基于近紅外光譜與誤差反向傳播神經(jīng)網(wǎng)絡(luò)技術(shù)的三種人工林木材識別研究

龐曉宇，楊 忠*，呂 斌，賈東宇

1. 中國林業(yè)科學(xué)研究院林業(yè)新技術(shù)研究所，北京 100091 2. 中國林業(yè)科學(xué)研究院木材工業(yè)研究所，北京 100091

基于近紅外光譜與誤差反向傳播神經(jīng)網(wǎng)絡(luò)技術(shù)的三種人工林木材識別研究

龐曉宇1, 2，楊 忠1, 2*，呂 斌2，賈東宇2

1. 中國林業(yè)科學(xué)研究院林業(yè)新技術(shù)研究所，北京 100091 2. 中國林業(yè)科學(xué)研究院木材工業(yè)研究所，北京 100091

利用近紅外光譜結(jié)合誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BP)對三種人工林木材(尾葉桉、馬尾松、南方無性系I-72楊)進(jìn)行識別，探討隱含層神經(jīng)元個數(shù)、光譜預(yù)處理方法、光譜范圍對BP網(wǎng)絡(luò)模型的影響，并與SIMCA法所建模型做比較。結(jié)果表明： (1)BP網(wǎng)絡(luò)結(jié)合全波段(780～2 500 nm)近紅外光譜數(shù)據(jù)建模，識別正確率達(dá)到97.78%，并確定隱含層神經(jīng)元數(shù)為13；(2)全波段光譜建模比短波段(780～1 100 nm)和長波段(1 100～2 500 nm)光譜建模識別效果好，其識別正確率分別為97.78%, 95.56%和96.67%，用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)對全波段光譜進(jìn)行預(yù)處理后，BP網(wǎng)絡(luò)模型識別正確率分別為93.33%和71.11%；用多元散射校正(MSC)對全波段光譜進(jìn)行預(yù)處理后，BP網(wǎng)絡(luò)模型識別正確率為98.89%，(3)在三種波段(780～2 500，780～1 100和1 100～2 500 nm)光譜建模的情況下，BP網(wǎng)絡(luò)建模識別正確率分別為95.56%, 96.67%和97.78%，SIMCA模型識別正確率分別為76.67%, 81.11%和82.22%，BP網(wǎng)絡(luò)建模比SIMCA法建模對三種人工林木材的識別正確率高。

BP網(wǎng)絡(luò)；近紅外光譜；SIMCA；分類；尾葉桉、馬尾松、南方無性系I-72楊

引 言

我國木材資源短缺，為了緩解這一矛盾，必須大力發(fā)展人工林并高效利用木材資源。我國人工林保存面積達(dá)8億多畝，居世界第一，其中楊樹總面積超過1億500萬畝，桉樹總面積6 000多萬畝，馬尾松是我國南部重要用材樹種，經(jīng)濟(jì)價值高，然而，傳統(tǒng)的木材品質(zhì)鑒別方法需要消耗大量的人力、物力及時間，因此，尋求一種快速、準(zhǔn)確、低成本地評價木材性質(zhì)的方法是木材科學(xué)研究的重要內(nèi)容之一。近紅外光譜分析技術(shù)是一種無損、快速的木材識別技術(shù)，九十年代開始有用于識別木材的研究[1-2]，近十幾年，國內(nèi)外研究均取得一定進(jìn)展，但都是采用傳統(tǒng)的多元統(tǒng)計方法對近紅外光譜建模，主要是主成分分析法(principal components analysis，PCA)[3]、簇類獨立軟模式法(soft independent modeling of class analogy，SIMCA)[4-5]和偏最小二乘回歸法(partial least squares regression，PLSR)[6 -8]。

人工神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)容錯性、強(qiáng)抗干擾的非線性建模方法，近紅外光譜結(jié)合人工神經(jīng)網(wǎng)絡(luò)在木材領(lǐng)域的研究很有限，在材質(zhì)預(yù)測方面，李湃等對落葉松密度[9-10]和含水率[11]進(jìn)行預(yù)測，Christian等[12]預(yù)測了火炬松的氣干密度、微纖絲角、硬度、管胞長度和管胞壁厚，Watanabe等[13]預(yù)測了木材表面的干燥應(yīng)力，在木材識別領(lǐng)域，馬明宇等分別用廣義神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對不同產(chǎn)地和品種的89個木材切片近紅外光譜進(jìn)行識別，重點探討了白噪音和偏置對識別效果的影響，但每種樹種建模數(shù)量過少。本研究對我國產(chǎn)量大、應(yīng)用廣且具有代表性的桉樹、馬尾松、楊樹三種人工林木材樹種進(jìn)行識別，分別用近紅外光譜結(jié)合誤差反向傳播神經(jīng)網(wǎng)絡(luò)(back-propagation network，BP)和SIMCA法建立模型，并對兩種方法進(jìn)行比較，旨在為近紅外光譜結(jié)合人工神經(jīng)網(wǎng)絡(luò)對人工林木材樹種快速識別的可行性進(jìn)行研究。

1 實驗部分

1.1 樣品和光譜的采集

試驗采用的馬尾松(Pinusmassoniana)和南方無性系I-72楊(Populus×euramericana (Dode) Guineir cv. ‘San Martino’ (1-72/58))采自安徽省黃山區(qū)黃山公益林場(東經(jīng)118°14′～118°21，北緯32°4′-32°10)，尾葉桉(Eucalyptusurophylla)采自廣東省遂溪縣城月鎮(zhèn)雷州林業(yè)局邁進(jìn)林場(東經(jīng)109°39′～110°38′，北緯20°18′-21°30′)，將新鮮原木旋切為2 000 mm×1 300 mm×1.7 mm的木板，在大氣中自然干燥，為了方便測量，再將氣干后的木板加工成400 mm×200 mm×1.7 mm的小木板，每個樹種90個樣品，共270個樣品。

選用美國ASD公司生產(chǎn)的Field SpecR近紅外光譜儀(350～2 500 nm)進(jìn)行光譜采集，用白板(商用聚四氟乙烯)校準(zhǔn)，光纖探頭垂直于樣品表面，每掃描30次并自動平均為一條光譜后保存起來，光斑直徑為1.8 cm。為減少每次操作狀態(tài)不同造成的誤差，每次光譜采集前都要對近紅外光譜儀預(yù)熱30 min。

1.2 數(shù)據(jù)分析

近紅外光譜經(jīng)ASD提供的專業(yè)軟件轉(zhuǎn)換成光譜數(shù)據(jù)文件，用Unscrambler 9.2軟件對光譜數(shù)據(jù)進(jìn)行預(yù)處理和SIMCA分析，用Matlab2012b進(jìn)行人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分析。

圖1為BP網(wǎng)絡(luò)對木材近紅外光譜數(shù)據(jù)分析流程圖，其中X是輸入向量，Y是隱含層輸出向量，O是輸出層輸出向量，d是期望輸出向量，V是輸入層到隱含層權(quán)值，B是輸入層到隱含層閥值，W是隱含層到輸出層權(quán)值，G是隱含層到輸出層閥值，Emin是目標(biāo)誤差，η是學(xué)習(xí)率，q是訓(xùn)練次數(shù)，p是訓(xùn)練樣本，Ep是每個樣本誤差，ERME是網(wǎng)絡(luò)總誤差。

圖1 BP網(wǎng)絡(luò)分析木材近紅外數(shù)據(jù)流程圖

圖1中，(1)對網(wǎng)絡(luò)賦予隨機(jī)的初始權(quán)值和閥值，將樣本模式計數(shù)器p和訓(xùn)練次數(shù)計數(shù)器q置為1，誤差E置0，η設(shè)為0～1內(nèi)的小數(shù)，Emin設(shè)為一個正的小數(shù)；(2)木材近紅外光譜數(shù)據(jù)作為輸入向量，輸入網(wǎng)絡(luò)，計算各層輸出y和o；(3)計算每個樣本的輸出誤差；(4)計算各層誤差信號；(5)調(diào)整網(wǎng)絡(luò)權(quán)值和閥值；(6)檢查是否對所有樣本完成一次輪訓(xùn)，若沒有完成，計數(shù)器p增1，返回步驟(2)，否則轉(zhuǎn)步驟(7)；(7)檢查網(wǎng)絡(luò)總誤差是否小于目標(biāo)誤差，若是，則建模成功，否則E置0，p置1，返回步驟(2)。

2 結(jié)果與討論

2.1 近紅外光譜結(jié)合BP網(wǎng)絡(luò)建模對人工林木材的識別

尾葉桉、馬尾松、南方無性系I-72楊三種木材的近紅外光譜數(shù)據(jù)進(jìn)行建模，每個樹種有90條光譜，隨機(jī)選取其中2/3用于建模，1/3用于預(yù)測，共180條光譜用于建模，90條光譜用于預(yù)測。建模的光譜范圍為780～2 500 nm，通過PCA法在近紅外波段上提取特征向量，由于前8個主成分的累計貢獻(xiàn)率達(dá)到99%以上，能代表原光譜包含的大部分信息，所以將8個主成分的得分矩陣作為BP網(wǎng)絡(luò)模型的輸入向量。網(wǎng)絡(luò)期望輸出采用0，1分類，若是該樹種，對應(yīng)位置顯示為1，否則，顯示為0，則桉樹為1 0 0，馬尾松為0 1 0，楊樹為 0 0 1，當(dāng)樣品對應(yīng)位置網(wǎng)絡(luò)輸出值大于0.5，且其他位置小于0.5時，則判定該樣品識別正確，否則為錯誤，采用均方根誤差(RMSEP)和正確率反映模型對未知樣本的預(yù)測效果，正確率越高，RMSEP越小，模型的擬合效果越佳。

建模采用單隱含層的前向BP網(wǎng)絡(luò)，輸入層到隱含層為線性傳遞，隱含層到輸出層為對數(shù)傳遞，隨機(jī)賦予網(wǎng)絡(luò)初始權(quán)值和閥值，采用L-M(Levenberg-Marquardt)算法對網(wǎng)絡(luò)權(quán)值和閥值進(jìn)行調(diào)整，以得到小于目標(biāo)誤差的參數(shù)向量，學(xué)習(xí)率為0.1，最大訓(xùn)練次數(shù)為50 000次，設(shè)定的目標(biāo)誤差為0.001，網(wǎng)絡(luò)誤差為均方誤差。網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)一般由經(jīng)驗公式得出，a為0～10之間的常數(shù)，m和n分別是輸入、輸出神經(jīng)元個數(shù)，表1中分別顯示7種神經(jīng)元數(shù)建立的模型，每類模型預(yù)測十次，取十次結(jié)果平均值作為最終結(jié)果。

結(jié)果表明，BP網(wǎng)絡(luò)結(jié)合近紅外光譜能較好的識別木材，最高正確率達(dá)到97.78%，由于本實驗均采用Levenberg-Marquardt算法建模，模型收斂速度快，且輸出向量較少，所以BP-Model1-7的建模時間短，均在2 s以內(nèi)。在所有模型中，桉樹和馬尾松都各有一個樹種不能正確識別，楊樹中有兩個樹種不容易識別，但通過調(diào)整隱含層神經(jīng)元數(shù)，可以對模型優(yōu)化，一般隱含層神經(jīng)元數(shù)越多，擬合程度越高，但神經(jīng)元數(shù)過多，可能出現(xiàn)過擬合現(xiàn)象，降低識別率，同時神經(jīng)元數(shù)越多，內(nèi)部運算越復(fù)雜，建模耗時越長，對計算機(jī)的運算能力要求越高，所以對于非線性較弱，輸入和輸出波形不復(fù)雜的識別系統(tǒng)，在隱含層神經(jīng)元數(shù)不多的情況下，也能得到較好的識別效果，所以綜合考慮，Model4中，隱含層數(shù)為13時，既滿足正確率高，均方根誤差較小的要求，又不會對建模時計算機(jī)運行造成負(fù)擔(dān)。

2.2 BP網(wǎng)絡(luò)的近紅外模型優(yōu)化研究

BP網(wǎng)絡(luò)模型優(yōu)化，從光譜預(yù)處理和波段選擇兩方面進(jìn)行研究，分別選取780～1 100，1 100～2 500和780～2 500 nm三種波段建模，并對全光譜數(shù)據(jù)進(jìn)行一階導(dǎo)數(shù)、標(biāo)準(zhǔn)正態(tài)變換(standard normal Variation，SNV)和多元散射校正(multiplicative scatter correction，MSC)預(yù)處理，對不同波段光譜數(shù)據(jù)和同一波段不同預(yù)處理后的光譜數(shù)據(jù)分別進(jìn)行主成分分析降維，選取貢獻(xiàn)率達(dá)到99%以上的主成分作為輸入向量，神經(jīng)元數(shù)確定為13，建模如表2所示。

表1 不同隱含層神經(jīng)元數(shù)的BP網(wǎng)絡(luò)模型

表2 不同預(yù)處理和光譜波段選擇的BP網(wǎng)絡(luò)模型

由BP-Model 4，BP-Model 8和BP-Model 9的總正確率得出，780～2 500 nm波段建模識別效果最好，780～1 100 nm波段建模識別效果最差，從各樹種的識別情況，可知在1 100～2 500 nm波段對桉樹和馬尾松都能全部識別，楊樹有兩個識別錯誤，而在全波段范圍，楊樹能全部識別，桉樹和馬尾松各有一個樣本識別錯誤，不同波段所包含的木材化學(xué)信息不同，識別效果有一定的差異。對全光譜波段數(shù)據(jù)分別進(jìn)行三種光譜預(yù)處理，結(jié)果顯示，多元散射校正能提高模型識別正確率。一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理后的數(shù)據(jù)建模，識別正確率下降很多，并且貢獻(xiàn)率達(dá)到99%以上需要的主成分?jǐn)?shù)過多，說明導(dǎo)數(shù)處理后光譜數(shù)據(jù)的關(guān)聯(lián)性降低，可能原因是導(dǎo)數(shù)處理使近紅外數(shù)據(jù)失真。

2.3 BP網(wǎng)絡(luò)模型和SIMCA模型比較

圖2為三種人工林樹種780～2 500 nm的近紅外光譜圖，每個樹種選取三條樣品光譜作圖，可以直觀的看出，三種木材光譜圖能相互區(qū)分，但桉樹和楊樹光譜較接近，而馬尾松光譜與另兩種木材光譜區(qū)別明顯，造成這種現(xiàn)象的可能原因是楊木和桉樹均為闊葉材，而馬尾松為針葉材，針闊葉材的化學(xué)組成和解剖構(gòu)造都有一定差異，為進(jìn)一步區(qū)分這三種木材，對其進(jìn)行PCA分析，圖3為三種木材所有樣品的PCA得分圖，從圖中可以看出，樣品聚成三簇，但桉樹和楊樹較接近，有個別樣品混合到一起，馬尾松能很好的與另兩種樹種區(qū)分開，這與圖2顯示的結(jié)果一致，馬尾松樣品的簇類較分散，是由該樣品自身差異較大造成。

圖2 三種木材近紅外光譜圖

圖3 三種木材近紅外光譜的PCA得分圖

SIMCA是以主成分分析為基礎(chǔ)的分類方法，表3中顯示了三種波段SIMCA模型的預(yù)測結(jié)果，并且與BP網(wǎng)絡(luò)模型預(yù)測做對比，結(jié)果表明，對不同波段的建模效果，SIMCA法顯示的結(jié)果與BP網(wǎng)絡(luò)建模呈現(xiàn)的規(guī)律相同，均是780～2 500 nm波段建模識別效果最好，780～1 100 nm波段識別效果最差，但在三種波段模型中，BP網(wǎng)絡(luò)模型的木材識別率均明顯高于SIMCA模型的識別率，并BP網(wǎng)絡(luò)采用L-M算法對權(quán)值和閥值調(diào)整建模，建模時間比SIMCA法短。

表3 SIMCA與LM-BP網(wǎng)絡(luò)模型比較研究

3 結(jié) 論

利用近紅外光譜結(jié)合誤差反向傳播神經(jīng)網(wǎng)絡(luò)對三種人工林木材樹種的識別進(jìn)行了研究。BP網(wǎng)絡(luò)對近紅外全光譜建模識別三種人工林木材樹種，識別率達(dá)到97.78%，識別效果較優(yōu)，并神經(jīng)元數(shù)確定為13；BP網(wǎng)絡(luò)模型優(yōu)化研究，對光譜進(jìn)行預(yù)處理，并用不同波段光譜建模，結(jié)果顯示，全波段光譜建模比短波段(780～1 100 nm)和長波段(1 100～2 500 nm)光譜建模識別效果好，其識別正確率分別為97.78%，95.56%和96.67%，多元散射校正處理能提高BP模型識別正確率至98.89%，一階導(dǎo)數(shù)和二階導(dǎo)數(shù)預(yù)處理會使識別正確率分別下降至93.33%和71.11%；在三種波段光譜建模的情況下，BP網(wǎng)絡(luò)建模識別正確率分別為95.56%，96.67%和97.78%，均高于SIMCA法建模對三種人工林木材樹種識別正確率76.67%，81.11%和82.22%，并且建模時間要明顯小于SIMCA方法；上述結(jié)論說明近紅外光譜結(jié)合誤差反向傳播神經(jīng)網(wǎng)絡(luò)技術(shù)可用于人工林木材樹種的快速識別。

[1] Borga P, H?m?l?inen M, Theander O. Holzforschung-International Journal of the Biology, Chemistry, Physics and Technology of Wood, 1992, 46(4): 299.

[2] Brunner M, Eugster R, Trenka E, et al. Holzforschung-International Journal of the Biology, Chemistry, Physics and Technology of Wood，1996, 50(2): 130.

[3] Russ A, Fiserova M. Wood Res., 2011, 56: 93.

[4] B?chle H, Zimmer B, Wegener G. Wood Science and Technology, 2012, 46(6): 1181.

[5] Dawson-Andoh B, Adedipe O E. Wood Science and Technology, 2012, 46(6): 1193.

[6] Braga J W B, Pastore T C M, Coradin V T R, et al. Iawa Journal, 2011, 32(2): 285.

[7] Watanabe K, Abe H, Kataoka Y, et al. Jpn. J. Histor. Bot., 2011, 19: 117.

[8] Horikawa Y, Mizuno-Tazuru S, Sugiyama J. Journal of Wood Science, 2015. 1.

[9] Li P, Zhang H F, Li Y X, et al. Advanced Materials Research, 2010, 129: 306.

[10] Lia Y, Lia P, Jiangb L. J. Inf. Comput. Sci., 2012, 13: 3783.

[11] Li P, Li Y X. Advanced Materials Research, 2012, 502: 253.

[12] Mora C R, Schimleck L R. Wood Science and Technology, 2010, 44: 561.

[13] Watanabe K, Kobayashi I, Matsushita Y, et al. Drying Technology, 2014, 32(5): 590.

[14] MA Ming-yu, WANG Gui-yun, HUANG An-min, et al (馬明宇, 王桂蕓, 黃安民，等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2012, 32(9): 2377.

(Received Sep. 26, 2015; accepted Jan. 14, 2016)

*Corresponding author

Recognition of Three Types of Plantation Wood Species with Near Infrared Spectra Coupled with Back-Propagation Network

PANG Xiao-yu1, 2, YANG Zhong1, 2*, Lü Bin2, JIA Dong-yu2

1. Research Institute of Forestry New Technology, Chinese Academy of Forestry, Beijing 100091, China 2. Research Institute of Wood Industry, Chinese Academy of Forestry, Beijing 100091, China

In this study, the near infrared spectroscopy coupled with Back-Propagation (BP) network was used for the recognition of three kinds of plantation wood (Eucalyptusurophylla,Pinusmassoniana,Populus×euramericana (Dode) Guineir cv. “San Martino” (1-72/58)). The study considered the effects of hidden layer neurons number, spectral pretreatment method and spectral regions on BP model, which are compared with SIMCA model simultaneously. The results showed that, (1) the recognition rate was 97.78% achieved by BP network model with hidden layer neurons number 13 and the spectral region of 780～2 500 nm. (2) BP model with spectral region of 780～2 500 nm was more robust than the other two BP models with spectral regions of 780～1 100 and 1 100～2 500 nm, of which recognition rates were 97.78%, 95.56% and 96.67%, respectively. After the full spectra was pretreated with the first derivative and the second derivative methods, the recognition rates of BP models fell down to 93.33% and 71.11%. However, the recognition rate of BP model rose to 98.89% with the full spectra being pretreated by the multiplicative scatter correction (MSC). (3) Compared with SIMCA models that recognition rates of three spectral regions (780～2 500, 780～1 100 nm, and 1 100～2 500 nm) were 76.67%, 81.11% and 82.22% respectively, BP network work models had higher recognition rates.

BP network; Near infrared spectroscopy; SIMCA; Classification;Eucalyptusurophylla；Pinusmassoniana；Populus×euramericana (Dode) Guineir cv. “San Martino” (1-72/58)

2015-09-26，

2016-01-14

國家自然科學(xué)基金項目(30800889，31370711)資助

龐曉宇，1990年生，中國林業(yè)科學(xué)研究院林業(yè)新技術(shù)研究所碩士研究生 e-mail: 408311170@qq.com *通訊聯(lián)系人 e-mail: zyang@caf.ac.cn

O657.3；S781

A

10.3964/j.issn.1000-0593(2016)11-3552-05