查看更多>>摘要:[目的]木材密度不仅与木材的各种材性密切相关,而且是衡量木材质量与价值的重要指标.采用近红外光谱(Near infrared spectroscopy,NIRS)分析技术能够快速、高效地预测木材密度,避免了传统试验中繁琐的检测步骤.长短期记忆网络(Long short-term memory network,LSTM)作为循环神经网络(Recurrent neural network,RNN)的变体,不仅可以学习序列数据之间的高阶特征信息,而且克服了RNN中的长距离依赖、梯度爆炸与梯度消失等问题.将LSTM与NIRS结合,提出一种能够准确预测樟子松木材气干密度的无损检测技术,为提高NIRS模型预测木材气干密度精度提供理论依据.[方法]该研究以樟子松木材样本为研究对象,用近红外光谱仪获得 106 个樟子松样本的光谱数据,并在恒温(20±2℃)恒湿(65%±3%)的环境下测定样本的气干密度.通过对比多组预处理方法和特征选择方法,采用Savitzky-Golay卷积平滑(Savitzky-Golay smoothing,SGS)等方法进行预处理,采用竞争性自适应加权算法(Competitive adaptive reweighted sampling,CARS)进行波段选择,剔除NIRS数据中的高频噪声与冗余信息,提升光谱数据质量、建模速度与精度.为验证LSTM模型预测能力,将其与偏最小二乘回归(Partial least squares regression,PSLR)、卷积神经网络(Convolution neural network,CNN)等建模算法对比分析.上述 3 种算法被分别应用于建立樟子松木材气干密度近红外预测模型.[结果]基于上述 3 种建模方法建立的NIRS模型均可实现樟子松气干密度的有效预测.且LSTM模型的预测精度与回归拟合度均优于PLSR与CNN模型.其中SGS+CARS处理后的LSTM模型的预测精度最高、泛化性能最强、拟合效果最好(R2=0.959,RMSEP=0.005,RPD=5.033).[结论]通过对樟子松木材光谱数据与气干密度的采集,建立了一种新型的基于NIRS分析技术与LSTM的木材气干密度检测方法.LSTM预测模型相较于传统的回归模型,模型的预测精度更高,回归效果更好,鲁棒性更强.该检测方法既可保证木材的完整性,又可以提高气干密度的预测精度,实现了对樟子松木材气干密度的快速无损检测,为木材近红外光谱分析提供了可参考的模型与理论依据.