iWood:基于卷积神经网络的濒危珍贵树种木材自动识别系统

编号 zgly0001739948

文献类型 期刊论文

文献题名 iWood:基于卷积神经网络的濒危珍贵树种木材自动识别系统

作者 何拓  刘守佳  陆杨  张永刚  焦立超  殷亚方 

作者单位 中国林业科学研究院木材工业研究所中国林业科学研究院木材标本馆 

母体文献 林业科学 

年卷期 2021,57(9)

页码 152-159

年份 2021 

分类号 S781.1 

关键词 iWood  卷积神经网络  木材构造特征  图像数据集  木材自动识别  识别精度 

文摘内容 【目的】构建基于卷积神经网络的木材识别系统,实现木材树种在多场景条件下的自动精准识别,为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。【方法】采集15种黄檀属和11种紫檀属木材标本横切面构造特征图像,建立图像数据集Rosewood-26;构建AlexNet、VGG16、DenseNet-121和ResNet-50共4种卷积神经网络模型,基于ImageNet图像数据集对模型进行迁移学习,采用Rosewood-26图像数据集训练、测试和比较模型,优选识别性能较好的卷积神经网络模型,并进行木材树种分类;在此基础上,构建包含15种黄檀属和11种紫檀属树种的木材自动识别系统iWood,利用市场木材样品对系统进行应用测试和评价。【结果】在构建的4种卷积神经网络模型中,ResNet-50模型表现出最高的识别精度(98.33%)、最少的权重数量和较低的模型复杂性,适用于木材树种准确快速识别;ResNet-50模型对9种黄檀属和3种紫檀属木材的识别精度达100%,并可成功鉴别构造特征极其相似的檀香紫檀和染料紫檀;基于ResNet-50模型构建的木材自动识别系统iWood,在“属”和“种”水平的识别精度分别为91.8%和77.3%。【结论】基于卷积神经网络的木材识别系统iWood适用于海关执法、木材贸易和质量监督检验等多场景下的木材自动精准识别,能够为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。