實(shí)木板材抗彎強(qiáng)度的SWCSS-GFK-SVM數(shù)據(jù)遷移建模方法

陳金浩, 蔣大鵬, 張怡卓, 王克奇

東北林業(yè)大學(xué)機(jī)電工程學(xué)院， 黑龍江 哈爾濱 150040

引 言

抗彎強(qiáng)度(MOR)是木材重要的力學(xué)指標(biāo)， 影響實(shí)木產(chǎn)品的質(zhì)量與安全性。 近年來， 隨著近紅外(NIR)光譜分析的廣泛應(yīng)用， 力學(xué)性能方面的近紅外光譜檢測已開展大量研究[1-3]。 但是, 近紅外光譜設(shè)備的波段精度差異、 元器件間的分散性， 使得光譜模型的通用性有待于提升[4-5]。

光譜模型遷移的相關(guān)研究始于上世紀(jì)90年代[6]， 按照策略的不同可以將相關(guān)方法劃分為反饋標(biāo)準(zhǔn)化法、 預(yù)測值標(biāo)準(zhǔn)化法以及模型系數(shù)標(biāo)準(zhǔn)化法[7-8]。 反饋標(biāo)準(zhǔn)化法通過主、 從機(jī)的輸出反饋， 將從機(jī)光譜校正為與主機(jī)相似的響應(yīng)光譜并進(jìn)行建模， 這類方法包括直接標(biāo)準(zhǔn)化(direct standardization, DS)與分段直接標(biāo)準(zhǔn)化(piece-wise direct standardization, PDS)[9]。 DS方法使用變換矩陣將從機(jī)光譜線性變換為主機(jī)光譜， 而PDS方法則將從機(jī)光譜分割為一個(gè)個(gè)滑窗， 在每個(gè)滑窗中使用DS方法進(jìn)行變換。 DS與PDS方法均為線性變換方法， 當(dāng)主從設(shè)備差異較大時(shí)， 方法適應(yīng)性較差。 預(yù)測值的標(biāo)準(zhǔn)化法通過計(jì)算主機(jī)和從機(jī)預(yù)測值之間的線性關(guān)系來校正從機(jī)預(yù)測值， 代表方法為斜率截距校正方法(slope and bias correction, SBC)[10]； 但SBC方法僅通過調(diào)整線性模型的截距來縮小主機(jī)與從機(jī)的差距， 局限性大。 模型系數(shù)標(biāo)準(zhǔn)化法通過調(diào)整從機(jī)模型參數(shù)來實(shí)現(xiàn)主機(jī)與從機(jī)模型的一致性[11-12]， 校準(zhǔn)轉(zhuǎn)移方法還包括一些全局建模等特殊方法， 該類方法以犧牲精度建立起所有儀器條件都適用的模型， 模型預(yù)測精度普遍較低[13-15]， 代表性的方法為兩步偏最小二乘(two step partial least squares)方法[16]， 廣義最小二乘加權(quán)法以及遷移學(xué)習(xí)(transfer learning)等方法[17]。

近年來， 隨著深度學(xué)習(xí)等技術(shù)的逐漸發(fā)展， 遷移學(xué)習(xí)引起了廣泛關(guān)注[18]。 遷移學(xué)習(xí)能夠?qū)⒁延?xùn)練好的模型參數(shù)轉(zhuǎn)移到新模型來幫助新模型訓(xùn)練， 并將某個(gè)領(lǐng)域或任務(wù)上學(xué)習(xí)到的知識或模式應(yīng)用到相同領(lǐng)域不同問題中。 Geodesic Flow Kernel(GFK)方法是一種遷移學(xué)習(xí)方法， 目前主要應(yīng)用于圖像處理領(lǐng)域中[19]。 該方法將源域子空間和目標(biāo)域子空間嵌入到格拉斯曼流形中， 通過構(gòu)建測地線核函數(shù)， 將主機(jī)與從機(jī)光譜數(shù)據(jù)集映射到一個(gè)高維流形空間， 實(shí)現(xiàn)數(shù)據(jù)從源域到目標(biāo)域之間的遷移， 使源域與目標(biāo)域共享特征。 此外， 在數(shù)據(jù)遷移中， 波段優(yōu)選可以通過數(shù)據(jù)降維提高模型精度。 波段優(yōu)選方法既要表征待測樣本特征， 且不同平臺(tái)的優(yōu)選波段偏差不能過大[20]。 穩(wěn)定一致波長優(yōu)選方法(screening wavelengths with consistent and stable signals, SWCSS)是由Ni L等人提出的一種光譜波段優(yōu)選方法[21]， 通過計(jì)算主機(jī)與從機(jī)采集的兩組光譜差， 優(yōu)選出具有一致性和穩(wěn)定性的光譜波段。

以落葉松(Larixgmelinii(Rupr.))板材抗彎強(qiáng)度預(yù)測為研究對象， 分別應(yīng)用One-chip微型集成光纖光譜儀和NIRQuest512光譜儀采集落葉松試材的近紅外光譜， 使用預(yù)處理與PDS模型遷移方法處理不同光譜儀平臺(tái)采集的原始光譜后， 將GFK-SVM遷移模型引入近紅外校準(zhǔn)轉(zhuǎn)移中， 結(jié)合SWCSS特征提取方法構(gòu)建SWCSS-GFK-SVM落葉松板材力學(xué)性能檢測遷移模型， 解決主機(jī)模型與從機(jī)的適配問題。

1 實(shí)驗(yàn)部分

1.1 材料與儀器

選用落葉松作為試件。 試件取自黑龍江省伊春市清水河林場， 地理位置東經(jīng)128°01′， 北緯42°30′， 海拔600～700 m之間， 在林場伐倒樣木并標(biāo)記樣木生長方向， 在每株樹的胸高往上截取長度為1或2 m的木段， 氣干后鋸解， 加工成力學(xué)實(shí)驗(yàn)試件。 按照木材物理力學(xué)性質(zhì)試驗(yàn)方法《GB1927～1943—2009》加工試件， 在溫度25 ℃左右， 濕度恒定的條件下， 分別使用One-chip光譜儀與NIRQuest512光譜儀采集試件光譜。 One-chip光譜儀采集光譜數(shù)據(jù)集設(shè)為從機(jī)光譜， NIRQuest512光譜儀采集光譜數(shù)據(jù)集設(shè)為主機(jī)光譜。 光譜儀主機(jī)與從機(jī)參數(shù)表如表1所示。

表1 光譜儀平臺(tái)參數(shù)對比

參照國家標(biāo)準(zhǔn)《木材抗彎強(qiáng)度試驗(yàn)方法》(GB 1936.1—2009)、 《木材抗彎強(qiáng)度測定方法》(GB 1936.2—2009)中的測試步驟及規(guī)范， 加工制備了200組落葉松板材試件樣本， 并對板材試件進(jìn)行編號， 按照編號使用萬能力學(xué)性能試驗(yàn)機(jī)測定落葉松試件無疵試樣的抗彎強(qiáng)度， 用兩個(gè)光譜儀分別采集光譜得到試件的主機(jī)光譜以及從機(jī)光譜。

1.2 近紅外光譜采集

主、 從兩個(gè)光譜儀采集得到的近紅外光譜如圖1與圖2所示， 由于兩個(gè)光譜儀波長范圍不一致， 且從機(jī)光譜儀受雜散光、 光譜背景與基線漂移干擾嚴(yán)重， 所以采用SNV、 SG等預(yù)處理方法對光譜進(jìn)行降噪與去趨勢處理[22]， 去除基線漂移和背景的干擾， 區(qū)分重疊峰， 提高分辨率和靈敏度。 然后， 裁剪從機(jī)光譜波長， 實(shí)現(xiàn)兩個(gè)光譜儀波段范圍統(tǒng)一。 因?yàn)閮稍O(shè)備測得的光譜差異大， 直接使用GFK-SVM方法建立的全局模型準(zhǔn)確率低， 所以從機(jī)光譜經(jīng)PDS校準(zhǔn)后， 再使用GFK-SVM方法構(gòu)建轉(zhuǎn)移模型， 以提高模型預(yù)測精度。

圖1 主設(shè)備原始光譜

圖2 從設(shè)備原始光譜

1.3 SWCSS-GFK-SVM方法

設(shè)SDPDS為試件主機(jī)光譜標(biāo)準(zhǔn)差， SDDSI為主光譜和從光譜之間的偏差， 篩選出SDPDS與SDDSI比值較高的波段。 SDDSI與SDPDS由式(1)與式(2)表示

(1)

(2)

則bj可表示為

bj=SDDSI(j)/SDPDS(j)

(3)

bj理想值為1， 表示從機(jī)光譜與主機(jī)光譜偏差與主機(jī)光譜標(biāo)準(zhǔn)差值相同， 設(shè)置合適閾值bj對兩組數(shù)據(jù)集光譜波段進(jìn)行波段優(yōu)選。

φ:t∈[0, 1]→φ(t)∈G(d,D)

(4)

式(4)中，φ(0)=XS，φ(1)=XT， 則φ(t)可表示為：φ(t)=XSU1Γ(t)-RSU2Σ(t)。

(5)

(6)

此時(shí)從未經(jīng)降維的原始數(shù)據(jù)集中取出兩個(gè)向量xi與xj， GFK內(nèi)核被定義為

(7)

GFK內(nèi)核G最終解析式為

(8)

則Γ與Σ的主對角線元素之間滿足正弦關(guān)系， 第i個(gè)元素可用sinθi與cosθi表示，Λ1，Λ2和Λ3均為對角矩陣， 對角元素值為

(9)

(10)

(11)

SWCSS-GFK-SVM核函數(shù)由式(12)給出

(12)

(13)

(14)

(15)

綜上所述， 使用光譜數(shù)據(jù)與力學(xué)特征數(shù)據(jù)建立改進(jìn)GFKSVM遷移模型的流程如圖3所示。

圖3 SWCSS-GFK-SVM建模流程

2 結(jié)果與討論

圖4與圖5為經(jīng)預(yù)處理后的落葉松主機(jī)光譜和從機(jī)光譜。 主機(jī)光譜數(shù)據(jù)集中每個(gè)樣本的波長范圍為900～1 700 nm， 有512個(gè)光譜波段數(shù)； 從機(jī)光譜數(shù)據(jù)集每個(gè)樣本的波長范圍為900～1 850 nm， 有117個(gè)光譜波段。 將從光譜分割為900～1 700 nm， 以保證主機(jī)與從機(jī)波長范圍一致。 圖6為分割后的從光譜。

圖4 使用S-G與SNV方法處理后的主光譜

圖5 使用S-G與SNV方法處理后的從光譜

圖6 預(yù)處理分割后的從光譜

使用PDS輸出的轉(zhuǎn)移矩陣GPDS校正從機(jī)光譜數(shù)據(jù)集。 在應(yīng)用SWCSS進(jìn)行波段優(yōu)選時(shí)， 當(dāng)bj=0.85時(shí)， 篩選出14個(gè)近紅外光譜波段。 以校正后的從機(jī)光譜為源域、 主機(jī)光譜為目標(biāo)域， 對GFK-SVM模型中的C與σ參數(shù)進(jìn)行尋優(yōu)， 尋優(yōu)方法為網(wǎng)格搜索法， 圖7為SVM尋優(yōu)過程。 當(dāng)C=820.352 6，σ=0.067 3時(shí)， GFK-SVM模型達(dá)到最優(yōu)， 最優(yōu)值為0.989。

圖7 網(wǎng)格搜索方法優(yōu)化SWCSS-GFK-SVM模型

利用SWCSS-GFK-SVM建立了落葉松近紅外光譜校準(zhǔn)模型。 為了驗(yàn)證模型的優(yōu)越性， 分別使用DS方法、 PDS-GFK-SVM以及DS-SWCSS-GFK-SVM進(jìn)行實(shí)驗(yàn)對比。 表2給出了上述5種校準(zhǔn)模型的預(yù)測結(jié)果， 選擇相關(guān)系數(shù)Rc、 均方根誤差RMSEC、 預(yù)測相關(guān)系數(shù)Rp、 預(yù)測均方根誤差RMSEP作為評價(jià)指標(biāo)， 對所建模型結(jié)果進(jìn)行比較分析。

表2 基于不同遷移模型的結(jié)果分析

圖8—圖12分別為上述5種方法建立的校準(zhǔn)模型的回歸散點(diǎn)圖， 圖中紅色圓圈表示訓(xùn)練集的預(yù)測值與實(shí)際值之間的擬合散點(diǎn)圖， 藍(lán)色星號表示測試集預(yù)測值與實(shí)際值之間的擬合散點(diǎn)圖。 在圖8對應(yīng)的DS-PLS轉(zhuǎn)移模型中， 首先使用DS方法校正從機(jī)光譜， 將校正后的光譜輸入到以訓(xùn)練好的主機(jī)模型中測試預(yù)測值與實(shí)際值之間的擬合程度； PDS-PLS轉(zhuǎn)移模型構(gòu)建方法與DS-PLS模型類似， 只是將DS方法變更為PDS方法； 對于圖12對應(yīng)的PDS-GFK-GVM轉(zhuǎn)移模型， 為從機(jī)光譜經(jīng)PDS校正后， 使用GFK-GVM遷移模型基于主機(jī)與從機(jī)光譜數(shù)據(jù)建模得到； 圖9與圖11對應(yīng)的轉(zhuǎn)移模型則在PDS-GFK-GVM模型基礎(chǔ)上添加一步SWCSS特征選取方法。 從5張散點(diǎn)圖可得， PDS-SWCSS-GFK-SVM校準(zhǔn)模型質(zhì)量明顯優(yōu)于其他方法。

圖8 DS-PLS近紅外轉(zhuǎn)移模型

圖9 DS-SWCSS-GFK-GVM近紅外轉(zhuǎn)移模型

圖10 PDS-PLS近紅外轉(zhuǎn)移模型

圖11 PDS-SWCSS-GFK-GVM近紅外轉(zhuǎn)移模型

圖12 PDS-GFK-GVM近紅外轉(zhuǎn)移模型

實(shí)驗(yàn)結(jié)果對比表明， PDS采用滑窗技術(shù)優(yōu)化了DS對數(shù)據(jù)的轉(zhuǎn)移效果， PDS-PLS的預(yù)測集的相關(guān)系數(shù)Rp為0.812， 較DS-PLS的0.793有所提升； GFK-SVM的遷移模型對比PLS模型， 預(yù)測集的相關(guān)系數(shù)Rp從0.812提升到0.829， 均方根誤差RMSEP從22.374降低到17.853， 說明GFK-SVM更適應(yīng)數(shù)據(jù)遷移場景， 能夠基于源域數(shù)據(jù)集提升所建校準(zhǔn)模型的準(zhǔn)確率； 使用SWCSS優(yōu)化GFK-SVM遷移模型， 預(yù)測集的相關(guān)系數(shù)Rp從0.829提升到0.875， RMSEP從17.853降低到11.975， 說明SWCSS特征提取能夠根據(jù)兩組光譜數(shù)據(jù)集之間的差異與共性， 針對性的進(jìn)行波段優(yōu)選。

3 結(jié) 論

針對近紅外光譜儀采集光譜間的數(shù)據(jù)差異， 以落葉松的力學(xué)性能預(yù)測為研究對象， 運(yùn)用One-chip與NIRQuest512兩臺(tái)近紅外光譜儀， 研究了不同類型光譜儀間的模型泛化方法。 實(shí)驗(yàn)結(jié)果表明GFK-SVM遷移模型構(gòu)建精確度更高的全局預(yù)測模型， 通過對從機(jī)光譜向主機(jī)光譜的非線性變換， 實(shí)現(xiàn)主機(jī)模型在從機(jī)光譜數(shù)據(jù)預(yù)測的泛化， 并且GFK-SVM遷移模型使用主機(jī)與從機(jī)光譜兩組不同設(shè)備光譜共同構(gòu)建預(yù)測模型， 較之PLS預(yù)測模型只使用主機(jī)近紅外光譜建模， GFK-SVM提升了數(shù)據(jù)集的使用效率； PDS方法可以實(shí)現(xiàn)光譜儀光程與波段數(shù)統(tǒng)一， 大大提升了GFK-SVM的模型質(zhì)量； 使用SWCSS方法對GFK-SVM進(jìn)行改進(jìn)， 保證特征選擇的有效性與穩(wěn)定性， 為不同設(shè)備間的遷移建模提供了一定的科學(xué)基礎(chǔ)。