基于BiPLS-SPA优选近红外光谱的木材基本密度预测——以柞木为例

以柞木为研究对象,以900~1 700 nm的近红外光谱仪获取木材表面近红外光谱数据,对89个柞木样本进行检测,其中58个组成校正集,31个为预测集。首先,采集样本径切面光谱数据,并利用SG平滑对光谱数据进行预处理;然后,利用反向区间偏最小二乘（Bi PLS）选出均方根误差最小的波长区间组合;再利用连续投影算法（SPA）进一步选择出波长特征;最后,以优选出的波长特征作为输入,建立偏最小二乘法回归模型,确定出木材基本密度与近红外光谱之间的联系。Bi PLS算法将光谱划分区间划分为10时,均方根误差最小,其最佳区间组合为[3 5 6 7 9],变量个数由全光谱117个降至59个;应用SPA算法二次降维,变量个数降至6个,降低变量信息的冗余,减少了变量个数,提高了建模的速度和效率。Bi PLS-SPA模型较PLS、i PLS、Bi PLS、SPA-PLS具有更高的相关系数,更小的均方根误差,柞木基本密度预测相关系数为0.925,预测均方根误差为0.010 4,相对分析误差为2.83。

应用Harris角点检测进行图像拼接的超长板材尺寸测量方法

选择约700 mm(长)×200 mm(宽)的10块柞木板材为研究对象;用相机进行标定得到相机内部参数、外部参数,对采集的板材图像进行镜头畸变修正;对图像进行高斯平滑处理后,采用Harris角点检测方法对采集的先后两帧图像进行图像拼接;采用边缘检测得到板材完整的边界信息,通过建立空间坐标系与像素坐标系的转换关系完成板材尺寸计算。结果表明:相机标定与畸变补偿,提高了测量的精度由5 mm至1 mm;图像拼接方法,解决了长尺寸板材机器视觉测量困难的问题;采用Sobel算子边缘检测方法,能够准确保留边缘信息,速度快、计算简单;测量结果最大标准差为0.582 mm,测量精度小于1 mm。

应用近红外光谱和小波网络构建的木材基本密度预测模型

以柞木为研究对象,将120个样本以2∶1的比例分为校正集和预测集,80个校正集,40个预测集;使用900~1 700 nm的近红外光谱仪,获取样本径切面的近红外光谱数据;采用蒙特卡洛采样法剔除奇异样本,采用多元散射校正和S-G平滑对光谱数据进行预处理,消除光谱漂移、表面散射和噪声的影响;通过Bi PLS-SPA算法对特征波长进行提取,构建小波神经网络模型,预测柞木基本密度;将建模方法与常用的偏最小二乘(PLS)和BP神经网络进行了对比,验证小波网络的有效性。结果表明:小波神经网络对预测集样本验证结果更好,相关系数为0.968,预测均方根误差为0.014 4。

KF光谱优选的木材抗弯强度预测方法

木材抗弯强度是评价木材力学性质的重要指标,其快速准确预测具有工程应用价值和科学意义。重点研究了使用近红外光谱分析光谱特征优选的卡尔曼滤波(KF)方法进行PLS建模,完成木材抗弯强度的预测。试验用126个蒙古栎无疵试样,依据国家标准《木材物理力学性质试验方法》测量抗弯强度得到力学真值;在900~1 700nm波段进行近红外光谱采集,一阶导数与S-G卷积结合进行光谱预处理;然后,将光谱及抗弯力学样本视为动态系统,光谱冗余波长视为噪声信号,通过KF迭代得到系数矩阵和标准方差,并运用二者比值实现特征优选;最后建立蒙古栎的偏最小二乘(PLS)抗弯强度近红外模型。结果表明,经过KF优选后,光谱变量数由117减小到18个,预测模型的相关系数r=0.81、预测误差均方根RMSEP=6.59;为了进一步验证方法有效性,与无信息变量消除法(UVE)、连续投影方法(SPA)特征选择方法进行了对比,KF特征优选后的预测相关系数r分别提高了0.05和0.16,预测误差均方根RMSEP降低了2.33和7.66,采用KF特征选择建立的模型预测结果最佳。KF作为特征方法可有效选择近红外光谱特征波长,降低模型维度,提高模型的适用性与准确性。

落叶松抗弯弹性模量的细观尺度建模方法

针对木材的非匀质、各向异性特点,从木材细观结构出发,应用数字图像处理技术在板材上顺序采集、提取生长轮早晚材细胞数据,完成各层生长轮弹性模量计算,结合板材截面图像构建出落叶松试件三维层合材料模型,并通过有限元预测其抗弯弹性模量。首先,应用高倍光学显微镜采集试件截面细胞图像,分别测定试件截面中各个生长轮内胞壁率、胞壁厚、径向宽度、切向宽度等参数;根据预测模型,以密度为单一变量,推导出各层早晚材的弹性模量;将试件按早材、晚材依次叠加的层合材料处理,并利用试件截面图像的早晚材分布信息构建试件三维层合材料模型,利用UG软件建立试件的三维模型,在有限元软件中施加载荷预测木材抗弯弹性模量。按照木材抗弯弹性模量的《GB1936—1980》国家测试标准,加工、测量了10组试件的抗弯弹性模量真值,分别运用本方法和匀质材料预测方法对试件的抗弯弹性模量进行了预测,平均误差分别为5.7%和17.3%。实验结果表明,该方法较匀质材料预测方法更为准确。

基于纤维角预测的针叶材抗压弹性模量建模方法

【目的】针叶材的管胞不仅具有输导养分的作用,而且具有较强的支撑能力,其管胞分布状态影响着木材力学特性。探究管胞分布状态与木材力学特征的内部关系对实现木材抗压弹性模量的预测有重要意义。【方法】本研究从针叶材管胞效应入手,设计了一套集光源发射、光斑采集与分析、木材遍历为一体的纤维角检测平台,构建了木材纤维角分布与其抗压弹性模量的数值关系模型。首先,利用最小二乘法拟合投射在木材表面激光光斑的椭圆轮廓,完成纤维角测量;然后,通过分析纤维角测量误差,选用系数为20的均值滤波方法以提高纤维角测量精度;通过对木材遍历采样,完成纤维角分布的采集;最后,以木材两个面上纤维角分布的均值、潜入系数与标准差为输入,以试样的抗压弹性模量为输出,构建了6输入1输出的4层神经网络,完成抗压弹性模量的预测。按照GB/T15777—1995《木材顺纹抗压弹性模量测定方法》加工了落叶松试样100个,应用检测平台采集了相应试件的纤维角分布后,采用力学试验机得到对应力学真值,按照3∶1的比例划分训练样本与测试样本。【结果】平均滤波次数选取20时,该设备纤维角采集测量误差达到0.65°以下;分别构建了以双面纤维角分布特征、单面纤维角分布特征以及双面纤维角分布特征均值为输入,抗压弹性模量为输出的网络预测模型。实验比较发现:以双面纤维角分布特征为变量的网络模型预测精度上优于其他两组,此时网络预测的抗压弹性模量准确率达到90.80%。【结论】应用纤维角分布特征可以实现针叶材抗压弹性模量的有效预测。最小二乘拟合与均值滤波法的结合可以有效、准确地表达纤维角的特征信息。纤维角的均值、潜入系数与标准差可以有效描述纤维角的分布特征。在构建木材抗压弹性模量时,木材双面的纤维角分布特征对其抗压弹性模量预测精度最高。

高铁车站站城融合发展演变的研究与实践

随着我国城市化以及高铁建设的加速发展,高铁车站"站城融合"设计理念越来越受到重视,成为近几年来高铁车站与城市空间和谐发展的重要话题。文章从实践出发对我国站城融合发展的进程进行阐述,举例分析了我国站城融合的设计案例,并针对过程中出现的问题进行思考与改进,提出了提高铁路规划与城市规划、完善安检技术与制度、重视慢行系统、注重业态策划、加强路地之间配合、发掘枢纽潜力、激活市场活力的具体建议。