基于卷積神經網絡的竹片顏色分類

方怡紅　伍希志　牛晗　賈惠

摘要 竹片顏色分類是提高竹產品表面美觀的重要工藝。提出了基于ResNet神經網絡模型與AlexNet神經網絡模型的竹片顏色分類方法，分別采用ResNet和AlexNet 2種神經網絡進行竹片顏色分類，對比ResNet與AlexNet 2種神經網絡的顏色分類準確率，并對改進后的ResNet神經網絡模型進行了顏色分類驗證。結果表明，AlexNet模型的顏色分類準確率為89.7%，優化后ResNet模型的顏色分類準確率為99.9%，顏色分類效果比AlexNet模型好。

關鍵詞卷積神經網絡；顏色分類；竹片；ResNet；AlexNet

中圖分類號S126文獻標識碼A

文章編號0517-6611（2023）08-0199-04

doi：10.3969/j.issn.0517-6611.2023.08.046開放科學（資源服務）標識碼（OSID）：

Color Classification of Bamboo Slices Based on Convolutional Neural Network

FANG Yi-hong WU Xi-zhi NIU Han et al（1.Hunan Shuangda Electromechanical Co.，Ltd.，Changsha，Hunan 410004；2.College of Materials Science and Engineering，Central South University of Forestry and Technology，Changsha，Hunan 410004）

AbstractThe color classification of bamboo chips is an important process to improve the appearance of bamboo products. The paper proposed a bamboo color classification method based on the ResNet neural network model and the AlexNet neural network model. ResNet and AlexNet neural networks were used to classify bamboo color，and the color classification accuracy of ResNet and AlexNet neural networks was compared. The improved ResNet neural network model was verified for color classification. The research results showed that the color classification accuracy of the AlexNet model was 89.7%，the color classification accuracy of the optimized ResNet model was 99.9%，and the color classification effect was better than the AlexNet model.

Key wordsConvolutional neural network;Color classification;Bamboo chips;ResNet;AlexNet

我國是世界竹林資源最豐富的國家，全國竹林面積為641.16萬hm2，2020年竹產業產值已經到達3 000億，竹產品包括竹板、竹家具等。在制造竹產品時，為了達到美觀的效果，面板的顏色要盡可能相近［1-6］。這就需要對竹片的顏色進行分類，一般將竹片顏色分為黑、白、黃3類。目前國內許多工廠的竹片顏色分類工作由工人完成，人工檢測存在生產效率低、勞動強度大、產品質量不統一等諸多缺點，因此采用機器視覺技術進行竹片顏色分類具有非常重要的實際意義。

近年來，已有一些學者進行了基于機器視覺的顏色分類研究。2013年，Hu等［7］提出一種基于木材圖像特征和支持向量機的木材顏色分類方法，使用一對一的構造方法將多個兩分類支持向量機組合成多分類支持向量機，用支持向量機建立顏色分類器，可以較好地對木材顏色進行分類。2015年，竇剛等［8］針對傳統的木材切片細胞分析法操作難度大、準確率和效率低的問題，提出了1種采用神經網絡進行木材樹種分類的方法。把顏色、紋理和光譜等16個特征輸入1個5層模糊 BP 綜合神經網絡中進行訓練，得到的輸出對應5個樹木種類，木材樹種分類的精度達到89%。2021年，Wang等［9］設計了一種實木板的顏色分類算法，提取出實木板圖像的RGB、LAB和HSV 3個顏色空間的R、G、B、L、A、B、H、S和V 9個顏色通道的一階顏色矩、二階顏色矩和顏色直方圖峰值，把這27個顏色特征采用k-means聚類算法進行實木表面顏色特征的聚類，將具有相似表面顏色的實木板材分類為一個類，實現了實木板的顏色分類。

綜上可知，國內外學者對木材顏色分類研究較多，對竹材顏色分類研究較少。該研究提出了基于神經網絡模的竹片顏色分類方法，分別采用ResNet和AlexNet 2種神經網絡進行竹片顏色分類，對比ResNet與AlexNet 2種神經網絡的顏色分類準確率，并對改進后的ResNet神經網絡模型進行了顏色分類驗證。

1竹片圖像數據庫

竹片圖像檢測實驗平臺如圖1所示，整體實驗設備包括圖像采集模塊、光源系統模塊和暗箱。圖像采集裝置采用海康威視500萬像素CMOS 面陣工業相機采集圖像，工業相機鏡頭距竹片220 mm，光源系統采用對射式條形光源，在線性上保證均勻的光照，暗箱保證圖像采集的光照條件一致，不受外界環境干擾。

竹片圖像是在湖南省益陽市湖南桃花江竹材科技有限公司拍攝，該公司生產所用竹片長度為200～220 mm，寬度為20～25 mm。在公司實地采集黑色竹片圖像544幅，白色竹片圖像518幅，黃色竹片圖像519幅，每張圖像采集竹片長度為60 mm，所采集的圖像為BMP格式，圖像大小為2 448×2 048像素。

將采集圖像分為訓練集與測試集，從數據庫中分別隨機選取500張黑、白、黃3類顏色竹片圖像，按照4∶1的比例劃分訓練集與測試集，即黑白黃竹片圖像各400張用于訓練，100張用于測試神經網絡識別準確率，訓練集共1 200幅圖像，測試集共300幅圖像。數據集如圖2所示。

2竹片顏色分類的神經網絡算法

2.1卷積神經網絡卷積神經網絡（CNN）是一種應用范圍非常廣的深度學習模型，在結構上屬于多層前饋神經網絡。卷積神經網絡是由輸入層，若干個隱藏層和輸出層組成的，不存在環或回路。每一層都由多個神經元組成，但是每層的神經元和神經元之間沒有連接，也沒有跨層神經元連接（圖3）。

2.2竹片顏色分類的ResNet算法從歷年圖像分類冠軍網絡AlexNet到VGGNet可以發現，層數越深的神經網絡表達能力越強、效果越好，所以學者們紛紛通過加深神經網絡的深度達到更好的效果。但研究發現，網絡層數到達一定深度時，分類準確率反而會大幅下降。這是因為網絡過深而導致訓練誤差變大，網絡層數越深，訓練難度越大。于是，He等［10］提出了一種新的ResNet神經網絡算法，獲得2015年ImageNet競賽圖像分類項目冠軍。

ResNet包括一種新網絡結構——殘差網絡，通過短路連接方式構建殘差單元，來跳過卷積層模塊，如圖4所示。把學習到的結果F（x）加上原有淺層網絡得輸出x作為輸出。即使這一層新的網絡學習到得F（x）沒有意義，它的輸出F（x）+x仍然包括淺層函數得輸出x。這就使得ResNet在增加深度的同時，可以保證新加的層能夠保持原有結構的準確性，從而可以訓練更深得神經網絡。在網絡變得更深的同時，由于每層網絡的輸出結果都包含淺層函數的輸出，因此深層神經網絡的逼近最優值的能力大大增強。且由于殘差結構輸出F（x）+x是加法運算，加法運算非常簡單，因此殘差單元極大地提高了模型的訓練速度。

ResNet-18網絡包含17個卷積層和1個全連接層，一共有18層網絡，所以被命名為ResNet-18。ResNet-18采用的池化算法是最大池化，激活函數使用的是Relu。ResNet-18的網絡結構如圖5所示。

Rsenet-18網絡的網絡參數見表1。在ResNet-18網絡結構，為了減短訓練所需時間，使用Momentum優化器，Momentum優化器可以動態調節網絡的學習率，當達到神經網絡的監測指標要求時，將lr乘以factor的值賦給lr。ResNet-18網絡的評價指標為竹片顏色分類準確率。ResNet-18網絡的訓練是在Pytorch環境下進行的。

2.3竹片顏色分類的AlexNet算法設計AlexNet網絡是由多倫多大學Alex Krizhevsky提出，獲得2012年ImageNet競賽的冠軍。該競賽的數據集有120萬張圖像，在對數據集進行分類時取得了優秀的表現，分類錯誤率僅為 15.3%，比第2名分類錯誤率提高了10.9%。因此，AlexNet給學術界帶來了巨大的影響，引起了廣大學者研究的興趣。

AlexNet的網絡結構如圖6所示，共包含5個卷積層、3個全連接層。AlexNet采用的池化算法是最大池化，激活函數使用的是Relu，最后采用Dropout防止過擬合。在CIFAR-10s試驗中，采用Relu激活函數的AlexNet網絡訓練到錯誤率為25%所花時間僅為Tanh的1/7。

該研究AlexNet網絡的網絡參數見表2，學習率為0.001，批訓練樣本數為5，圖像輸入尺寸為227×227，其余參數與ResNet-18網絡一致。

3結果與分析

3.1ResNet算法的試驗結果分析ResNet算法竹片顏色分類的訓練結果如圖7，ResNet神經網絡在訓練至第15輪收斂，收斂后測試集的顏色分類準確率為96.0%，最高分類準確率為96.8%。但在ResNet-18神經網絡訓練過程中，每輪訓練時間為36 min左右，訓練速度較慢，原因可能為：①電腦配置不夠高，GPU配置低；電腦內存不夠，每批次訓練量32張圖片過多，占用內存過大，導致訓練速度較慢。②在神經網絡訓練之前需要做圖像導入。將圖像中的竹片區域截取224×224。其中調用opencv庫找到竹片區域并截取，且每次喂入32張圖像，要截取32次，這一步驟耗費時間過長。③截取過程中有可能把背景截取進去，喂入神經網絡的224×224圖像可能不完全是竹片，影響神經網絡識別準確率。

因此，為了提高訓練效率，預先去除竹片圖像的背景，減少背景對神經網絡的影響，僅保留竹片圖像。改進后試驗結果如圖8，ResNet神經網絡在訓練至第15輪時收斂，收斂后測試集的顏色分類準確率為99.9%，對比之前最高識別準確率96.8%提高了3.1%，且每輪訓練時間為9 min左右，對比之前36 min縮短了27 min，省去了3/4的訓練時間。

3.2AlexNet算法的試驗結果分析AlexNet算法竹片顏色分類的訓練結果如圖9，AlexNet神經網絡在訓練至第25輪收斂，收斂后測試集的顏色分類準確率為89.7%，最高分類準確率為93.2%。但在AlexNet神經網絡訓練過程中，每輪

訓練時間為4 min左右，訓練速度比ResNet神經網絡快，但分類準確率比ResNet神經網絡低。

3.3ResNet-18算法的分類結果驗證綜上可知，ResNet-18網絡的識別準確率比AlexNet網絡高10.2%，該研究使用無背景竹片圖像作為測試數據集，選擇改進后的ResNet-18網絡進行竹片顏色分類。從不屬于訓練數據集的44幅黑色竹片圖像、18幅白色竹片圖像和19幅黃色竹片圖像中隨機各選一幅作為驗證樣本，輸入訓練好的ResNet-18神經網絡進行分類結果驗證，驗證樣本如圖10所示，測試結果如圖11所示，均能輸出正確結果。

4結論

該研究使用基于ResNet與AlexNet 2種神經網絡模型對竹片圖像進行顏色分類。針對ResNet模型的訓練特點，對試驗方案進行了改進優化。未優化前，ResNet模型的最高顏色分類準確率為96.8%。優化后ResNet模型的顏色分類準確率為99.9%。AlexNet模型收斂后的顏色分類準確率為89.7%，顏色分類效果比ResNet模型差。

參考文獻

［1］ 崔海鷗，劉珉.我國第九次森林資源清查中的資源動態研究［J］.西部林業科學，2020，49（5）：90-95.

［2］ 張毓雄，姚順波.民間竹文化的傳承與竹產業的發展：基于“中國竹子之鄉”湖南益陽的調查［J］.北京林業大學學報（社會科學版），2011，10（4）：7-13.

［3］ ZHENG Q C，ZHANG Z D，LIU J N，et al.Welding seam image dust removal algorithm based on fusion of dual-scale dark channel and bright channel［J］.IAENG international journal of computer science，2021，48：277-284.

［4］ 石佳浩. 基于深度學習的實木板材缺陷檢測算法研究［D］.南京：南京林業大學，2021.

［5］ 牛晗，伍希志，任桂芹，等.基于OTSU與CANNY算法的竹片缺陷圖像檢測［J］.森林工程，2022，38（6）：75-81.

［6］ 張昭，何東健.基于計算機視覺的竹塊顏色分類方法研究［J］.安徽農業科學，2010，38（26）：14751-14753，14783.

［7］ HU X Y，WANG P L，XU J Y.A wood color classifier based on CAV and SVM［J］.Applied mechanics and materials，2013，241/242/243/244：483-487.

［8］ 竇剛，陳廣勝，趙鵬.采用顏色紋理及光譜特征的木材樹種分類識別［J］.天津大學學報（自然科學與工程技術版），2015，48（2）：147-154.

［9］ WANG Z G，ZHUANG Z L，LIU Y，et al.Color classification and texture recognition system of solid wood panels［J］.Forests，2021，12（9）：1-18.

［10］ HE K M，ZHANG X Y，REN S Q，et al. Deep residual learning for image recognition［C］//IEEE conference on computer vision and pattern recognition.New York：IEEE， 2016.