基于神經網絡的珍稀紅木圖像識別技術

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。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，設計了一個5層的CNN神經網絡，對12種木材的材種進行識別。實驗中訓練數據的分類正確率達到了80%，驗證數據的分類正確率最高達到了70%。

關鍵詞：木材識別;神經網絡;橫切面圖片

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2020）08-0213-03

1 背景

木材貿易是國際貿易中的一個重要的經濟活動，中國是木材交易數量大的國家之一[1-2]。大量的木材交易引發了珍稀植物的盜砍盜伐，對進出口木材的材種進行檢驗和識別可以有效地珍稀植物，保護森林資源，由于木材交易的數來大，因此材種鑒定工作難強度大，耗費時間長。傳統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技術進行木材快速識別的技術，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，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分類器進行分類時發現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行識別時，正確率不理想。

近幾年深度卷積網絡在圖像分類[7]和圖像檢測[8]領域都取得了很大進步，利用Convolutional Neural Network，CNN網絡可以極大提高分類的正確性，尤其是在人臉檢測和識別領域[9-11]。基于這些研究成果，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網絡（CNN）的木材分類算法。通過實驗發現該方法具有更好的魯棒性，對未知樣本也能達到較高的識別率。

2 木材識別的方法

2.1 CNN網絡介紹

多層卷積神經網絡在圖像識別領域取得了非常好的效果，目前大多數的圖像識別都采用了該技術。CNN使用不同的神經元對圖像進行感知，不同的神經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共享的技術，減少了計算量提高了系統的計算速度。CNN的分類過程描述如圖1所示。

輸入的圖片經過卷層時，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，但是數量增加。經過多次卷積，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據，這些一維數據就是圖像的主要特征。

系統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行測試，實驗樣本來自西南林業大學木材科學標本館，每種木材收集不同的樣本，試驗工采集圖片220張，使用圖像增強方法，對這些圖片進行旋轉、模糊等操作，最終增強后的圖片共計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，或者使用打磨機對橫切面進行打磨。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像素的區域作為實驗數據，這部分區域圖片成像清晰。獲取到的圖片效果如下所示。

4 CNN模型

本實驗采用5層的卷積神經網絡，核函數relu，分類器使用softmax。圖片每經過一次卷積處理，模型會對圖像進行一次抽象處理，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習到的特征，從圖3（b）是其中的10張圖像，通過觀察發現這些特征都不相同，說明不同的神經元感知到了不同的數據。圖3（c）是第二層的部分特征圖像，圖像數據減少，圖像開始變得模糊，但是紋理結構仍然可以繼續分辨。圖3（d）是第三層的部分特征圖像，圖像開始抽象，細節模糊變化劇烈的區域凸顯。圖3（e）是第四層的部分特征圖像，繼續抽象，細節減少特征繼續強化。圖3（f）是第五層的部分特征圖像，多數的細節紋理消失，部分特征區域抽象為點信息。

5 實驗結果

圖片共計10560張，使用隨機劃分的方法把圖像分類訓練數據集共計6440張，和驗證數據集共計4120張。實驗共進行50次，每次都記錄訓練數據的正確率的和驗證數據集的正確率，結果如圖4所示。圖中粗點線條是訓練數據的正確率，淺色細線條是對驗證數據的正確率，可以發現，隨著訓練次數的增加訓練樣本的正確率在不斷提高，但是在訓練到第28次時，驗證數據的正確率開始出現波動，說明很可能存在過擬合現象，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：

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

[2]陳瑩，靳帥，李瑞法，等.淺談進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.木材樹種識別技術現狀、發展與展望[J].木材工業，2010，24（4）：36-39.

[4]于海鵬，劉一星，劉鎮波.基于圖像紋理特征的木材樹種識別[J].林業科學，2007，43（4）：77-81，F0003.

[5]劉子豪，汪杭軍.基于PCA+FisherTrees特征融合的木材識別[J].林業科學，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：云南省應用基礎研究計劃項目（項目編號：2018FG 001-108）

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