林业科学

作者：宿恒硕1,吕军1,*,丁志平2,唐彦杰3,陈旭东2,周强2,张哲宇1,姚青1

单位：1. 浙江理工大学信息学院 杭州 3100182. 张家港海关 张家港 2156003. 杭州箨草科技有限公司 杭州 311500

关键词：木材识别,木材横截面图像,残差卷积神经网络,分块,梯度加权

基金：南京海关信息化项目“木材AI初筛识别远程支持系统”

目的: 针对传统木材种类人工鉴定方法存在的专业性强、任务重、周期长和非实时性等问题，提出一种基于改进残差神经网络的木材识别算法，以满足木材监管实时性和高效性需求。方法: 以32种横截面打磨后的木材为研究对象，首先，利用外带微距镜头的手机采集8 975幅木材横截面图像，通过R、G、B三通道平均灰度值计算增益系数，用各通道灰度值与对应增益系数的乘积代替原始通道灰度值，消除由图像采集设备和环境差异引起的偏色影响; 其次，基于木材横截面宏观结构的自相似性，采用水平翻转、垂直翻转、添加椒盐噪声和图像分块方式获取更多的训练样本和图像特征，并保证不同种类的木材图像数量相对均衡; 然后，通过双线性插值法将每幅分块子图像统一缩放至224×224像素，应用基于分块梯度加权的改进残差卷积神经网络ResNet101模型对每幅子图像进行特征提取，并计算每幅图像的最终识别得分; 最后，选择平均准确率和平均召回率评价不同分块处理策略、不同模型和改进的残差卷积神经网络模型的识别结果。结果: 在同一测试集上，VggNet16、GoogleNet、DenseNet、MobileNetv3、ResNet50、ResNet101和ResNet152模型对32种相似木材横截面原图进行识别，平均识别准确率分别为71.3%、81.3%、83.2%、66.4%、87.9%、92.1%和90.5%，ResNet101模型适合于木材图像特征提取和种类鉴定; 基于原图 5×5、7×7和10×10分块的ResNet101模型，分别获得94.8%、96.5%和95.3%的平均准确率; 将分块梯度加权策略应用于ResNet101模型，获得98.8%的平均准确率和99.1%的平均召回率，较基于原图、7×7分块的ResNet101模型，采用分块梯度加权方法改进的ResNet101模型的平均准确率分别提高6.7%和2.3%，平均召回率分别提高7.4%和2.8%，分块梯度加权方法可有效提升木材识别模型的准确率。结论: 基于分块梯度加权的ResNet101模型对32种相似木材进行识别，平均准确率为98.8%; 木材横截面图像可用于木材种类识别，分块梯度加权策略能够提高模型识别准确率。

来源：2021年第12期

《林业科学》期刊编辑部

查看林业科学杂志2021年第12期