王學(xué)順 孫一丹 黃敏高 黃安民

(北京林業(yè)大學(xué)，北京,100083) (中國(guó)林業(yè)科學(xué)研究院木材工業(yè)研究所)

基于BP神經(jīng)網(wǎng)絡(luò)的木材近紅外光譜樹種識(shí)別1)

王學(xué)順 孫一丹 黃敏高 黃安民

(北京林業(yè)大學(xué)，北京,100083) (中國(guó)林業(yè)科學(xué)研究院木材工業(yè)研究所)

利用木材近紅外光譜數(shù)據(jù)建立反向傳播(BP)神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)木材樹種的分類識(shí)別。以桉木、楊樹、落葉松、馬尾松、樟子松5個(gè)樹種的296個(gè)樣本的近紅外光譜數(shù)據(jù)為研究對(duì)象，運(yùn)用主成分分析對(duì)光譜數(shù)據(jù)進(jìn)行降維，并以處理后的主成分?jǐn)?shù)據(jù)作為分類模型的輸入變量，分別建立了不同屬的桉樹和楊樹以及同屬的落葉松和樟子松的BP神經(jīng)網(wǎng)絡(luò)二分類模型；建立了桉木、楊樹、落葉松、馬尾松、樟子松5個(gè)樹種的BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型，并利用遺傳算法和粒子群算法對(duì)5樹種分類模型進(jìn)行優(yōu)化。結(jié)果顯示，對(duì)于不同屬木材，BP神經(jīng)網(wǎng)絡(luò)模型樹種識(shí)別率可達(dá)100%，對(duì)于同屬木材樹種識(shí)別率也可達(dá)85%以上；對(duì)所建立的5樹種識(shí)別模型，BP神經(jīng)網(wǎng)絡(luò)樹種識(shí)別率有所下降，但正確識(shí)別率也均可達(dá)到75%以上，經(jīng)過遺傳算法和粒子群算法對(duì)模型的優(yōu)化，木材樹種平均識(shí)別率可分別達(dá)到84%和87%以上，表明遺傳算法和粒子群算法可以有效提高木材樹種識(shí)別率。

近紅外光譜；木材樹種識(shí)別；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；粒子群算法

木材是天然的聚合物質(zhì)，其主要成分為纖維素、半纖維素和木質(zhì)素等。研究表明，近紅外光譜和纖維素、木質(zhì)素以及其他碳水化合物的含量都有很強(qiáng)的相關(guān)性，木材近紅外光譜含有大量的木材結(jié)構(gòu)方面的信息[1-2]。近年來，隨著計(jì)算機(jī)技術(shù)和化學(xué)計(jì)量學(xué)的發(fā)展，近紅外光譜技術(shù)逐漸應(yīng)用于木材科學(xué)領(lǐng)域，人們開始探索利用近紅外光譜分析技術(shù)進(jìn)行木材識(shí)別[3-4]。

近紅外光譜分析是一種間接的分析技術(shù)[5]，它通過建立校正模型實(shí)現(xiàn)對(duì)未知樣品的定性或定量的分析。與傳統(tǒng)的分析技術(shù)相比，近紅外光譜分析技術(shù)具有分析速度快、效率高、適用樣品范圍廣、成本低、操作簡(jiǎn)便等優(yōu)點(diǎn)，以其獨(dú)特的優(yōu)勢(shì)在食品、中草藥和農(nóng)產(chǎn)品快速鑒別中得到了成功的應(yīng)用[6-7]。

反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))[8]是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層3部分組成。由于BP神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)各層連接權(quán)值和各結(jié)點(diǎn)的閾值十分敏感[9]，常用遺傳算法[10-11]和粒子群算法[12-14]等智能優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以提高模型的學(xué)習(xí)能力。

遺傳算法[15]是一種借鑒生物界自然選擇和自然遺傳機(jī)制發(fā)展起來的隨機(jī)搜索算法，群體中的每個(gè)染色體即為問題的一個(gè)解，經(jīng)過若干代的進(jìn)化之后，算法收斂于最好的染色體，即為問題的最優(yōu)解。

粒子群算法[16]是1995年由Kennedy和Eberhart通過模擬鳥群覓食行為而提出的一種基于群體協(xié)作的全局搜索算法，與其他進(jìn)化算法一樣，也是基于“種群”和“進(jìn)化”的概念，通過個(gè)體間的協(xié)作與競(jìng)爭(zhēng)，實(shí)現(xiàn)復(fù)雜空間最優(yōu)解的搜索。PSO算法具有很好的生物學(xué)背景而易于理解、參數(shù)少而易于實(shí)現(xiàn)，對(duì)非線性、多峰值問題具有較強(qiáng)的全局搜索能力。

筆者以桉樹、楊樹、落葉松、馬尾松和樟子松5個(gè)樹種樣品的近紅外光譜數(shù)據(jù)為研究對(duì)象，建立BP神經(jīng)網(wǎng)絡(luò)樹種識(shí)別模型。首先利用主成分分析法對(duì)光譜數(shù)據(jù)進(jìn)行降維處理，作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，建立了桉樹和楊樹以及馬尾松和樟子松的二分類模型，建立了桉樹、楊樹、落葉松、馬尾松和樟子松5樹種分類識(shí)別模型，并利用遺傳算法和粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，以提高模型對(duì)木材樹種識(shí)別精度，為木材識(shí)別的研究提供一定的參考價(jià)值。

1 材料與方法

1.1 樣品來源

桉樹、楊樹、落葉松、馬尾松、樟子松5個(gè)樹種的296個(gè)樣品均來自于中國(guó)林業(yè)科學(xué)院木材工業(yè)研究所，其中桉樹64個(gè)、楊樹64個(gè)、落葉松64個(gè)、馬尾松62個(gè)、樟子松42個(gè)，它們?cè)谥参飳W(xué)中的分類如表1所示。

表1 樹種的分類

1.2 儀器設(shè)備與樣品制備

樣品制備。用直徑為12 mm的生長(zhǎng)錐在木材胸高處鉆取生長(zhǎng)錐木芯，取出生長(zhǎng)錐后立即用保鮮膜密封，在盡可能短的時(shí)間內(nèi)放到冰箱冷凍保存，防止其水分流失。繼而立即到加工中心加工成5 mm厚的試樣，裝入自封口保鮮袋保存，并在盡可能短的時(shí)間內(nèi)采集近紅外光譜。

儀器設(shè)備。實(shí)驗(yàn)室的光譜采集設(shè)備為美國(guó)分析光譜儀器公司(Analytical Spectral Devices,Inc.)提供的Field Spec近紅外光譜儀，原始的光譜數(shù)據(jù)每一個(gè)的波長(zhǎng)點(diǎn)數(shù)為2 151，波長(zhǎng)范圍：350～2 500 nm，實(shí)驗(yàn)室的溫度為(22±1.5)℃，濕度為(50±3)%。光譜分析軟件為The Unscrambler9.7，軟件的運(yùn)行平臺(tái)為Windows 7(32位)。

樣品經(jīng)過光纖探頭采集，30次/s掃描并自動(dòng)平均為一條光譜，將得到的近紅外光譜經(jīng)ASD提供的專業(yè)軟件轉(zhuǎn)換成Unscrambler R文件后保存起來。

1.3 數(shù)據(jù)預(yù)處理與建模

利用MATLAB(R2013a)對(duì)木材樣品近紅外光譜數(shù)據(jù)進(jìn)行降維處理、神經(jīng)網(wǎng)絡(luò)訓(xùn)練以及神經(jīng)網(wǎng)絡(luò)優(yōu)化。首先采用主成分分析法來對(duì)數(shù)據(jù)進(jìn)行降維處理，通過主成分分析將每個(gè)樣品光譜數(shù)據(jù)從2 151個(gè)降維到3個(gè)主成分，其貢獻(xiàn)率大于98%。

以原始光譜降維后的主成分作為神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，并對(duì)樹種數(shù)據(jù)的不同類別用1、2、3…進(jìn)行編號(hào)。期望輸出使用單位矩陣編碼，樣本種類依次對(duì)應(yīng)單位矩陣的一個(gè)1，這樣使得每種樣本的期望輸出在空間中相互正交且均勻分布(例如標(biāo)示類為3時(shí)，期望輸出向量就是[0 0 1 0 0])。

考慮到單隱含層已經(jīng)可以滿足分類精度的需要，本研究建立的BP神經(jīng)網(wǎng)絡(luò)模型均為單隱含層，隱含層傳輸函數(shù)為對(duì)數(shù)Sigmoid函數(shù)，輸出函數(shù)為線性函數(shù)。神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)即為主成分?jǐn)?shù)，輸出層節(jié)點(diǎn)數(shù)為所要分類的類別數(shù)。在數(shù)據(jù)輸入后，設(shè)定程序?qū)λ袛?shù)據(jù)進(jìn)行隨機(jī)排列，選取排列在前2/3的數(shù)據(jù)作為訓(xùn)練集構(gòu)造神經(jīng)網(wǎng)絡(luò)，后面的1/3作為測(cè)試集來分析預(yù)測(cè)的準(zhǔn)確性。

2 結(jié)果與分析

2.1 基于BP神經(jīng)網(wǎng)絡(luò)的樹種二分類模型

選取不同屬的桉樹和楊樹以及同屬不同種的馬尾松和樟子松分別建立BP神經(jīng)網(wǎng)絡(luò)二分類模型。在這個(gè)模型的實(shí)驗(yàn)中，統(tǒng)一設(shè)置BP神經(jīng)網(wǎng)絡(luò)模型隱含層節(jié)點(diǎn)數(shù)設(shè)定為1，訓(xùn)練次數(shù)設(shè)定為10次，訓(xùn)練目標(biāo)為誤差小于10-10。

2.1.1 不同屬(桉樹和楊樹)樹種的二分類模型

選取桉樹和楊樹各64個(gè)共128個(gè)樣品的近紅外光譜數(shù)據(jù)，隨機(jī)選取40個(gè)桉樹和40個(gè)楊樹的光譜數(shù)據(jù)用The Unscrambler軟件作出它們的光譜圖，如圖1所示?？梢钥闯鲨駱浜蜅顦涞墓庾V差異明顯，通過計(jì)算得到桉樹和楊樹樣品的相關(guān)系數(shù)為0.793 876。

將桉樹和楊樹128個(gè)數(shù)據(jù)中隨機(jī)選取86個(gè)數(shù)據(jù)作為訓(xùn)練集，余下42個(gè)數(shù)據(jù)為測(cè)試集建立BP神經(jīng)網(wǎng)絡(luò)分類模型，連續(xù)運(yùn)行5次，結(jié)果見表2。

表2 桉樹和楊樹的分類結(jié)果

實(shí)驗(yàn)表明，樹種差異較大的桉樹和楊樹樣品，通過BP神經(jīng)網(wǎng)絡(luò)模型能夠很輕易地分辨出來，樹種識(shí)別率可達(dá)100%。

2.1.2 同屬不同種(樟子松和馬尾松)的樹種二分類模型

選取樟子松和馬尾松各52個(gè)共104個(gè)樣品的近紅外光譜數(shù)據(jù)，各隨機(jī)選取40個(gè)光譜數(shù)據(jù)用The Unscrambler軟件作出它們的光譜圖，如圖2所示?？梢钥闯稣磷铀珊婉R尾松的光譜十分相近，計(jì)算得到樟子松和馬尾松的相關(guān)系數(shù)為0.985 816。作為同科同屬的兩種松樹，已很難憑借光譜圖進(jìn)行樹種識(shí)別。

圖1 40個(gè)桉樹和40個(gè)楊樹樣品的近紅外光譜圖

圖2 40個(gè)馬尾松和40個(gè)樟子松樣品的近紅外光譜圖

從馬尾松和樟子松104個(gè)數(shù)據(jù)中隨機(jī)選取68個(gè)數(shù)據(jù)作為訓(xùn)練集，余下36個(gè)數(shù)據(jù)為測(cè)試集，用與上述實(shí)驗(yàn)相同的模型進(jìn)行訓(xùn)練，連續(xù)運(yùn)行5次，結(jié)果見表3。

表3 落葉松和馬尾松分類結(jié)果

實(shí)驗(yàn)表明，BP神經(jīng)網(wǎng)絡(luò)能有效識(shí)別相關(guān)程度很高的樹種，有效識(shí)別率均能達(dá)到85%以上。但結(jié)果也顯示，相同的實(shí)驗(yàn)?zāi)Ｐ蛯?duì)這兩種差異很小的樹種的識(shí)別率有所下降。由此可以得出結(jié)論：在相同的神經(jīng)網(wǎng)絡(luò)條件下，樹種越相近，分辨難度就越大。

2.2 BP神經(jīng)網(wǎng)絡(luò)的5樹種分類模型

利用桉樹、落葉松、馬尾松、楊樹、樟子松樣品的近紅外光譜數(shù)據(jù)，建立BP神經(jīng)網(wǎng)絡(luò)多樹種識(shí)別模型，并利用遺傳算法和粒子群算法對(duì)模型進(jìn)行優(yōu)化，提高模型識(shí)別率。

2.2.1 基于BP神經(jīng)網(wǎng)絡(luò)的5樹種分類模型

選取桉樹、落葉松、馬尾松、楊樹、樟子松的296個(gè)樣本數(shù)據(jù)，隨機(jī)選取樣品總數(shù)的2/3數(shù)據(jù)作為訓(xùn)練集，余下1/3數(shù)據(jù)作為測(cè)試集，設(shè)定BP神經(jīng)網(wǎng)絡(luò)模型所用的隱含層節(jié)點(diǎn)數(shù)為7個(gè)，訓(xùn)練次數(shù)為150次，重復(fù)10次運(yùn)行的正確率如表4所示。

表4 BP神經(jīng)網(wǎng)絡(luò)的5樹種分類結(jié)果

結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)模型對(duì)5個(gè)樹種的分類效果較好，桉樹與楊樹的判別準(zhǔn)確率均為100%，落葉松為98.471%；而在同屬的樟子松與馬尾松之間識(shí)別率有所降低，其中馬尾松準(zhǔn)確率達(dá)到96.644%，樟子松平均識(shí)別準(zhǔn)確率為75.048%。實(shí)驗(yàn)結(jié)果中除了樟子松的識(shí)別率偶爾低于70%之外，總體上來講，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)樹種分類的結(jié)果是不錯(cuò)的。

2.2.2 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)5樹種分類模型

利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，從而使得神經(jīng)網(wǎng)絡(luò)在運(yùn)算時(shí)能夠得到更好的權(quán)值與閾值，以提高木材樹種的識(shí)別率。用與2.2.1實(shí)驗(yàn)相同的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，遺傳算法迭代次數(shù)為150次，設(shè)置種群規(guī)模為20，進(jìn)化代數(shù)為80代，交叉概率為0.3，變異概率為0.2，選擇操作采用輪盤賭法。重復(fù)10次運(yùn)行的正確率見表5。結(jié)果表明，遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)樹種分類效果變得更好，桉樹、楊樹判別準(zhǔn)確率仍為100%，除馬尾松的判別準(zhǔn)確率略有下降外，落葉松和樟子松的識(shí)別率都有所提高，特別是樟子松的識(shí)別率從75.048%提高到84.722%，識(shí)別率有較大提高。

表5 遺傳算法優(yōu)化的5樹種分類結(jié)果

2.2.3 基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)5樹種分類模型

利用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，以提高模型識(shí)別率。粒子群算法選擇迭代次數(shù)為150次，設(shè)置種群規(guī)模為20，進(jìn)化代數(shù)為80代。表6為粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型重復(fù)10次的正確識(shí)別率。結(jié)果表明，粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)后5種木材的分類準(zhǔn)確率進(jìn)一步提高，桉樹、楊樹判別準(zhǔn)確率仍為100%，雖然馬尾松的判別準(zhǔn)確率有所下降，但落葉松判別準(zhǔn)確率達(dá)到100%，樟子松的判別準(zhǔn)確率從75.048%提高到87.058%，表明粒子群算法可以有效提高BP神經(jīng)網(wǎng)絡(luò)模型對(duì)木材樹種的識(shí)別率。

表6 粒子群算法優(yōu)化的5樹種分類實(shí)驗(yàn)結(jié)果

3 結(jié)論

利用BP神經(jīng)網(wǎng)絡(luò)結(jié)合近紅外光譜用于桉樹、落葉松、馬尾松、楊樹、樟子松5種木材的識(shí)別研究。建立了不同屬的桉樹和楊樹以及同屬的馬尾松與樟子松的BP神經(jīng)網(wǎng)絡(luò)二分類模型，分類準(zhǔn)確率平均達(dá)到90%以上，表明BP神經(jīng)網(wǎng)絡(luò)對(duì)兩樹種木材樣品具有較高的識(shí)別率；建立了桉樹、楊樹、落葉松、馬尾松、樟子松5個(gè)樹種的BP神經(jīng)網(wǎng)絡(luò)多分類模型，模型平均正確識(shí)別率為75%，表明BP神經(jīng)網(wǎng)絡(luò)模型對(duì)多樹種木材樣品也具有較好的識(shí)別率。結(jié)果顯示，當(dāng)BP神經(jīng)網(wǎng)絡(luò)輸出種類(即分類總數(shù))增多時(shí)，樹種的辨別難度就會(huì)增大，識(shí)別率將會(huì)降低；分別利用遺傳算法和粒子群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型權(quán)值和閾值進(jìn)行優(yōu)化，優(yōu)化后的5樹種判別準(zhǔn)確率分別達(dá)到84%和87%以上，表明智能優(yōu)化算法可以有效提高模型的識(shí)別準(zhǔn)確率，在木材樹種識(shí)別的應(yīng)用中具有一定的研究?jī)r(jià)值。

[1] 王學(xué)順.近紅外光譜信息提取及其在木材材性分析中的應(yīng)用研究[D]．哈爾濱：東北林業(yè)大學(xué)，2010.

[2] 黃安民，江澤慧，李改云．杉木綜纖維素和木質(zhì)素的近紅外光譜法測(cè)定[J]．光譜學(xué)與光譜分析，2007，27(7):1328-1331.

[3] 崔宏輝，房桂干，梁龍，等.基于近紅外光譜快速鑒別木材種類的研究[J].現(xiàn)代化工,2015,35(2):169-171.

[4] 楊忠，呂斌，黃安民等．近紅外光譜技術(shù)快速識(shí)別針葉材和闊葉材的研究[J]．光譜學(xué)與光譜分析，2012，32(7):1785-1789．

[5] 嚴(yán)衍祿．近紅外光譜分析基礎(chǔ)與應(yīng)用[M]．北京：中國(guó)輕工業(yè)出版社,2005．

[6] 秦華?。t外光譜分析技術(shù)在食品、飼料中的應(yīng)用研究[D]．南昌：南昌大學(xué)，2007．

[7] 韓瑩，畢福均，侯惠嬋，等．近紅外光譜法鑒別何首烏真?zhèn)蔚膽?yīng)用研究[J]．中國(guó)中藥雜志，2014，39(22):4394-4398．

[8] Tang Jun， Wu Lei， Huang Helang， et al. Back propagation artificial neural network for community Alzheimer’s disease screening in China[J]. Neural Regeneration Research,2013,8(3)：270-276.

[9] 呂硯山，趙正琦．BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化及應(yīng)用研究[J]．北京化工大學(xué)學(xué)報(bào)，2001，28(1):67-69．

[10] 劉偉偉.基于遺傳算法的前饋神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D]．蘭州:西北民族大學(xué)，2011．

[11] Guangying Chen， Kaiyun Fu， Zhiwu Liang， et al. The genetic algorithm based back propagation neural network for MMP prediction in CO2-EOR process[J]. Fuel,2014,126(9):202-212.

[12] 董卓莉．基于粒子群優(yōu)化的倉(cāng)蟲分類識(shí)別技術(shù)研究[J]．計(jì)算機(jī)應(yīng)用與軟件，2010，27(1):228-230．

[13] 譚明交，張紅梅．粒子群優(yōu)化算法及其在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[J]．計(jì)算機(jī)與信息技術(shù)，2008(7):6-8．

[14] 高海兵，高亮，周馳，等．基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究[J]．電子學(xué)報(bào)，2004，32(9):1572-1574．

[15] 王小平，曹立明．遺傳算法：理論、應(yīng)用與軟件實(shí)現(xiàn)[M]．西安：西安交通大學(xué)出版社，2002．

[16] 潘峰，李位星，高琪．粒子群優(yōu)化算法與多目標(biāo)優(yōu)化[M]．北京：北京理工大學(xué)出版社，2013．

Back Propagation Artificial Neural Network Combined with Near Infrared Spectroscopy for Timber Recognition//

Wang Xueshun, Sun Yidan, Huang Mingao

(Beijing Forestry University, Beijing 100083, P. R. China); Huang Anmin(Research Institute of Forestry, Chinese Academy of Forestry)//Journal of Northeast Forestry University，2015,43(12)：82-85,89.

We established the back propagation (BP) neural network model for timber recognition with the data of wood near infrared spectrum. We selected 296 spectral samples ofEucalyptuswood, poplar, larch,Pinusmassoniana, andMongolicaas the research object, and the principal components as input variables of classification model after the data dimension reduction by principal component analysis. Then we established the BP neural network classification model of two tree species between eucalyptus and poplar, larch and mongolica respectively, as well as the BP neural network recognition model of five tree species which was optimized by genetic algorithm and particle swarm algorithm methods. For different wood, the recognition rate of BP neural network model for different general wood could reach 100%, and still reach more than 85% for congeneric wood. For five tree species identification model, the recognition rate of BP neural network dropped to 75% above, while timber species average recognition rates were above 84% and 87%, respectively, through the optimization model by genetic algorithm and particle swarm algorithm, Both genetic algorithm and particle swarm algorithm could improve timber species recognition rate effectively.

Near infrared spectrum； Timber species recognition； BP neural network； Genetic algorithm； Particle swarm optimization

1)國(guó)家自然科學(xué)基金(31270591)。

王學(xué)順，男，1959年12月生，北京林業(yè)大學(xué)理學(xué)院數(shù)學(xué)系，教授。E-mail：wangxueshun@bjfu.edu.cn 。

黃安民，中國(guó)林業(yè)科學(xué)研究院木材工業(yè)研究所，副研究員。E-mail：hbham2000@sina.com。

2015年4月13日。

O29

責(zé)任編輯：戴芳天。