基于深度学习的75种阔叶材微观辨识方法OA北大核心CSTPCD

【目的】对75种南美进口阔叶材提出微观图像辨识模型TimberIDNet75,为海关、进出口检疫检验以及从事木材鉴定研究的人员提供一种准确的多材种辨识方法。【方法】TimberIDNet75模型是包含1个输入层、4个隐含层的34层卷积层的中浅层神经网络。为尽量扩大感受野以提取更多图像特征,输入层采用13×13×256的卷积核,对每张图像提取256类特征,经激活、池化处理后作为输出。第1个隐含层采用2次卷积、激活后再进行残差修正,称作“两卷一修正块”。第1个隐含层包含3个“两卷一修正块”,提取256类特征作为输出。第2个隐含层包含4个“两卷一修正块”,再次提取512类特征作为输出。第3个隐含层包含6个“两卷一修正块”,对上一层的输出进行特征提取,获得1024个类的特征。第4个隐含层包含3个“两卷一修正块”,对第3层的输出进行特征提取,获得2048个类的特征,经全局平均池化后输入到全连接层映射出75个树种的分类。【结果】TimberIDNet75模型的准确率达99.4%,损失值为0.044。将TimberIDNet75模型与现阶段较先进的深度学习模型进行比较,ResNet模型的准确率为98.1%、VGGNet模型的准确率为97.1%、GoogleNet模型的准确率为96.2%、AlexNet模型的准确率为94.7%、ViT模型的准确率为53.2%,TimberIDNet75模型的准确率相比其中准确率最高的ResNet模型提高1.3%。利用TimberIDNet75模型对随机获取的75种进口阔叶材微观解剖样本进行实际测试,样本全部准确辨识,准确率达100%。【结论】TimberIDNet75模型中的“两卷一修正块”,在节省机器资源的同时,可消除模型梯度下降导致过拟合的问题,同时利用残差法使得模型训练时人工干预降至最低,准确率和效率大幅提升。