[1]马旭,刘应安,业宁,等.基于核PCA与SVM算法的木材缺陷识别[J].常州大学学报(自然科学版),2017,(03):60-68.[doi:10.3969/j.issn.2095-0411.2017.03.009]
　MA Xu,LIU Yingan,YE Ning,et al.Application of KPCA and SVM to Wood Defect Recognition[J].Journal of Changzhou University(Natural Science Edition),2017,(03):60-68.[doi:10.3969/j.issn.2095-0411.2017.03.009]
点击复制

基于核PCA与SVM算法的木材缺陷识别()
分享到：

常州大学学报(自然科学版)[ISSN:2095-0411/CN:32-1822/N]

卷:
期数:
2017年03期
页码:
60-68
栏目:
计算机与信息工程
出版日期:
2017-05-28

文章信息/Info

Title:
Application of KPCA and SVM to Wood Defect Recognition
作者:
马旭; 刘应安; 业宁; 闫贺
南京林业大学 信息科学技术学院,江苏 南京 210037
Author(s):
MA Xu;  LIU Ying’an;  YE Ning;  YAN He
College of Information Science and Technology, Nanjing Forestry University, Nanjing 210037, China
关键词:
木材缺陷;  核函数;  主成分提取;  支持向量机
Keywords:
wood defect;  kernel function;  PCA;  SVM
分类号:
TS 611
DOI:
10.3969/j.issn.2095-0411.2017.03.009
文献标志码:
A
摘要:
木材缺陷是影响木材产业化推广的重要因素之一,通过合理的木材缺陷识别方法可以有效规避木材缺陷在实际应用中带来的资源浪费问题,同时大幅提高木材的实际利用率。针对木材节子非线性的特征,提出了一种新颖的木材缺陷识别方法。首先,通过核主成分分析方法(Kernel Principal Component Analysis,KPCA),采用多项式的核函数(Polynomial kernel function)对木材原始的非线性数据从低维映射到高维线性特征空间,然后再对映射空间中的线性样本进行降维处理,目的是为了提取到样本的特征参数。其次,结合SVM模型,选择多项式核函数,完成对木材缺陷的识别。最后,通过比较实验所得数据与实测数据,实验结果表明本文提出的方法有较高的识别精度和识别效率。
Abstract:
Wood defect is an important factor affecting the wood industrialization promotion.A reasonable wood defect recognition method can effectively avoid the waste of resources caused by wood defects in the practical application. At the same time it can raise the actual utilization of wood. Considering the nonlinear characteristic of wood defects, a new wood defect recognition method is proposed. Firstly, mapping wood original nonlinear data from low dimensional to high dimensional linear feature space using the polynomial kernel function. And then the mapping space of linear dimension reduction processing samples. The purpose is to extract the feature parameters to the samples. Next by means of the SVM model, the polynomial kernel function is selected to complete the wood defect identification. The experimental results show that the proposed method has higher recognition accuracy and efficiency by comparing the data from experiment and the measured data.

参考文献/References:

[1]郭益轩. 关于提高木材利用率的几点建议[J]. 林业经济,1988(2):61-62.
[2]陈志林,傅峰,叶克林. 我国木材资源利用现状和木材回收利用技术措施[J]. 中国人造板,2007(5):1-3.
[3]牟洪波. 基于BP和RBF神经网络的`木材缺陷检测研究[D].哈尔滨:东北林业大学,2010.
[4]王玉珏. 基于颜色特征木材缺陷检测的研究[D].哈尔滨:东北林业大学,2010.
[5]徐姗姗,刘应安,徐昇. 基于卷积神经网络的木材缺陷识别[J]. 山东大学学报(工学版),2013(2):23-28.
[6]白雪冰,许景涛,郭景秋,等. 基于局部二值拟合模型的板材表面节子与虫眼的图像分割[J]. 浙江农林大学学报,2016(2):306-314.
[7]方超. 木材缺陷的图像检测技术[D]. 哈尔滨:哈尔滨工程大学,2010.
[8]王光林,范玉玲,邵新建. 浅析木材检验中节子缺陷对材质的影响[J]. 科技创新与应用,2013(8):35-36.
[9]PEARSON K. Onlines and planes of closest fit to systems of points in space[J]. Philosophical Magazine,1901, 2(6): 559-572.
[10]FISHER R A. The use of multiple measurements in taxonomic problems[J]. Annals of Eugenics,1936, 7(2): 179-188.
[11]于成龙. 基于PCA的特征选择算法[J]. 计算机技术与发展,2011(4):123-125.
[12]牟少敏. 核方法的研究及其应用[D].北京:北京交通大学,2008.
[13]高绪伟. 核PCA特征提取方法及其应用研究[D].南京:南京航空航天大学,2009
[14]李庆震,祝小平. 基于核PCA的智能图像分析算法[J].弹箭与制导学报,2007(5):189-192.
[15]CORTES C, VAPNIK V. Support vector networks[J]. Machine Learning, 1995, 20:273-295
[16]吴晓婷,闫德勤. 数据降维方法分析与研究[J]. 计算机应用研究,2009(8):2832-2835.
[17]张召,业宁,业巧林. 基于纹理提取和SVM技术的自动木材缺陷识别[J]. 计算机工程与应用,2009,23:219-223.

备注/Memo

备注/Memo:
收稿日期:2016-09-15。
作者简介:马旭(1993—),男,江苏仪征人,硕士生,主要从事数据挖掘、模式识别研究。通讯联系人:刘应安(1965—),E-mail: lyastat@163.com
更新日期/Last Update: 2017-06-05