孫永科 鐘麗輝 何鑫 林啟招

摘要：木材識別是木材交易和珍稀植物保工作中的一項重要技術(shù)。該文提出了一種木材圖像識別的方法，首先利用30X放大鏡獲取木材橫切面的圖像，設(shè)計了一個5層的CNN神經(jīng)網(wǎng)絡(luò)，對12種木材的材種進(jìn)行識別。實驗中訓(xùn)練數(shù)據(jù)的分類正確率達(dá)到了80%，驗證數(shù)據(jù)的分類正確率最高達(dá)到了70%。

關(guān)鍵詞：木材識別;神經(jīng)網(wǎng)絡(luò);橫切面圖片

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）08-0213-03

1 背景

木材貿(mào)易是國際貿(mào)易中的一個重要的經(jīng)濟(jì)活動，中國是木材交易數(shù)量大的國家之一[1-2]。大量的木材交易引發(fā)了珍稀植物的盜砍盜伐，對進(jìn)出口木材的材種進(jìn)行檢驗和識別可以有效地珍稀植物，保護(hù)森林資源，由于木材交易的數(shù)來大，因此材種鑒定工作難強(qiáng)度大，耗費時間長。傳統(tǒng)的人工鑒定方法花費的時間長，成本高[3]，于是人們開始研究利用計算機(jī)技術(shù)進(jìn)行木材快速識別的技術(shù)，于海鵬等人提出利用木材圖像的顏色和紋理特征識別木材材種，對于部分材種取得了較好的分類結(jié)果，但是對于未知樣本效果不理想[4]。2013年劉子豪等人提出基于橫切面圍觀構(gòu)造圖像的木材識別方法，首先提取圖像的KPCA特征值，然后通過先升維再降維的方法提取特征，使用該方法后極大地提高了木材識別的準(zhǔn)確率[5]。文中同時也對比了分別使用FDA，SVM，和Gentle AdaBoost分類器時的正確率，通過對特定24中木材圖片實驗法現(xiàn)，KPCA+Gentle AdaBoost方法的正確率最高，取得了較好的效果。2015年Sun Yongke等人選取10中珍稀紅木作為研究對象，從30X的木材橫截面放大圖像中提取SVD，PCA，和KPCA特征值，使用SVM分類器進(jìn)行分類時發(fā)現(xiàn)SVD+SVM分類器的效果最好[6]。雖然這些方法在實驗中都取得了較好的效果，但是在對未知樣本進(jìn)行識別時，正確率不理想。

近幾年深度卷積網(wǎng)絡(luò)在圖像分類[7]和圖像檢測[8]領(lǐng)域都取得了很大進(jìn)步，利用Convolutional Neural Network，CNN網(wǎng)絡(luò)可以極大提高分類的正確性，尤其是在人臉檢測和識別領(lǐng)域[9-11]?；谶@些研究成果，為了提高分類算法針對未知樣本的正確率，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的木材分類算法。通過實驗發(fā)現(xiàn)該方法具有更好的魯棒性，對未知樣本也能達(dá)到較高的識別率。

2 木材識別的方法

2.1 CNN網(wǎng)絡(luò)介紹

多層卷積神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域取得了非常好的效果，目前大多數(shù)的圖像識別都采用了該技術(shù)。CNN使用不同的神經(jīng)元對圖像進(jìn)行感知，不同的神經(jīng)元獲取圖像中不同的特征值，為了提高特征感知的速度，CNN通過局部連接和參數(shù)共享的技術(shù)，減少了計算量提高了系統(tǒng)的計算速度。CNN的分類過程描述如圖1所示。

輸入的圖片經(jīng)過卷層時，原圖像中的像素點會映射為多個特征值，輸入一張圖片會得到多個描述該圖片的矩陣，矩陣的長和寬小于等于圖片的尺寸，但是數(shù)量增加。經(jīng)過多次卷積，矩陣的長和寬變得越來越小，但是厚度越來越厚，形成一個高度抽象的一維的數(shù)據(jù)，這些一維數(shù)據(jù)就是圖像的主要特征。

系統(tǒng)會提取了圖像中的若十特征信息，若干次的卷積和采樣，最終會輸出一組關(guān)于特征值，這些特征值記錄了圖像中最主要的一些特征，利用這些特征值可以對圖像進(jìn)行分類。

3 實驗介紹

3.1 實驗材料

實驗使用13種珍稀的木材圖片進(jìn)行測試，實驗樣本來自西南林業(yè)大學(xué)木材科學(xué)標(biāo)本館，每種木材收集不同的樣本，試驗工采集圖片220張，使用圖像增強(qiáng)方法，對這些圖片進(jìn)行旋轉(zhuǎn)、模糊等操作，最終增強(qiáng)后的圖片共計10560張。

3.2 采集工具和方法

為了取得清晰的木材橫切面圖片，可以使用刀片在測試樣本上割出一個小的平整面，或者使用打磨機(jī)對橫切面進(jìn)行打磨。然后使用50X的電子放大鏡拍攝橫截面圖片，截取圖片中間300x300像素的區(qū)域作為實驗數(shù)據(jù)，這部分區(qū)域圖片成像清晰。獲取到的圖片效果如下所示。

4 CNN模型

本實驗采用5層的卷積神經(jīng)網(wǎng)絡(luò)，核函數(shù)relu，分類器使用softmax。圖片每經(jīng)過一次卷積處理，模型會對圖像進(jìn)行一次抽象處理，提取其中的特征。

圖3中為木材橫切面圖片和中間層的處理結(jié)果。CNN的每一個中間層都會有很多的特征圖片輸出，圖3（b）一（f）分別是從不同中間層輸出中挑選的特征圖片，圖3（b）為第一層的部分特征圖像，第一層共有64個特征矩陣，每一個矩陣都是從輸入學(xué)習(xí)到的特征，從圖3（b）是其中的10張圖像，通過觀察發(fā)現(xiàn)這些特征都不相同，說明不同的神經(jīng)元感知到了不同的數(shù)據(jù)。圖3（c）是第二層的部分特征圖像，圖像數(shù)據(jù)減少，圖像開始變得模糊，但是紋理結(jié)構(gòu)仍然可以繼續(xù)分辨。圖3（d）是第三層的部分特征圖像，圖像開始抽象，細(xì)節(jié)模糊變化劇烈的區(qū)域凸顯。圖3（e）是第四層的部分特征圖像，繼續(xù)抽象，細(xì)節(jié)減少特征繼續(xù)強(qiáng)化。圖3（f）是第五層的部分特征圖像，多數(shù)的細(xì)節(jié)紋理消失，部分特征區(qū)域抽象為點信息。

5 實驗結(jié)果

圖片共計10560張，使用隨機(jī)劃分的方法把圖像分類訓(xùn)練數(shù)據(jù)集共計6440張，和驗證數(shù)據(jù)集共計4120張。實驗共進(jìn)行50次，每次都記錄訓(xùn)練數(shù)據(jù)的正確率的和驗證數(shù)據(jù)集的正確率，結(jié)果如圖4所示。圖中粗點線條是訓(xùn)練數(shù)據(jù)的正確率，淺色細(xì)線條是對驗證數(shù)據(jù)的正確率，可以發(fā)現(xiàn)，隨著訓(xùn)練次數(shù)的增加訓(xùn)練樣本的正確率在不斷提高，但是在訓(xùn)練到第28次時，驗證數(shù)據(jù)的正確率開始出現(xiàn)波動，說明很可能存在過擬合現(xiàn)象，但是在43次后波動開始減少，正確率維持在60%-70%。之間。

參考文獻(xiàn)：

[1]張生忠.2008年上半年我國進(jìn)口木材市場分析[J].林產(chǎn)工業(yè)，2008，35（5）：3-5.

[2]陳瑩，靳帥，李瑞法，等.淺談進(jìn)境原木分類的鑒定方法[J].綠色科技，2014（7）：278，281.

[3]姜笑梅，殷亞方，劉波.木材樹種識別技術(shù)現(xiàn)狀、發(fā)展與展望[J].木材工業(yè)，2010，24（4）：36-39.

[4]于海鵬，劉一星，劉鎮(zhèn)波.基于圖像紋理特征的木材樹種識別[J].林業(yè)科學(xué)，2007，43（4）：77-81，F(xiàn)0003.

[5]劉子豪，汪杭軍.基于PCA+FisherTrees特征融合的木材識別[J].林業(yè)科學(xué)，2013，49（6）：122-128.

[6] Sun Y K，Cao Y，Xiong F，et al.The wood slice cell imageidentification algorithm Based on singular value decomposition[J]. Journal of Computational and Theoretical Nanoscience，2015， 12（12）：5372-5378.

[7] Krizhevsky A， Sutskever I， Hinton G E. ImageNet classifica-tion with deep convolutional neural networks[J]. Communica-tions of the ACM， 2017， 60{6）：84-90.

[8] SERMANET P， EIGEN D， ZHANG X. et al. OverFeat： Inte-grated Recognition， Localization and Detection using Convolu-tional Networks[J]. arXiv preprint arXiv， 2013： 1312， 6229.

[9] SIMONYAN K， ZISSERMAN A. Very Deep Convolutional Net-works for Large-Scale Image Recognition[J]. International Con-ference on Learning Representations （lCRL）， 2015： 1-14.

[10] Garcia C， Delakis M. Convolutional face finder： a neural ar-chitecture for fast and robust face detection[J]. lEEE Transac-tions on Pattern Analysis and Machine Intelligence， 2004， 26（11）：1408-1423.

[11] Yang S， Luo P， Loy C C， et al. Faceness-net： face detectionthrough deep facial part responses[J]. lEEE Transactions onPattern Analysis and Machine Intelligence， 2018， 40（8）：1845-1859.

基金項目：云南省應(yīng)用基礎(chǔ)研究計劃項目（項目編號：2018FG 001-108）

作者簡介：孫永科（1980-），男，講師，碩士，研究方向為數(shù)據(jù)分類、計算機(jī)圖像處理;鐘麗輝（1984-），女，通信作者，講師，碩士，研究萬向為計算機(jī)圖像處理。