基于BIRCH的木材缺陷识别

山东大学学报(工学版) ›› 2010, Vol. 40 ›› Issue (5): 137-140.

基于BIRCH的木材缺陷识别

吴东洋,业宁

南京林业大学信息技术学院, 江苏南京 210037

收稿日期:2010-04-02 出版日期:2010-10-16 发布日期:2010-04-02
作者简介:吴东洋(1978-),女,辽宁沈阳人,讲师,研究方向为数据挖掘.E-mail:eassun2000@sina.com.cn
基金资助:
国家自然科学基金资助项目(60573024)、江苏省自然科学基金资助项目(BK2009393)

Wood defect recognition based on BIRCH cluster algorithm

WU Dong-yang, YE Ning

School of Information Technology, Nanjing Forestry University, Nanjing 210037, China

Received:2010-04-02 Online:2010-10-16 Published:2010-04-02

摘要/Abstract

摘要：

提出了一种新的基于分层的平衡迭代归约及聚类(balance iterative reducing and clustering using hierarchies,BIRCH)算法的木材缺陷识别方法,讨论了关于分支因子(B,L)、阈值T的选取及非缺陷类判别问题。该方法通过在一定阈值内构建CF树,产生初始聚类,对初始聚类进行非缺陷类判别,自动识别木材缺陷类及位置并标记。实验结果表明,该算法能有效地进行木材缺陷识别,平均识别查准率约为86.3％,平均识别查全率约为90.1％。

关键词: 分层的平衡迭代归约及聚类, 聚类分析, 木材缺陷

Abstract:

A new method for wood defect recognition based on BIRCH algorithm is been proposed. The problems about branch factor (B, L)、the selection of threshold T and the discrimination of non-defect class are been discussed. To produce the initial clustering, distinguish non-defect class for the initial clustering, automatically identify the location of the wood’s defects and mark it, a CFtree within a certain threshold is been built. The experimental results show that this algorithm can identify the wood’s defects efficiently, the average defecting precision ratio is about 86.3％, and the average defecting recall ratio is about 90.1％.

Key words: BIRCH, clustering method, wood defect

吴东洋,业宁. 基于BIRCH的木材缺陷识别[J]. 山东大学学报(工学版), 2010, 40(5): 137-140.

WU Dong-yang, YE Ning. Wood defect recognition based on BIRCH cluster algorithm[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2010, 40(5): 137-140.

参考文献

相关文章 9

[1]	孟银凤,杨佳宇,曹付元. 函数型数据的分裂转移式层次聚类算法[J]. 山东大学学报 (工学版), 2022, 52(1): 19-27.
[2]	李蓓,赵松,谢志佳,牛萌. 电动汽车虚拟储能可用容量建模[J]. 山东大学学报 (工学版), 2020, 50(6): 101-111.
[3]	马相明,孙霞,张强. 轮式装载机典型作业工况构建与分析[J]. 山东大学学报 (工学版), 2015, 45(5): 82-87.
[4]	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, 43(2): 23-28.
[5]	董凤娟,邹华彬*,陆玮洁,杜爱琴. 双指标等级序列模式识别法分析十全大补丸氯仿提取物红外指纹图谱[J]. 山东大学学报(工学版), 2010, 40(6): 113-119.
[6]	王好芳吴美陈文艳. 模糊聚类分析在区域水资源承载能力评价中的应用[J]. 山东大学学报(工学版), 2009, 39(3): 139-143.
[7]	王耘,穆勇,刘庆红 . 基于灰关联分析的模糊聚类最优划分判定模型[J]. 山东大学学报(工学版), 2006, 36(2): 86-89 .
[8]	王耘,穆勇,刘庆红 . 基于灰关联分析的模糊聚类最优划分判定模型[J]. 山东大学学报(工学版), 2006, 36(2): 86-89 .
[9]	管延勇,胡海清,王洪凯 . α-粗糙集模型中的不可分辨关系[J]. 山东大学学报(工学版), 2006, 36(1): 75-80 .

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	王素玉,艾兴,赵军,李作丽,刘增文 . 高速立铣3Cr2Mo模具钢切削力建模及预测[J]. 山东大学学报(工学版), 2006, 36(1): 1 -5 .
[2]	李侃 . 嵌入式相贯线焊接控制系统开发与实现[J]. 山东大学学报(工学版), 2008, 38(4): 37 -41 .
[3]	施来顺,万忠义 . 新型甜菜碱型沥青乳化剂的合成与性能测试[J]. 山东大学学报(工学版), 2008, 38(4): 112 -115 .
[4]	孔祥臻,刘延俊,王勇,赵秀华 . 气动比例阀的死区补偿与仿真[J]. 山东大学学报(工学版), 2006, 36(1): 99 -102 .
[5]	来翔 . 用胞映射方法讨论一类MKdV方程[J]. 山东大学学报(工学版), 2006, 36(1): 87 -92 .
[6]	余嘉元1 , 田金亭1 , 朱强忠2 . 计算智能在心理学中的应用[J]. 山东大学学报(工学版), 2009, 39(1): 1 -5 .
[7]	李梁，罗奇鸣，陈恩红. 对象级搜索中基于图的对象排序模型（英文）[J]. 山东大学学报(工学版), 2009, 39(1): 15 -21 .
[8]	陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[9]	王波,王宁生 . 机电装配体拆卸序列的自动生成及组合优化[J]. 山东大学学报(工学版), 2006, 36(2): 52 -57 .
[10]	李可,刘常春,李同磊 . 一种改进的最大互信息医学图像配准算法[J]. 山东大学学报(工学版), 2006, 36(2): 107 -110 .