引用本文
王承琨, 陈广胜, 杨忠, 赵鹏, 丁浩天. 采用两种神经网络进行光谱校正及涂饰木材树种光谱分类识别研究[J]. 光谱学与光谱分析, 2024,44(12): 3378-3386.
WANG Cheng-kun, CHEN Guang-sheng, YANG Zhong, ZHAO Peng, DING Hao-tian. Implementing Painted Wood Species Classification With Two Neural Networks for Spectral Rectification[J]. Spectroscopy and Spectral Analysis, 2024,44(12): 3378-3386.
Doi:10.3964/j.issn.1000-0593(2024)12-3378-09  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
采用两种神经网络进行光谱校正及涂饰木材树种光谱分类识别研究
王承琨1, 陈广胜2, 杨忠3, 赵鹏2,4,*, 丁浩天1
1.黑龙江科技大学电子与信息工程学院, 黑龙江 哈尔滨 150010
2.东北林业大学计算机与控制工程学院, 黑龙江 哈尔滨 150040
3.中国林业科学研究院木材工业研究所, 北京 100091
4.广西科技大学计算机科学与技术学院, 广西 柳州 545006
*通讯作者 e-mail: bit_zhao@aliyun.com

作者简介: 王承琨, 1990年生, 黑龙江科技大学电子与信息工程学院讲师 e-mail: 402686820@qq.com

收稿日期: 2024-03-02 修回日期: 2024-04-13
基金: 黑龙江省基本科研业务费(2022-KYYWF-0559), 国家自然科学基金地区基金项目(62265001)资助
摘要

根据不同木材表面的光谱反射率差异可以对木材树种进行分类识别。 在木制家具及工艺品的生产实践中, 考虑到防止木材腐败、 开裂, 美化木制品外表及延长木制品使用寿命等原因, 经常需要在木材表面涂抹某种涂饰。 涂抹涂饰将导致木材表面光谱反射率曲线产生漂移和变形, 经实验验证无法使用原始木材表面的光谱反射率训练出的分类器模型对涂饰木材光谱曲线进行分类识别。 相对于原始木材光谱曲线, 涂饰木材光谱曲线的漂移和变形可以用非线性模型来拟合; 而这种非线性拟合一般使用神经网络来实现。 为了能够继续使用原始木材光谱反射率训练的分类器模型, 使用全连接神经网络拟合了原始木材光谱反射率和涂饰木材光谱反射率之间的关系模型, 通过该模型对涂饰木材光谱反射率进行校正, 实现使用原始木材光谱所训练的分类器模型对涂饰木材进行分类识别的目的。 此外, 还使用卷积神经网络对光谱反射率提取卷积特征, 引入表征原始木材光谱反射率和涂饰木材光谱反射率的卷积特征之间关系的隐藏层, 将涂饰木材光谱反射率的卷积特征进行校正, 并通过输出层输出其分类结果。 为了验证所提出的校正模型的有效性, 本文以20种木材样本的近红外光谱(950~1 650 nm/near infrared spectra, NIR)和可见光/近红外光谱(350~1 000 nm/visible and near infrared spectra, VIS/NIR)为研究对象, 对比了8种不同涂饰建立的校正模型性能。 实验结果表明, NIR的校正分类效果要好于VIS/NIR的校正分类效果; 卷积神经网络的校正模型可以将涂抹透明涂饰木材表面的NIR分类正确率提高至70%以上; 全连接网络模型可以将涂抹透明涂饰木材表面的NIR分类正确率提高至80%以上, 但两种模型都无法对非透明涂饰进行校正。 从模型的训练速度和识别效率上看, 卷积神经网络的校正模型要好于全连接神经网络的校正模型。 综上所述, 通过神经网络建立起的原始木材光谱反射率和涂饰木材光谱反射率之间的非线性关系模型, 可以对涂抹透明涂饰的木材光谱曲线进行校正。 进而实现直接使用原始木材光谱反射率所训练出的分类器模型对涂抹透明涂饰木材光谱曲线进行分类识别, 使得木材树种分类识别应用领域从原始木材扩展到涂抹透明涂饰木材, 具有较好的实际应用意义和前景。

关键词: 木材树种识别; 木材表面涂饰; 神经网络; 光谱反射率
中图分类号:O439 文献标志码:A
Implementing Painted Wood Species Classification With Two Neural Networks for Spectral Rectification
WANG Cheng-kun1, CHEN Guang-sheng2, YANG Zhong3, ZHAO Peng2,4,*, DING Hao-tian1
1. College of Electronic and Information Engineering, Heilongjiang University of Science and Technology, Harbin 150010, China
2. College of Computer and Control Engineering, Northeast Forestry University, Harbin 150040, China
3. Research Institute of Wood Industry, Chinese Academy of Forestry, Beijing 100091, China
4. College of Computer Science & Technology and Software, Guangxi University of Science and Technology, Liuzhou 545006, China
*Corresponding author
Abstract

Wood species can be classified according to the differences in spectral reflectance of different wood surfaces. To prevent wood corruption or cracking, glorify the appearance, and prolong the service time of wood products, wood surfaces often need to be coated with paints in the production practice of wooden furniture and handicrafts. The influence of paints on the spectral reflectance of wood surfaces will lead to the drift and transformation of spectral curves. The experimental results show that the classification model trained by the spectral reflectance of the original wood samples cannot be used to classify the painted wood. The drift and transformation of spectral curves of painted wood compared with original spectral curves without coated paints can be fitted by nonlinear models such as neural networks. To continue to use the classification model trained by the original wood dataset, we use a fully connected neural network to fit the relationship model between the original spectral reflectance and the coating spectral reflectance. Through this model and SVM classifier, the coating spectral reflectance is corrected to realize the classification of painted wood using the classification model trained by the original wood spectrum. We also use the convolutional neural network model to extract the convolutional features of spectral reflectance and add a hidden layer based on the relationship between the convolutional features of original spectral reflectance and coating spectral reflectance to modify the convolutional features of coating spectral reflectance and output the classification results through the output layer. To verify the effectiveness of the proposed scheme, we collect the near-infrared spectral reflectance (NIR: 950~1 650 nm) and visible/NIR spectral reflectance (VIS/NIR: 350~1 000 nm) of 20 wood species and compare the performances of the rectification models for 8 different paints in terms of the corrected spectra. Because of the experimental results, it can be concluded that the classification performance of NIR is better than that of VIS/NIR. The correction model based on the convolutional neural network can improve the NIR classification accuracy of the transparent wood surface to more than 70%. In contrast, the fully connected neural network can improve that to more than 80%, but neither model can correct non-transparent coatings on the wood surface. Regarding training speed and recognition efficiency, the correction model based on a convolutional neural network is better than that based on a fully connected neural network. In summary, the nonlinear relationship model between the original spectral reflectance and the coating spectral reflectance established by these two neural networks can correct the coating spectral reflectance with clear paints and then classify the painted wood directly by the classification model trained by the original spectral reflectance. The proposed scheme extends wood species classification from the original wood product to coating wood with clear paints with certain practical application significance and prospect.

Keyword: Wood species classification; Wood surface paints; Neural network; Spectral reflectance
引言

对木材树种进行识别分类在木材的质量评估、 可持续林业管理、 木材消费市场管理以及文化遗产保护等方面有着重要的意义[1]。 随着计算机技术的发展, 通过智能化手段按木材的属或种进行识别分类已经成为了可能。 目前, 主要可以通过木材的微观结构、 宏观结构、 化学性质以及Deoxyribonucleic Acid (DNA)检测等手段对木材树种做分类识别, 这些方法已经被学者们所验证。

光谱技术在宏观和微观的层面上[2]和机器学习有着十分紧密的联系[3]。 基于光谱分析的木材树种分类识别方法具有处理速度快、 分类精度高及无损检测等优点。 例如Pan等[4]使用近红外光谱反射率对5种同属木材进行了识别; 此外, 他们[5]充分考虑了木材表面的光谱反射率特征和Gray-level Co-occurrence Matrix(GLCM)纹理特征并成功对25种木材进行了分类识别。 Hao等[6]采用便携式近红外光谱仪结合化学计量学方法使用多种算法对20种木材进行了快速鉴别, 实验结果显示通过算法优化后可以100%对木材的种类进行分类识别。 Yu等[7]用工业摄像机采集木材样品图像并使用形态学算法对缺陷位置进行定位, 使用近红外光谱仪采集了这些位置的光谱, 对木材的缺陷进行了判断, 实验结果表明该方法是检测木材表面缺陷的可行工具之一。 Lazarescu等[8]设计了一种基于人工神经网络和偏最小二乘法的木材识别方法, 讨论了铁杉和冷杉两种木材分类识别的可行性, 并指出使用木材的NIR光谱可以实现木材树种分类识别。 Yang等[9]探究了使用NIR光谱判断木材产地的可能性, 实验结果显示利用该方法可以对木材的种类和产地进行判断。 Zhang等[10]测量了四种木材在0.1~0.9 THz频率范围内的太赫兹光谱差异, 并结合主成分分析进行这四种木材的分类识别。

在实际的木制家具及工艺品生产实践中, 为防止木材开裂、 虫蛀、 腐败, 美化木制品外表及延长木制品使用寿命, 通常会在木材表面涂抹涂饰。 木材涂饰可以分为透明涂饰和非透明涂饰, 透明涂饰可以在一定程度上保留原始木材的纹理特征和外观颜色, 因而经常用于木制品生产中。 非透明涂饰可以将木材表面的颜色改变为指定颜色, 因此常用于木制品美化装饰中。 木材表面涂抹透明涂饰后会一定程度上改变木材表面的色度、 光泽度和纹理参数[11, 12]。 如果直接使用原始木材光谱所训练的分类器模型对涂抹涂饰的木材进行分类处理显然是不可行的, 为此考虑使用以下两种方法。 第一、 将木材表面的涂饰去掉, 使用裸露的原始木材的相关光谱特征进行木材树种分类识别, 但是这种方法不仅繁琐而且无法做到木材的无损检测。 第二、 直接使用涂抹涂饰木材的光谱反射率进行分类处理, 但涂饰对木材树种分类精度有多大影响, 是否可以通过光谱校正方法来消除或者降低这种影响。 目前很少有学者讨论这一问题, 本文致力于研究解决这个问题。

神经网络可以很好地建立起两组数据之间的非线性关系。 如果能建立起原始木材和涂抹涂饰木材两者的光谱曲线非线性关系模型, 就可以使用该模型将涂饰木材光谱反射率校正为原始木材光谱反射率, 从而消除或者降低涂饰对木材光谱反射率的影响。 本文以20种木材和8种不同涂饰为研究对象, 讨论了使用原始木材光谱反射率训练学习得到的分类器对涂饰木材光谱反射率进行分类识别可行性, 并提出了基于全连接神经网络和基于卷积神经网络的涂饰木材光谱曲线校正及木材树种分类方法。

1 实验部分

使用美国Ocean公司生产的USB2000+(350~1 000 nm)和FLAME-NIR(950~1 650 nm)两种型号光谱仪采集了表1中20种木材样本横切面的光谱反射率。 表1中20种木材既包括阔叶木材也包括针叶木材, 同时也包含了同属木材中相似的不同树种。 将每种木材不规则的木板(每种木材包含20块, 均来自于不同的树木)切割成长宽高分别为2 cm× 2 cm× 3 cm的小木块, 2 cm× 2 cm的截面为木材的横切面, 2 cm× 3 cm的截面为木材的径切面或弦切面。 在采集木材表面光谱反射率时应注意温度和湿度等外界因素的影响, 本文采集条件为温度24 ℃, 湿度35rh%。

表1 木材树种的样本信息 Table 1 Information of experimental wood species samples

本文考虑8种常用的木材涂饰对光谱反射率的影响, 表2中给出了这8种涂饰的详细信息并注明了涂饰的主要成膜物质。 序号2和序号3都是木蜡油, 木蜡油以梓油、 亚麻油、 苏子油、 松油、 棕榈蜡、 植物树脂及天然色素融合而成, 不同厂家生产的木蜡油产品配料有一定的区别, 因此在本文实验中考虑了两个不同厂家生产的木蜡油产品。 序号1—7的涂饰均为透明涂饰, 而8号涂饰为棕色非透明涂饰。 为了充分让涂饰附着在木材表面之上, 在涂抹涂饰前还需要使用800~1 200不同数目的砂纸从小目到大目对木材横切面进行充分打磨, 并在涂饰完全干燥的基础上重刷第2遍, 以符合实际工艺需求。

表2 实验用涂饰产品的详细信息 Table 2 Details of paint products used in the experiment

图1中给出了使用两个光谱仪采集到的原始木材光谱和涂饰木材光谱示意图(以Amygdalus davidiana木材树种为例), 可以明显看出涂饰木材表面光谱反射率与原始木材表面光谱反射率差异较大, 同时不同涂饰对光谱的影响也是不同的。 8号涂饰(水性木器漆, 带颜色)为非透明涂饰, 光源发出的光线无法穿过涂饰获取到木材本身的光谱信息, 因此其光谱是涂饰本身的信息。 其余涂饰均为透明涂饰, 光源发出的光线可以穿过涂饰, 因此其光谱反映的是涂饰和木材共同的信息。

图1 原始木材和涂饰木材的光谱反射率
(a): 近红外光谱; (b): 可见光/近红外光谱Fig.1 Spectral reflectance of original wood and painted wood
(a): NIR(950~1 650 nm); (b): VIS/NIR(350~1 000 nm)

本文所讨论的是使用原始木材表面光谱反射率训练学习的分类器模型对涂饰木材分类识别可能性, 图2中给出了本文识别涂饰木材的总体流程图。 首先, 使用同一型号的光谱仪采集原始木材和同种涂饰木材表面的光谱反射率, 并将原始木材光谱反射率记为X, 涂饰木材光谱反射率记为X', X与X'将作为训练集参与到后面的训练过程。 另外采集一些涂饰木材光谱反射率并记为Y', Y'将作为测试集验证模型的分类性能。 为了消除部分外界因素对光谱反射率的影响, 利用standard normal variate (SNV)校正、 归一化处理和指数光谱平滑法对X、 X'及Y'进行预处理[13], 从而得到取值范围在0~1的标准光谱反射率。 然后, 使用support vector machine(SVM)或者convolutional neural networks(CNN)对X进行训练生成分类器模型。 该模型为原始木材光谱训练学习生成的分类器模型, 该模型将直接用于涂饰木材的分类识别。 再者, 使用预处理后的X和X'建立神经网络, 该神经网络建立起原始木材和涂饰木材光谱之间的函数关系, 可用于校正涂饰木材的光谱反射率。 最后, 使用训练学习生成的神经网络对Y'进行校正, 并将校正后的Y'送入第二步骤中的分类器模型中对其进行分类识别, 实现使用原始木材光谱训练学习的分类器模型对未知的涂饰木材进行分类识别的目的。

图2 涂饰木材树种光谱反射率的分类识别流程Fig.2 Recognition procedure based on spectral reflectance of painted wood species

神经网络经常被用于数据拟合的任务中, 从而建立起两组数据之间的函数关系[14]。 在上面第三步骤中, 使用以下两种方案建立表征原始木材和涂饰木材光谱关系的神经网络。 第一、 使用原始木材和涂饰木材光谱反射率建立全连接神经网络。 第二、 使用卷积神经网络在卷积特征层面建立起原始木材和涂饰木材光谱特征关系模型。

第一种方案全连接网络基本原理如下, 假设原始木材光谱反射率为X, 其矩阵大小为M× N, 其中M代表数据的维度, N代表数据的数量。 涂饰木材光谱反射率记为X', X'大小与X相同。 训练生成的全连接网络构建的是X与X'之间的函数关系, 训练好的全连接网络能够将涂饰木材光谱反射率校正为原始木材光谱反射率, 如图3所示。 可以看出, 全连接网络主要包括输入层、 隐藏层、 输出层三个部分。 输入层与输出层所对应的节点数量应与X和X'的数据维度保持一致。 隐藏层数量K可根据具体情况进行选择, 本文隐藏层数量选择在5~20之间, 较大的隐藏层数量虽然会提高神经网络的拟合效果, 但也会增加网络训练时间。 训练方法选用的是Levenberg-Marquard(LM)算法[15]。 将涂饰木材光谱反射率Y'(大小为M× N', 其中N'所代表的是样本数量)送入训练好的全连接网络中, 便可以得到校正后的光谱反射率Y。 最后使用原始光谱所训练产生的SVM分类器模型对校正后的涂饰木材光谱反射率Y进行分类, 便可以得到涂饰木材的分类识别结果。

图3 光谱反射率的全连接网络模型Fig.3 Shallow network model of spectral reflectance

第二种方案使用卷积神经网络建立校正模型, 它在卷积层提取特征基础上建立起原始木材光谱和涂饰木材光谱之间的对应关系, 设计原理参考了用于图像处理的卷积神经网络[16]。 图4中给出了基于卷积神经网络的涂饰木材分类识别的具体流程。 该卷积神经网络由2层卷积层、 2层池化层、 1层校正层、 1层全连接层以及1层输出层构成。 由于木材的光谱反射率是1维数据, 需要使用1维卷积核对其进行处理。 由于光谱向量维度不高, 卷积神经网络主要对光谱进行2次卷积和池化, 如果增加卷积层和池化层的数量将会导致卷积特征维度过小。 全连接层和输出层的参数由原始木材光谱反射率训练所得。 当处理原始木材光谱时, 只需将其送入全连接层和输出层(SoftMax层)便得到最终分类结果。 但是使用原始木材光谱训练的全连接层/输出层对涂饰木材进行分类识别结果并不理想。

图4 含有校正层的卷积神经网络模型Fig.4 Convolutional neural network model with a modification layer

为此本文设计了一个校正层, 以便校正涂饰木材光谱反射率所对应的卷积特征。 校正层前面的网络结构(指的是卷积和池化层)与原始卷积神经网络的结构保持一致, 其参数也完全相同。 在经过两次卷积和池化后, 利用图4中校正层建立起涂饰木材和原始木材光谱卷积特征的函数关系。 校正层的本质是一个涂饰木材光谱卷积特征到原始木材光谱卷积特征的映射函数。 由于光谱卷积特征维度要远远低于原始光谱向量特征维度, 因此该校正层的训练效率要远远高于第一种方案, 并且可以使用更多的隐藏层加强校正效果。

2 结果与讨论
2.1 原始木材光谱训练学习的分类器模型对涂饰木材树种分类识别

本文实验以表1中的20种树种和表2中的8种涂饰为研究对象, 这20种树种木材样本横切面图像参见图5。 本节使用原始木材光谱反射率进行训练, 产生分类器模型(SVM或CNN模型)。 为了证明光谱校正的必要性, 直接使用分类器模型对涂饰木材光谱进行分类识别, 以观察木材涂刷涂饰后的影响。 具体来说SVM分类器使用网格搜索法确定最佳参数c和g; CNN具体参数如下, 1维卷积核为[-2, 2, 1], 使用valid卷积(不使用padding操作), 池化层使用MaxPooling方法。 NIR原始光谱为128维, 第一层卷积后维度为126维, 池化步长设为1, 池化宽度设为4, 即池化后的结果为32维, 再次进行卷积和池化后最终的维度为8维。 全连接网络的参数使用反向传播算法训练得到。 为保证数据的统一性, 处理VIS/NIR光谱时使用等间隔抽样的方法将原始1 850维的光谱向量降维至128维, 然后再送入这两个分类器。 表3中给出了分类结果。

图5 20种木材树种样本的横切面图像
(图中序号与表1中序号指的是同一树种)Fig.5 The cross section images of 20 wood species samples
(The serial number in Figure 5 refers to same wood species as that in Table 1)

表3 使用原始木材光谱反射率训练的分类器模型对涂饰木材的分类结果 Table 3 Classification result of painted wood by a classifier model trained with the original spectral reflectance

表3中的“ 原始木材” 代表的是以交叉验证的方式获得的原始木材光谱分类正确率, 即随机从原始木材光谱中抽取70%的样本作为训练集, 抽取30%的样本作为测试集。 因神经网络每次训练后得到的模型所对应的分类正确率具有一定差异, 因此表3中的分类正确率是训练20次的平均分类正确率。 其余是使用原始木材光谱训练的模型直接用于涂饰木材光谱的分类识别结果。 从表3中可以看出使用原始木材光谱时, NIR光谱的分类正确率最高可达97.2%, VIS/NIR光谱的分类正确率最高可达88.8%。 但是, 使用原始木材光谱所训练出的分类器模型不能用于涂饰木材的分类识别, 8种涂饰木材分类正确率一般不高于15.0%, 这说明了一旦木材涂抹了涂饰后便无法再使用原始木材光谱的分类器进行处理。 从表3中还可以看出原始木材及涂饰木材的NIR光谱分类正确率一般要略高于VIS/NIR光谱。 这主要是因为木材表面涂饰、 木材表面自身颜色差异以及其他因素(例如木材含水率、 空气中放置时间)都有可能导致木材表面颜色发生较大的变化, 这会对VIS/NIR光谱造成一定影响。 而相应的NIR光谱受上述因素影响较小, 它主要反映的是被测物质内部的组成和结构信息。

2.2 基于全连接网络的光谱反射率校正及涂饰木材树种分类识别

全连接神经网络输入层和输出层与光谱的维度相等, NIR光谱和VIS/NIR光谱调整后维度为128维, 即输入层和输出层维度M=128。 另一方面, 隐藏层的数量与校正的效果相关, 本节将讨论隐藏层数量在11~15之间的识别结果。 图6中给出了使用全连接网络对光谱进行校正后, 使用原始木材光谱反射率训练的SVM分类识别的结果。

图6 应用全连接网络进行光谱校正后获取的木材树种分类精度
(a): 950~1 650 nm NIR; (b): 350~1 000 nm VIS/NIRFig.6 Wood species classification accuracy by use of full connection network
(a): 950~1 650 nm NIR; (b): 350~1 000 nm VIS/NIR

从图6中可以看出使用全连接网络可以对涂饰木材光谱进行校正, 除了非透明涂饰8以外, 其余透明涂饰所对应的分类正确率都有一定提升, 这说明了全连接网络对校正涂饰木材光谱反射率是有效的。 由于光线无法穿过非透明涂饰, 不同树种木材涂抹相同的非透明涂饰后其表面光谱反射率几乎相同, 其反映的是非透明涂饰的光谱反射率信息, 所以该方法不能对涂抹非透明涂饰的木材进行识别。 另一方面, 隐藏层数K与分类正确率之间并不存在线性关系, 不同K值对分类正确率的影响较大。 虽然隐藏层数的增加可以进一步提高拟合效果, 但光谱中所存在误差也会被拟合。 从图6中还可以看出NIR光谱校正效果要好于VIS/NIR光谱, 这主要是因为VIS/NIR光谱反射率对外界因素的影响较为敏感, 涂饰会更改木材表面的纹理和色度, 导致同种木材可见光光谱之间的差异增加。

表4中给出了每种涂饰所对应的最高分类正确率和所对应的隐藏层数量K。 可以看出, 涂饰1—7的NIR光谱反射率经过校正以后, 其分类正确率可以从10%~20%提高至80%~90%之间。 涂饰1—7的VIS/NIR光谱反射率经过校正后, 其分类正确率可以从10%以下提高至40%~52%之间。 这表明了透明涂饰的种类不是影响涂饰木材分类结果的主要因素。 两类光谱经过校正后其分类正确率和原始木材光谱的分类正确率比较仍有一定差距。 涂饰8经过校正后其分类正确率依旧低于15%。

表4 涂饰木材最高分类正确率所对应的隐藏层数量K Table 4 The hidden layer number K corresponding to the highest classification accuracy of painted wood

最后, 为了定量评价全连接网络涂饰木材光谱曲线校正效果, 使用了公式ei=‖ xi-yi‖ 2来表示校正误差。 其中, xi表示原始木材样本光谱向量(128维), yi是相应的涂饰木材样本校正后光谱向量, i=1, 2, …, 500。 将ei分布近似为正态分布, 计算其均值和标准差, 具体数据参见图7。 可以看出, 8号涂饰木材校正误差的平均值最大。

图7 全连接网络涂饰木材光谱曲线校正误差
(a): NIR波段; (b): VIS/NIR波段Fig.7 The correction errors of spectral curves of painted wood samples by using full connected network
(a): NIR band; (b): VIS/NIR band

2.3 基于卷积神经网络的光谱反射率校正及涂饰木材树种分类识别

首先将原始木材的光谱反射率送入至卷积神经网络之中训练学习, 得到能够识别木材种类的分类器模型。 其次还需要利用一种全连接网络建立起原始木材光谱的卷积特征和涂饰木材光谱的卷积特征之间的对应关系, 最后将未知的涂饰木材光谱反射率送入至如图4所示的神经网络之中, 得到最终的分类结果。 卷积核的大小、 池化宽度以及池化步长会影响卷积特征的维度, 设置池化步长为1。 表5中给出了两种卷积核情况下涂饰木材的识别结果和R, R所代表的是训练集样本中, 8维卷积特征向量校正前和校正后所对应的复相关系数。

表5 基于卷积神经网络校正的涂饰木材识别结果 Table 5 Recognition results of painted wood based on CNN rectification

对比表4和表5可以发现, 在NIR光谱的情况下使用卷积神经网络对涂饰木材光谱进行校正及识别的分类正确率要低于全连接网络, 涂饰1—7的分类正确率基本上位于70%~80%之间; 但是, 在VIS/NIR光谱的情况下使用卷积神经网络的分类正确率要高于全连接网络。 对于NIR光谱来说, 3维的卷积核所对应的分类效果要好于4维的卷积核; 对于VIS/NIR光谱来讲, 4维的卷积核所对应的分类效果更好。 对于上述现象, 其主要的原因是因为卷积特征主要提取的是局部光谱的特征, NIR光谱曲线要比VIS/NIR光谱曲线更加曲折, VIS/NIR光谱曲线呈现单调递增的特点。 使用3维卷积核可以更好地提取NIR光谱曲线的局部曲折特征; 而使用4维卷积核则更适合提取VIS/NIR光谱曲线的局部单调特征。

另外, 对于每种卷积核, 复相关系数R与分类正确率之间也存在着一定的关系, 针对涂饰1—7来讲, 通常情况下其R值越大, 神经网络校正模型训练效果越好。 当使用神经网络校正卷积特征时, 每次训练所产生的校正模型有一定的差异, 可以通过训练结束时产生的复相关系数R来决定是否使用该模型。

同样, 为了定量评价卷积神经网络涂饰木材光谱曲线的卷积特征校正效果, 也使用了公式ei=‖ xi-yi‖ 2来表示校正误差。 这里的xi和yi分别表示原始木材样本卷积特征向量和相应的涂饰木材样本校正后卷积特征向量(8维)。 将ei分布近似为正态分布, 计算其均值和标准差, 具体数据参见图8。

图8 卷积神经网络涂饰木材光谱曲线校正误差
(a): NIR波段; (b): VIS/NIR波段Fig.8 The correction errors of spectral curves of painted wood samples by using convolutional network
(a): NIR band; (b): VIS/NIR band

2.4 全连接网络与卷积神经网络的光谱校正对比

本文所使用的全连接网络进行光谱校正针对原始光谱数据, 而卷积神经网络的光谱校正是针对卷积核提取的卷积特征, 表6中给出了这两种光谱校正方法的对比信息。 表6中的原始木材光谱分类正确率中, 全连接网络所对应的是使用SVM分类器得到的结果。

表6 两种光谱校正模型的对比信息 Table 6 The comparative information of the two spectral rectification models

本文使用的计算机配置为, CPU: i7-12700F, 内存: 32GB, 显卡: NVIDIA GeForce RTX 2060 Super。 通过表6可以看出, 在原始木材光谱的情况下, 其分类结果几乎相同, SVM分类器的分类精度略好于CNN卷积神经网络。 全连接网络的训练所花费的时间要远远超过卷积神经网络, 这主要是因为全连接网络处理的数据维度为128维, 而卷积神经网络处理的数据维度为8维。 在使用NIR光谱的情况下, 使用全连接网络进行光谱校正及后续的木材树种分类识别要比卷积神经网络效果好一些; 这主要是由于NIR光谱曲线走势比较复杂, 全连接网络更适合校正走势复杂的曲线。 在使用VIS/NIR光谱的情况下, 卷积神经网络的光谱校正及分类效果要好于全连接网络, 这是由于VIS/NIR光谱曲线基本呈现单调上升, 走势比较简单。 另外, 即使是使用全连接网络进行NIR光谱校正, 其最高的分类精度为88.0%, 距离原始木材的NIR光谱分类精度还有一定的差距。 分析其原因, 我们认为最优化算法LM的目标函数Mean Squared Error (MSE)和复相关系数R考虑的只是光谱曲线的整体差异, 而没有重点考虑光谱曲线各点的走势(即一阶微分)差异。 实际上, 光谱曲线各点的微分包含了重要的可分性信息, 它对于分类识别有重要作用。 后期的研究工作中, 我们将考虑改进LM算法的目标函数, 增加光谱曲线微分约束, 期望获得更好的校正效果。

3 结论

以20种木材和8种涂饰为研究对象, 考虑使用全连接网络和卷积神经网络校正涂饰木材VIS/NIR和NIR光谱及进行木材树种分类识别可能性, 通过实验结果可以归纳总结出以下几个结论。 首先, 可以直接使用原始木材光谱训练学习的分类器对涂饰木材进行分类处理, 在使用NIR光谱的情况下, 全连接网络的光谱校正及分类识别效果要好于卷积神经网络; 在使用VIS/NIR光谱的情况下, 卷积神经网络的效果要好于全连接网络。 其次, 从总体的分类正确率上来看, 透明涂饰木材表面的NIR光谱要好于相应的VIS/NIR光谱。 这是由于NIR光谱主要反映木材内部的组成和结构特征, 受外界因素影响较小; 而VIS/NIR光谱中的可见光波段容易受到涂饰、 木材含水率及空气中放置时间等外界因素影响而发生一定的改变。 再者, 从数据拟合的时间效率上看, 卷积神经网络的拟合效率要好于全连接网络。 最后, 使用原始木材光谱所训练分类器模型只能对涂抹透明涂饰的木材进行识别, 不能对涂抹非透明涂饰的木材进行识别。 综上所述, 本文全面的讨论了针对涂饰木材光谱进行校正及分类识别的可行性, 为在木材表面涂抹涂饰后的分类识别任务提供了一种新思路, 具有一定的应用前景。

此外, 值得一提的是, 本文使用的两种型号的微型光谱仪是美国Ocean公司生产的早期产品, 它们测量被测物体表面光谱反射率时候, 只采用了镜面反射模式, 这种模式适合于非常光滑物体表面。 实际上, 漫反射存在于很多不光滑的物体表面。 后期, 我们准备升级改造光谱仪采集实验装置, 购买和安装该公司的升级产品配件反射探头以及反射探头支架。 将反射探头固定在支架的90° 入射角孔, 就可以测量镜面反射率; 如果固定在45° 入射角孔, 就可以测量漫反射率。 我们将在两种反射模式下进一步研究涂饰木材表面的光谱曲线校正以及后续的木材树种分类识别问题。

参考文献
[1] Timar M C, Gurǎu L, Porojan M. International Journal of Conservation Science, 2012, 3(1): 11. [本文引用:1]
[2] Wang T, Jiang T, Liu K, et al. PhotoniX 3, 11(2022). https://doi.org/10.1186/s43074-022-00058-0. [本文引用:1]
[3] Zhang X, Gao J, Gan Y, et al. PhotoniX 4, 10(2023). https://doi.org/10.1186/s43074-023-00087-3. [本文引用:1]
[4] Pan X, Li K, Chen Z, et al. Forests, 2021, 12(11): 1527. [本文引用:1]
[5] Pan X, Qiu J, Yang Z. Spectroscopy, 2022, 37(6): 16. [本文引用:1]
[6] Hao Y, Wang Q, Zhang S. Spectroscopy, 2021, 36(s12): 7. [本文引用:1]
[7] Yu H, Liang Y, Liang H, et al. Journal of Forestry Research, 2019, 30(6): 2379. [本文引用:1]
[8] Lazarescu C, Hart F, Pirouz Z, et al. International Wood Products Journal, 2017, 8(1): 32. [本文引用:1]
[9] Yang Z, Liu Y, Pang X, et al. BioResources, 2015, 10(4): 8505. [本文引用:1]
[10] Zhang M, Xie X, Zhang D, et al. Microwave and Optical Technology Letters, 2023, 65(5): 1117. [本文引用:1]
[11] YU Hai-peng, LIU Yi-xing, LUO Guang-hua(于海鹏, 刘一星, 罗光华). Journal of Building Materials(建筑材料学报), 2007, 10(4): 463. [本文引用:1]
[12] Geng J, Shi L, Ni J, et al. PhotoniX 3, 14(2022). https://doi.org/10.1186/s43074-022-00061-5. [本文引用:1]
[13] Jiao Y, Li Z, Chen X, et al. Journal of Chemometrics, 2020, 34(11): e3306. [本文引用:1]
[14] Tong Y, Yu L, Li S, et al. ASP Transactions on Pattern Recognition and Intelligent Systems, 2021, 1(1): 32. [本文引用:1]
[15] Wilamowski B M, Yu H. IEEE Transactions on Neural Networks, 2010, 21(6): 930. [本文引用:1]
[16] Lindsay G W. Journal of Cognitive Neuroscience, 2021, 33(10): 2017. [本文引用:1]