基于半監(jiān)督學習的木材識別研究.pdf

1、木材與人們的生活息息相關。然而，木材種類繁多，性能各異，價格差距較大。木材的正確識別對于木材研究、合理利用、市場流通及管理都具有重要的意義。
　　本文應用視覺手段和半監(jiān)督學習方法對木材自動、準確識別的核心算法和關鍵技術進行了深入研究。在分析木材宏觀、微觀特點和常用識別方法的基礎上，提取了木材圖像的各種視覺特征，為充分利用大量的無標記木材圖像，提高木材識別的準確率，本文研究了單視角下Laplacian正則化支持向量機、Hessian

2、正則化支持向量機以及多視角下Laplacian正則化支持向量機、Hessian正則化支持向量機等基于半監(jiān)督學習的木材識別，并探討了稀疏編碼在多視角Hessian正則化支持向量機中的應用，實現(xiàn)木材自動、準確識別。
　　本文主要在以下方面進行了深入研究:
　　(1)在分析研究常見木材宏觀和微觀特征的基礎上，針對木材的特點，提取了顏色及紋理等86種木材視覺特征。研究并提取了木材HSV顏色空間下H、S、V各通道上的顏色直方圖、顏色矩

3、等特征。基于灰度共生矩陣提取了木材紋理的能量、熵、慣性矩等特征，并分析了不同角度和生長步長對紋理特征提取的影響。以人感官對木材紋理判斷為基礎，提取了木材圖像Tamura紋理特征。由于提取的特征多達86個，會降低運算效率，因此，采用主成分分析的方法對這86個特征進行降維。實驗結果表明，采用前10個特征值對應的主成分能夠表示木材圖像99％的信息。
　　(2)在分析支持向量機的基礎上，研究了單視角下基于半監(jiān)督學習的木材識別方法。針對支持

4、向量機(SVM)是有監(jiān)督學習，無法充分利用木材的無標記樣本以及泛化能力差等問題，提出了Laplacian正則化支持向量機(LapSVM)和Hessian正則化支持向量機(HesSVM)的木材識別方法。通過構造有標記和無標記木材樣本鄰接圖將Laplacian正則項引入到支持向量機目標函數(shù)中，有效表達了木材訓練樣本的流形分布，利用木材訓練樣本的局部結構信息，較大幅度提高了支持向量機的分類性能。針對Laplacian正則化對訓練樣本域外的樣本

5、趨于常數(shù)的缺點，利用Hessian正則化項取代Laplacian正則化項并引入到支持向量機的目標函數(shù)中。由于Hessian正則化具有更豐富的零空間，能夠對訓練樣本域外的樣本做出較好的線性估計，Hessian正則化支持向量機具有更好的識別性能。實驗結果表明，提出的算法對木材具有較高的識別正確率。
　　(3)針對木材有橫切面、弦切面和縱切面以及多種宏觀微觀特征的問題，研究了多視角Laplacian正則化支持向量機(mLapSVM)和多

6、視角Hessian正則化支持向量機(mHesSVM)的木材識別方法。將木材樣本用多維特征表示，每種特征看作是一個視角并作為一個學習器，通過學習獲得不同視角特征的優(yōu)化權重，對木材樣本的不同特征合理優(yōu)化利用。實驗結果表明，與使用單視角特征相比，多視角半監(jiān)督學習方法在木材的識別中具有更好的識別正確率，尤其在木材訓練樣本較少的情況下。
　　(4)研究了多視角Hessian正則化稀疏編碼支持向量機(mHesSCSVM)木材識別方法。該方法將

7、木材樣本的標簽信息看作是一個附加的木材視角特征，在稀疏編碼中整合了多個木材特征，利用Hessian正則化對木材樣本鄰接圖進行編碼以保持木材樣本幾何局部簡單，驅動解決方案沿著流形的測地線平滑變化，無縫地集成了Hessian正則化和判別功能，有效綜合了木材不同視角特征的互補性，在不需要增加計算復雜性前提下提高了木材識別的正確率。
　　實驗結果表明，本文提出的基于半監(jiān)督學習木材識別方法可以實現(xiàn)木材自動、準確、高效的識別。研究結果將為木材