森林工程

作者：刘晓利,李耀翔,彭润东,张哲宇,陈雅

单位：；东北林业大学 机电工程学院 ,哈尔滨 150040；

关键词：木材气干密度 ;近红外光谱 ;卷积神经网络 ;樟子松 :预测模型

近红外光谱分析技术在木材密度的预测方面具有独特的优势 ,是 一 种方便且快速的无损检测技术 。卷积神经网 络作为经典的深度学习模型之 一 ,能够利用卷积和池化操作提取数据中的特征映射进行学习 ,与传统的学习模型相比具有更 强的模型表达能力 。为此将卷积神经网络用于近红外光谱预测木材的气干密度 , 以樟子松为研究对象 ,获取样本木材横切面 的近红外光谱数据 ,采用杠杆值与学生化残差 t 检验(HLSR) 法剔除奇异样本 ,采用 SGS+MC+Auto(Savitzky-Golay smoothing+ mean centering+autoscaling)对光谱数据进行预处理 ,通过竞争性自适应重加权算法(competitive adaptive reweighted sampling method, CARS)对特征波长进行提取 ,构建卷积神经网络模型 ,预测樟子松的气干密度 ;并与偏最小二乘回归(partial least squares regression , PLSR)、支持向量机(support vector regression , SVR)和 BPNN(backpropagationnetwork) 神经网络的预测结 果进行对比 。结果表明 , 当校正集比例小于 0. 65 时 ,模型预测结果略低于 PLSR 模型 。但当校正集比例大于 0. 7 时 ,卷积神 经网络(convolution neuralnetwork, CNN)模型的预测精度优于其他模型 ,且随着训练样本比例的增加 ,模型的性能和稳定性也 随之提升 。研究表明 CNN 可以显著提高近红外预测木材气干密度的模型精度 ,实现基于近红外技术的木材密度有效预测。 为木材气干密度无损检测提供了理论基础和科学依据。

来源：2024年第3期

《森林工程》期刊编辑部

查看森林工程杂志2024年第3期