器、聚类算法、主成分分析法、遗传算法、粒子群优化算法、支持向量机、压缩感知、神经网络等模式识别的基本原理，以及参数优化和相关改进策略，给出了实木板材物理性能检测与表面特征分析的整体流程和实验结果分析的相应方法。《模式识别技术在木材智能检测中的应用》理论与实践相结合，可以帮助读者掌握模式识别方法的具体应用过程，并解决应用中遇到的问题。

绪论
　　木材是一种极有价值的材料，具有可再生、分布广、转化能源低的优点。而实木板材作为室内装修的主要装饰材料，更具有自然美观、触感舒适、调节湿度、冬暖夏凉、吸收噪声、安全环保等优点，已成为消费者喜爱的装饰用材。目前，国内木材供应缺口越来越大，导致木材进口量增加。我国作为典型的生态脆弱型国家，林木的紧缺不仅增大了资源利用的压力，而且也增大了对国外资源的进口压力。因此，如何合理地利用木材、优化木材行业中对于木材的处理过程，同时提升木材资源的使用比例，是目前林业科研人员迫切需要解决的问题。
　　木材无损检测技术可以在不破坏待测木材自身的结构特征、化学组成、*终用途的前提下，对木材的物理性质、化学成分、内部结构特征、力学性能、内外缺陷等方面进行检测。相比传统的木材检测手段，无损检测技术在环保、高效、节约成本等方面都有显著优势。其中，近红外光谱（near infrared spectrum，NIR）分析技术作为一种高效、方便的无损检测技术，得到了蓬勃发展。近红外光谱分析技术具有对人体无害、无须特殊化学试剂、可深入待测物体内部对物体的结构信息与化学信息进行检测、携带方便、操作容易的优点，目前已经被专家学者广泛应用在木材无损检测的各个领域。此外，随着计算机视觉技术的发展，基于计算机视觉的自动化检测技术得到了不断更新与完善，在工业生产中产生了巨大的经济价值。
　　在木材的加工过程中，板材是木材应用需求量*大的品种，而板材表面存在的各种缺陷直接影响板材的利用价值和经济价值，因而板材表面缺陷是评价板材质量的重要指标之一。*先，板材花纹美观与否对一些板材及木制品十分重要，而且板材表面的纹理和颜色也直接影响木材的等级、强度、使用价值及经济价值。其次，实木板材的密度、含水率，特别是力学强度等物理性能，也影响着实木产品的品质、稳定性和经济价值。本书对实木板材密度、弹性模量、板材表面纹理与缺陷、缺陷内部形态的识别开展无损检测研究，相关研究内容与方法如下。
　　在密度检测方面，*先采用蒙特卡罗采样（Monte-Carlo sampling，MCS）法剔除奇异样本，采用光谱多元散射校正（multiplescatter correction，MSC）和萨维茨基-戈莱（Savitzky-Golay，S-G）滤波器对光谱数据进行预处理，消除光谱漂移、表面散射和噪声的影响，然后通过仅向区间偏*小二乘法（backward interval partial least squares，BiPLS）和连续投影算法（successive projections algorithm，SPA）对特征波长进行提取，降低不相关变量对预测效果的影响，*后根据提取的光谱特征，构建基于小波神经网络的木材密度预测模型。
　　在弹性模量预测方面：一方面，从针叶材管胞结构对木材弹性模量的影响入手，设计一套集光源发射、光斑采集与板材遍历于一体的纤维角检测平台，实现了图像校正、图像高频信号抑制与边缘点提取，通过光斑特征提取构建抗压弹性模量的前馈神经网络模型；另一方面，应用近红外光谱构建了弹性模量预测模型，应用马哈拉诺比斯距离（Mahalanobis distance，MD）与肯纳德-斯托内（Kennand-Stone，K-S）算法，剔除异常样本与样本集自动划分，应用MSC和S-G平滑法和一阶导数法消除了散射光、基线漂移和噪声干扰，在局部线性嵌入-偏*小二乘法（locally linear embedding-partial least squares，LLE-PLS）、等距特征映射-偏*小二乘法（isometric feature mapping-partial least squares，Isomap-PLS）的非线性降维优化后，构建极限学习机（extreme learning machine，ELM）非线性模型。
　　在实木板材缺陷检测方面，*先从缺陷表面检测入手，应用近红外光谱分析技术对实木板材表面存在的活节、死节、裂纹与虫眼4类缺陷进行识别，采用偏二叉树双支持向量机构建缺陷分类模型，并运用模拟退火算法对4类核函数、参数及波长特征进行全局寻优，*后构建缺陷分类模型。在表面缺陷检测的基础上，利用边缘光谱信息对缺陷形态进行反演预测，采用联合区间偏*小二乘算法（synergic interval partial least squares，SiPLS）选取近红外光谱主成分，找出*佳区间组合，采用Isomap-PLS模型选取非线性降维数，*后采用小波神经网络（wavelet neural network，WNN）建立缺陷角度预测模型，并利用SolidWorks 2016软件模拟出缺陷在板材内部的形态。
　　在实木板材表面纹理与缺陷的快速、协同检测方面，*先对频谱变换的特征提取方法进行研究，选择小波变换与*波变换对板材表面直纹、抛物线纹理与乱纹进行特征提取，在分析两类特征提取器的特点后，进行特征融合，实现了纹理辨识。从板材分选的精度与速度实际应用出发，综合考虑缺陷与纹理协同分选，应用双树复小波变换（dual tree-complex wavelet transform，DT-CWT）提取表面特征，在特征优选后应用样本集构建压缩感知分类器，通过分析分类器的构建过程、识别精度与速度验证了分类器的优势。
　　本书相关研究内容一方面可以实现产品质量的工程目标，满足指接、拼板、家具、地板、装饰等木材加工行业各个领域多目标优选的分类要求，实现木材高效节约并提高优化利用水平；另一方面可以为木材加工企业提供工业综合自动化的整体解决方案，提高产品质量、自动化程度、生产效率。
　　1.1概述
　　实木板材密度是影响板材性质的重要属性，不仅可以用来评估板材的实际重量，根据它的变异性和变化规律判断板材的工艺性质和木材的干缩、膨胀、硬度、强度等其他性能的变化[1]，还能够反映树木的生长规律，为林业方面其他学科的研究提供研究方法，是研究木材利用与木材培育相关性的常用指标[2]。板材密度通常分为基本密度、生材密度、气干密度和绝干密度4种，其中基本密度*常用[3]。基本密度由绝干材重量和生材体积确定，这两项指标比较稳定，测定的结果准确。板材基本密度的大小直接影响板材的物理与力学性质[3]，进而决定了板材的使用价值。对板材基本密度进行科学、有效、快速的检测不仅可以保证板材使用的安全性，而且可以使匮乏的木材资源实现材尽其用。寻求一种快速、准确的板材性质评价方法，已成为木材研究的重要内容之一。
　　本章从板材基本密度快速无损检测的目标出发，结合适当的模式识别技术，设计有效可靠的板材基本密度无损快捷的检测手段，为自动化在线检测板材性质提供研究方法，促进木材检测行业的发展，实现合理选材、科学用材相结合，提高木材利用率。
　　1.2密度检测基本方法
　　密度检测主要有三类方法：传统称重法、机械力密度检测法和射线密度检测法[4]。
　　1.传统称重法
　　传统称重法是通过测量木块质量和体积的方式得到木块的密度。通常按照国家标准将测量目标切成小块，测量其质量和体积，得到每块样本的密度，从而得到整个木材的密度分布。这种方法可以准确地测得木材的真实密度，可以作为密度真值对其他设备进行标定，但是其具有操作复杂、自动化程度低、耗时、有损等缺点，大大降低了木材的使用价值。
　　2.机械力密度检测法
　　机械力密度检测法的原理是由于木材的硬度、阻力等性质与木材的密度紧密相关，因此可以通过木材的硬度或力学性质来预测木材密度，常用的有以下几类。一是应用Pilodyn间接测木材密度，Pilodyn是可以快速准确对木材基本密度进行检测的手持测量仪。仪器测量值与密度存在一定的相关性，探针刺进木材深度越大，木材的密度越小，深度越小则密度越大[5，6]。茹广欣等[7]利用Pilodyn对青海云杉的基本密度进行了统计分析，建立青海云杉基本密度与Pilodyn测量值的关系模型。结果表明，Pilodyn不仅可以预测青海云杉活立木外侧部分的基本密度，也能够预测整株木材的基本密度。殷亚方等[8]以我国人工林中4种阔叶树为实验对象，研究了利用Pilodyn检测立木木材密度的可行性，证明了运用Pilodyn可以评估一些立木的基本密度。该方法存在局限性，由于木材树种不同，宏观的硬度性质也会不同，木材的各向异性也会对密度检测的结果产生影响。二是基于微钻力的木材密度检测，木材微钻阻力仪是由德国研制的用于探测树木或木材内部结构的仪器，通过小型电机将钻针以恒定速率钻入木材内部，在此过程中会产生相应的阻力，阻力的大小反映出木材密度的变化[9]。木材微钻阻力仪具有操作简单、精度和分辨率高、对木材基本没有损坏等优点，可以快速探测树木和木材的内部情况。
　　3.射线密度检测法
　　射线密度检测法是一种具有精度高、检测速度快、测量结果稳定等特点的非接触式的检测手段[4]。由于不同密度物质对射线的衰减程度不同，射线对密度大小异常敏感，因此射线密度检测法能够精确地测出木材的密度，通过逐点测量也可以测得木材的微密度，反映木材不同部位的变异情况。国外相关专家依据射线对木材密度的精准反应设计了木材微密度检测设备，探索了X射线在木材无损检测领域的应用。阮锡根等[10]为了更高效、快速地测定木材密度，结合X射线检测木材密度的原理，设计了直接扫描式X射线木材密度计，该仪器是利用微机控制的整体化检测仪。李丽等[11]将β射线应用在无损检测设备上，以杨木旋切单板作为实验对象，研究了木材厚度和射线透射时间等因素对检测的影响。
　　1.3近红外光谱分析技术
　　近红外光谱分析技术是20世纪90年代以来发展较快、较引人注目的高效现代分析技术之一，它综合了计算机技术、光谱技术和化学计量学等多个学科的*新研究成果，得到了普遍的认可[12]。美国材料与试验协会（American Society forT esting and Materials，ASTM）将近红外光谱区定义为780～2526nm，介于中红外光谱区（mid infrared spectroscopy，MIR）及可见光谱区（visible infrared spectroscopy，VIS）之间，因此近红外光谱区的信息丰富，既具有中红外光谱区的特点，也包含了可见光谱区光谱信息容易获取和处理的特点。近红外光谱区承载的分析信息主要是分子内部含氢基团振动的倍频与合频特征信息。有机分子一般都包含C—H、N—H、S—H、O—H等含氢基团，这些含氢基团的不同倍频与合频特征信息以及主要的化学结构信息，都能够体现在近红外光谱上，因此利用近红外光谱能够分析物质的化学结构与性能。不同的含氢基团或者相同含氢基团在不同的组成结构或化学环境中对近红外光的吸收度不同，这就成为近红外光谱能够分析有机物组成和性质的前提。
　　1.3.1近红外光谱分析技术特点
　　近红外光谱分析技术具有下列优点：①分析速度快。光谱的采集过程一般可在2min内完成，通过建立的模型可以快速对测定样本进行定性或定量判断。②分析效率高。一次光谱测量可以与多个定标模型进行联系，对样本的多种成分与性质进行判别。③非破坏性分析。近红外光谱采集与分析不会损坏样本，对样本的利用率与活体分析都具有正面的意义。④便于实现在线分析。因近红外光谱在光纤中也具有较好的传输特性，可以适应生产过程，实现在线分析。
　　同样，近红外光谱分析技术也存在不足：①灵敏度相对较低。对组分的分析表明，只有含量高于0.1%的组分才适合进行近红外光谱分析，随着近红外光谱分析技术的不断进步，灵敏度也会有所提高。②近红外光谱分析技术属于一种简洁的分析技术，需要大量前期工作，需要具备化学分析知识、科研费用与时间，同时定标模型建立也会影响分析结果。
　　1.3.2木材的近红外光谱检测研究现状
　　近红外光谱分析技术是一种低成本、无污染的分析技术，具有操作简便、测定速度快、结果准确、无损等特点。近红外光谱分析技

目录
前言
绪论 1
第1章 板材基本密度的近红外光谱检测方法 4
1.1 概述 4
1.2 密度检测基本方法 4
1.3 近红外光谱分析技术 6
1.3.1 近红外光谱分析技术特点 6
1.3.2 木材的近红外光谱检测研究现状 6
1.3.3 近红外光谱分析流程 9
1.4 样本制备与近红外光谱定量分析流程 10
1.4.1 柞木样本材料制备 10
1.4.2 实验仪器介绍 11
1.4.3 柞木样本光谱采集 12
1.4.4 柞木基本密度测量 14
1.5 木材基本密度的光谱奇异值剔除与光谱数据预处理 15
1.5.1 光谱奇异值剔除方法 15
1.5.2 木材近红外光谱数据预处理方法 18
1.5.3 实验结果与分析 24
1.6 木材基本密度的近红外光谱特征波长提取 27
1.6.1 谱区选择算法 27
1.6.2 连续投影算法 28
1.6.3 基于 BiPLS-SPA的光谱特征优选方法 29
1.6.4 光谱特征选择结果及其分析 30
1.7 小波神经网络在木材基本密度近红外建模中的应用 34
1.7.1 小波神经网络模型简介 34
1.7.2 基于小波神经网络的木材基本密度建模 39
1.7.3 实验结果与分析 40参考文献 42
第2章 基于纤维角检测的实木板材抗压弹性模量预测方法 46
2.1 概述 46
2.2 板材弹性模量检测设备硬件 46
2.2.1 纤维角检测设备 46
2.2.2 图像采集模块 47
2.2.3 运动模块 50
2.2.4 计算模块 52
2.3 板材纤维角测量方法 53
2.3.1 管胞效应 54
2.3.2 激光光斑图像处理 56
2.3.3 激光轮廓图像拟合与纤维角测量 60
2.3.4 测量精度测试 64
2.4 纤维角分布与弹性模量的建模 66
2.4.1 神经元模型 67
2.4.2 基于梯度的训练方法与优化 71
2.4.3 基于纤维角分布的弹性模量预测模型 73
参考文献 77
第3章 基于近红外光谱的板材缺陷形态反演方法 79
3.1 概述 79
3.2 实木板材缺陷的近红外光谱检测现状 79
3.3 实木板材缺陷反演模型 80
3.4 实木板材缺陷样本制备与数据采集 81
3.4.1 含缺陷的落叶松样本制备 81
3.4.2 近红外光谱采集设备介绍 82
3.4.3 落叶松样本缺陷边缘光谱采集 83
3.4.4 落叶松缺陷角度测量 85
3.5 实木板材缺陷异常样本剔除与光谱数据预处理 86
3.5.1 样本校正集和预测集及异常样本剔除划分方法 86
3.5.2 近红外光谱数据预处理方法 87
3.5.3 实验结果与分析 90
3.6 近红外光谱特征波长提取 94
3.6.1 缺陷样本光谱特征优化的 PLS模型 94
3.6.2 光谱特征选择实验与结果分析 97
3.7 基于神经网络的实木板材缺陷形态预测方法 100
3.7.1 BP神经网络预测实木板材缺陷角度 101
3.7.2 小波神经网络预测实木板材缺陷角度 103
3.7.3 预测缺陷角度结果比较 103
3.7.4 实木板材缺陷形态模拟结果 104参考文献 105
第4章 实木板材力学近红外光谱极限学习机建模 107
4.1 概述 107
4.2 木材力学性质的近红外光谱研究现状 107
4.3 实验数据采集 109
4.3.1 抗弯力学样本的加工 109
4.3.2 近红外光谱数据采集 110
4.3.3 抗弯强度和抗弯弹性模量的真实值测量 113
4.4 异常样本剔除与近红外光谱的预处理 116
4.4.1 基于马哈拉诺比斯距离的异常样本剔除 116
4.4.2 K-S校正集和预测集划分 116
4.4.3 预处理结果分析 118
4.5 基于光谱数据特征优化的PLS模型 121
4.5.1 PSO优化光谱特征与SiPLS模型 121
4.5.2 LLE优化光谱特征与PLS模型 122
4.5.3 Isomap优化光谱特征与PLS模型 124
4.6 特征优化PLS的实验结果与分析 124
4.6.1 PLS模型的实验结果 124
4.6.2 SiPLS模型的实验结果 126
4.6.3 PSO-SiPLS模型的实验结果 127
4.6.4 LLE-PLS模型的实验结果 130
4.6.5 Isomap-PLS模型的实验结果 132
4.6.6 模型预测性能比较 134
4.7 基于极限学习机的预测模型 135
4.7.1 极限学习机简介 135
4.7.2 实验结果与分析 137参考文献 142
第5章 实木板材表面缺陷的近红外光谱支持向量辨识方法 145
5.1 概述 145
5.2 实木板材表面缺陷检测研究现状 145
5.3 板材缺陷分析与板材光谱的数据采集处理 147
5.3.1 缺陷类别 147
5.3.2 板材加工、数据采集及预处理 148
5.4 光谱数据特征选择及支持向量机参数优化 155
5.4.1 支持向量机简介 155
5.4.2 特征选择 158
5.4.3 实验结果与分析 159
5.5 改进的偏二叉树双支持向量机分类模型 163
5.5.1 双支持向量机简介 163
5.5.2 二叉树支持向量机简介 170
5.5.3 改进的偏二叉树双支持向量机简介 172
5.5.4 实验结果与分析 173参考文献 174
第6章 基于特征融合的木材纹理分类 177
6.1 概述 177
6.2 木材纹理特征提取与分类器的研究现状 177
6.2.1 纹理特征提取的研究现状 177
6.2.2 分类器的研究现状 178
6.3 实验样本采集 179
6.4 基于小波变换的特征提取 184
6.4.1 *佳分解级数的确定 184
6.4.2 小波基确定 187
6.4.3 特征提取 187
6.4.4 实验结果与分析 188
6.5 基于*波变换的特征提取 189
6.5.1 **代*波变换简介 189
6.5.2 第二代*波变换简介 190
6.5.3 实验结果与分析 194
6.6 基于遗传算法特征融合的木材纹理识别 197
6.6.1 特征融合的准备 197
6.6.2 基于遗传算法的特征融合 198
6.6.3 实验结果与分析 202
参考文献 204
第7章 面向拼接的锯材原料纹理缺陷协同辨识方法 207
7.1 概述 207
7.2 实木表面特征与分类器研究现状 207
7.2.1 木材表面颜色特征识别的研究现状 207
7.2.2 木材表面纹理特征识别的研究现状 208
7.2.3 木材表面特征分类器的研究现状 209
7.3 锯材表面图像检测系统及预处理 210
7.3.1 实验设备 210
7.3.2 锯材样本图像 211
7.3.3 表面图像灰度化 212
7.4 锯材图像颜色与纹理特征表达方法 213
7.4.1 颜色特征提取 214
7.4.2 基于CIELAB颜色空间的样本颜色优选 218
7.4.3 基于DT-CWT的纹理特征提取 221
7.4.4 纹理分类实验结果与分析 223
7.5 基于离散粒子群优化算法的特征选择方法 227
7.5.1 特征优选过程 228
7.5.2 特征选取实验结果与分析 230
7.6 基于压缩感知理论的锯材表面纹理缺陷分类方法 231
7.6.1 压缩感知分类算法 231
7.6.2 锯材分选实验结果与分析 236
参考文献 242