賀春光 李璐芳 高峰 袁云梅 高凡 丁安寧 多化瓊

摘要：為支持向量機(jī)能夠準(zhǔn)確識(shí)別木材單板表面缺陷，以提高木材單板質(zhì)量，提出高效準(zhǔn)確的單板缺陷核主成分分析（KPCA）的引力搜索算法（GSA）-支持向量機(jī)（SVM）識(shí)別模型?？紤]到圖像特征數(shù)據(jù)間的冗余影響，采用KPCA方法對(duì)原始特征數(shù)據(jù)降維，并通過(guò)GSA優(yōu)化SVM的懲罰因子C和核參數(shù)g，建立KPCA- GSA-SVM 木材單板缺陷識(shí)別模型?；陬伾?、紋理、形狀3方面的特征以活節(jié)、死節(jié)、裂紋為研究對(duì)象的樣本原始數(shù)據(jù)集，選取8個(gè)主要特征（1個(gè)顏色特征、1個(gè)紋理特征和6個(gè)形狀特征）作為木材單板識(shí)別依據(jù)，對(duì)木材單板識(shí)別模型進(jìn)行學(xué)習(xí)訓(xùn)練及預(yù)測(cè)分析，并與傳統(tǒng)粒子群參數(shù)優(yōu)化算法（PSO）構(gòu)成的KPCA- PSO -SVM識(shí)別模型進(jìn)行識(shí)別效果對(duì)比。結(jié)果表明，基于KPCA-GSA-SVM 木材單板識(shí)別模型對(duì)于活節(jié)、死節(jié)、裂紋的識(shí)別率達(dá)到100%、96.78%、100%，較KPCA- PSO -SVM識(shí)別模型分別高出21.62%、0.63%、7.41%，且整體耗費(fèi)時(shí)間縮短7.26 s，由此看出預(yù)測(cè)識(shí)別率、識(shí)別速度、穩(wěn)定性高于前者。研究結(jié)論從新的角度對(duì)單板缺陷進(jìn)行識(shí)別，有助于木材單板缺陷的識(shí)別發(fā)展。

關(guān)鍵詞：?jiǎn)伟迦毕?，引力搜索算法，支持向量機(jī)，核主成分分析，識(shí)別模型

中圖分類(lèi)號(hào)：S784文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-8023（2023）02-0091-09

Study on GSA-SVM Wood Veneer Defect Identification Based

on Kernel Principal Component Analysis

HE Chunguang1， LI Lufang1， GAO Feng2， YUAN Yunmei3， GAO Fan1， DING Anning1， DUO Huaqiong1*

（1. College of Materials Science and Art Design， Inner Mongolia Agricultural University， Hohhot 010018， China; 2. Vocational

and Technical College， Inner Mongolia Agricultural University， Baotou 014109， China; 3. School of

Information Engineering， Shanxi College of Applied Science and Technology， Taiyuan 030000， China）

Abstract：In order for the support vector machine to accurately identify the surface defects of wood veneer and improve the quality of wood veneer， an efficient and accurate recognition model of kernel principal component analysis （KPCA） gravity search algorithm-support vector machine （GSA-SVM） for veneer defects was proposed. Considering the redundant effect between image feature data， KPCA method was used to reduce the dimension of original feature data， and GSA optimized the penalty factor C and kernel parameter g of support vector machine （SVM） to establish KPCA-GSA-SVM wood veneer defect recognition model. Based on the three features of color， texture and shape， the raw data set of samples with live knots， dead knots and cracks as the research objects， 8 main features （1 color feature， 1 texture feature and 6 shape features） were selected as the basis for wood veneer recognition. The wood veneer identification model was learned， trained， predicted and analyzed， and the identification effect was compared with the KPCA-PSO-SVM identification model composed of the traditional particle swarm parameter optimization algorithm （PSO）. The results showed that the recognition rate of live knots， dead knots and cracks of the wood veneer recognition model based on KPCA-GSA-SVM was 100%， 96.78% and 100%， which were 21.62%， 0.63% and 7.41% higher than that of KPCA-PSO-SVM， and the overall time was shortened by 7.26 s， it can be seen that the prediction recognition rate， recognition speed and stability were higher than the former. The research conclusions identify the veneer defects from a new perspective， which is helpful for the identification and development of wood veneer defects.

Keywords：Veneer defects; gravity search algorithm; support vector machine; kernel principal component analysis; recognition model

收稿日期：2022-06-02

基金項(xiàng)目：內(nèi)蒙古自治區(qū)重點(diǎn)研發(fā)和成果轉(zhuǎn)化計(jì)劃項(xiàng)目（2022YFDZ0031）

第一作者簡(jiǎn)介：賀春光，博士研究生，講師。研究方向?yàn)閳D像處理在木材科學(xué)中的應(yīng)用。Email： hcghcg008@163.com

*通信作者：多化瓊，博士，教授。研究方向?yàn)槟静目茖W(xué)與技術(shù)。Email： duohuaqiong@163.com

引文格式：賀春光，李璐芳，高峰，等.基于核主成分分析的GSA-SVM木材單板缺陷識(shí)別研究[J].森林工程，2023，39（2）：91-99.

HE C G， LI L F， GAO F， et al. Study on GSA-SVM wood veneer defect identification based on kernel principal component analysis[J].Forest Engineering， 2023， 39（2）：91-99.

0引言

近些年，隨著單板行業(yè)的不斷發(fā)展，人們開(kāi)始逐漸提高單板質(zhì)量要求，生產(chǎn)企業(yè)需要在保證使用性能的基礎(chǔ)上，確保單板具有良好的表面質(zhì)量。但在實(shí)際操作中，單板表面缺陷的產(chǎn)生往往是不可避免的。其中活節(jié)、死節(jié)、裂紋作為常見(jiàn)且具有代表性的單板表面缺陷，不僅破壞木材均勻性，影響成材表現(xiàn)，還降低木材某些力學(xué)性質(zhì)，加大木材的加工難度，傷害木材單板質(zhì)量，是影響裝飾質(zhì)量及單板的商品價(jià)值和使用價(jià)值的主要影響因素。因此有效地進(jìn)行木材單板表面缺陷的自動(dòng)識(shí)別顯得尤為重要。

隨著現(xiàn)代計(jì)算機(jī)技術(shù)的不斷發(fā)展，基于數(shù)字圖像處理技術(shù)的木材單板缺陷識(shí)別與檢測(cè)研究方法理論已日趨成熟[1-2]。目前，在木材識(shí)別方法中應(yīng)用較為廣泛的方法有支持向量機(jī)、BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)等。馬旭等[3]基于支持向量機(jī)的核函數(shù)理論，用于木材缺陷分類(lèi)，并通過(guò)大量實(shí)驗(yàn)得出多項(xiàng)式核函數(shù)與其他識(shí)別方法對(duì)比，識(shí)別精度最高且誤差較小。Zhang等[4]、郭慧等[5]、Ji等[6]、羅微等[7]以木材缺陷為研究對(duì)象提取圖像紋理特征，采用BP神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器對(duì)木材缺陷進(jìn)行識(shí)別，識(shí)別率可達(dá)93%，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)可以有效提高分類(lèi)器的性能和識(shí)別準(zhǔn)確率。然而目前很多木材單板的識(shí)別方法存在一定的局限性，如Kaur等[8]、Zhang等[9]方法效率與應(yīng)用效果受識(shí)別參數(shù)影響較大，宋月嬋等[10]、Cuong-le等[11]優(yōu)化算法，雖能在一定程度上提高SVM木材單板缺陷的識(shí)別效率，但對(duì)于不同的缺陷其實(shí)際效果有所降低，且模型本身易陷入局部最優(yōu)化。

針對(duì)以上問(wèn)題，本研究以單板缺陷中活節(jié)、死節(jié)、裂紋為例，利用核主成分分析（Kernel Principal Component Analysis，KPCA）進(jìn)行特征降維選取最佳的特征數(shù)據(jù)，利用引力搜索算法（Gravity Search Algorithm，GSA）對(duì)支持向量機(jī)（Support Vector Machines，SVM）的懲罰因子C和核參數(shù)g進(jìn)行尋優(yōu)，建立基于 KPCA-GSA-SVM 的木材單板缺陷識(shí)別模型，以期提高木材單板缺陷識(shí)別的準(zhǔn)確性[12]。

1KPCA-GSA-SVM理論基礎(chǔ)

1.1核主成分分析（KPCA）

KPCA是對(duì)傳統(tǒng)主成分分析算法的非線性擴(kuò)展線性降維方法，其目標(biāo)是保留較多的原數(shù)據(jù)點(diǎn)特性，同時(shí)能夠挖掘到數(shù)據(jù)集中蘊(yùn)含的非線性信息[13-14]。其核主成分分析的主要步驟如下。

將獲取的木材單板缺陷原始數(shù)據(jù)在空間R進(jìn)行非線性映射

φ：R→H。（1）

式中：R為原始數(shù)據(jù)空間；H為特征空間，其中通過(guò)映射原始數(shù)據(jù)xi（i=1，2，…，N）在特征空間的像為φ（Xi），則φ（Xi）的協(xié)方差矩陣

C=1N-1∑Ni=1φ（Xi）φ（Xi）T=

1N-1（φ（X1），…，φ（XN））φ（X1）Tφ（XN）T 。（2）

式中：當(dāng) XT=（φ（X1），…，φ（XN）），則存在C=1N-1XTX。但由于φ（X）函數(shù)未知，所以需要引入核函數(shù)（K）

K=XXT=φ（X1）Tφ（XN）T（φ（X1），…，φ（XN））=

k（X1，X1）…k（XN，X1）k（XN，X1）…k（XN，XN）。（3）

核函數(shù)中心化Kc處理得到

Kc=K-lNK-KlN+lNKlN 。（4）

式中：lN為N×N的矩陣，每一個(gè)元素都為1/N。而核矩陣Kc的特征值與特征向量關(guān)系式為

（XXT）u=λu 。（5）

式中：u為代表Kc的特征向量；λ為Kc的特征值。將求得的特征值進(jìn)行歸一化處理，利用特征值的累積貢獻(xiàn)率進(jìn)行選取

∑nj=1λj/∑Ni=1λi≥E 。（6）

式中：∑nj=1λj代表前n個(gè)特征值累計(jì)在整個(gè)特征值綜合的比值大于閾值E，通常為使保證數(shù)據(jù)降維后仍能保留足夠特征信息。

1.2支持向量機(jī)

支持向量機(jī)[7，16-17]是一種常見(jiàn)的機(jī)器學(xué)習(xí)識(shí)別方法，基本原理是：在線性可分條件下，構(gòu)造最優(yōu)超平面，在最初空間將其完全分開(kāi)，對(duì)于非線性利用核公式將低緯度非線性問(wèn)題轉(zhuǎn)化為高緯度線性問(wèn)題。作為二分類(lèi)問(wèn)題，支持向量機(jī)對(duì)于解決多分類(lèi)問(wèn)題存在一定的障礙，因此，研究人員在已有基礎(chǔ)上提出來(lái)多分類(lèi)支持向量機(jī)方法。通過(guò)組合二分類(lèi)的方法來(lái)進(jìn)一步實(shí)現(xiàn)多分類(lèi)識(shí)別問(wèn)題。但其算法性能又與懲罰因子C和核參數(shù)g取值有非常緊密聯(lián)系，如果懲罰因子C和核參數(shù)g選擇不當(dāng)，算法性能會(huì)很差，SVM針對(duì)多分類(lèi)對(duì)象的具體步驟見(jiàn)文獻(xiàn)[18-19]。

1.3引力搜索機(jī)

引力搜索算法[20-21]是基于萬(wàn)有引力定理，指引粒子更新位置從低質(zhì)量粒子轉(zhuǎn)向高質(zhì)量粒子發(fā)展，其中粒子位置為最優(yōu)解，通過(guò)不斷更新?lián)Q代尋找最優(yōu)解的算法，其中具體的過(guò)程如下。初始化粒子位置，其中系統(tǒng)包含N個(gè)粒子

Xi=（x1i，…，xdi，…，xNi），i=1，2，…， N。（7）

式中：xdi表示第i個(gè)粒子的在d維中的位置。但不同的粒子之間存在著引力作用，且不同的迭代引力的作用也會(huì)發(fā)生變化

Fdij（t）=G（t）Mpi（t）×Maj（t）Rij（t）+ε（xdj（t）-xdi（t））。（8）

式中：Maj（t）為主動(dòng)粒子j的慣性質(zhì)量；Mpi（t）為被動(dòng)粒子的i的慣性質(zhì)量；Rij（t）為粒子間的歐式距離；ε為常數(shù)；G（t）則作為t次迭代的引力常數(shù)

G（t）=G0e-αtT 。（9）

式中：G0和α是常數(shù)；T為迭代總數(shù)。在引力作用下每個(gè)粒子的速度與作用發(fā)生變化

vdi（t）=randi×vdi（t）+αdi（t）

xdj（t）=xdj（t）+vdi（t）。（10）

式中：randi表示0，1中的隨機(jī)數(shù)，提高算法中的隨機(jī)性；αdi（t）表示在第t次迭代中i的加速度

αdi（t）=Fdi（t）Mi（t） 。（11）

式中：Fdi（t）代表在d維上粒子i受其他粒子的作用力合力；Mi（t）代表粒子的慣性質(zhì)量，具體見(jiàn)式 （12）—式（14）

Fdi（t）=∑Nj=1，j=1randiFdij（t） 。（12）

Mi（t）=mi（t）∑Nj=1mj（t）。（13）

mi（t）=fiti（t）-worst（t）best（t）-worst（t） 。（14）

式中：mi（t）表示第i個(gè)粒子的重力；fit，i（t）代表在第t次迭代時(shí)粒子的適應(yīng)度值；best（t）為最佳適應(yīng)度值worst（t）為最差適應(yīng)度值。

1.4KPCA-GSA-SVM模型建立

本研究利用核主成分分析對(duì)GSA-SVM模型參數(shù)進(jìn)行優(yōu)化識(shí)別參數(shù)優(yōu)化，提高識(shí)別效率，增加識(shí)別效果，具體過(guò)程如下。

步驟 1：提取圖像特征，構(gòu)成木材單板缺陷圖像特征集。

步驟 2：對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，可以得到輸入樣本，求核矩陣K，使用核函數(shù)來(lái)實(shí)現(xiàn)將原始數(shù)據(jù)由數(shù)據(jù)空間映射到特征空間，計(jì)算在高維空間中對(duì)映射的非線性數(shù)據(jù)進(jìn)行中心化后的核矩陣。

步驟 3：計(jì)算矩陣Kc的特征值以及對(duì)應(yīng)的特征向量，進(jìn)行單位化處理。并計(jì)算特征值求出貢獻(xiàn)率，根據(jù)累計(jì)貢獻(xiàn)率求域值p（95%），如果t>p，則選取前t個(gè)主分量，作為降維后的數(shù)據(jù)，并分為訓(xùn)練集與測(cè)試集。

步驟 4：初始化所有粒子的位置與速度，設(shè)置最大迭代數(shù)與相關(guān)參數(shù)。

步驟 5：建立粒子的適應(yīng)度函數(shù)，利用最小化、最大化公式計(jì)算最佳適應(yīng)度值bbest（t）和最差適應(yīng)度值worst（t），根據(jù)不同適應(yīng)值，更新確定慣性質(zhì)量Mi（t）、mi（t）。計(jì)算粒子的加速度，確定粒子所受合外力。

步驟 6：根據(jù)確定的加速度，利用公式計(jì)算粒子的速度和位置。

步驟 7：之后根據(jù)所求的全局最優(yōu)解gbest（t）所需要達(dá)到預(yù)設(shè)精度或最大迭代次數(shù)進(jìn)行步驟4循環(huán)迭代，直到算法終止，將求出最優(yōu)參數(shù)帶入SVM模型中，進(jìn)行圖像識(shí)別。

為進(jìn)一步詳細(xì)表述上述流程，現(xiàn)將其構(gòu)成具體線性流程圖，如圖1所示。

2基于KPCA-GSA-SVM的木材單板缺陷識(shí)別

2.1特征選取

2.1.1圖像預(yù)處理

實(shí)驗(yàn)使用戴爾臺(tái)式計(jì)算機(jī)，Windows7操作系統(tǒng)，C++編輯器與MATLAB軟件運(yùn)行，利用佳能照相機(jī)進(jìn)行相片采集。采集木材單板缺陷圖像210張（死節(jié)、活節(jié)與裂紋各70張），選取120張作為數(shù)據(jù)集，90作為實(shí)驗(yàn)集，原始缺陷圖像大小為256×256像素。

但在實(shí)際生產(chǎn)采集過(guò)程中由于受木屑、灰塵、照度不足和光線不均等因素影響，部分采集的圖像質(zhì)量效果差，部分信息模糊，構(gòu)成識(shí)別結(jié)果與實(shí)際期盼差距較大。為解決上述問(wèn)題，本研究通過(guò)對(duì)木材死節(jié)、活節(jié)與裂紋圖像進(jìn)行自適應(yīng)高斯濾波[22-23]與自適應(yīng)伽馬校正[24-25]相結(jié)合方式來(lái)達(dá)到提高圖像質(zhì)量，消除圖像中沉郁的信息，恢復(fù)與增強(qiáng)有關(guān)信息的可檢測(cè)性的效果[26]，圖2為其中3張?jiān)紙D的預(yù)處理結(jié)果。

2.1.2圖像特征提取

木材缺陷識(shí)別是基于多種信息的提取與檢測(cè)，圖像信息的提取也是圖像識(shí)別的重要步驟，通過(guò)對(duì)木材缺陷圖像的顏色、紋理、形狀和輪廓等多方面信息的提取，構(gòu)成每張圖像獨(dú)有的非圖像數(shù)字化表達(dá)，并以此為基礎(chǔ)建立了許多基于數(shù)字圖像技術(shù)的木材缺陷特征提取方法，為更加完善圖像信息的提取，促進(jìn)圖像識(shí)別技術(shù)的發(fā)展，本研究采用顏色、紋理和形狀3方面進(jìn)行特征的提取，通過(guò)對(duì)顏色通道R、G、B進(jìn)行三階矩的計(jì)算得出顏色特征[27-29]，并利用Gabor小波變化[30-31]的紋理特征選取方向?yàn)棣?7、π/8、π/9、π/10、π/11的圖像進(jìn)行均值、對(duì)比度、方差特征求解得到圖像紋理特征，最后根據(jù)Hu不變矩[32-33]對(duì)平移、縮放、鏡像和旋轉(zhuǎn)都不敏感的7個(gè)二維不變矩的得出形狀特征，最終構(gòu)成對(duì)木材不同缺陷圖像的特征集。

2.1.3特征數(shù)據(jù)KPCA 處理

為減少特征數(shù)據(jù)之間的冗余，達(dá)到預(yù)期識(shí)別效果，對(duì)已有的1個(gè)圖像顏色、1個(gè)紋理特征和6個(gè)形狀特征進(jìn)行特征降維，選擇合適的特征作為最終的識(shí)別參數(shù)。其中為減少數(shù)據(jù)之間較大的差距，需要對(duì)特征集進(jìn)行無(wú)量綱化處理，將所有特征數(shù)據(jù)標(biāo)準(zhǔn)化，所有數(shù)據(jù)確定在0到1之內(nèi)，再根據(jù)核函數(shù)求取核矩陣K確定函數(shù)的特征值與特征向量，并將特征值進(jìn)行方差貢獻(xiàn)率計(jì)算求出占比最高的特征值，其中圖像特征方差貢獻(xiàn)率表示單個(gè)特征在圖像特征集中影響力的大小，具體數(shù)據(jù)如圖3所示。

由圖3可知，在特征降維過(guò)程中，特征值占比大小，對(duì)總體特征集的影響力較大。因此，在特征識(shí)別過(guò)程中一般選取累計(jì)貢獻(xiàn)率達(dá)到95%以上的數(shù)值作為主要識(shí)別數(shù)值用于圖像的識(shí)別研究。本實(shí)驗(yàn)基于上述原則與圖像信息，選取前8位作為識(shí)別特征用于研究，其中選取的特征分別為顏色特征的顏色矩、紋理特征的π/10的方差值，以及形狀特征的6個(gè)二維不變矩，表示特征集易受到圖像的顏色分布情況、在π/10紋理方向的方差以及在Hu不變矩平移、縮放、鏡像和旋轉(zhuǎn)等不敏感的6個(gè)二維不變矩的影響，部分具體結(jié)果見(jiàn)表1。

2.2單板缺陷識(shí)別

將KPCA提取到的8個(gè)主成分作為GSA-SVM預(yù)測(cè)模型的輸入向量，在Matlab 軟件平臺(tái)上編寫(xiě)相應(yīng)程序代碼，建立木材缺陷識(shí)別的KPCA-GSA-SVM 模型。為驗(yàn)證 KPCA-GSA-SVM 預(yù)測(cè)模型的優(yōu)越性，將其與KPCA-PSO-SVM[34]模型作對(duì)比，模型相關(guān)參數(shù)是按照相關(guān)論文研究成果[21，32，34]及實(shí)際測(cè)試合理設(shè)定，見(jiàn)表2。

將表2中的參數(shù)帶入不同的識(shí)別模型中，由圖4可知，通過(guò)粒子群算法可以得到最佳適應(yīng)度與平均適應(yīng)度的懲罰參數(shù)C和核函數(shù)參數(shù)g的最優(yōu)解，分別為7.64、0.75，粒子群算法平均適應(yīng)度整體較低，其懲罰參數(shù)C相對(duì)更高。引力搜索算法可以得出最佳適應(yīng)度與平均適應(yīng)度的懲罰參數(shù)C和核函數(shù)參數(shù)g，

最優(yōu)解分別為4.88、1.45，相比較粒子群算法該算法的平均適應(yīng)度與最佳適應(yīng)度整體較低，且最佳適應(yīng)度與平均適應(yīng)度差值較大，迭代次數(shù)更少，因此整體運(yùn)行速度更快，其懲罰參數(shù)C也相對(duì)更高，將得到的識(shí)別參數(shù)帶入KPCA-SVM分類(lèi)模型，得出測(cè)試集訓(xùn)練結(jié)果，如圖5所示。

由表3可知，總體粒子群算法與引力搜索算法的識(shí)別率分別為 87.78%、98.89%，耗費(fèi)時(shí)間分別為28.65、21.39 s，由此可知，引力搜索算法比粒子群算法整體識(shí)別率較高，運(yùn)行速度更佳，具有更強(qiáng)的穩(wěn)定性、泛化能力和學(xué)習(xí)能力，適應(yīng)范圍較廣。

但上述識(shí)別圖像是面對(duì)整體特征進(jìn)行識(shí)別求解，為進(jìn)一步對(duì)比研究活節(jié)、死節(jié)、裂紋3種不同缺陷分別在KPCA-PSO-SVM、KPCA-GSA-SVM優(yōu)化方法下的識(shí)別效果，將上述識(shí)別結(jié)果進(jìn)行拆分得出不同缺陷在不同優(yōu)化方法下的識(shí)別結(jié)果，見(jiàn)表4。由表4可知，對(duì)于活節(jié)、死節(jié)、裂紋的識(shí)別率達(dá)到100%、96.78%、100%，KPCA-GSA-SVM相對(duì)于KPCA-PSO-SVM高出21.62%、0.63%、7.41%。同時(shí)在召回率與F1等評(píng)價(jià)指標(biāo)相比，KPCA-GSA-SVM模型也遠(yuǎn)高于KPCA-PSO-SVM模型，且整體耗費(fèi)時(shí)間縮短7.26 s，由此可知本研究基于KPCA-GSA-SVM算法在木材單板缺陷圖像的識(shí)別效率與模型穩(wěn)定性相對(duì)于KPCA-PSO-SVM算法有所提升。

3結(jié)論

隨著現(xiàn)代計(jì)算機(jī)技術(shù)的高速發(fā)展，計(jì)算機(jī)數(shù)字圖像處理技術(shù)已成為當(dāng)前追逐的熱點(diǎn)，并廣泛應(yīng)用在木材單板領(lǐng)域中。數(shù)字圖像技術(shù)所具備的線性好、精度高和靈活性強(qiáng)等優(yōu)勢(shì)，為木材單板識(shí)別提供了新的發(fā)展手段。本研究基于傳統(tǒng)支持向量機(jī)，提出基于核主成分分析的GSA-SVM識(shí)別模型，對(duì)木材單板的不同缺陷進(jìn)行識(shí)別研究。

1）本研究建立了KPCA-GSA-SVM單板缺陷識(shí)別模型，利用KPCA方法對(duì)原始數(shù)據(jù)進(jìn)行主成分特征提取，減少數(shù)據(jù)間的量化信息，對(duì)模型數(shù)據(jù)進(jìn)行降維，提高算法運(yùn)行效率。并在此基礎(chǔ)上引入GSA搜索算法對(duì)SVM的懲罰因子C和核參數(shù)g進(jìn)行尋優(yōu)，GSA算法比PSO算法具備參數(shù)更少，搜算算法更加廣泛等優(yōu)勢(shì)，在一定程度上提高了模型的識(shí)別效率與運(yùn)行速率。與KPCA-PSO-SVM 模型比較，KPCA-CSA-SVM 模型的判別準(zhǔn)確率和運(yùn)行速度更佳，具有更強(qiáng)的穩(wěn)定性、泛化能力和學(xué)習(xí)能力[35-39]。

2）但由于客觀條件的限制，本研究所收集的數(shù)據(jù)有限，且主要針對(duì)楊木、樟子松的2類(lèi)缺陷完成了識(shí)別工作，當(dāng)識(shí)別對(duì)象為樣本庫(kù)外樹(shù)種的缺陷可能存準(zhǔn)確率不高的情況，對(duì)于不同樹(shù)種的缺陷可能識(shí)別效果不好，因此，在今后的研究工作中，還需要進(jìn)行更為完善的研究，有必要收集更加豐富的實(shí)測(cè)數(shù)據(jù)資料，以提供更加可靠的判別信息，增強(qiáng)模型的適用性[40]。

【參考文獻(xiàn)】

[1]尚宇輝.大數(shù)據(jù)與數(shù)字圖像處理技術(shù)的應(yīng)用[J].集成電路應(yīng)用，2021，38（10）：90-91.

SHANG Y H. Application of big data and digital image processing technology[J]. Application of IC， 2021， 38（10）： 90-91.

[2]吳少霜，趙純，朱亞男，等.數(shù)字圖像處理技術(shù)在果蔬分級(jí)檢測(cè)中的應(yīng)用[J].福建農(nóng)機(jī)，2021（3）：30-36.

WU S S， ZHAO C， ZHU Y N， et al. Application of digital image processing technology in fruit and vegetable grading detection[J]. Fujian Agricultural Machinery， 2021（3）： 30-36.

[3]馬旭，劉應(yīng)安，業(yè)寧，等.基于核PCA與SVM算法的木材缺陷識(shí)別[J].常州大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，29（3）：60-68.

MA X， LIU Y A， YE N， et al. Application of KPCA and SVM to wood defect recognition[J]. Journal of Changzhou University （Natural Science Edition）， 2017， 29（3）： 60-68.

[4]ZHANG Y X， ZHAO Y Q， LIU Y， et al. Identification of wood defects based on LBP features[C]//2016 35th Chinese Control Conference （CCC）. July 27-29， 2016， Chengdu， China. IEEE， 2016： 4202-4205.

[5]郭慧，王霄，劉傳澤，等.基于灰度共生矩陣和分層聚類(lèi)的刨花板表面圖像缺陷提取方法[J].林業(yè)科學(xué)，2018，54（11）：111-120.

GUO H， WANG X， LIU C Z， et al. Research on defect extraction of particleboard surface images based on gray level co-occurrence matrix and hierarchical clustering[J]. Scientia Silvae Sinicae， 2018， 54（11）： 111-120.

[6]JI X Y， GUO H， HU M H. Features extraction and classification of wood defect based on hu invariant moment and wavelet moment and BP neural network[C]//Proceedings of the 12th International Symposium on Visual Information Communication and Interaction. Shanghai China. New York， NY， USA： ACM， 2019： 37：1-5.

[7]羅微，孫麗萍.利用局部二值模式和方向梯度直方圖融合特征對(duì)木材缺陷的支持向量機(jī)學(xué)習(xí)分類(lèi)[J].東北林業(yè)大學(xué)學(xué)報(bào)，2019，47（6）：70-73.

LUO W， SUN L P. Wood defect detection and classification by fusion feature and support vector machine[J]. Journal of Northeast Forestry University， 2019， 47（6）： 70-73.

[8]KAUR I， AGGARWAL G， VERMA A. Detection and classification of disease affected region of plant leaves using image processing technique[J]. Indian Journal of Science and Technology， 2016， 9（48）： 1-13.

[9]ZHANG Z H， LUO Y C， DENG X D， et al. Digital image technology based on PCA and SVM for detection and recognition of foreign bodies in lyophilized powder[J]. Technology and Health Care： Official Journal of the European Society for Engineering and Medicine， 2020， 28（S1）： 197-205.

[10]宋月嬋，劉光萍.基于KPCA-SVM的預(yù)測(cè)模型在鈾礦堆浸中的應(yīng)用[J].江西科學(xué)，2015，33（1）：106-111.

SONG Y C， LIU G P. The application of heap leaching of uranium based on KPCA-SVM[J]. Jiangxi Science， 2015， 33（1）： 106-111.

[11]CUONG-LE T， NGHIA-NGUYEN T， KHATIR S， et al. An efficient approach for damage identification based on improved machine learning using PSO-SVM[J]. Engineering With Computers， 2022， 38（4）： 3069-3084.

[12]ROSSO M M， CUCUZZA R， DI TRAPANI F， et al. Nonpenalty machine learning constraint handling using PSO-SVM for structural optimization[J]. Advances in Civil Engineering， 2021， 2021： 1-17.

[13]劉波，寧芊.基于特征融合和KPCA＿GA-SVM的滾動(dòng)軸承故障診斷[J].現(xiàn)代計(jì)算機(jī)（專(zhuān)業(yè)版），2019（11）：32-38.

LIU B， NING Q. Mechanical bearing fault diagnosis based on feature fusion and KPCA＿GA-SVM[J]. Modern Computer， 2019（11）： 32-38.

[14]KUANG F， ZHANG S， XU W. A novel hybrid KPCA and SVM with GA model for intrusion detection[J]. Applied Soft Computing， 2014， 18： 178-184.

[15]譚念，孫一丹，王學(xué)順，等.基于主成分分析和支持向量機(jī)的木材近紅外光譜樹(shù)種識(shí)別研究[J].光譜學(xué)與光譜分析，2017，37（11）：3370-3374.

TAN N， SUN Y D， WANG X S， et al. Research on near infrared spectrum with principal component analysis and support vector machine for timber identification[J]. Spectroscopy and Spectral Analysis， 2017， 37（11）： 3370-3374.

[16]王學(xué)順，孫一丹，黃安民.木材紅外光譜的樹(shù)種識(shí)別研究[J].森林工程，2015，31（6）：65-70.

WANG X S， SUN Y D， HUANG A M. Research on infrared spectrum for timber species identification[J]. Forest Engineering， 2015， 31（6）： 65-70.

[17]張冬妍，張春妍，尹文芳.基于KPCA和PSO-SVM的木材干燥過(guò)程在線優(yōu)化建模研究[J].安徽農(nóng)業(yè)科學(xué)，2014，42（7）：1993-1996.

ZHANG D Y， ZHANG C Y， YIN W F. Optimized online modeling of timber drying process using kernal principal component analysis and PSO-SVM[J]. Journal of Anhui Agricultural Sciences， 2014， 42（7）： 1993-1996.

[18]吳嘯天.基于多特征提取和SVM分類(lèi)器的木材顯微識(shí)別[J].陜西林業(yè)科技，2017（5）：11-14.

WU X T. Wood microscopic recognition based on feature extraction and SVM classifiers[J]. Shaanxi Forest Science and Technology， 2017（5）： 11-14.

[19]盛劍橋，方圓，張亮，等.粒子群算法優(yōu)化SVM的無(wú)線網(wǎng)絡(luò)安全狀態(tài)檢測(cè)方法[J].自動(dòng)化技術(shù)與應(yīng)用，2022，41（12）：55-58.

SHENG J Q， FANG Y， ZHANG L， et al. Particle swarm optimization SVM wireless network security state detection method[J]. Techniques of Automation and Applications， 2022， 41（12）： 55-58.

[20]戴娟，顧斌杰，潘豐.基于引力搜索算法的SVM參數(shù)優(yōu)化及應(yīng)用[J].江南大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，12（2）：127-131.

DAI J， GU B J， PAN F. Parameter optimization and application of SVM based on gravitational search algorithm[J]. Journal of Jiangnan University （Natural Science Edition）， 2013， 12（2）： 127-131.

[21]龔安，呂倩，胡長(zhǎng)軍，等.基于混沌萬(wàn)有引力搜索算法的SVM參數(shù)優(yōu)化及應(yīng)用[J].計(jì)算機(jī)科學(xué)，2015，42（4）：240-243.

GONG A， LYU Q， HU C J， et al. Parameter optimization and application of SVM based on chaos gravitational search algorithm[J]. Computer Science， 2015， 42（4）： 240-243.

[22]李健，丁小奇，陳光，等.基于改進(jìn)高斯濾波算法的葉片圖像去噪方法[J].南方農(nóng)業(yè)學(xué)報(bào)，2019，50（6）：1385-1391.

LI J， DING X Q， CHEN G， et al. Blade image denoising method based on improved Gauss filtering algorithm[J]. Journal of Southern Agriculture， 2019， 50（6）： 1385-1391.

[23]王海菊，譚常玉，王坤林，等.自適應(yīng)高斯濾波圖像去噪算法[J].福建電腦，2017，33（11）：5-6.

WANG H J， TAN C Y， WANG K L， et al. Adaptive Gaussian filter image denoising algorithm[J]. Fujian Computer， 2017， 33（11）： 5-6.

[24]李燦林，劉金華，張衛(wèi)正，等.一種非均勻照明彩色圖像自適應(yīng)校正方法[J].科學(xué)技術(shù)與工程，2021，21（10）：4133-4140.

LI C L， LIU J H， ZHANG W Z， et al. An adaptive method for color image correction with non-uniform illumination[J]. Science Technology and Engineering， 2021， 21（10）： 4133-4140.

[25]KANSAL S， TRIPATHI R K. Adaptive gamma correction for contrast enhancement of remote sensing images[J]. Multimedia Tools and Applications， 2019， 78（18）： 25241-25258.

[26]KIM Y， KOH Y J， LEE C， et al. Dark image enhancement based onpairwise target contrast and multi-scale detail boosting[C]//2015 IEEE International Conference on Image Processing （ICIP）. September 27-30， 2015， Quebec City， QC， Canada. IEEE， 2015： 1404-1408.

[27]HEMACHANDRAN K. Image retrieval based on color moments[J]. Digital Image Processing， 2012， 4（16）： 910-916.

[28]RAJ R， SUDHAMANI D M V. Retrieval of images using combination of features as color， color moments and hu moments[J]. Advances in Image and Video Processing， 2019， 7（5）： 9-21.

[29] SINGH H， AGRAWAL D. A hybrid content based image retrieval system based onlocal binary pattern （LBP）， color moment （CM） and edges[J]. International Journal of Engineering and Technology， 2017， 9（1）： 45-54.

[30]劉勝昔，程春玲.改進(jìn)的Gabor小波變換特征提取算法[J].計(jì)算機(jī)應(yīng)用研究，2020，37（2）：606-610.

LIU S X， CHENG C L. Feature extraction algorithm based on improved Gabor wavelet transform[J]. Application Research of Computers， 2020， 37（2）： 606-610.

[31]周華平，張曉宇，姚尚軍，等.融合FLBP和Gabor小波的圖像輪廓提取算法[J].佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，39（1）：49-52.

ZHOU H P， ZHANG X Y， YAO S J， et al. An image contour extraction algorithm fused FLBP and Gabor wavelet[J]. Journal of Jiamusi University （Natural Science Edition）， 2021， 39（1）： 49-52.

[32]ZHAO J D， WANG X K. Vehicle-logo recognition based on modified HU invariant moments and SVM[J]. Multimedia Tools and Applications， 2019， 78（1）： 75-97.

[33]KONDUSOV D V， SERGEEV A I， KONDUSOVA V B. Comparison of 3D models using hu moment invariants[J]. Russian Engineering Research， 2020， 40（7）： 570-574.

[34]QIAN X， CHEN J P， XIANG L J， et al. A novel hybrid KPCA and SVM with PSO model for identifying debris flow hazard degree： a case study in Southwest China[J]. Environmental Earth Sciences， 2016， 75（11）： 991.

[35]LUO W， SUN L P. An improved binarization algorithm of wood image defect segmentation based on non-uniform background[J]. Journal of Forestry Research， 2019， 30（4）： 1527-1533.

[36]趙乾.基于極限學(xué)習(xí)機(jī)的實(shí)木板材缺陷檢測(cè)算法研究[D].南京：南京林業(yè)大學(xué)，2018.

ZHAO Q. Research on defect detection algorithm of solid wood board based on extreme learning machine[D]. Nanjing： Nanjing Forestry University， 2018.

[37]XIE Y H， Wang J C. Study on the identification of the wood surface defects based on texture features[J]. Optik-International Journal for Light and Electron Optics， 2015， 126（19）： 2231-2235.

[38]SHI Z H， FENG Y N， ZHAO M H， et al. Normalised gamma transformation-based contrast-limited adaptive histogram equalisation with colour correction for sand-dust image enhancement[J]. IET Image Processing， 2020， 14（4）： 747-756.

[39]WANG L Z， XI J N， CAO Q， et al. The effect of echocardiography based on lipid nano contrast agent on cardiology patients with heart failure and atrial fibrillation[J]. Journal of Nanoscience and Nanotechnology， 2021， 21（2）： 852-858.

[40]尹建新，祁亨年，馮海林，等.一種基于混合紋理特征的木板材表面缺陷檢測(cè)方法[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2011，28（6）：937-942.

YIN J X， QI H N， FENG H L， et al. A method for wood surface defect detection based on mixed texture features[J]. Journal of Zhejiang A & F University， 2011， 28（6）： 937-942.