馮國紅， 朱玉杰， 李耀翔

東北林業(yè)大學(xué)工程技術(shù)學(xué)院， 黑龍江 哈爾濱 150040

引 言

隨著木材需求的增加， 我國從歐洲、 東南亞、 非洲、 大洋洲等地區(qū)進口木材的數(shù)量和種類正逐年大幅增長， 樹種不符是進口貿(mào)易中最常見的問題之一， 也是主要的欺詐手法。 正確鑒定樹種是進口木材執(zhí)法的前提和市場流通的需要[1]。 進口木材樹種種類繁多， 木材樹種的快速、 準(zhǔn)確識別研究已成為木材科學(xué)發(fā)展中的一個備受關(guān)注的問題。 近年來， 有關(guān)木材樹種識別的方法主要有DNA法、 圖像法、 高光譜法和紅外光譜法等。 DNA法是通過提取木材的DNA進行識別的， 由于DNA的提取不容易實現(xiàn)， 目前研究的較少。 圖像法主要從木材的紋理特征出發(fā)， 側(cè)重于圖像特征提取方法的研究[2-4]。 高光譜法主要利用其窄波段特性在較小的空間尺度上能區(qū)分地表的細微變化的優(yōu)勢進行樹種識別， 該方法主要應(yīng)用于樹種的遙感識別[5-6]。 紅外光譜法主要基于木材的物質(zhì)結(jié)構(gòu)信息與光譜的吸收特征的關(guān)系進行識別。

光譜分析法具有綠色、 高效、 可實時在線分析等特點， 目前， 紅外光譜分析已經(jīng)成為發(fā)展最快、 最引人矚目的一門獨立的分析技術(shù)。 近年來人們開始探索基于紅外光譜分析識別木材的樹種。 譚念等基于近紅外光譜利用主成分分析和支持向量機進行了樹種識別研究， 識別率達到94.29%[7]。 汪紫陽等基于可見/近紅外光譜對樹葉樹種的識別進行了研究[8]。 縱觀目前的研究， 光譜范圍主要集中在近紅外區(qū)域， 對于中紅外的研究鮮有報道。 中紅外的波數(shù)范圍在400～4 000 cm-1之間， 是絕大多數(shù)有機物和無機離子的基頻吸收帶， 是紅外光譜中吸收能力最強的振動譜區(qū)， 所以中紅外區(qū)也被認為是最適合于進行紅外光譜定性和定量分析的區(qū)域[9-10]。

以進口的盧氏黑黃檀、 風(fēng)車木、 微凹黃檀、 燃料紫檀和東非黑黃檀為研究對象(該五種樹種在日常交易中常被稱為大葉紫檀、 皮灰黑檀、 微凹黃檀、 贊比亞血檀和紫光檀)， 采用中紅外光譜儀獲取其光譜數(shù)據(jù)， 對數(shù)據(jù)進行平滑處理及一階導(dǎo)數(shù)處理， 運用主成分分析提取光譜數(shù)據(jù)的特征， 基于常用的模式識別方法-支持向量機和馬氏距離建立判別模型[11-12]， 驗證兩種判別方法的識別效果。 應(yīng)用中紅外光譜在木材識別領(lǐng)域進行探索與實踐。

1 實驗部分

1.1 儀器與數(shù)據(jù)采集

美國Frontier FT-IR的傅里葉中紅外光譜儀， 采用PerkinElmer spectrum軟件采集漫反射光譜， 波數(shù)范圍400～4 000 cm-1。

樹種試樣為6 cm×4 cm×1 cm的木塊， 如圖1所示。 每塊木塊采集10組光譜數(shù)據(jù)， 共采集500組， 盧氏黑黃檀、 風(fēng)車木、 微凹黃檀、 燃料紫檀和東非黑黃檀各采集100組。

圖1 木塊試樣

1.2 數(shù)據(jù)預(yù)處理

平滑處理： 此處采用7點移動平滑處理。

波數(shù)的篩選： 觀察平滑處理的光譜圖， 兩端的譜圖噪聲較大， 選取600～3 800 cm-1波數(shù)的數(shù)據(jù)為分析范圍。

導(dǎo)數(shù)處理： 采用一階導(dǎo)數(shù)處理。

歸一化處理： 將數(shù)據(jù)集映射到[0， 1]上。

2 結(jié)果與討論

2.1 光譜分析

經(jīng)平滑處理和一階導(dǎo)數(shù)處理的五種樹種的光譜圖如圖2所示。 由圖2可以看出， 五種樹種的光譜圖在600～1 900及2 900～3 800 cm-1范圍內(nèi)存在差異， 尤其是燃料紫檀、 風(fēng)車木與其他3種檀差異性明顯。 經(jīng)過平滑加一階導(dǎo)數(shù)處理的光譜圖差異性較明顯。

圖2 五種樹種的光譜圖

2.2 主成分分析

主成分分析法是較常用的一種數(shù)據(jù)壓縮特征提取方法， 簡化原始高維變量的同時最大限度的保留了原始數(shù)據(jù)的信息。

對五種樹種的平滑處理數(shù)據(jù)和平滑加一階導(dǎo)數(shù)處理數(shù)據(jù)進行主成分分析， 分別繪制測試集的第一、 第二主成分得分的散點圖， 如圖3所示(為避免數(shù)據(jù)點密集， 此處僅給出前10個得分)。 由圖3可以看出， 經(jīng)過平滑加一階導(dǎo)數(shù)處理的測試集的各自聚類性較平滑處理好。

圖3 測試集前2個主成分的得分圖

2.3 支持向量機識別方法

支持向量機(support vector machine， SVM)是一種較常用的模式識別方法， SVM能夠很好的預(yù)防欠學(xué)習(xí)與過學(xué)習(xí)的發(fā)生， 在解決實際問題中總是屬于最好的方法之一。 臺灣大學(xué)林智仁教授等開發(fā)設(shè)計了SVM的訓(xùn)練與預(yù)測工具箱-LIBSVM， 可快速有效的進行SVM模式識別。 此處基于該工具箱進行識別研究。 使用時需要確定核函數(shù)、 懲罰因子c及核參數(shù)g， 此處確定的核函數(shù)為徑向基核函數(shù)，c和g的尋優(yōu)方法采用粒子群算法(particle swarm optimization， PSO)。

2.4 SVM識別結(jié)果與討論

使用PSO進行參數(shù)尋優(yōu)時， 首先需要確定光譜圖的特征個數(shù)， 即主成分的個數(shù)， 主成分個數(shù)的選取直接影響識別結(jié)果。 由主成分分析的結(jié)果可知， 平滑處理和平滑加一階導(dǎo)數(shù)處理的前5個主成分的累積貢獻率達到了90%以上， 此處對主成分個數(shù)為[5， 30]范圍進行試驗驗證， 以獲得最佳值。 每種樹種的60組數(shù)據(jù)為訓(xùn)練集， 15組數(shù)據(jù)用于c和g的尋優(yōu)， 剩下20組數(shù)據(jù)用于測試。 利用Matlab軟件對主成分個數(shù)為[5， 30]范圍進行c和g的尋優(yōu)， 得到的5折檢驗下的最佳判別準(zhǔn)確率如表1所示。

由表1可以看出， 平滑處理和平滑加一階導(dǎo)數(shù)處理的主成分個數(shù)在[7， 11]范圍內(nèi)的5折檢驗下的最佳判別準(zhǔn)確率較高， 達到95%以上， 主成分個數(shù)在15個以上時， 5折檢驗下的最佳判別準(zhǔn)確率降低明顯。 此處， 結(jié)合15組的判別準(zhǔn)確率， 最終確定的主成分個數(shù)為8個。 此時得到的PSO參數(shù)尋優(yōu)的適應(yīng)度曲線如圖4所示。

表1 不同主成分個數(shù)的5折檢驗下的最佳判別準(zhǔn)確率

Table 1 The best discriminant accuracy under the 5-fold test of different principal components

主成分個數(shù)最佳判別準(zhǔn)確率/%平滑平滑+一階導(dǎo)數(shù)主成分個數(shù)最佳判別準(zhǔn)確率/%平滑平滑+一階導(dǎo)數(shù)59598.33149090691.6796.67159593.3379596.671691.6791.67896.6798.331793.3391.6799596.671888.3391.671095951986.6791.671195952085901293.3391.672584.3386.671393.33953083.3381.67

圖4 PSO參數(shù)尋優(yōu)的適應(yīng)度曲線

由圖4可知， 平滑處理的光譜數(shù)據(jù)c=1.218 1，g=36.102 7時， 5折檢驗下的最佳判別準(zhǔn)確率為96.67%； 平滑加一階導(dǎo)數(shù)處理的光譜數(shù)據(jù)c=1.592 8，g=18.905 2時， 5折檢驗下的最佳判別準(zhǔn)確率為98.33%。 以徑向基函數(shù)為核函數(shù)， 分別以c=1.218 1，g=36.102 7和c=1.592 8，g=18.905 2建立支持向量機模型， 對五種樹種的100組測試集(每種20組)進行分類， 得到的各樹種的正確識別率如表2所示。 表2的結(jié)果表明， 基于支持向量機法以前8個主成分的得分作為特征， 對5個樹種的識別效果較好。 經(jīng)平滑加一階導(dǎo)數(shù)處理的數(shù)據(jù)， 其識別效果優(yōu)于平滑處理。 平滑加一階導(dǎo)數(shù)處理的數(shù)據(jù)僅有盧氏黑黃檀和東非黑黃檀各出現(xiàn)了1例錯判， 正確識別率達98%。

表2 支持向量機的樹種識別結(jié)果

2.5 馬氏距離識別方法

馬氏距離判別法的基本思想是： 首先根據(jù)已知分類的數(shù)據(jù)， 分別計算各類的中心， 即分類均值， 在此基礎(chǔ)上， 距離判別準(zhǔn)則是對于任意給定的一組新樣品的觀測值， 若它與第i類中心距離最近， 就認為它來自第i類。

將每個樹種的75個校正集的前8個主成分得分求平均， 記為該樹種的中心， 利用式(1)求每個驗證集到各樹種中心的馬氏距離， 驗證集距離哪個中心近， 則判定驗證集屬于該樹種。

(1)

2.6 馬氏距離識別結(jié)果與討論

利用SPSS軟件計算得到的五種樹種的100組測試集的樹種識別結(jié)果如表3所示。 表3的結(jié)果表明， 在馬氏距離法中， 以前8個主成分的得分作為特征， 可以獲得較好的識別效果。 經(jīng)平滑處理的數(shù)據(jù)正確識別率達94%， 平滑加一階導(dǎo)數(shù)處理的數(shù)據(jù)正確識別率達97%。 馬氏距離的正確識別率整體略低于支持向量機。

表3 馬氏距離的樹種識別結(jié)果

3 結(jié) 論

利用中紅外光譜儀采集了盧氏黑黃檀、 風(fēng)車木、 微凹黃檀、 燃料紫檀及東非黑黃檀五種樹種的光譜， 進行了平滑處理和一階導(dǎo)數(shù)處理， 運用主成分分析法提取了光譜圖的特征信息， 由測試集的第一和第二主成分的得分， 得出五種樹種的光譜數(shù)據(jù)具有較好的各自聚類性， 平滑加一階導(dǎo)數(shù)處理的聚類性優(yōu)于平滑處理。 應(yīng)用支持向量機進行判別研究， 對主成分個數(shù)為[5， 30]范圍進行懲罰因子c和核參數(shù)g的尋優(yōu)， 結(jié)果表明： 主成分個數(shù)在[7， 11]范圍內(nèi)的5折檢驗下的最佳判別準(zhǔn)確率較高， 結(jié)合驗證集的識別準(zhǔn)確率確定的主成分個數(shù)為8個。 取前8個主成分作為輸入變量， 基于最優(yōu)的c和g進行判別， 結(jié)果顯示： 平滑處理的正確識別率達到95%， 平滑加一階導(dǎo)數(shù)處理的正確識別率達到98%。 取前8個主成分作為輸入變量， 進行了馬氏距離判別， 結(jié)果顯示： 平滑處理的正確識別率達到94%， 平滑加一階導(dǎo)數(shù)處理的正確識別率達到97%， 平均識別率稍低于支持向量機。 支持向量機和馬氏距離識別中平滑加導(dǎo)數(shù)處理的識別效果優(yōu)于平滑處理， 燃料紫檀和風(fēng)車木的識別效果最好， 盧氏黑黃檀的識別率稍低。 由支持向量機和馬氏距離的識別率可以認為， 中紅外光譜可用于識別樹種， 具有良好的應(yīng)用前景。