【目的】针对传统木材种类人工鉴定方法存在的专业性强、任务重、周期长和非实时性等问题，提出一种基于改进残差神经网络的木材识别算法，以满足木材监管实时性和高效性需求。【方法】以32种横截面打磨后的木材为研究对象，首先，利用外带微距镜头的手机采集8 975幅木材横截面图像，通过R、G、B三通道平均灰度值计算增益系数，用各通道灰度值与对应增益系数的乘积代替原始通道灰度值，消除由图像采集设备和环境差异引起的偏色影响；其次，基于木材横截面宏观结构的自相似性，采用水平翻转、垂直翻转、添加椒盐噪声和图像分块方式获取更多的训练样本和图像特征，并保证不同种类的木材图像数量相对均衡；然后，通过双线性插值法将每幅分块子图像统一缩放至224×224像素，应用基于分块梯度加权的改进残差卷积神经网络ResNet101模型对每幅子图像进行特征提取，并计算每幅图像的最终识别得分；最后，选择平均准确率和平均召回率评价不同分块处理策略、不同模型和改进的残差卷积神经网络模型的识别结果。【结果】在同一测试集上，VggNet16、GoogleNet、DenseNet、MobileNetv3、ResNet50、ResNet101和ResNet152模型对32种相似木材横截面原图进行识别，平均识别准确率分别为71.3%、81.3%、83.2%、66.4%、87.9%、92.1%和90.5%,ResNet101模型适合于木材图像特征提取和种类鉴定；基于原图5×5、7×7和10×10分块的ResNet101模型，分别获得94.8%、96.5%和95.3%的平均准确率；将分块梯度加权策略应用于ResNet101模型，获得98.8%的平均准确率和99.1%的平均召回率，较基于原图、7×7分块的ResNet101模型，采用分块梯度加权方法改进的ResNet101模型的平均准确率分别提高6.7%和2.3%,平均召回率分别提高7.4%和2.8%,分块梯度加权方法可有效提升木材识别模型的准确率。【结论】基于分块梯度加权的ResNet101模型对32种相似木材进行识别，平均准确率为98.8%;木材横截面图像可用于木材种类识别，分块梯度加权策略能够提高模型识别准确率。

【目的】基于可见/近红外光谱技术，以10种木材为研究对象，探索不同预处理和特征提取方法下BP神经网络识别木材的效果。【方法】利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图，分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法+标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理，运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取，将提取的特征结合BP神经网络进行木材识别试验。【结果】以SPA和GA联合提取光谱特征时，移动平均法+SNV的预处理效果最佳，以吸收峰为起始波段(W_(initial)=1 445 nm)、吸收峰个数为特征个数(N_(tot)=9)时，识别率较高，特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%，其中7种木材的识别率达到了100.0%。【结论】在移动平均法+SNV的预处理下，SPA和GA联合提取光谱图的特征，既可提高BP神经网络识别木材的正确率，又可提升识别速度。图3表6参23

利用榆木标准试件,在实验室内用超声波检测仪器对试件进行缺陷分类检测,检测信号作为原始信息。各类试件的原始信号用小波包分解,计算缺陷试件与完好试件在小波包第5层各结点的信号能量变化值。试验发现:木材缺陷引起能量的变化值主要由木材缺陷的大小或严重程度来决定,亦即木材的缺陷程度越严重,能量的变化幅度就越大;对小波包5层分解后各信号结点的能量变化值进行分析,发现在32个结点中,(5,0)结点在各类缺陷试件中能量值变化最大;使用经小波压缩后的信号作为神经网络的输入,形成应用频带能量变化值和应用(5,0)结点小波包系数的2个不同输入特征的人工神经网络。对比分析2个网络识别木材缺陷类型的能力,(5,0)结点...

本文介绍了基于遗传算法的神经网络模型 ,应用该模型对我国山东省木材消耗量进行了预测 ,结果表明 ,预测精度高 ,并且具有良好的扩展性

提出一种基于过程神经网络的木材生长轮密度长期预测方法。本方法利用输入输出均为时变函数的过程神经网络输出为时变函数的特点,将原始数据拟合为输入函数并表示为一组正交基的展开形式后,使用混合遗传算法训练过程神经网络,得到过程神经网络的输出函数,以此实现木材生长轮密度的一次多步长期预测,通过与传统时间序列预测方法比较,预测精度得到显著提高,并为时间序列长期预测问题提供新方法。

【目的】构建基于卷积神经网络的木材识别系统,实现木材树种在多场景条件下的自动精准识别,为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。【方法】采集15种黄檀属和11种紫檀属木材标本横切面构造特征图像,建立图像数据集Rosewood-26;构建AlexNet、VGG16、DenseNet-121和ResNet-50共4种卷积神经网络模型,基于ImageNet图像数据集对模型进行迁移学习,采用Rosewood-26图像数据集训练、测试和比较模型,优选识别性能较好的卷积神经网络模型,并进行木材树种分类;在此基础上,构建包含15种黄檀属和11种紫檀属树种的木材自动识别系统iWood,利用市场木材样品对系统进行应用测试和评价。【结果】在构建的4种卷积神经网络模型中,ResNet-50模型表现出最高的识别精度(98.33%)、最少的权重数量和较低的模型复杂性,适用于木材树种准确快速识别;ResNet-50模型对9种黄檀属和3种紫檀属木材的识别精度达100%,并可成功鉴别构造特征极其相似的檀香紫檀和染料紫檀;基于ResNet-50模型构建的木材自动识别系统iWood,在"属"和"种"水平的识别精度分别为91.8%和77.3%。【结论】基于卷积神经网络的木材识别系统iWood适用于海关执法、木材贸易和质量监督检验等多场景下的木材自动精准识别,能够为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。

为了研究BP神经网络改进学习算法的适用情况,通过对实际的4个应用运用BP神经网络的多种改进的学习算法进行训练,比较得到各学习算法的适用范围,并能根据所研究问题类型、网络大小和要求精度等来选择合适的学习算法。结果表明:LM算法逼近效果好,但不适合大规模网络,RPROP算法应用于模式识别收敛速度最快,但不太适合函数逼近,SCG算法对较大网络规模的性能很好,且逼近效果好。

文章在分析宏观经济系统特点之后,针对现有的采用人工神经网络对经济系统进行建模和预测的方法的存在的问题,提出了一种改进型神经网络算法。首先对训练样本集采用链式数据重组的方法进行扩充;然后在构造的人工神经网络输入层单元引入经济指标的增长率数据和时间窗口序列数据。仿真结果表明,文章提出的算法能够增强神经网络的泛化能力,提高系统模型的预测精度。

为提升自相关过程监控的效率，提出基于门控循环单元(gated recurrent unit,GRU)神经网络的自相关过程残差控制图。采用受控下的自相关过程数据对GRU网络进行离线训练与测试，对预测误差进行监控，形成控制用残差控制图。采用训练好的GRU网络预测当前过程波动，利用控制用残差控制图判定当前过程是否失控。运用蒙特卡洛仿真法，与基于一阶自回归模型、BP神经网络以及支持向量回归构建的残差控制图进行性能对比。研究表明，过程受控时，所提残差控制图与其他3种的稳态平均运行链长相差不大，即4者的性能表现相当；而在均值偏移异常过程中，所提残差控制图的平均运行链长远小于其他3种，对自相关过程均值偏移具有较好的监控性能。

将Ｈｏｐｆｉｅｌｄ神经网络算法的能量函数值做为模拟退火算法的初始值，使用模拟退火算法以一定概率接收较差值的方法把结果反馈给神经网络，从而克服Ｈｏｐｆｉｅｌｄ网络算法容易陷入局部最优解的缺点。然后把改进后的算法应用到配送路径优化中，通过对比原有算法，最终得到一种快速、高效的启发式新算法。

针对单依靠颜色或形状将采摘期玫瑰花从图像中分割出来难度较大的问题,研究一种基于神经网络的食用玫瑰花图像识别算法。将处于采摘期的玫瑰花正面图像作为识别对象,先提取HSI色彩空间下的S分量,用最大类间方差法(Otsu)进行分割;再提取目标图像灰度共生矩阵下的纹理特征,选取区分度高的纹理特征,结合BP神经网络,建立识别模型。试验结果表明:该方法正确识别率>85%,识别率主要受试验样本开放标准选取的影响,而受光照影响不敏感,是一种较好的识别方法。

在简要介绍人工神经网络的基本特征和基本功能的基础上 ,阐明利用这些特征和功能在木材工业中可能的应用方向。利用神经网络可以预测木材干燥中木材在不同温湿度条件下的含水率、应力与应变情况和植物纤维复合材料在不同工艺条件下的性能、优化林化产品等工艺条件以及预测林产品市场的国内外走向等。

利用神经网络所具有的输入-输出之间的高度非线性映射关系,给出一种利用BP神经网络模型预测木材径向导热系数的方法。为了提高网络模型的泛化能力,采用规则化调整的方法。仿真结果表明:利用文中所提出的神经网络模型能够较准确、快速地预测木材径向导热系数的变化,其精度高于推导出的木材径向导热系数的理论公式。

为了研究年降雨量的变化规律及特点,采取预防措施,减少灾害损失,根据1955～2006年盘锦地区的气象资料,利用Matlab软件分别取不同的网络训练样本,建立了3组BP神经网络预测模型。然后利用遗传算法对Elman神经网络进行优化,建立了遗传神经网络预测模型。对比结果表明遗传神经网络的预测精度高于BP神经网络预测模型。说明利用遗传神经网络模型对盘锦地区的年降雨量进行预测是可行的。

为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。