基于改进残差神经网络的木材识别算法

摘要

【目的】针对传统木材种类人工鉴定方法存在的专业性强、任务重、周期长和非实时性等问题,提出一种基于改进残差神经网络的木材识别算法,以满足木材监管实时性和高效性需求。【方法】以32种横截面打磨后的木材为研究对象,首先,利用外带微距镜头的手机采集8975幅木材横截面图像,通过R、G、B三通道平均灰度值计算增益系数,用各通道灰度值与对应增益系数的乘积代替原始通道灰度值,消除由图像采集设备和环境差异引起的偏色影响;其次,基于木材横截面宏观结构的自相似性,采用水平翻转、垂直翻转、添加椒盐噪声和图像分块方式获取更多的训练样本和图像特征,并保证不同种类的木材图像数量相对均衡;然后,通过双线性插值法将每幅分块子图像统一缩放至224×224像素,应用基于分块梯度加权的改进残差卷积神经网络ResNet101模型对每幅子图像进行特征提取,并计算每幅图像的最终识别得分;最后,选择平均准确率和平均召回率评价不同分块处理策略、不同模型和改进的残差卷积神经网络模型的识别结果。【结果】在同一测试集上,VggNet16、GoogleNet、DenseNet、MobileNetv3、ResNet50、ResNet101和ResNet152模型对32种相似木材横截面原图进行识别,平均识别准确率分别为71.3%、81.3%、83.2%、66.4%、87.9%、92.1%和90.5%,ResNet101模型适合于木材图像特征提取和种类鉴定;基于原图5×5、7×7和10×10分块的ResNet101模型,分别获得94.8%、96.5%和95.3%的平均准确率;将分块梯度加权策略应用于ResNet101模型,获得98.8%的平均准确率和99.1%的平均召回率,较基于原图、7×7分块的ResNet101模型,采用分块梯度加权方法改进的ResNet101模型的平均准确率分别提高6.7%和2.3%,平均召回率分别提高7.4%和2.8%,分块梯度加权方法可有效提升木材识别模型的准确率。【结论】基于分块梯度加权的ResNet101模型对32种相似木材进行识别,平均准确率为98.8%;木材横截面图像可用于木材种类识别,分块梯度加权策略能够提高模型识别准确率。