[发明专利]基于神经网络的近红外光谱识别古筝面板用木材等级的方法

说明书

本发明公开了一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法，所述方法包括如下步骤：(1)将包含不同等级的古筝面板用木材的近红外光谱数据进行Savitzky‑Golay卷积平滑和一阶导数预处理和主成分分析；(2)构建改进的BP神经网络模型；(3)训练改进的BP神经网络模型；(4)利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类，从而实现古筝面板用木材的等级识别。本发明基于可以涵盖不同等级古筝面板用木材的化学物质的近红外光谱数据进行判别，测量数据快，成本低，判断时间短，有效缩小计算数据量，不掺杂主观臆断，稳定性较高，方法更具健壮性。

技术领域

本发明属于古筝板材的等级鉴别技术领域，涉及一种古筝面板用木材的等级鉴别方法，尤其涉及一种基于识别板材的近红外光谱波段的化合物特征峰等信息和神经网络提取特征向量，从而识别其板材等级的测试方法。

背景技术

随着我国经济的飞速发展和生活水平的不断提高，人们对于高等级古筝制品的需求量也在不断增长，人们对于古筝音质的要求也越来越高，高音质的古筝制品具有非常高的演奏价值。通过拨弦引起振动，通过筝码传播到面板，从而产生美妙的旋律，可见在古筝结构中其他用料一致的情况下，面板木材的好坏很大程度上决定了古筝的音色优美与否。古筝面板木材分为高级品、中级品和普及品三个等级，由于泡桐木材具有木质疏松，共振好等特点，广泛用于制作古筝面板。古筝面板用木材的等级选择在制作古筝过程中是一项重要的工作。目前，我国对木材识别的方法标准只有QB/T 1207.3-2011《筝》标准，该标准是以木材的宏观特征为依据。我国古筝制作行业在面板用木材的选择上主要有木材切片法和经验法。对于木材切片法，进行鉴别的时候需要破坏等操作，造成木材的浪费。对于传统经验法，通常依赖于乐器技师观察木材纹理和疤结大小和数量、掂、敲、听等方式进行主观评判。此传统方法缺少了科学理论的总结，板材等级判断时间较长，判断准确率受主观影响和误判率高，这就使得乐器质量的提高、选材的客观性以及出材率的提高等方面受到限制。同时在生产过程中，富有经验的相关工作人员的数量逐年递减，此现状为面板板材等级快速正确判别带来了限制。

发明内容

为了克服判别时间长、判别结果易受判别者主观影响和相关从业者人数逐年递减等存在的问题，本发明提供了一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法。此方法基于可以涵盖不同等级古筝面板用木材的化学物质的近红外光谱数据进行判别，测量数据快，成本低，判断时间短，有效缩小计算数据量，不掺杂主观臆断，稳定性较高，方法更具健壮性。

本发明的目的是通过以下技术方案实现的：

一种基于神经网络的近红外光谱识别古筝面板用木材等级的方法，包括如下步骤：

步骤(1)：将包含不同等级的古筝面板用木材的N组不同波段的近红外光谱数据进行Savitzky-Golay卷积平滑和一阶导数预处理和主成分分析，将变换后的不同波段的近红外光谱数据随机分组，将其中的n组数据作为训练样本集，N-n组数据作为测试样本集；

步骤(2)：构建改进的BP神经网络模型；

步骤(3)：将训练样本集作为训练样本输入步骤(2)构建的改进的BP神经网络模型中，利用模型设计样本，得到训练好的改进的BP神经网络模型和基于训练样本集板材的最佳等级分类结果，从而确定用于实验分析的最佳光谱数据波段；

步骤(4)：将测试样本集作为测试样本输入步骤(3)训练好的改进的BP神经网络模型中，利用训练好的改进的BP神经网络模型对古筝面板用木材近红外光谱数据进行分类，从而实现古筝面板用木材的等级识别。

相比于现有技术，本发明具有如下优点：

1、本发明将采集的近红外光谱数据进行预处理和主成分分析操作，将变换的数据送入改进BP神经网络模型，提取不同等级的古筝面板木材的特征信息，实现了快速准确古筝面板用等级识别，通过计算机的手段进行判断，避免人工判别的方式，缩短识别时间，误判率较低，判别结果更具客观性。