王 楊,張 樂,李鳳妹,何 昕,陳 鵬

1(安徽師范大學 計算機與信息學院,安徽 蕪湖 241000) 2(安徽建筑大學 智能建筑與建筑節(jié)能安徽省重點實驗室,合肥 230022)

1 引 言

隨著人們生活質(zhì)量的提高,特別是生活空間的高要求,人們通常采用不同類型木材的家具和地板,然而不同木材的價格因其特性而異.由于缺乏專業(yè)知識,人們很難正確識別木材.例如美國楓樹和中國楓樹有非常相似的顏色和紋理.因此,正確識別木材可以幫助人類選擇合適的產(chǎn)品.此外,還可以防止非法木材交易和交易欺詐等行為.它在木材改性和木質(zhì)家具工業(yè)中也有很好的應用,可以更好的物盡其用.

傳統(tǒng)的木材識別方法利用木材的宏觀特征,如木材的生長輪、色澤和紋理等.這種方法雖然簡單易行,但是難以區(qū)分不常見或者物理特征相似的物理特征.在木材識別技術的研究中,早期的識別方法主要基于視覺[1-4].通過視頻或者圖像等形式的數(shù)據(jù)處理分析來識別木材材質(zhì).Wang[3]等人根據(jù)采集的木材圖像紋理特征來識別木材,將獲得的木材樣品的高光譜數(shù)據(jù)降維,從獲得主成分圖像序列提取木材紋理特征參數(shù).基于視覺的方法雖然有著較高的識別精度,但是高度依賴光照條件,容易受到障礙物的影響.同時存在檢測死角,只能在實現(xiàn)視距下特定范圍內(nèi)的識別.隨著光譜技術的發(fā)展,近紅外光譜技術也被用于木材識別.Liang[5]等人提出了近紅外光譜結合偏最小二乘回歸法來預測包括楊樹,桉樹和阿拉伯樹膠在內(nèi)的多種樹種紙漿原料的纖維素和木質(zhì)素含量的實用程序,實現(xiàn)了紙漿原料的快速分析.基于近紅外光譜的方法往往需要依靠計算機技術及化學計量學提取信息,并且近紅外光譜所在的譜區(qū)也具有譜帶寬、譜帶重疊嚴重、吸收強度較低的缺點,容易受到外界和測量條件的影響.相比之下,基于機器聽覺的方法是一個很有前途的解決方案,在通用性、低成本和無額外硬件要求方面具有很大優(yōu)勢,更加可靠.并且基于機器聽覺的方法較少受到光線、溫度、濕度等條件的影響,很好的實現(xiàn)了非視距感知.

機器聽覺現(xiàn)今也被廣泛用于各種研究領域,如文獻[6]等人提出了一種基于聲音的機器聽力系統(tǒng),該系統(tǒng)不受環(huán)境限制,可以方便地應用于移動場景.王靖宇[7]等人根據(jù)聲音時頻特點提出了一種基于異質(zhì)顯著性特征融合的聽覺顯著性檢測模型,實現(xiàn)了不同環(huán)境的感知任務.劉陽[8]等人利用機器聽覺信息提出了一種基于聲音信息的3D視覺跟蹤方法,很好的實現(xiàn)了目標跟蹤,具有極大的應用價值.

近年來,隨著移動設備的不斷普及,智能手機在人機交互中起到很重要的作用.最近的研究表明,智能手機的內(nèi)置傳感器可以作為一種可行的感知工具,并且可感知的維度不斷增加,在智能家居[9]、智能交通[10]和健康醫(yī)療[11]等領域的應用層出不窮.得益于上述優(yōu)勢和智能手機的普遍存在,本文提出了一種使用智能手機麥克風的基于機器聽覺的木材識別方法,可以幫助人們擺脫對木材專家的過度依賴,不需要使用任何物理設備,也不增加額外的成本,最終達到識別木材的目的,并提供更便捷高效的服務.因此,本文結合智能手機設計了一個基于機器聽覺的木材材質(zhì)識別系統(tǒng),它可以靈敏地識別6種預定類型的木材,分別為纖維板、夾板、柞木、橡膠木、亞克力板和胡桃木.

本文設計了一種基于機器聽覺和支持向量機的木材識別方法,從聲音信號中提取MFCC特征,并開發(fā)了基于支持向量機的處理框架進行測試.實驗結果表明,這種方法能有效地識別木材.本文的主要工作和貢獻如下:

1)提出了基于聲學特征的木材識別方法,并通過SVM分類器來識別不同的木材.這種方法不依賴可穿戴傳感器、專門的儀器和各種類型的相機.

2)首先通過智能手機內(nèi)置傳感器(麥克風)捕捉數(shù)據(jù);然后對麥克風發(fā)出的響應進行分析處理提取MFCC特征;最后使用SVM分類器對提取的特征進行分類,進而實現(xiàn)木材識別.

3)本文設計了大量的實驗.實驗結果表明,所提出的方法相比于已有研究具有一定的優(yōu)勢.

2 相關工作

將在本節(jié)描述基于傳感器的材料識別和基于聲學特征的傳感應用領域所做的研究工作.為了提供更好的智能手機感知背景,還介紹了智能手機交互和感知應用的一些最新研究.

2.1 基于傳感器的應用

隨著傳感器技術發(fā)展,傳感器也被用于材料識別.如Zheng[12]等人設計了一種用于表面材料識別的新型手指狀觸覺傳感器.該傳感器用于測量在表面滑動時具有紋理特性的感應振動信號,進而對5個相似的紋理表面進行細分類.Erickson[13]等人提出了一種使用光譜法識別物體材料的方法.該方法通過光譜儀測量材料的光譜信號,進而識別物體材料.Weiβ[14]等人提出了使用雷達傳感器對物體材料進行分類感知.該方法通過將傳感器封閉在外殼中并放置在材料上,對生成的材料圖像分類.基于傳感器的方法雖然有較高的識別率,但是往往需要特定的設備,需要大量的成本和部署工作.

2.2 基于機器聽覺的應用

麥克風在人們?nèi)粘Ｉ钪凶兊迷絹碓狡毡楹鸵撞僮鞯葍?yōu)點,聲學傳感也被用作無處不在的人機交互領域.聲學傳感越來越多的被廣泛用于各種任務:從接觸時產(chǎn)生的聲音來識別材質(zhì)[15],利用聲音來進行手勢和字母數(shù)字識別[16].另一方面還可以用于人類情緒識別[17]和物體定位[18].如Taesik[15]等人開發(fā)了一款名叫Knocker的智能物體識別技術,Knocker通過智能手機敲擊物體,借助智能手機已有的麥克風、加速度計和陀螺儀來記錄數(shù)據(jù),從而能夠?qū)?3種常見的物體進行識別.Luo[19]等人用記號筆敲擊物體,通過被敲擊的物體發(fā)出的聲音進行物體識別.Shi[20]等人通過戴著的智能手表的指關節(jié)敲擊物體發(fā)出的聲音來進行物體識別.Zhou[21]等人提出了BatMapper,這是一種新穎的基于聲學傳感的系統(tǒng),可使用商用智能手機進行精確的平面圖構建.Kim[22]等人提出了一種使用4聲道麥克風進行聲音定位的門電話系統(tǒng).

近年來,采用聲學特性預測木材性質(zhì)的研究也得到廣泛關注.如文獻[23]通過超聲波無損檢測技術評估了銀合歡木材力學特性.文獻[24]利用聲學層析成像曲線,通過聲速和木材密度兩個關鍵參數(shù)確定了木材動態(tài)彈性模量.

2.3 基于智能手機的應用

智能手機的發(fā)展日趨成熟,它的可移動性和便攜性給許多研究者帶來了方便.近期研究表明,基于智能手機的方法成為許多研究者的熱點話題.如Sun[25]等人利用手機中傳感器收集的數(shù)據(jù)和情境感知技術,預防使用過程中發(fā)生的事故.Lu[26]等人采用了無人監(jiān)督的方法來使用智能手機的加速度計識別身體活動,從智能手機收集的原始加速度數(shù)據(jù)中提取特征,然后使用無監(jiān)督分類方法進行活動識別.Biswas[27]等人提出了多通道智能手機光譜儀,利用智能手機相機上的多級衍射成像,每個衍射級用作專用樣品的單個光學通道,從而同時進行多個樣品分析.

3 系統(tǒng)概述

本文提出了一種聲學傳感系統(tǒng),可以利用商業(yè)智能設備中的麥克風識別木材材質(zhì),實現(xiàn)人機交互.圖1描述了該系統(tǒng)的系統(tǒng)架構,主要包括數(shù)據(jù)采集、數(shù)據(jù)預處理、特征提取和木材識別4個概念模塊.

圖1 系統(tǒng)框圖Fig.1 System overvie

在第1個模塊中,利用智能手機敲擊木材,然后智能手機內(nèi)置麥克風收集敲擊木材發(fā)出的被動聲信號.在第2個模塊中,對原始音頻信號應用帶通濾波器,從而最大限度的減少環(huán)境噪聲的干擾.在特征提取模塊中,本文將聲音信號轉(zhuǎn)化為梅爾尺度的倒譜系數(shù)(MFCC)的數(shù)據(jù)來提取木材的聲音特征.在最后一個模塊中,該系統(tǒng)應用SVM進行木材材質(zhì)識別,將MFCC數(shù)據(jù)作為SVM的輸入.

3.1 聲音信號預處理

本文所提出的系統(tǒng)工作的同時,麥克風會持續(xù)監(jiān)聽敲擊木材的聲音,并將錄制的聲音傳輸?shù)街悄苁謾C.智能手機內(nèi)置的麥克風采樣率為44.1kHz,足以采集周圍的聲音.為了更好的得到聲音特征,在聲音特征提取的過程中,需要對采集到聲音信號進行預處理.聲音信號的預處理操作主要包括預加重、分幀、加窗和端點檢測等處理步驟.

3.1.1 預加重

通過麥克風采集到的聲音信號的高頻部分通常在傳播過程中會出現(xiàn)信號衰減的現(xiàn)象,因此,需要對采集到的聲音信號的高頻部分進行預加重處理操作.預加重處理是通過提升聲音信號的高頻部分,以達到減小噪聲的目的,使得聲音信號的頻譜變得平坦,并保持在低頻和高頻的整個頻帶中,使其能夠使用同樣的信噪比求頻譜,有利于后面的數(shù)據(jù)分析[28].經(jīng)過預加重處理后,這些木材(橡膠木、纖維板、亞克力板和夾板等)聲音振幅變得更清晰,從而更容易找出特征,如圖2所示.預加重處理是通過將采集到的的聲音信號輸入到一階高通濾波器來實現(xiàn)的,其表達式如式(1)所示:

圖2 木材預加重后的聲音振幅圖Fig.2 Amplitude diagram of four kinds of wood after pre-emphasis treatment

H(z)=1-μz-1

(1)

公式(1)中μ是預加重系數(shù),其值介于0.9～1.0之間,本文中取μ=0.973.

3.1.2 分幀

聲音信號經(jīng)過數(shù)字化處理會變成一種非平穩(wěn)信號,研究表明非平穩(wěn)信號在10ms～30ms的短時間內(nèi)是平穩(wěn)的.因此,需要對預加重的聲音信號進行分幀處理,短時間段稱為幀長[28].各種木材(以橡膠木、纖維板、亞克力板和夾板為例)經(jīng)分幀加窗后的振幅圖如圖3所示,可以看出它們之間存在比較明顯的差異.為了增加分幀后聲音信號幀起始處和結束處的連續(xù)性,需要對聲音信號進行加窗處理,即把每一幀聲音數(shù)據(jù)乘以窗函數(shù),其表達式如式(2)所示:

S′(n)=S(n)×w(n)

(2)

式中S(n)表示原始聲音信號分幀后一幀的聲音信號,w(n)表示窗函數(shù),S′(n)表示得到的加窗后的信號.

圖3 木材分幀加窗后的聲音振幅圖Fig.3 Amplitude diagram of four kinds of wood after framingand windowing treatment

3.1.3 加 窗

在對聲音信號進行加窗處理時,最常用的窗函數(shù)是漢明窗、漢寧窗和矩形窗[28].若直接加矩形窗,截取的聲音信號減少頻率,產(chǎn)生泄露.漢寧窗和漢明窗可以減少泄露,但是漢寧窗會增加分析帶寬,從而頻率分辨率降低.使用漢明窗不僅可以改善頻率泄露,而且歸一化后的頻率更優(yōu),3種窗函數(shù)的FFT信號處理圖如圖4所示,可以得出漢明窗的歸一化頻率處理效果更佳.因此,本文采用漢明窗進行加窗處理.

圖4 不同窗函數(shù)的FFT

窗長度為N的漢明窗的時域表達式如式(3)所示:

(3)

3.1.4 端點檢測

采集到的聲音信號中會混雜著一些噪聲信號,雖然通過預加重會過濾掉一部分低頻信號,但仍然會殘留一部分其他的噪聲信號.此時,端點檢測會起到更好的效果,它是聲音信號處理的重要環(huán)節(jié).端點檢測是從采集到的聲音信號中提取主要信息,利用數(shù)字信號技術找出木材聲音信號的起始點和結束點,從而過濾無關的噪聲并保留主要的聲音信息,進而提高聲音信號的質(zhì)量,有助于提高木材識別的準確率[28].

目前端點檢測常用的方法包括短時能量和短時過零率,本文采用的是短時過零率方法,該方法采用設定閾值.短時過零率是指聲音信號中聲音波形穿過零電平的次數(shù).用Zm表示短時過零率,S′(n)由公式(2)計算得到,則短時過零率可用公式(4)計算得出:

(4)

其中,sgn[]是符號函數(shù),即:

(5)

在檢測過程中,首先將計算得到的短時過零率與設定的起點閾值進行比較,若大于設定的閾值并維持一段時間,則被判定為聲音起點;然后將計算得到的短時過零率與設定的終點閾值進行比較,若小于設定的閾值并維持一段時間,則被判定為聲音終點.

3.1.5 小波變換

從商用麥克風中捕獲的原始聲音本身包含噪聲,環(huán)境通常具有不同的噪聲級別,因此本文中采用小波變換實現(xiàn)降低噪聲的效果,以獲得由敲擊木材引起的音調(diào)的頻率范圍.小波去噪方法是尋找從實際信號空間到小波函數(shù)空間的最佳映像,以便得到原始信號的最佳恢復.首先,將含有噪聲的敲打信號進行多尺度小波變換,從時域變換到小波域;然后,在每個尺度下盡可能多地提取信號的小波系數(shù),選取一個合適的閾值,保留大于閾值的部分,即為信號,小于閾值的則是噪聲,置為零從而達到去噪目的;最后,用小波逆變換重構信號.小波變換可描述為:

(6)

公式(6)中,s表示尺度,τ表示移量.

未經(jīng)過小波變換和經(jīng)過小波變換提取的聲音特征的MFCC圖如圖5所示.例如夾板,如圖5(d)所示,左圖是未經(jīng)過小波變換提取的夾板的聲音信號的MFCC特征,右圖是小波變換去噪后提取的夾板聲音信號的MFCC特征.可以看出,經(jīng)過小波去噪后,聲音信號的MFCC特征更加明顯清晰和突出.

3.2 特征提取

聲音信號的特征提取是木材識別中的一個關鍵步驟,可以將其定義為將原始語音信號轉(zhuǎn)換成一個小的特征向量序列,并從每個幀中提取特征來捕獲聲音信號的基本特征的過程.在聲音識別的技術研究中,常用的聲音特征主要包括過零率、短時能量、線性預測倒譜系數(shù)(LPCC)、感知線性預測系數(shù)(PLPC)和梅爾倒譜系數(shù)(MFCC)[28].MFCC已被廣泛用作聲音信號識別系統(tǒng)的特征提取技術,使用倒頻譜分析從聲音信號中提取特征.這是一種根據(jù)人類聽覺系統(tǒng)對頻帶進行間隔而得到的廣泛應用的特征.本文使用MFCC的主要原因是人類可以辨別來自不同物體的獨特敲擊聲,利于人類的分辨.

梅爾倒譜系數(shù)(MFCC)是在Mel標度頻率域中提取出來的倒譜參數(shù),它與頻率的關系可用公式(7)表示為:

(7)

其中,Mel(f)表示Mel頻率,f表示實際物理頻率,單位是Hz.

圖5 小波變換前后的聲音振幅圖Fig.5 MFCC of sound features extracted without wavelet transform and after wavelet transform,respectively

由于聲音信號在時域上很難分析其特性,通常需要將其轉(zhuǎn)化為頻域上來分析.因此,對預處理的木材聲音信號的每一幀進行快速傅里葉變換(FFT),進而得出木材聲音信號的頻譜圖,可表示為式(8):

(8)

其中,N表示傅里葉變換的點數(shù),s(n)表示輸入的聲音信號.

將由公式(8)求出的能量頻譜圖通過三角濾波器消除諧波,并對頻譜進行平滑,凸顯有效聲音的共振峰.H(l)表示三角濾波器的輸出,由公式(9)得出:

(9)

(10)

其中,b(l),c(l),u(l)分別表示第l個三角濾波器的下限、中心和上線頻率.

接著對每個濾波器的輸出通過公式(11)做對數(shù)運算.最后通過公式(12)離散余弦變換得到MFCC.

(11)

(12)

其中,M表示濾波器的個數(shù).

圖6 木材的MFCC特征Fig.6 MFCC characteristics of four types of wood

如圖6所示,每種木材的MFCC存在差異,每個時刻的幅度值也不相同.從圖6中可以看出橡膠木與夾板的MFCC存在相似性,但是仍存在不同,而亞克力板與其他幾種木材存在明顯的不同.提取MFCC特征更利于下一節(jié)中SVM分類器的訓練測試.

3.3 分類-支持向量機(SVM)

本文中將每種木材聲音的80%作為訓練集,剩下的20%作為測試集,以此檢驗訓練過的分類模型在測試集上的準確度.關于分類模型采取的學習算法,本文選擇用于分類的支持向量機(Support Vector Machine,SVM)算法,使用多項式核函數(shù)(polynomial kernel),多項式核函數(shù)可以實現(xiàn)將低維的輸入空間映射到高維的特征空間,使得原本線性不可分的數(shù)據(jù)線性可分.可表示為公式(13):

(13)

公式(13)中γ、r和d都是核參數(shù),其中γ用來設置核函數(shù)中的gamma參數(shù),r用來設置核函數(shù)中的coef(),d用來設置多項式核函數(shù)的最高項次數(shù).

支持向量機(SVM)是一種監(jiān)督機器學習算法,既可以用于分類問題,也可以用于回歸問題.雖然它經(jīng)常用于分類問題,但它是一種概念簡單易于理解的算法,與統(tǒng)計和線性代數(shù)直接相關.支持向量機是一種廣泛使用的機器學習技術,可以構造一個最優(yōu)的分類超平面.與深度學習技術相比,支持向量機需要更少的訓練數(shù)據(jù)和更低的運行時間復雜度,并且在實驗中優(yōu)于其他分類器.此外,支持向量機模型具有良好的的抗過度擬合能力,因為它的高維度性是由正則化造成的.因此,通過調(diào)整正則化的超參數(shù)可以最小化過擬合.

4 實驗與結果分析

在本節(jié)中,首先描述了采集數(shù)據(jù)的實驗設置,然后通過幾組實驗來評估用我們的方法識別木材的準確性.

4.1 實驗設置

本文所提出的方法是利用智能手機中的麥克風實現(xiàn)的.選取體積和重量相似(考慮到體積會影響實驗精度)的6種木材作為實驗敲打?qū)ο?使用型號為HUAWEI nova 6的手機作為實驗工具,對木材進行敲打.通過創(chuàng)建一個麥克風所保存的聲學文件來保存數(shù)據(jù)樣本,將數(shù)據(jù)傳輸?shù)桨姹緸閣indow 7的筆記本電腦中,最后使用機器學習工具包實現(xiàn)系統(tǒng)的在線分類.在一個相對安靜的房間下收集數(shù)據(jù)對模型進行訓練.對木材指定特定的敲打區(qū)域,每個木材收集200個樣本以評估系統(tǒng)的性能.每次敲打的速度和力度基本保持一致,以確保數(shù)據(jù)的一致性.數(shù)據(jù)集包含1200個樣本,從中抽取一些木材聲音樣本作為訓練集,其余的作為測試集.

4.2 木材識別精度

本文采用K折方法進行交叉驗證.將原始數(shù)據(jù)均分為5組,將每一個子集數(shù)據(jù)分別作為一次測試集,其余的4組子集數(shù)據(jù)作為訓練集.由此會得到5個模型,用這5個模型最終的測試集的分類準確率的平均數(shù)作為分類器的性能指標.這種方法可以有效的避免過擬合與欠擬合的發(fā)生,最后得到的結果具有說服性.經(jīng)過大量實驗得出,隨著訓練時間的增加,識別結果的準確率先快速增加,然后逐漸穩(wěn)定,最后測試的準確率穩(wěn)定在90%左右.圖7顯示了木材識別精度混淆矩陣的灰度圖,圖7中深色部分記錄了木材被正確識別的概率,淺色部分記錄了木材被錯誤識別的次數(shù),從而進一步分析木材識別分類錯誤的潛在原因.因為有些木材具有相似特征,有時會被錯誤地分類,例如柞木和橡膠木有著相似的紋理,敲擊的聲音很接近.

圖7 木材識別精度的混淆矩陣表示Fig.7 Confusion matrix representation of wood recognition accuracy

4.3 數(shù)據(jù)分析

本文使用按用戶分類器來評估該方法的性能,選取每種木材數(shù)據(jù)集來進行訓練和測試,根據(jù)每種木材的訓練數(shù)據(jù)量來分析系統(tǒng)的準確性.根據(jù)實驗結果,可以得出訓練樣本的數(shù)量對識別精度有一定的影響.不同數(shù)量的樣本對分類器識別結果的影響如圖8所示.其中,相同橫軸的不同點表示的是在木材樣本數(shù)量相同時,木材材質(zhì)的臨時識別準確率,實線表示的則是他們的平均識別準確率.顯然,在一定范圍內(nèi),隨著訓練樣本數(shù)量的擴大,分類器的分類識別準確率逐漸增加,因為訓練樣本越多,SVM的最優(yōu)分類平面位置的確定也更加精確.對于這6種木材,每種木材敲擊80次能達到85%左右的精確度,每種木材敲140次能達到超過88%的準確率.然而,訓練樣本數(shù)目的增多,系統(tǒng)花費的訓練時間也增加,不可避免的增大了系統(tǒng)的復雜性和不確定性.因此,本文中將用于訓練的每種樣本數(shù)設置為160,這可以在訓練時間和準確性之間取得良好的平衡.

圖8 不同數(shù)量的訓練樣本的影響Fig.8 Impact of different numbers of training samples

對收集的數(shù)據(jù)進行實驗,分別利用Precision、Recall和F1性能指標對分類結果進行評估.其中Precision是針對預測結果而言的,它表示的是在數(shù)據(jù)預測為正的樣本中有多少是真正的正樣本,預測為正的情況分為把正類預測為正類(TP)和把負類預測為正類(FP)這兩種可能性.Recall是針對原來的樣本而言的,它表示的是樣本中的正例有多少被預測正確的,分為把原來的正類預測成正類(TP)和把原來的正類預測為負類(FN)兩種可能.F1是綜合Precision和Recall的結果,綜合反映整體的指標,分別表示樣本在不同數(shù)量的情況下Precision和Recall的值.根據(jù)圖9可知,隨著樣本數(shù)量的不斷增加,Precision、Recall和F1的值不斷提高,相應的算法性能越好,準確率也越高.

圖9 不同數(shù)量下的性能指標值Fig.9 Performance index values under different numbers

4.4 不同設備的準確型

本文使用兩個移動設備HUAWEI NOVA6和VIVO X9來評估該方法的性能.在實驗過程中,讓每個參與者用不同型號的智能手機重復敲擊每種木材100次,每個設備都使用自己的訓練集.如圖10所示,使用兩款智能手機識別6種木材,識別準確率均在90%左右,并且不同移動設備之間的差異很小,較小的精度差異可能是由麥克風質(zhì)量的變化引起的.未來,將計劃在其他類型的智能設備(例如智能手表和平板電腦)上測試.

4.5 不同環(huán)境下的準確度

本文在不同噪聲環(huán)境下評估了該方法.一種是在相對安靜的房間中,視為環(huán)境A;另一種是在距離6種木材一米遠處用另一臺智能手機播放音樂,來制造其他雜音,視為環(huán)境B.在這兩種環(huán)境下,敲擊每種木材100次.根據(jù)圖11可知,在環(huán)境A中可以發(fā)現(xiàn)這些木材的預測性能仍然很好.盡管在環(huán)境B中預測精度降低了,但平均識別精度在80%左右,處于可接受的水平.

圖10 不同型號手機的木材識別精度Fig.10 Wood recognition accuracy of different models of mobile phones

圖11 不同環(huán)境下的木材識別精度Fig.11 Wood recognition accuracy in different environments

4.6 對比實驗

4.6.1 與不同分類算法的比較

本文將SVM算法與決策樹(Decision Tree,DT)、隨機森林(Random Forsest,RF)、以及極限樹(Extra-Trees,ET)這3種機器學習分類算法進行比較.

圖12 不同樣本數(shù)量下的各分類算法識別精度對比Fig.12 Comparison of the recognition accuracy of each al-gorithm under different sample numbers

圖12為不同樣本規(guī)模下各機器學習分類算法平均識別精度對比圖.從中可以得到,在少數(shù)樣本數(shù)量情況下,4種分類算法識別精度相差不大,識別精度都不高.在每種木材樣本數(shù)量超過60個后,本文采用的SVM出現(xiàn)明顯優(yōu)勢,平均識別精度均超過其他3種分類算法.

4.6.2 與光譜分析方法的比較

本文將基于機器聽覺和支持向量機的方法與文獻[29]中基于光譜分析方法產(chǎn)生的結果進行對比,如圖13所示,其中基于光譜分析方法選取400nm～780nm和1100nm～2500nm兩種光譜波段,徑切面和橫切面兩種木材切面.光譜分析方法是利用不同化合物對光譜吸收率的不同性質(zhì)來進行鑒別木材[29].圖13為5種不同識別方法的木材平均識別精度,由圖13可知,本文方法識別效果優(yōu)于其它4種基于光譜分析的方法,識別精度達到90%左右,且提高了識別效率.

圖13 不同方法下的木材識別精度Fig.13 Wood recognition accuracy of different methods

5 總 結

本文提出了一種基于聲學特征的木材識別方法,旨在找到一種更加優(yōu)化和智能的材料識別方法.它不依賴于專用硬件,只需用智能手機敲擊即可.該方法通過智能手機中麥克風傳感器和SVM分類器來實現(xiàn).通過分析敲擊木材表面或者摩擦所產(chǎn)生的聲音來進行木材材質(zhì)識別,以輔助人類視覺系統(tǒng)和解決人類識別視覺相似而材質(zhì)不同的目標的問題.在相對安靜的環(huán)境中對6種木材進行測試,利用不同的聲音特征和識別分類算法進行大量的實驗,結果表明,本文提出的方法對木頭材質(zhì)的平均識別準確率達到90%左右.