基于小波卷积网络的木材识别近红外光谱技术

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Near infrared spectroscopy for wood identification based on wavelet convolutional networks

　　

Zhipeng Su|Xiaoling Zhao|Shu Chen|Tingting Hong

中国福建省福州市福州大学物理与信息工程学院

摘要

基于深度学习的方法在利用近红外光谱技术识别木材种类方面展现出巨大潜力。然而，从有限的光谱数据中提取内在且微妙的化学吸收特征，对纯数据驱动的模型而言一直是个难题。这一限制导致这些模型容易过度拟合高频仪器噪声，进而降低模型的泛化能力和异常检测能力。为解决这一问题，我们提出了一种基于小波增强的物理引导神经网络（Wavelet-PINN），以实现更可靠、准确的木材种类识别。具体而言，该模型通过离散小波变换将一维光谱信号分解为多尺度时频成分，从而从背景噪声中分离出核心结构特征。我们还引入了一种由索伯列夫梯度损失引导的物理感知门控机制，用于生成物理注意力掩码，自适应地突出有用的吸收带。这些可学习的物理先验随后被嵌入到网络主干的分层深度特征中。此外，我们还构建了一个独立的自动编码器，用于无监督信号重建，通过双重任务优化目标来规范解空间。在丰富的木材种类数据集上的实验表明，Wavelet-PINN在分类性能上优于现有的深度学习方法。其分类准确率高达98.81%，超过了基于Transformer和多项式网络的基准方法。同时，重建模块还为开放环境中的异常检测提供了有效的物理阈值。

引言

森林在全球生态系统和碳循环中起着至关重要的作用。作为重要的自然资源，木材支撑着全球的经济贸易和基础设施建设。准确的木材种类识别是执行国际贸易法规和实施可持续资源管理的关键技术要求。目前，近红外光谱技术已成为木材特性分析的重要手段[1]、[2]。这种近场传感技术能够快速进行测量，且对样本预处理的要求较低。通过捕捉分子振动的谐波和组合，近红外光谱技术可将木材中的复杂化学成分（如纤维素、半纤维素和木质素）转化为具有辨识度的光谱特征。越来越多的研究人员致力于将这项技术应用于木材科学领域[3]、[4]。

尽管基于深度学习的方法，尤其是一维卷积神经网络，在光谱识别任务中表现出了良好的性能[5]、[6]，但光谱数据本身的高维度、冗余性以及类间高相似性仍给精确分类带来巨大挑战。纯数据驱动的卷积神经网络在训练过程中往往容易过度拟合随机仪器噪声和无关的背景干扰。由于缺乏明确的物理机制约束，这类网络往往无法准确捕捉微观光谱特征和细微的吸收峰。此外，大多数现有的深度光谱识别模型都基于封闭集假设。在面对开放环境中的未知异常样本或分布外数据时，它们通常缺乏有效的异常检测能力，这降低了其在实际工业应用中的可靠性[7]、[8]。

为解决上述问题，本文提出了一种名为基于小波增强的物理引导神经网络（Wavelet-PINN）的新架构，用于实现可靠的木材种类识别。该方法的核心思想是将传统信号处理理论与物理感知的深度学习机制相结合，构建一种结构约束框架，将光谱的物理形态明确嵌入到深度特征空间中。具体而言，离散小波变换被用作特征提取的前端模块[9]，它可将一维光谱信号分解为多尺度时频成分，包括近似成分和细节成分。近似成分反映了材料的宏观吸光趋势，而细节成分则揭示了局部的微观光谱变化。这种分解方式确保了多尺度特征包含全面且抗噪声的光谱信息。同时，我们还设计了自动编码器架构用于并行信号重建，促使网络学习出可重建且高保真的潜在表示[10]（见图1、图5）。

此外，还在潜在特征空间中集成了一项物理感知模块。以卷积神经网络层作为特征提取的主干，我们提出了一个并行的物理门控机制，用于评估分层特征的结构重要性。该门控机制能够有效抑制非物理的高频振荡，同时自适应地增强与核心化学键吸收对应的光谱带。我们还设计了一个精心设计的双重任务优化目标，将分类损失与索伯列夫重建损失相结合。在可学习的索伯列夫梯度损失的引导下，光谱数据的固有物理连续性和结构拓扑得以有效保持。最终，该模型学习到了具有统计辨识度且在物理形态上平滑的稳健特征表示。这种协同设计提升了网络的辨识能力，显著增强了其在复杂开放环境测试场景中的泛化能力和异常检测能力。

本研究的主要贡献如下。

• 1.
  提出了一种基于小波变换的光谱分解机制，该机制能有效分离微弱的化学吸收峰与仪器噪声，提升模型感知多尺度物理光谱特征的能力。
• 2.
  通过基于索伯列夫的平滑性约束，在潜在特征空间中引入了物理引导的规范化处理。该机制通过确保学习到的光谱流形的连续性和一致性，动态生成梯度平滑的注意力掩码，有效避免了纯数据驱动模型常见的过拟合问题。这一设计的灵感来源于近红外光谱的平滑吸收特性，旨在在特征学习过程中保留符合物理规律的光谱表示。
• 3.
  设计了并行的自动编码器重建分支，用于特征学习和信号重建的同步进行。高保真的重建误差被用来确定异常检测的物理阈值，提升了系统在现实环境中的可靠性。
• 4.
  本研究提供了一个涵盖多种具有较高国际经济价值的珍贵木材物种的数据集，其中包括分类学上不同的属，以及同一属内的多个近缘物种。

本文的其余结构如下：第2节将对相关研究进行全面综述，第3节详细阐述所提出的方法，第4节介绍实验设置及完整结果，第5节则给出最终结论。

章节摘录

深度学习在光谱分析中的应用

光学传感和机器学习的最新进展极大推动了木材种类识别的自动化进程。一些开创性研究成功证明了将高光谱成像技术与先进的深度学习架构相结合的强大效力。例如，Ma等人[12]建立了一个高效框架，通过从高光谱图像中提取近红外空间分辨光谱数据，实现了木材种类的快速识别。

思路阐述

在本研究中，我们提出了一种结合物理约束和信号重建的近红外光谱分类方法。与那些依赖复杂算法才能获得良好性能的现有纯数据驱动光谱分类方法不同，我们的方法通过利用对光谱物理拓扑特性敏感的辅助任务，提升了分类精度。设原始光谱输入为$x$，提取出的潜在特征为${\mathbf{F}}_{out}$，而

实验设置

数据集。本研究所使用的近红外光谱数据集是通过整合来自四个独立来源的光谱样本构建的。具体包括：（1）在CSDN开放数据平台上公开的木材近红外光谱数据集¹；（2）存储在Figshare上的“松树和橡树木材种类的近红外光谱数据”数据集²；（3）“原始光谱数据”

结论

本研究提出了一种基于物理感知的深度学习框架，用以解决近红外光谱木材种类分类中长期存在的难题。所提出的Wavelet-PINN方法将小波多分辨率分析融入到物理引导神经网络架构中。通过加入用于光谱信号重建的并行自动编码器分支，该框架在整个特征学习过程中施加了物理一致性约束，从而有效引导模型保留

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究部分得到了中国福建省“福建省中青年教育科研项目”（项目编号JZ250004）、“福建省海洋与渔业高质量发展专项资金”（项目编号FJHYF-L-2025-07-005）以及“福建省自然科学基金项目”（项目编号2026J0011244）的对苏志鹏的支持。