基于图像纹理特征的木材树种识别

利用木材图像的颜色、灰度、纹理等内容实现树种的相似性匹配检索,提取色调、饱和度、亮度、对比度、二阶角矩、方差和、长行程加重因子、分形维数、小波水平能量比重共9个特征参数,依据最大相似性数学原理,基于最小差值参数判别法和综合特征阈值法来检索样本。结果显示:基于图像纹理特征能够实现木材树种的检索和识别,综合特征阈值法的检索正确率与唯一性通常要好于最小差值判别法;但当被检索样本图像的纹理较弱或不呈现纹理特征时,检索结果的唯一性并不理想。综合而言,基于图像纹理特征最大相似性的木材树种检索识别较易实现,是一种值得继续发展和应用推广的木材树种识别方法。

人工神经网络结合近红外光谱用于木材树种识别

测量了不同产地及品种的89个木材样品的近红外光谱,并分别使用反向传播人工神经网络(backpropagation artificial neural networks,BPANN)与广义回归神经网络(generalized regression neural network,GRNN)建立了NIRS树种识别模型。通过方差分析分别选择两种神经网络所用参数,并采用最优参数进行网络训练。考虑到样品光谱的差异,对含不同水平白噪声与不同水平偏置的光谱进行模拟,并使用建立的模型对模拟光谱进行预测。发现两种神经网络模型均有较好的预测结果,其中BPANN模型,对含偏置水平不高于2%、噪声水平不高于4%的模拟光谱识别正确率在97%以上;GRNN模型,对含偏置水平不高于2%、噪声水平不高于4%的模拟光谱识别正确率在99%以上。

基于DNA的木材树种识别研究进展

从木材识别的角度,对木材DNA提取方法(CTAB、SDS、PTB、DNeasy Plant Mini Kit等)和DNA条形码及DNA指纹图谱等基于DNA的木材树种识别方法进行了综合评述。其中,针对DNA条形码方法,重点阐述了基因组DNA中可用的特征序列来源叶绿体基因(chloroplast DNA,cpDNA)rbcL、matK、trnH-psbA间隔区序列,核糖体基因(ribosomal DNA,rDNA)ITS序列,以及变异位点的识别和系统进化树的应用等问题;针对DNA指纹图谱方法,重点阐述了(RAPD、ISSR、SSR、SNP)4种DNA分子标记方法在DNA指纹图谱中的研究和应用现状。笔者认为,以DNA特征序列为依据的木材树种识别理论上虽然是可行的,但要应用于实际还需开展更多的研究。

木材树种识别技术现状、发展与展望

介绍了木材树种宏观及其与微观特征结合的识别技术、木材识别特征的术语和定义、木材识别辅助工具和软件以及命名依据;阐述了DNA标记、稳定同位素、近红外光谱分析等木材树种识别新技术的发展,及对木材树种和产地鉴定的应用前景。

CITES公约木材树种管制及我国进口濒危木材贸易现状

介绍了第15—17届CITES公约缔约方大会关于木材树种的管制情况,根据我国濒危物种进出口管理统计数据,重点分析了2013—2015年(第16—17届CITES大会之间)我国进口濒危木材树种贸易状况,并提出针对CITES公约附录管制木材树种变化的应对建议。

支持向量机复合核函数的高光谱显微成像木材树种分类

采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外(372.53~1038.57 nm)波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域(ROI)的平均光谱,分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机(SVM)分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵(GLCM)的木材纹理特征。在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.1667%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.3330%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.1667%,运行时间为0.2547 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.3333%和92.6100%,运行时间分别为0.1800和0.2602 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。

基于I-BGLAM纹理和光谱融合的高光谱显微成像木材树种分类

为了提高木材树种分类的正确率,提出了一种基于I-BGLAM纹理特征和光谱特征融合的高光谱图像的木材树种分类方法。实验数据是利用SOC710VP高光谱成像仪获取的可见光/近红外(372.53~1038.57 nm)范围内的高光谱图像。首先,利用基于OIF的特征波段选择方法降低高光谱图像的维数,选择出含有信息量大的波段。其次,对选择出的波段图像使用NSCT及NSCT逆变换得到融合图像,对得到的融合图像使用I-BGLAM提取其纹理特征。与此同时,对高光谱图像的全波段求取平均光谱并进行S-G(Savitzky-Golay)平滑得到光谱特征。最后,将得到的纹理特征和光谱特征融合后送进极限学习机(ELM)中进行分类。此外,还和基于灰度共生矩阵(GLCM)的木材识别的传统方法以及近几年木材树种识别领域内被提出的主流方法进行了比较。该研究主要创新点有两个:一是将强纹理提取器I-BGLAM用于高光谱图像中提取其纹理特征;二是提出一种新的特征融合的模型用于高光谱图像的分类。针对8个树种的实验结果表明,单独使用I-BGLAM提取的纹理特征来进行分类的正确率最高可到达88.54%,而使用GLCM提取纹理特征的传统方法正确率最高只有76.04%,该结果可以得出本文使用I-BGLAM在纹理特征提取方面要优于GLCM,这为后面建立的融合模型打下很好的基础,单独使用平均光谱特征来分类的正确率最高可以达到92.71%,使用所提出的特征融合方法所得到的分类正确率最高可达到100%,这说明使用所提出的融合模型来分类要比以前单独使用某一种特征的分类模型要好。此外,使用所提出的方法得到的分类正确率要高于本领域内其他两种主流的识别方法。因此,所提出的基于I-BGLAM纹理特征和光谱特征融合的方法能够提高木材树种分类的正确率,该方法在木材树种分类方面有着一定的利用价值。

可见光/近红外光谱分析的木材树种与密度同时预测

光谱分析已经在木材特性参数(例如木材树种、气干密度、强度、含水率、表面粗糙度等)检测中得到应用,但是,现有的木材检测研究都只是针对上述某一项参数做数学建模和预测。如果需要检测木材多项参数,那么需要进行多次建模,并且每次建模预测时使用的数学模型类型(例如神经网络的类型)和内部结构参数一般各不相同。为了提高木材质量检测效率,提出了一种基于可见光/近红外光谱的木材树种和密度同时预测方法,它只需要一次建模和预测就可以实现这两项参数的同时输出。对东北5种常见木材(杨木、桦木、樟子松、白松和落叶松)进行检测,首先,采用K/S算法划分样本集,保证了训练集和预测集具有一定的代表性。然后,使用主成分分析和小波变换两种光谱降维方法,分别与BP神经网络和偏最小二乘支持向量机相结合建立了4种木材树种和密度同时预测模型和预测精度对比。采用美国海洋公司的Ocean OpticsUSB2000-VIS-NIR微型光纤光谱仪采集样本的可见光/近红外光谱并进行预测处理,光谱范围为350~1 100nm。结果表明,这四种模型都可实现对木材树种和密度的同时预测,其中小波变换降维方法结合偏最小二乘支持向量机所建立的模型预测效果相对较好,树种正确识别率为100%,训练集密度的R为0.973 4,预测集密度的R为0.940 8,训练集密度的RMSE为0.026 13,预测集密度的RMSE为0.038 46,它为同时对木材多项特性参数进行预测的便携式多功能一体化木材光谱检测仪器的开发奠定了理论基础。此外,还采用该公司生产的另一款光谱范围为900~1 650nm的FLAME-NIR型微型光纤光谱仪进行了同样的实验。对比发现,利用FLAME-NIR型光谱仪所得出的结果整体比利用USB2000-VIS-NIR型光谱仪所得到的结果好,但是相差并不是很大。这说明该方法可用于对木材种类与密度的同时预测,而且具有一定的稳定性和精度,也节约了仪器的成本。

木材树种管理检索系统研究现状与发展趋势

木材识别技术是木材与林业科学中的重要组成部分,正确的识别木材树种对于合理、高效地利用木材资源具有积极的意义。由于数据库检索方法具有快捷、准确的特点,通过介绍数据库的发展历程、数据库识别软件,探讨木材树种管理计算机检索的国内外现状和发展趋势。

基于GLCM特征木材树种高光谱无损检测识别研究

目前,木材树种无损检测识别技术已成为木材工业亟待解决的问题。提出了一种基于灰度共生矩阵(GLCM)纹理特征木材树种高光谱无损检测识别方法。在1000 nm^2500 nm的光谱范围内获取了样本高光谱数据,利用PCA对高光谱图像原始数据进行降维处理,得到主成分图像序列,并对主成分图像序列提取木材纹理特征参数,发现BP神经网络分类器的识别率为91.5%。实验表明:基于高光谱图像纹理特征能有效描述木材,用其实现对木材树种的识别是可行的,说明GLCM纹理特征参数对木材树种具有一定的描述能力,为木材树种的识别提供了新的思路。该方法能够较好地解决木材树种识别问题,对木材工业的现实生产、经营、管理等方面具有重要的现实意义。

CITES公约中云南濒危管制木材树种资源概述

根据CITES公约附录保护与管制木材种类名录,对云南处于濒危管制的木材树种资源现状进行研究。结果表明,全省被列入CITES公约的木材共有8种(类),其中附录Ⅱ有5种(类),附录Ⅲ有3种(类)。

对光照变化不敏感的微观高光谱图像木材树种识别算法研究

木材往往堆积在室外,在对木材样本采集高光谱图像时往往会受到外界因素(光照、温度、湿度)的影响,从而造成木材树种的误判。为了解决这一问题,本文利用PLS(Pattern Lacunarity Spectrum)和LBP(Local Binary Pattern)对木材横截面的高光谱图像的纹理信息进行了特征提取,而后将高光谱图像的近红外光谱与纹理特征相融合,并以融合后的新特征作为识别的依据,最后使用SVM(Support Vector Machine)和BP(Back Propagation)神经网络两种分类器对木材树种进行了识别,实验表明该算法在无干扰情况下可拥有最高100%的识别正确率效果。为了验证该算法可以在高光谱图像失真的情况下依然可以对木材进行正确的识别,本文仿真了光照变化对高光谱图像的影响,并对比了影响前后的识别正确率,结果显示该算法可以在高光谱图像失真的情况下对木材的树种进行正确的识别,优于传统的和近期主流的木材树种分类算法。

2013年CITES公约管制木材树种的最新变化与分析

2013年3月，第16届《濒危野生动植物种国际贸易公约》（Convention on International Trade in Endangered Species of Wild Fauna and Flora, CITES公约）缔约国大会，在泰国曼谷召开，此次会议形成了最新的CITES管制物种附录，其中列入附录的木材树种增扩到247种，并将于2013年6月12日生效。

木材树种检索方法现状与智能检索初探

回顾人工对比法、对分检索法和穿孔卡检索法三种传统木材树种检索方法,总结计算机数据库程序检索法的发展现状。以实现在线智能检索针叶树材为例,笔者开发了融入计算机视觉技术的木材树种智能检索系统,介绍该系统的体系结构和程序流程,并提出今后的研究方向。

谈木材树种识别的必要性和识别方法

主要谈了木材树种识别的必要性和木材树种识别的几种常用的可操作的方法,使人们对木材树种识别有进一步的认识,同时也为木材的识别提供一些便利方法。

浅谈如何做好进口木材树种鉴定工作

近年来，我国进口的木材量在逐渐的增加，根据据海关数据的统计显示，平均每年进口量近4000万m3，涉及的国家和地区多达70多个，主要都来自东南亚、北美、俄罗斯等多个国家和地区，进口的品种主要为松木、杉木、红木等品种，总体的对出品种新、材种多、材质差异大、价格差异大的趋势呈现出来。对进口木材材种鉴定的研究进行加强，对进口木材的监管进行相应的规范，对执法部门的执法依据进行相关的完善、并且促进地方经济发展具有非常重要的意义。

我国代表应邀参加国际项目“木材树种及来源识别”第三次指导委员会

应德国联邦林业遗传研究所和“生物多样性国际组织”（Bioversity International，BI）邀请，中国林科院木材工业研究所殷亚方研究员于2014年4月7—10日参加了在德国汉堡召开的“木材树种及来源识别”项目指导委员会第三次会议。来自中国、德国、加拿大、意大利、美国、澳大利亚、奥地利、日本、瑞士和巴西的15位代表与会。

核燃料运输容器木材减震部件制备技术及应用

核燃料运输容器木材减震部件制备技术解决了核燃料运输容器减震器用材单一、国产化进程受阻等“卡脖子”技术难题,攻克了减震木材树种优选、性能测试与调控、部件制备与力学验证、模块组合与容器装填等技术难关。依据核工业最高质保体系,中国林业科学研究院木材工业研究所组建了1支减震木材优选.

基于BP神经网络的木材近红外光谱树种识别

利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。以桉木、杨树、落叶松、马尾松、樟子松5个树种的296个样本的近红外光谱数据为研究对象,运用主成分分析对光谱数据进行降维,并以处理后的主成分数据作为分类模型的输入变量,分别建立了不同属的桉树和杨树以及同属的落叶松和樟子松的BP神经网络二分类模型;建立了桉木、杨树、落叶松、马尾松、樟子松5个树种的BP神经网络识别模型,并利用遗传算法和粒子群算法对5树种分类模型进行优化。结果显示,对于不同属木材,BP神经网络模型树种识别率可达100%,对于同属木材树种识别率也可达85%以上;对所建立的5树种识别模型,BP神经网络树种识别率有所下降,但正确识别率也均可达到75%以上,经过遗传算法和粒子群算法对模型的优化,木材树种平均识别率可分别达到84%和87%以上,表明遗传算法和粒子群算法可以有效提高木材树种识别率。