第４３卷，第３期光谱学与光谱分析Ｖｏｌ．４３，Ｎｏ．３，ｐｐ８１４－８２２２０２３年３月ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＭａｒｃｈ，２０２３中红外光谱结合ＣＡ－ＳＤＰ－ＤｅｎｓｅＮｅｔ的木材种类识别研究刘思岐１，冯国红１＊，唐洁２，任加祺１１．东北林业大学工程技术学院，黑龙江哈尔滨１５００４０２．上海宇航系统工程研究所，上海２０１１００摘要光谱分析在木材种类识别领域具有一定的潜力，而其中的中红外光谱也广泛应用于定性及定量分析。该研究中红外光谱法识别木材种类的报道中，基于深度卷积神经网络可以在参数较少的条件下获得较高的识别率。提出了一种聚类分析（ＣＡ）、对称点阵图像分析（ＳＤＰ）与深度学习（ＤｅｎｓｅＮｅｔ）相融合的算法，利用ＤｅｎｓｅＮｅｔ的优势提高中红外光谱法识别木材的准确率。首先，采集了愈疮木、巴里黄檀、刺猬紫檀、大果紫檀、螺穗木５种木材样本的２５０组中红外光谱数据，应用欧式距离进行了异常值剔除，剩余２４０组作为待分析数据并对其进行分类的可行性分析。对光谱数据进行ＳＤＰ转化分析，确定ＳＤＰ转化的最优参数；之后，运用ＣＡ筛选原始光谱数据的特征，根据ＣＡ不同阙值确定了三组维数的特征并进行讨论，通过对比三组特征数据经过ＳＤＰ转化后图像间的类内相似性和类间差异性，初步确定了最优维数特征；再将初步确定的最优维数特征数据输入到ＳＤＰ－ＤｅｎｓｅＮｅｔ模型中，获得模型识别的准确率；最后通过对比分析验证了模型的有效性，一方面将原始数据及其余两组对照维数的特征数据分别输入到ＳＤＰ－ＤｅｎｓｅＮｅｔ模型中，对比识别的准确率；另一方面以最优维数特征数据输入到随机森林中进行识别，对比传统机器识别与ＳＤＰ－ＤｅｎｓｅＮｅｔ算法识别的准确率。结果表明：经ＣＡ特征筛选的ＳＤＰ－ＤｅｎｓｅＮｅｔ模型普遍高于原始数据直接输入到ＳＤＰ－ＤｅｎｓｅＮｅｔ模型的准确率，ＣＡ特征筛选最优维数为２５５维，其测试集最高识别率达到了８８．６７％，而对照组１０７维为７７．７８％，３２２维为６８．８９％，原始数据的ＳＤＰ－ＤｅｎｓｅＮｅｔ模型识别率仅为５７．７８％；经ＣＡ特征筛选的最优维数数据对应的随机森林模型识别率较低，仅为６６．６７％。因此，提出的ＣＡ－ＳＤＰ－ＤｅｎｓｅＮｅｔ模型能有效提高中红外光谱法识别木材种类的精度。关键词中红外光谱；木材种类识别；聚类分析；对称点阵图像...
