林业科学

作者：苗宇杰,祝诗平*,普京,李俊贤,马羚凯,黄华

单位：西南大学工程技术学院　重庆 400716

关键词：家具木材,木蜡油,识别,卷积神经网络,MobileNetV3

基金：中央高校基本科研业务费专项资金项目( XDJK2019C081)

目的: 为解决日常生活中家具木材种类主要依靠人工识别存在的主观性强、效率低等问题，设计一种基于MobileNetV3卷积神经网络（CNN）的常见家具木材图像种类识别模型，有效提高木材种类识别速度和精度，为木材资源的合理利用、木材进出口贸易管理及消费者确定家具木材种类提供一种科学有效的方法。方法: 首先，采集4种木材的素材图像以及其中2种涂饰木蜡油的木材图像，共3 880张，将数据集按6∶2∶2和2∶6∶2分为训练集、验证集和测试集，基于旋转、翻转等操作将训练集数据扩充为原来的4倍。采用4种卷积神经网络和2种传统机器学习方法对素材图像建立识别模型，通过分析对比得到最优识别网络模型——MobileNetV3，对模型进行迁移学习并参数调优。将素材图像与涂饰木蜡油的木材图像对应放在一起与剩下的2种素材图像共同组成新的数据集，构建基于MobileNetV3网络的木材种类识别模型。为方便分类人员操作，减轻分类人员在实际检测中的操作难度，选用构建的木材种类识别模型，基于PyQt5搭建木材种类识别系统。结果: 与传统机器学习方法相比，卷积神经网络识别效果更佳，且迁移学习能够明显提高网络的收敛速度和分类性能。在验证集中，识别性能最佳的MobileNetV3对4种素材图像的平均识别准确率为98.13%，对混有涂饰木蜡油木材图像的识别准确率为97.25%。结论: 木材种类识别模型不仅可对素材进行识别，也能实现对涂饰木蜡油木材的快速、准确识别，为木材分类人员带来便捷的同时，也为消费者挑选实木家具并确定木材种类提供一种可靠的识别方法。

来源：2023年第8期

《林业科学》期刊编辑部

查看林业科学杂志2023年第8期