基于光学信息的古筝面板材料检测方法与流程

1.本发明涉及古筝面板材料检测技术领域，具体涉及基于光学信息的古筝面板材料检测方法。


背景技术：

2.当前，古筝面板材料一般分为高级品、中级品和普及品三个等级。古筝的面板选用的是泡桐木材质，泡桐木材质具有木质疏松，共振好等特点；由于古筝是通过拨动琴弦引起震动，之后震动通过琴码传递到面板上来实现演奏的，因此古筝面板材料的等级选择在制作古筝过程中是一项重要的工作。
3.现有的一般基于经验法、木材切片法以及面板图像上的纹理特征来实现对古筝面板材料的等级判定，经验法通常依赖于乐器技师观察木材纹理和疤结大小的数量，然后再通过掂、敲、听等方式来实现对古筝面板材料的等级判定，这种方法人为主观性强，容易出现误判且效率也较低；而木材切片法在进行古筝面板材料等级判定的时候需要破坏面板材料，进而会造成木材的浪费；虽然基于面板图像上的纹理特征不用破坏面板材料，检测效率也较高，但是在采集面板图像时会受到光照的影响，即采集的面板图像可能会出现较多的噪声点，因此基于面板图像上的纹理特征来实现对古筝面板材料的等级判定的方法，也会出现误判的情况；因此提高对古筝面板材料等级判定的准确率是需要解决的问题。


技术实现要素：

4.为解决上述问题，本发明的目的在于提供基于光学信息的古筝面板材料检测方法，所采用的技术方案具体如下：本发明实施例提供了基于光学信息的古筝面板材料检测方法包括以下步骤：获取待检测古筝面板材料的近红外光谱图；根据所述近红外光谱图上的各波长值以及各波长值对应的吸光度，得到各光谱数据向量；根据所述各光谱数据向量，构建得到光谱数据向量序列；根据所述光谱数据向量序列中任意两个光谱数据向量之间关联程度，构建得到关联矩阵；所述光谱数据向量的数量为n；所述关联矩阵为n行n列；获得所述关联矩阵对应的各特征值以及各特征值对应的特征向量；根据所述各特征值，得到所述各特征值的重要程度；根据各特征值的重要程度，对所述各特征值进行筛选，得到各目标特征值以及各目标特征值对应的目标特征向量；所述目标特征向量的数量为k；根据所述目标特征向量，构建得到重构矩阵；根据所述重构矩阵和光谱数据向量序列，得到重构光谱数据矩阵；所述重构矩阵为k行n列；所述重构光谱数据矩阵为k行1列；根据重构光谱数据矩阵，得到待检测古筝面板材料的目标特征信息向量；根据所述目标特征信息向量，得到待检测古筝面板材料的等级。
5.优选的，得到各光谱数据向量的方法，包括：
获取所述近红外光谱图上为整数的波长值，记为目标波长值；按照从小到大的顺序对所述近红外光谱图上的各目标波长值进行排序，得到近红外光谱图对应的目标波长值序列，其中，为近红外光谱图对应的目标波长值序列，为目标波长值序列中的第1个目标波长值，为目标波长值序列中的最后1个目标波长值，n为目标波长值序列中元素的总数量；根据近红外光谱图上的各目标波长值以及各目标波长值对应的吸光度，构建得到目标波长值序列中各目标波长值对应的光谱数据向量，一个光谱数据向量对应近红外光谱图上的一个目标波长值以及该目标波长值对应的吸光度。
6.优选的，构建得到光谱数据向量序列的方法，包括：根据各光谱数据向量，构建得到光谱数据向量序列，其中，为光谱数据向量序列，n为光谱数据向量序列中光谱数据向量的数量，为光谱数据向量序列中的第1个光谱数据向量，，为目标波长值对应的吸光度，将记为光谱数据向量中的第1个元素的值，将记为光谱数据向量中的第2个元素的值；为光谱数据向量序列中的最后1个光谱数据向量，，为目标波长值对应的吸光度，将记为光谱数据向量中的第1个元素的值，将记为光谱数据向量中的第2个元素的值。
7.优选的，根据如下公式计算光谱数据向量序列中任意两个光谱数据向量之间的关联程度：其中，为光谱数据向量序列中第i个光谱数据向量和第j个光谱数据向量之间的关联程度，为以e为底的指数函数，为光谱数据向量序列中第i个光谱数据向量中的第1个元素的值，为光谱数据向量序列中第i个光谱数据向量中的第2个元素的值，为光谱数据向量序列中第j个光谱数据向量中的第1个元素的值，为光谱数据向量序列中第j个光谱数据向量中的第2个元素的值。
8.优选的，构建得到关联矩阵的方法，包括：根据光谱数据向量序列中任意两个光谱数据向量之间的关联程度，构建得到关联
矩阵，其中，h为关联矩阵，为光谱数据向量序列中第1个光谱数据向量和第1个光谱数据向量之间的关联程度，为光谱数据向量序列中第1个光谱数据向量和第n个光谱数据向量之间的关联程度，为光谱数据向量序列中第2个光谱数据向量和第1个光谱数据向量之间的关联程度，为光谱数据向量序列中第2个光谱数据向量和第n个光谱数据向量之间的关联程度，为光谱数据向量序列中第n个光谱数据向量和第1个光谱数据向量之间的关联程度，为光谱数据向量序列中第n个光谱数据向量和第n个光谱数据向量之间的关联程度。
9.优选的，根据所述各特征值，得到所述各特征值的重要程度；根据各特征值的重要程度，对所述各特征值进行筛选，得到各目标特征值以及各目标特征值对应的目标特征向量的方法，包括：获取关联矩阵对应的各特征值，构建得到特征值序列，其中，n为特征值序列中特征值的数量，为特征值序列中的第1个特征值，为特征值序列中的第n个特征值；获得各特征值对应的特征向量，所述特征向量为1
×
n的向量；计算特征值序列中各特征值的累加和，记为综合特征值；将各特征值与综合特征值的比值记为各特征值的重要程度；按照从大到小的顺序对各特征值的重要程度进行排序，得到重要程度序列；判断重要程度序列中的第1个重要程度是否小于重要程度阈值，若是，则计算得到重要程度序列中的前两个重要程度的和，判断重要程度序列中的前两个重要程度的和是否小于重要程度阈值，若是，则计算得到重要程度序列中的前三个重要程度的和；以此类推，依次对重要程度序列中各重要程度进行遍历，直至首次出现重要程度序列中前k个重要程度的和大于等于重要程度阈值时停止遍历，并将前k个重要程度记为目标重要程度，将目标重要程度的特征值记为目标特征值；所述k的取值范围为[1，n]；将各目标特征值对应的特征向量，记为目标特征向量。
[0010]
优选的，根据所述目标特征向量，构建得到重构矩阵；根据所述重构矩阵和光谱数据向量序列，得到重构光谱数据矩阵的方法，包括：对各目标特征值进行排序，得到目标特征值序列；所述目标特征值序列中的各目标特征值对应的重要程度是按照从大到小排列的；根据目标特征值序列中各目标特征值对应的目标特征向量，构建得到一个k行n列的矩阵，记为重构矩阵；所述重构矩阵中的第1行第1列的元素的值为目标特征值序列中第1个目标特征值对应的目标特征向量中的第1个元素的值，重构矩阵中的第1行第n列的元素的值为目标特征值序列中第1个目标特征值对应的目标特征向量中的第n个元素的值，以此类推，重构矩阵中的第k行第n列的元素的值为目标特征值序列中第k个目标特征值对应的目标特征向量中的第n个元素的值；
根据光谱数据向量序列，构建得到光谱数据矩阵，所述光谱数据矩阵由n个光谱数据向量构成；所述光谱数据矩阵中的第1行第a列的光谱数据向量为光谱数据向量序列中的第a个光谱数据向量；计算得到光谱数据矩阵的转置，记为光谱数据转置矩阵；将重构矩阵与光谱数据转置矩阵相乘，将相乘的结果记为重构光谱数据矩阵；所述光谱数据向量中的各参数是一个向量，将重构光谱数据矩阵中第b行第1列对应的向量记为重构光谱数据向量，所述重构光谱数据向量均为2维向量，所述重构光谱数据向量中的第1个参数均为波长值，重构光谱数据向量中的第2个参数均为吸光度，所述重构光谱数据向量中的吸光度为对应重构光谱数据向量中的波长值对应的。
[0011]
优选的，根据重构光谱数据矩阵，得到待检测古筝面板材料的目标特征信息向量；根据所述目标特征信息向量，得到待检测古筝面板材料的等级的方法，包括：将各目标特征值对应的重要程度作为各目标特征值对应的目标特征向量的重要程度；根据各目标特征向量的重要程度，得到重构矩阵中各行参数的重要程度；将重构矩阵中第c行参数的重要程度作为重构光谱数据矩阵中第c行第1列的重构光谱数据向量的重要程度；根据重构光谱数据矩阵对应的各重构光谱数据向量，构建得到高斯混合模型；获取高斯混合模型对应的各子高斯模型的标准差和均值；获取各子高斯模型对应的各特征光谱数据向量；获取各子高斯模型对应的各特征光谱数据向量中的中心特征光谱数据向量，并记为各子高斯模型对应的目标特征光谱数据向量；计算得到各子高斯模型对应的各特征光谱数据向量的重要程度的均值，记为各子高斯模型对应的目标重要程度；根据各子高斯模型对应的标准差、均值、目标重要程度以及目标特征光谱数据向量，构建各子高斯模型对应的目标向量；根据重构光谱数据矩阵，构建得到重构光谱图；获取重构光谱图上的各峰值中的最大值，记为目标峰值；获取重构光谱图上的各谷值中的最小值，记为目标谷值；获取目标峰值的波长值和目标谷值的波长值，分别记为第一目标波长值和第二目标波长值；计算目标峰值与目标谷值之间的差值，记为特征差值；根据各子高斯模型对应的目标向量、重构光谱图上的第一目标波长值、重构光谱图上的第二目标波长值和特征差值，构建得到待检测古筝面板材料对应的目标特征信息向量；将待检测古筝面板材料对应的目标特征信息向量输入到训练好的分类网络中，网络输出为待检测古筝面板材料的等级。
[0012]
有益效果：本发明首先获取待检测古筝面板材料的近红外光谱图；紧接着根据近红外光谱图上的各波长值以及各波长值对应的吸光度，构建光谱数据向量序列；然后根据光谱数据向量序列中任意两个光谱数据向量之间关联程度，构建得到关联矩阵；之后根据关联矩阵的各特征值的重要程度，对各特征值进行筛选，得到各目标特征值以及各目标特
征值对应的目标特征向量，能够将冗余数据筛选出去，降低后续提取目标特征信息向量时冗余数据的影响，提高检测效率和检测精度。然后根据目标特征向量，构建得到重构矩阵；根据所述重构矩阵和光谱数据向量序列，得到重构光谱数据矩阵；根据重构光谱数据矩阵，得到待检测古筝面板材料的目标特征信息向量；然后根据所述目标特征信息向量，实现对待检测古筝面板材料的等级判定；根据提取的待检测古筝面板材料的目标特征信息向量，能够提高对待检测古筝面板材料的等级判定的准确度。因此本发明提供的古筝面板材料检测方法是一种自动化程度较高的检测方法，可以克服人工和光照因素导致的误判，且检测效率也较高，因此能够提高古筝面板材料等级判定的准确率。
附图说明
[0013]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0014]
图1为本发明基于光学信息的古筝面板材料检测方法的流程图。
具体实施方式
[0015]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
[0016]
除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
[0017]
本实施例提供了基于光学信息的古筝面板材料检测方法，详细说明如下：如图1所示，该基于光学信息的古筝面板材料检测方法，包括以下步骤：步骤s001，获取待检测古筝面板材料的近红外光谱图。
[0018]
本实施例主要是通过相应的设备仪器对古筝面板材料进行扫描，得到待检测古筝面板材料的近红外光谱图像，然后对近红外光谱图像上的数据进行分析，提取待检测古筝面板材料的目标特征信息向量，所述待检测古筝面板材料的目标特征信息向量可以反映待检测古筝面板材料的特征，因此后续基于提取的目标特征信息向量来实现对古筝面板材料的等级判定，该方法是一种自动化程度较高的检测方法，可以克服人工和光照因素导致的误判，且检测效率也较高，因此该方法能够提高古筝面板材料等级判定的准确率。
[0019]
首先本实施例通过近红外光谱仪对待检测古筝面板整体进行扫描，得到待检测古筝面板材料的近红外光谱图；所述近红外光谱图上的横坐标值为波长，纵坐标值为吸光度；所述近红外光谱图的获取过程为公知技术，因此不再做具体描述。
[0020]
步骤s002，根据所述近红外光谱图上的各波长值以及各波长值对应的吸光度，得到各光谱数据向量；根据所述各光谱数据向量，构建得到光谱数据向量序列；根据所述光谱数据向量序列中任意两个光谱数据向量之间关联程度，构建得到关联矩阵；所述光谱数据向量的数量为n；所述关联矩阵为n行n列。
[0021]
由于本实施例后续需要对待检测古筝面板材料的近红外光谱图上的特征进行提取，并且所述待检测古筝面板材料的近红外光谱图上的特征可以反映待检测古筝面板材料的特征，因此本实施例获取近红外光谱图上为整数的波长值，记为目标波长值，即目标波长值均为整数；然后按照从小到大的顺序对近红外光谱图上的各目标波长值进行排序，得到近红外光谱图对应的目标波长值序列，为近红外光谱图对应的目标波长值序列，为目标波长值序列中的第1个目标波长值（近红外光谱图上的最小目标波长值），为目标波长值序列中的最后1个目标波长值（近红外光谱图上的最大目标波长值），n为目标波长值序列中元素的总数量，即近红外光谱图上的目标波长值的总数量；然后根据近红外光谱图上的各目标波长值以及各目标波长值对应的吸光度，构建得到目标波长值序列中各目标波长值对应的光谱数据向量，一个光谱数据向量对应近红外光谱图上的一个目标波长值以及该目标波长值对应的吸光度，即光谱数据向量均为2维向量；然后根据各光谱数据向量，构建光谱数据向量序列，其中，为光谱数据向量序列，且光谱数据向量序列中光谱数据向量的数量为n，为光谱数据向量序列中的第1个光谱数据向量（目标波长值对应的光谱数据向量），即，为目标波长值对应的吸光度，将记为光谱数据向量中的第1个元素的值，将记为光谱数据向量中的第2个元素的值；为光谱数据向量序列中的最后1个光谱数据向量（目标波长值对应的光谱数据向量），即，为目标波长值对应的吸光度，将记为光谱数据向量中的第1个元素的值，将记为光谱数据向量中的第2个元素的值。
[0022]
接下来依据光谱数据向量序列中任意两个光谱数据向量之间的关联程度，构建关联矩阵，后续主要利用关联矩阵来消除无关数据对后续等级判定的影响，提高检测效率和检测精度；根据如下公式计算光谱数据向量序列中任意两个光谱数据向量之间的关联程度：其中，为光谱数据向量序列中第i个光谱数据向量和第j个光谱数据向量之间的关联程度，为以e为底的指数函数，为光谱数据向量序列中第i个光谱数据向量中的第1个元素的值，为光谱数据向量序列中第i个光谱数据向量中的第2个元素的值，为光谱
数据向量序列中第j个光谱数据向量中的第1个元素的值，为光谱数据向量序列中第j个光谱数据向量中的第2个元素的值；的值越大，表明光谱数据向量序列中第i个光谱数据向量和第j个光谱数据向量之间的关联程度越大；与之间的差异越大，与之间的差异越大，表明的值越小。
[0023]
然后根据光谱数据向量序列中任意两个光谱数据向量之间的关联程度，构建得到关联矩阵，其中，h为关联矩阵，且关联矩阵为n行n列，为关联矩阵中第1行第1列对应的元素的值（也为光谱数据向量序列中第1个光谱数据向量和第1个光谱数据向量之间的关联程度），为关联矩阵中第1行第n列对应的元素的值（也为光谱数据向量序列中第1个光谱数据向量和第n个光谱数据向量之间的关联程度），为关联矩阵中第2行第1列对应的元素的值（也为光谱数据向量序列中第2个光谱数据向量和第1个光谱数据向量之间的关联程度），为关联矩阵中第2行第n列对应的元素的值（也为光谱数据向量序列中第2个光谱数据向量和第n个光谱数据向量之间的关联程度），为关联矩阵中第n行第1列对应的元素的值（也为光谱数据向量序列中第n个光谱数据向量和第1个光谱数据向量之间的关联程度），为关联矩阵中第n行第n列的元素的值（也为光谱数据向量序列中第n个光谱数据向量和第n个光谱数据向量之间的关联程度）。
[0024]
步骤s003，获得所述关联矩阵对应的各特征值以及各特征值对应的特征向量；根据所述各特征值，得到所述各特征值的重要程度；根据各特征值的重要程度，对所述各特征值进行筛选，得到各目标特征值以及各目标特征值对应的目标特征向量；所述目标特征向量的数量为k。
[0025]
本实施例步骤s002得到了关联矩阵，考虑到在对古筝面板材料进行分析检测过程中，光谱数据向量序列所包含的数据量较大且还存在一些冗余数据，即无关数据，为了减少后续提取特征时冗余数据的影响，达到提高检测效率和检测精度的目的，本实施例后续将对关联矩阵进行分析，得到重要程度比较大的数据，后续只基于重要程度较大的数据进行分析，进而能降低后续的计算量，并且还能提高后续检测的精度；因此本实施例首先获取关联矩阵对应的各特征值，构建得到第一特征值序列，其中，中可能包括重根，第一特征值序列中特征值的个数为n，为第一特征值序列中的第1个特征值，为第一特征值序列中的第n个特征值；然后获得各特征值对应的特征向量，特征向量为1
×
n的向量；所述获取矩阵的特征值以及特征向量的过程为公知技术，因此本实施例不再详细描述。
[0026]
由于矩阵的特征值可以用来表征信息量的大小，特征值越大，说明在对应的特征向量上所包含的信息量就越多；特征值越小，说明在对应的特征向量上所包含的信息量就越少；因此本实施例筛选掉较小特征值对应的特征向量上所包含的信息量，保留较大特征值上所包含的信息量，这样不仅可以减少后续分析的数据量，而且也把有用的重要的信息量都保留了下来；具体过程为：首先计算特征值序列中各特征值的累加和，记为综合特征值；将各特征值与综合特征值的比值记为各特征值的重要程度；按照从大到小的顺序对各特征值的重要程度进行排序，得到重要程度序列；判断重要程度序列中的第1个重要程度是否小于重要程度阈值，若是，则计算得到重要程度序列中的前两个重要程度的和，判断重要程度序列中的前两个重要程度的和是否小于重要程度阈值，若是，则计算得到重要程度序列中的前三个重要程度的和；以此类推，依次对重要程度序列中各重要程度进行遍历，直至首次出现重要程度序列中前k个重要程度的和大于重要程度阈值时停止遍历，并将前k个重要程度记为目标重要程度，将目标重要程度的特征值记为目标特征值；所述k的取值范围为[1，n]，本实施例设置重要程度阈值为0.9；并将各目标特征值对应的特征向量，记为目标特征向量。
[0027]
步骤s004，根据所述目标特征向量，构建得到重构矩阵；根据所述重构矩阵和光谱数据向量序列，得到重构光谱数据矩阵；所述重构矩阵为k行n列；所述重构光谱数据矩阵为k行1列。
[0028]
本实施例步骤s003得到了各目标特征值以及各目标特征对应的目标特征向量，紧接着对各目标特征值进行排序，得到目标特征值序列；所述目标特征值序列中的各目标特征值对应的重要程度是按照从大到小排列的；根据目标特征值序列中各目标特征值对应的目标特征向量，构建得到一个k行n列的矩阵，记为重构矩阵；所述重构矩阵中的第1行第1列的元素的值为目标特征值序列中第1个目标特征值对应的目标特征向量中的第1个元素的值，所述重构矩阵中的第1行第n列的元素的值为目标特征值序列中第1个目标特征值对应的目标特征向量中的第n个元素的值，所述重构矩阵中的第2行第1列的元素的值为目标特征值序列中第2个目标特征值对应的目标特征向量中的第1个元素的值，所述重构矩阵中的第2行第n列的元素的值为目标特征值序列中第2个目标特征值对应的目标特征向量中的第n个元素的值，以此类推，所述重构矩阵中的第k行第n列的元素的值为目标特征值序列中第k个目标特征值对应的目标特征向量中的第n个元素的值。
[0029]
紧接着根据光谱数据向量序列，构建得到光谱数据矩阵，即光谱数据矩阵由n个光谱数据向量构成；因此所述光谱数据矩阵中的第1行第a列的光谱数据向量为光谱数据向量序列中的第a个光谱数据向量；之后计算得到光谱数据矩阵的转置，记为光谱数据转置矩阵；紧接着将重构矩阵与光谱数据转置矩阵相乘，将相乘的结果记为重构光谱数据矩阵；所述重构光谱数据矩阵中的每个参数不是一个具体的值，而是一个向量，因此将重构光谱数据矩阵中第b行第1列的向量记为重构光谱数据向量，所述重构光谱数据向量均为2维向量，所述重构光谱数据向量中的第1个参数均为波长值，重构光谱数据向量中的第2个参数均为吸光度，且重构光谱数据向量中的吸光度为重构光谱数据向量中的波长值对应的。
[0030]
步骤s005，根据重构光谱数据矩阵，得到待检测古筝面板材料的目标特征信息向量；根据所述目标特征信息向量，得到待检测古筝面板材料的等级。
[0031]
本实施例中上述步骤s005得到了重构光谱数据矩阵，又因为所述重构光谱数据矩阵中的各重构光谱数据向量包含的是重要程度较高的波长数据信息和吸光度数据信息，因此接下来将对重构光谱数据矩阵进行分析，来达到提取待检测古筝面板材料的目标特征信息向量的目的；具体过程为：由于重构矩阵由n个目标特征向量构成，且重构矩阵中1行数据为一个目标特征向量，目标特征向量对应一个目标特征值，即重构矩阵中的第c行的各元素的值为目标特征值序列中第c个目标特征值对应的目标特征向量中的各元素的值；又因为一个目标特征值对应一个重要程度，因此将各目标特征值对应的重要程度作为各目标特征值对应的目标特征向量的重要程度，因此得到了重构矩阵中各行参数的重要程度；又因为重构光谱数据矩阵是由重构矩阵和光谱数据转置矩阵相乘得到，根据矩阵的之间相乘的规则可知，重构光谱数据矩阵中的第1行第1列的重构光谱数据向量是由重构矩阵中的第1行参数与光谱数据转置矩阵第1列的各向量相乘相加得到的，因此将重构矩阵中第1行参数的重要程度作为重构光谱数据矩阵中第1行第1列的重构光谱数据向量的重要程度，即将重构矩阵中第c行参数的重要程度作为重构光谱数据矩阵中第c行第1列的重构光谱数据向量的重要程度；因此通过上述过程得到了重构光谱数据矩阵中各重构光谱数据向量的重要程度。
[0032]
紧接着根据重构光谱数据矩阵对应的各重构光谱数据向量，构建得到高斯混合模型；获取高斯混合模型对应的各子高斯模型的标准差和均值；紧接着获取各子高斯模型对应的各特征光谱数据向量；获取各子高斯模型对应的各特征光谱数据向量中的中心特征光谱数据向量，并记为各子高斯模型对应的目标特征光谱数据向量；之后计算得到各子高斯模型对应的各特征光谱数据向量的重要程度的均值，记为各子高斯模型对应的目标重要程度；根据各子高斯模型对应的标准差、均值、目标重要程度以及目标特征光谱数据向量，构建各子高斯模型对应的目标向量；然后根据重构光谱数据矩阵，构建得到重构光谱图；获取重构光谱图上的各峰值中的最大值，记为目标峰值；获取重构光谱图上的各谷值中的最小值，记为目标谷值；同时获取目标峰值的波长值和目标谷值的波长值，记为第一目标波长值和第二目标波长值；计算目标峰值与目标谷值之间的差值，记为特征差值；然后根据各子高斯模型对应的目标向量、重构光谱图上的第一目标波长值、重构光谱图上的第二目标波长值和特征差值，构建得到待检测古筝面板材料对应的目标特征信息向量。
[0033]
紧接着将待检测古筝面板材料对应的目标特征信息向量输入到训练好的分类网络中，网络输出为待检测古筝面板材料的等级；本实施例将高级品的古筝面板材料记为一级面板，将中级品的古筝面板材料记为二级面板，将普级品的古筝面板材料记为三级面板；分类网络的训练过程为：获取样本集，样本集中包括大量一级样本面板材料、二级样本面板材料以及三级样本面板材料，按照上述获取待检测古筝面板材料对应的目标特征信息向量的过程获取各样本面板材料对应的样本特征信息向量；将各样本特征信息向量和标签数据输入到分类网络中进行训练，得到训练好的分类网络，所述分类网络训练的损失函数为均
方差损失函数；所述分类网络的训练过程和网络结构为公知技术，因此本实施例不做具体描述。
[0034]
作为其它的实施方式，也可以计算各一级样本面板材料对应的样本特征信息向量的均值，记为一级样本标准特征向量；计算各二级样本面板材料对应的样本特征信息向量的均值，记为二级样本标准特征向量；计算各三级样本面板材料对应的样本特征信息向量的均值，记为三级样本标准特征向量；然后分别计算待检测古筝面板材料对应的目标特征信息向量与一级样本标准特征向量、二级样本标准特征向量以及三级样本标准特征向量之间的欧氏距离，将最小距离对应的标准特征向量的等级，记为待检测古筝面板材料的等级。
[0035]
本实施例首先获取待检测古筝面板材料的近红外光谱图；紧接着根据近红外光谱图上的各波长值以及各波长值对应的吸光度，构建光谱数据向量序列；然后根据光谱数据向量序列中任意两个光谱数据向量之间关联程度，构建得到关联矩阵；之后根据关联矩阵的各特征值的重要程度，对各特征值进行筛选，得到各目标特征值以及各目标特征值对应的目标特征向量，能够将冗余数据筛选出去，降低后续提取目标特征信息向量时冗余数据的影响，提高检测效率和检测精度。然后根据目标特征向量，构建得到重构矩阵；根据所述重构矩阵和光谱数据向量序列，得到重构光谱数据矩阵；根据重构光谱数据矩阵，得到待检测古筝面板材料的目标特征信息向量；然后根据所述目标特征信息向量，实现对待检测古筝面板材料的等级判定；根据提取的待检测古筝面板材料的目标特征信息向量，能够提高对待检测古筝面板材料的等级判定的准确度。因此本实施例提供的古筝面板材料检测方法是一种自动化程度较高的检测方法，可以克服人工和光照因素导致的误判，且检测效率也较高，因此能够提高古筝面板材料等级判定的准确率。
[0036]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。