CN119413750A 一种杨树品种和纸浆材快速无损鉴定方法、测定方法、系统、设备及介质 （中国林业科学研究院）

一种杨树品种和纸浆材快速无损鉴定方法、本发明涉及一种杨树品种和纸浆材快速无2对所得的近红外光谱数据进行逐点或分段自适应滤波处理根据基于预设目标构建的光谱波长选择策略，对提纯后的光谱数构建至少一种深度学习模型作为识别模型，并控制加工设备将气干处理之后的毛坯试样加工成同等规格的若控制粉碎机将第二部分样品粉碎成木粉，并控制过滤设备将木根据光谱数据的分布特性，通过小波变换对所得的近红外光谱数据对每层细节系数，基于当前层的噪声特性确定一基准阈值，并基准阈通过小波逆变换，将滤波处理后的细节系数和近似系数进行重3;将预先设定的包含分类准确率最大化和预测误差最小化的需求目标，将提纯后的光谱数据经处理作为初始光谱数据集合，利用预先构在每次迭代中，基于当前光谱数据集合生成新的候选波长若当前迭代中候选波长集合的目标函数的值大于上一迭代中的候选波长集合的目标函数的值加上预设的改进阈值τ,则以呈递减的接受概率接受当前新的候选波长集合作为若当前迭代中目标函数的值不大于上一迭代中的目标函数的值加上预设的改进阈值;式中，exp是自然指数函数，F(wa)当前迭代中候选波长集合的目标函数的值，光谱数据与相应的由预先通过检测得到木粉样品的化学成分含量确定的标签数据输入到将波长选择完毕的光谱数据与对应的化学成分含量等级标签进行配对所有子节点进行内部排序，将两个已排序的子节点合并成一个新4在有序数据表中，为每个配对的光谱数据和标签生成一个遍历配对好的光谱数据和等级标签，按照预定格式，将光谱数据转换为谱数据和等级标签一起组成一条完整的数据记录按照唯一标识符写入到数根据分类识别的需求，选择并构建包含NIR_Net模型、NIR_ResNet模型以及NIR_对所选模型进行包含调整卷积层数、卷积核大小以及池化层设置的结构调整和优化，ResNet模型的输入，再将NIR_ResNet模型的输出经过降维层作为NIR_Inception模型的输在并行组合机制中，先独立训练NIR_Net模型、NIR_ResNet模型以及NIR_I基于从串行或并行组合机制得到的组合预测结果，自动输出杨树和纸浆材的分类结7.一种木粉样品的化学成分含量的测定方法，应用于如权利要求1_6任一项所述的杨待反应结束后，使用体积在74~94mL之间的超纯水，将反应液转移至容量为2通过在放置有浓度为3%~5%的硫酸的容量为80~120mL的第二蓝盖透明玻璃瓶中并加入将第一蓝盖透明玻璃瓶和第二蓝盖透明玻璃瓶中的样品置于高压灭待反应完成后，通过过滤设备对反应产物进行过滤，使用预热至设定5木质素的含量=酸溶木质素含量+酸不溶解木质素样品加工与光谱采集模块，用于利用传感器检测和筛选符合特定条件的杨树原木段，数据提纯模块，用于对所得的近红外光谱数据进行逐点或分段数据集输出模块，用于根据基于预设目标构建的光谱波长木材分类模块，用于构建至少一种深度学习模型作为识别执行如权利要求1_6任一项所述的杨树品种和纸浆材令被处理器执行时实现如权利要求1_6任一项所述的杨树品种和纸浆材快速无损鉴定方67备将选取的杨树原木段按照预设的加工流程处理成预定尺寸的毛坯试样，并实施气干处;目标函数的值加上预设的改进阈值τ,则以呈递减的接受概率接受当前新的候选波长集合8;NIR_Net模型的输出经过特征转换层作为NIR_ResNet模型的输入，再将NIR_ResNet模型的输出经过降维层作为NIR_Inception模型的输入，并基于训练集和测试集完成整个串行组合模型的端对端的联合训练工作；在并行组合机制中，先独立训练NIR_Net模型、NIR_980~120mL的第二蓝盖透明玻璃瓶中并加入质量为40~60mg的相应单糖，以分别配制葡萄糖第二蓝盖透明玻璃瓶中的样品置于高压灭菌锅中，在温度范围为118℃~124℃的条件下反木质素的含量=酸溶木质素含量+酸不溶解木质素含数据与相应的由预先通过检测得到木粉样品的化学成分含量确定的标签数据输入到相应一个数据库能够执行如上所述的杨树品种和纸浆令，所述可执行指令被处理器执行时实现如上所述的杨树品种和纸浆材快速无损鉴定方[0024]如图1所示，本发明实施例提出的一种杨树品种和纸浆材快速无损鉴定方法，包木粉样品，并利用近红外光谱仪以非破坏性的方式高效捕获这些样品的近红外光谱数据，木段处理为木块或木粉样品，并利用近红外光谱仪捕获木块或木粉样品的近红外光谱数木段分段截成一定长度的原木段试材，记录信息并标记每一段样品后运回指定加工地点，[0040]S16、利用近红外光谱仪分别捕获第一部分样品的木块和木粉样品的近红外光谱符合特定的材质要求（如优先选择心材或边材立即启动近红外光谱仪的数据采集功能，S21、根据光谱数据的分布特性，通过小波变换对所得的近红外光谱数据进行分;[0050]然后对经MSC处理后的数据进行一阶导数变换（Savitsky_Golayderivate1，;;[0053]通过上述这种自适应滤波方法能够根据光谱数据的实际噪声分布逐点或分段地对提纯后的光谱数据进行光谱波长筛选并优化定义预测误差最小化目标为这里是通过1减去预测误[0066]S35、若当前迭代中候选波长集合的目标函数的值大于上一迭代中的候选波长集合的目标函数的值加上预设的改进阈值τ,则以呈递减的接受概率接受当前新的候选波长目标函数的值大于上一迭代中的候选波长集合的目标函数的值加上预设的改进阈值τ,则;[0067]S36、若当前迭代中目标函数的值不大于上一迭代中的目标函数的值加上预设的之后的光谱数据和等级标签一起组成一条完整的数据记录按照唯一标识符写入到数据文与光谱数据和等级标签一起组成一条完整的数据记录。将这条数据记录写入到数据文件NIR_Inception模型的深度学习[0093]所述Inception模块包括并行的5个一维卷积分支和1个池化分支，一维卷积核大;其中，表示第i个卷积分支的输出特征，拼接操作可以提高模型的特征表达能合和分类。将NIR_Net模型的输出经过特征转换层作为NIR_ResNet模型的输入，再将NIR_ResNet模型的输出经过降维层作为NIR_Inception模型的输入，并基于训练集和测试集完[0100]S45、在并行组合机制中，先独立训练NIR_Net模型、NIR_ResNet模型以及NIR_Inception模型，再将相同的光谱数据同时输入到NIR_Net模型、NIR_ResNet模型和NIR_于容量为40~60mL的烧杯中，通过磁子搅与相应的由预先通过检测得到木粉样品的化学成分含量确定的标签数据输入到相应的数数据库能够执行如上所述的杨树品种和纸浆材快速述可执行指令被处理器执行时实现如上所述的杨树品种和纸浆材快速