基于卷積神經(jīng)網(wǎng)絡(luò)模型的木材宏、微觀辨識方法*

趙子宇 楊霄霞 郭 慧 葛浙東 周玉成,

(1.山東建筑大學(xué)信息與電氣工程學(xué)院 濟(jì)南 250101；2.中國林業(yè)科學(xué)研究院木材工業(yè)研究所 北京 100091)

木材辨識在木結(jié)構(gòu)古建筑、海關(guān)、進(jìn)出口檢疫檢驗等領(lǐng)域均有著廣泛應(yīng)用，對現(xiàn)代木材工業(yè)和木材貿(mào)易起到至關(guān)重要、保駕護(hù)航的作用。傳統(tǒng)的木材辨識主要基于木材的微觀解剖特征(顯微結(jié)構(gòu)參數(shù))和宏觀特征(顏色、氣味、紋理等)判斷材種的科、屬或種，基于宏觀特征辨識木材在生產(chǎn)實踐上應(yīng)用價值較大，但準(zhǔn)確性較差；基于微觀解剖特征辨識木材準(zhǔn)確性較高，但在生產(chǎn)現(xiàn)場不太適用。近年來，機(jī)器視覺技術(shù)逐步應(yīng)用到木材辨識中，如朱佳等(2014)提出一種基于Graph Cuts的圖像分割方法對木材SEM進(jìn)行特征提取，通過木材輪廓、細(xì)胞等特征辨識木材種類；Barmpoutis等(2018)將木材橫切面圖像的顏色、紋理等特征轉(zhuǎn)化為多維聯(lián)合直方圖形式，通過支持向量機(jī)分類器辨識木材。但以上方法均存在木材辨識訓(xùn)練參數(shù)多、訓(xùn)練耗時長、分類正確率低等問題，需探尋更快、更準(zhǔn)確的方法實現(xiàn)最佳辨識效果(項宇杰等，2019；劉子豪等，2013)。

卷積神經(jīng)網(wǎng)絡(luò)研究始于20世紀(jì)80年代(Lecunetal.，1989)，是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一(Krizhevskyetal.，2012)。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)能力，能夠自動提取圖像特征，模型可直接采用原始圖像作為輸入(Chenetal.，2017；Kiranyazetal.，2016)。Yang等(2019)以5種針葉材表面紋理圖像作為卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，通過K倍交叉驗證法對模型性能進(jìn)行衡量，此方法運算耗時較長。陳龍現(xiàn)等(2018)采用自行開發(fā)的計算機(jī)斷層掃描系統(tǒng)掃描木材內(nèi)部缺陷，并使用LeNet-5模型對木材內(nèi)部缺陷圖像進(jìn)行辨識，但木材種類相對單一，辨識效果不佳。劉英等(2019)將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到木材缺陷檢測中，采用非下采樣剪切波變換預(yù)處理和線性迭代聚類方法對木材缺陷進(jìn)行分類，但辨識準(zhǔn)確率較低。He等(2019)采用一種混合的全卷積神經(jīng)網(wǎng)絡(luò)(Mix-FCN)定位木材缺陷位置，并從木材表面圖像中自動分類缺陷類型。但現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)模型需要大量訓(xùn)練樣本，耗時長，木材辨識僅對較少材種進(jìn)行研究，并未能運用到實際應(yīng)用中(李楠，2018)。

傳統(tǒng)的微觀解剖特征辨識方法需對木材樣本橫、徑、弦三切面進(jìn)行解剖，染色后用高倍顯微鏡獲得圖像，耗時7～15天，這對海關(guān)、進(jìn)出口檢疫檢驗等法定部門在盡可能短的時間內(nèi)鑒別木材材種的要求不相符。鑒于此，本研究提出一種基于卷積神經(jīng)網(wǎng)絡(luò)模型——PWoodIDNet模型的木材宏、微觀辨識方法，該模型以木材樣本橫切面圖像作為輸入，通過分解卷積核方式減少運算參數(shù)，并通過GPU并行算法對模型進(jìn)行分類更新，從采集樣本到鑒定出結(jié)果僅需1 h左右，可為海關(guān)、進(jìn)出口檢疫檢驗、家具企業(yè)等法定部門和企業(yè)提供先進(jìn)的辨識方法和儀器，從而推動我國木材進(jìn)出口檢疫檢驗行業(yè)和木材加工制造企業(yè)的科技進(jìn)步。

1 PWoodIDNet模型構(gòu)建

PWoodIDNet模型采用雙GPU模式，模型卷積層通過分解卷積核方式將多個小的卷積核堆疊，即改進(jìn)后的Inception模塊，減少運算參數(shù)，步長設(shè)置為1，使輸出特征圖尺寸不變；模型池化層是在卷積層之后分別設(shè)置4個最大池化層和1個平均池化層，從而達(dá)到特征選擇和降維的目的；模型全連接層后設(shè)置Dropout方法，抑制過擬合現(xiàn)象。

圖1中紅色區(qū)域表示采用改進(jìn)后的Inception模塊對圖像進(jìn)行卷積?，F(xiàn)行Inception模塊通過1×1、3×3、5×5的卷積核與3×3的最大池化層連接在一起，并在每個卷積層和池化層前添加1×1的卷積核進(jìn)行降維。本研究對現(xiàn)行Inception模塊進(jìn)行改進(jìn)，將5×5的卷積核、3×3的最大池化層替換為2組3×3的卷積核、3組3×3的卷積核，增加網(wǎng)絡(luò)層數(shù)，減少運算參數(shù)，加深網(wǎng)絡(luò)寬度，以提高網(wǎng)絡(luò)對尺度的適應(yīng)性。最后將4個分支進(jìn)行特征融合，得到輸出特征圖，使下一層可從不同尺度上提取到更多的特征。構(gòu)建方式如圖2所示。

圖2 改進(jìn)的Inception模塊Fig.2 Improved Inception module

圖2中上一層的輸出特征圖(Input)輸入到改進(jìn)后的Inception模塊，并行進(jìn)入4個分支進(jìn)行特征提取。第一分支由1×1的卷積核組成，第二分支由1×1的卷積核與1組3×3的卷積核組成，第三分支由1×1的卷積核與2組3×3的卷積核組成，第四分支由1×1的卷積核與3組3×3的卷積核組成，最后4個分支輸出到Depth Concat層進(jìn)行特征融合。

模型構(gòu)建過程如下：

第一步，構(gòu)建輸入圖像卷積層。設(shè)輸入圖像尺寸為Z(i,j,k)_In，0≤i≤224、0≤j≤224、k=3。構(gòu)建32個5×5的卷積核，其中GPU1為16個5×5，GPU2為16個5×5。則GPU1的f=5，令步長為s0=2，擴(kuò)充值為p′，則有：

(1)

Ll1=(Ll-1+2p′-f)/s0+1。

(1.1)

由式(1.1)得，填充值p′=3。

GPU2的f=5，令步長為s0=2，擴(kuò)充值為p′，則有：

(2)

Ll2=(Ll-1+2p′-f)/s0+1。

(2.1)

由式(2.1)得，填充值p′=3。

第二步，構(gòu)建最大池化層(32)。設(shè)上層GPU1和GPU2輸出圖像尺寸為A1(i1,j1)和A2(i2,j2)，其中i1、j1、i2、j2均為113，即上層GPU1和GPU2輸出圖像均為113×113×16。構(gòu)建32個3×3矩陣，GPU1為16個3×3矩陣，GPU2為16個3×3矩陣。則GPU1的f=3，令步長為s0=2，擴(kuò)充值為p′，預(yù)指定參數(shù)p→∞，則最大池化模型為：

(i1,j1)∈{0,1,…，Ll+1}。

(3)

Ll+1=(Ll+2p′-f)/s0+1。

(3.1)

由式(3.1)得，填充值p′=0。

GPU2的f=3，令步長為s0=2，擴(kuò)充值為p′，預(yù)指定參數(shù)p→∞，則最大池化模型為：

(4)

(4.1)

由式(4.1)得，填充值p′=0。

第三步，構(gòu)建卷積層(64)。設(shè)上層GPU1和GPU2輸出圖像尺寸為Z1(i1,j1)和Z2(i2,j2)，其中i1、j1、i2、j2均為56，即上層GPU1和GPU2輸出圖像均為56×56×16。

構(gòu)建改進(jìn)的Inception模塊。

①第一分支：構(gòu)建16個1×1的卷積核，GPU1為8個1×1，GPU2為8個1×1。

②第二分支：

a.構(gòu)建6個1×1的卷積核，GPU1為3個1×1，GPU2為3個1×1。

b.構(gòu)建8個3×3的卷積核，GPU1為4個3×3，GPU2為4個3×3。

③第三分支：

a.構(gòu)建6個1×1的卷積核，GPU1為3個1×1，GPU2為3個1×1。

b.構(gòu)建16個3×3的卷積核，GPU1為8個3×3，GPU2為8個3×3。

④第四分支：

a.構(gòu)建6個1×1的卷積核，GPU1為3個1×1，GPU2為3個1×1。

b.構(gòu)建24個3×3的卷積核，GPU1為12個3×3，GPU2為12個3×3。

⑤將GPU1和GPU2在第一分支中輸出的8個56×56的矩陣、第二分支中輸出的4個56×56的矩陣、第三分支中輸出的8個56×56的矩陣與第四分支中輸出的12個56×56的矩陣相加，得到32個56×56的矩陣(32=8+4+8+12)，即GPU1和GPU2中改進(jìn)的Inception模塊輸出特征圖尺寸均為56×56。

第四步，構(gòu)建最大池化層(64)。設(shè)上層GPU1和GPU2輸出圖像尺寸為A1(i1,j1)和A2(i2,j2)，其中i1、j1、i2、j2均為56，即上層GPU1和GPU2輸出圖像均為56×56×32。構(gòu)建64個3×3矩陣，GPU1為32個3×3矩陣，GPU2為32個3×3矩陣。

第五步，構(gòu)建卷積層(128)。設(shè)上層GPU1和GPU2輸出圖像尺寸為Z1(i1,j1)和Z2(i2,j2)，其中i1、j1、i2、j2均為28，即上層GPU1和GPU2輸出圖像均為28×28×32。

構(gòu)建Inception模塊，同第三步計算步驟，將GPU1和GPU2在第一分支中輸出的16個28×28的矩陣、第二分支中輸出的8個28×28的矩陣、第三分支中輸出的16個28×28的矩陣與第四分支中輸出的24個28×28的矩陣相加，得到64個28×28的矩陣(64=16+8+16+24)，即GPU1和GPU2中Inception模塊輸出特征圖尺寸均為28×28。

第六步，構(gòu)建最大池化層(128)。設(shè)上層GPU1和GPU2輸出圖像尺寸為A1(i1,j1)與A2(i2,j2)，其中i1、j1、i2、j2均為28，即上層GPU1和GPU2輸出圖像均為28×28×64。構(gòu)建128個3×3矩陣，GPU1為64個3×3矩陣，GPU2為64個3×3矩陣。

第七步，構(gòu)建卷積層(256)。設(shè)上層GPU1和GPU2輸出圖像尺寸為Z1(i1,j1)與Z2(i2,j2)，其中i1、j1、i2、j2均為14，即上層GPU1和GPU2輸出圖像均為14×14×64。

構(gòu)建Inception模塊，同第三步計算步驟，將GPU1和GPU2在第一分支中輸出的32個14×14的矩陣、第二分支中輸出的16個14×14的矩陣、第三分支中輸出的32個14×14的矩陣與第四分支中輸出的48個14×14的矩陣相加，得到128個14×14的矩陣(128=32+16+32+48)，即GPU1和GPU2中Inception模塊輸出特征圖尺寸均為14×14。

第八步，構(gòu)建最大池化層(256)。設(shè)上層GPU1和GPU2輸出圖像尺寸為A1(i1,j1)和A2(i2,j2)，其中i1、j1、i2、j2均為14，即上層GPU1和GPU2輸出圖像均為14×14×128。構(gòu)建256個3×3矩陣，GPU1為128個3×3矩陣，GPU2為128個3×3矩陣。

第九步，構(gòu)建卷積層(512)。設(shè)上層GPU1和GPU2輸出圖像尺寸為Z1(i1,j1)和Z2(i2,j2)，其中i1、j1、i2、j2均為7，即上層GPU1和GPU2輸出圖像均為7×7×128。

構(gòu)建Inception模塊，同第三步計算步驟，將GPU1和GPU2在第一分支中輸出的64個7×7的矩陣、第二分支中輸出的32個7×7的矩陣、第三分支中輸出的64個7×7的矩陣與第四分支中輸出的96個7×7的矩陣相加，得到256個7×7的矩陣(256=64+32+64+96)，即GPU1和GPU2中Inception模塊輸出特征圖尺寸均為7×7。

第十步，構(gòu)建平均池化層。設(shè)上層GPU1和GPU2輸出圖像尺寸為A1(i1,j1)和A2(i2,j2)，其中i1、j1、i2、j2均為7，即上層GPU1和GPU2輸出圖像均為7×7×256。構(gòu)建512個7×7矩陣，GPU1為256個7×7矩陣，GPU2為256個7×7矩陣。

第十一步，構(gòu)建全連接層。設(shè)置1個全連接層，全連接層后加入Dropout方法，抑制過擬合。構(gòu)建分類層(輸出)，采用Softmax分類器進(jìn)行分類，分類數(shù)為16。

模型在每個卷積層和全連接層后均設(shè)置ReLU激活函數(shù)，實現(xiàn)模型更好地提取圖像相關(guān)特征，擬合訓(xùn)練數(shù)據(jù)，且計算簡單。

2 材料與方法

2.1 試驗材料

試驗用16種木材樣本取自山東建筑大學(xué)木材標(biāo)本館，分別為東非黑黃檀(Dalbergiamelanoxylon)、尼泊爾紫檀(Glutasp.)、紅櫟(Quercussp.)、樟子松(Pinussylvestrisvar.mongolica)、輻射松(Pinusradiata)、西非蘇木(Danielliasp.)、非洲檀香(Spirostachysafricana)、白梧桐(Triplochitonscleroxylon)、輕木(Ochromasp.)、南美紅雞翅(Andirasp.)、普拉藤黃(Platoniainsignis)、菲律賓烏木(Diospyrossp.)、軍刀豆(Machaeriumsp.)、黃楊木(Buxussp.)、楓木(Acersp.)和納托山欖(Palaquiumsp.)。采用SkyScan1272型顯微CT和ZW-H3800工業(yè)相機(jī)，以木材橫切面為研究對象，分別獲取木材微觀和宏觀結(jié)構(gòu)圖像。表1所示為不同樹種宏、微觀部分圖像效果。

表1 不同樹種宏、微觀部分圖像效果Tab.1 Partial rendering of macro-and micro-images of different tree species

木材微觀試驗樣本直徑約2 mm，高約8 mm，分辨率0.95 μm，樣本每旋轉(zhuǎn)0.1°采集1次數(shù)據(jù)，每次掃描獲得數(shù)據(jù)3 600行1 280列，直至完成對樣本180°掃描。利用NRecon軟件重構(gòu)截面圖像，消除環(huán)形偽影和射線硬化等不良影響，進(jìn)行平滑和其他顯示設(shè)置，截取圖像大小為2 280×1 760。

木材宏觀試驗樣本尺寸為50 mm×50 mm×20 mm。不同光照條件下獲取木材樣本紋理特征，并進(jìn)行初步降噪與飽和度調(diào)整，圖像大小為1 920×1 080。

2.2 樣本數(shù)據(jù)處理

首先，選擇16種木材樣本，每種樣本獲取50張高分辨率顯微CT圖像和工業(yè)相機(jī)圖像，共1 600幅；然后，截取具有木射線、薄壁組織、軸向管胞、紋孔等特征的目標(biāo)區(qū)域，擴(kuò)充至2 400幅，在樣本表面紋理圖像中隨機(jī)選取波狀紋、皺狀紋、斑點狀、多孔狀等特征區(qū)域，擴(kuò)充至2 400幅，共4 800幅，截取樣本圖像大小為224×224；通過水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、鏡像、亮度變換等圖像增強算法二次擴(kuò)充數(shù)據(jù)集，最終宏、微觀圖像集擴(kuò)充至19 200幅。截取后的圖像通過手動篩選，避免樣本選取的單一性和誤選性，提升數(shù)據(jù)集的多樣性。其中，70%圖像用于木材辨識的訓(xùn)練集，30%圖像用于驗證集。

2.3 PWoodIDNet模型訓(xùn)練

2.3.1 模型訓(xùn)練參數(shù) 模型訓(xùn)練次數(shù)設(shè)為4 200次，學(xué)習(xí)率設(shè)為0.000 1，訓(xùn)練批次樣本數(shù)設(shè)為16，權(quán)重參數(shù)和偏置參數(shù)初值用均值μ=0、標(biāo)準(zhǔn)偏差σ=0.01的截斷正態(tài)分布隨機(jī)生成，模型全連接層輸出為16。

2.3.2 并行加速 為加快模型訓(xùn)練速度和搜索匹配速度，系統(tǒng)硬件采用AMD Ryzen Threadripper 2920X CPU @3.5GHz，內(nèi)存為128 GB，GPU顯卡采用NIVIDIA GeForce RTX 1080Ti，利用GPU運算庫進(jìn)行并行優(yōu)化，提高訓(xùn)練模型精度和效率(Krizhevskyetal.，2012)。

3 結(jié)果與分析

3.1 模型優(yōu)化

在卷積神經(jīng)網(wǎng)絡(luò)中，優(yōu)化算法選擇是模型設(shè)計的關(guān)鍵。當(dāng)前，優(yōu)化算法種類繁多，其中以SGDM(Rumelhartetal.，1986；Traorebetal.，2018；Dimauroetal.，2019)、RMSprop(Hintonetal.，2012)、Adam(Kingmaetal.，2014)最為常見。本研究選用木材微觀數(shù)據(jù)集，分別對3種常見優(yōu)化算法進(jìn)行比較，選出最適合PWoodIDNet模型的優(yōu)化算法。

采用3種優(yōu)化算法對模型進(jìn)行訓(xùn)練，如圖3所示。SGDM優(yōu)化算法模型分類準(zhǔn)確率曲線最平緩，當(dāng)?shù)螖?shù)為300次時，模型已接近收斂狀態(tài)；同時，SGDM優(yōu)化算法能夠抑制模型震蕩，并加速學(xué)習(xí)。RMSprop優(yōu)化算法模型分類準(zhǔn)確率曲線持續(xù)出現(xiàn)振蕩現(xiàn)象，振蕩頻率范圍最大位置準(zhǔn)確率最低達(dá)30%(0.3)。Adam優(yōu)化算法模型分類準(zhǔn)確率曲線較RMSprop平緩，網(wǎng)絡(luò)結(jié)構(gòu)模型的訓(xùn)練分類精度波動較大，訓(xùn)練過程未達(dá)到收斂狀態(tài)。

圖3 不同優(yōu)化算法分類準(zhǔn)確率對比Fig.3 Comparison of classification accuracy of different optimization algorithms

不同優(yōu)化算法損失值對比如圖4所示。訓(xùn)練初期，SGDM、Adam優(yōu)化算法模型的初損失值較大，但收斂速度較快；RMSprop優(yōu)化算法模型持續(xù)出現(xiàn)振蕩現(xiàn)象，并一直持續(xù)到訓(xùn)練結(jié)束。訓(xùn)練中期，SGDM優(yōu)化算法模型持續(xù)處于收斂狀態(tài)，損失值接近0，高于其他算法的收斂速度。當(dāng)?shù)螖?shù)達(dá)3 600次后，Adam優(yōu)化算法模型振蕩現(xiàn)象減輕，并逐漸趨于收斂狀態(tài)。

圖4 不同優(yōu)化算法損失值對比Fig.4 Comparison of loss value of different optimization algorithms

不同優(yōu)化算法的分類結(jié)果如表2所示。在迭代次數(shù)相同的情況下，SGDM優(yōu)化算法模型對木材顯微CT圖像的辨識效果最佳，測試集的平均分類準(zhǔn)確率為99.17%，相比Adam優(yōu)化算法提高1.72%，相比RMSprop優(yōu)化算法提高2.86%。

表2 不同優(yōu)化算法的分類結(jié)果Tab.2 Classification results of different optimization algorithms

綜上所述，采用SGDM優(yōu)化算法可有效抑制模型振蕩，收斂更穩(wěn)定，能夠提高PWoodIDNet模型對木材的辨識效果。

3.2 PWoodIDNet模型與現(xiàn)行模型準(zhǔn)確率比較

對國內(nèi)外現(xiàn)行經(jīng)典的AlexNet模型、GoogLeNet模型(Szegedyetal.，2015)與PWoodIDNet模型進(jìn)行分類準(zhǔn)確率和損失值比較，數(shù)據(jù)集分別采用木材微觀和宏觀數(shù)據(jù)集。

3種模型的分類準(zhǔn)確率如圖5所示。訓(xùn)練初期，PWoodIDNet模型分類準(zhǔn)確率隨迭代次數(shù)增加逐漸趨于收斂狀態(tài)，當(dāng)?shù)螖?shù)為300次時，分類準(zhǔn)確率達(dá)99%，并一直持續(xù)到迭代完成，辨識效果優(yōu)于其他模型，分類準(zhǔn)確率最高可達(dá)99.98%；GoogLeNet模型分類準(zhǔn)確率隨迭代次數(shù)增加持續(xù)增大，但分類準(zhǔn)確率曲線出現(xiàn)振蕩現(xiàn)象，未達(dá)到收斂狀態(tài)；AlexNet模型分類準(zhǔn)確率曲線振蕩現(xiàn)象比較嚴(yán)重，分類準(zhǔn)確率較低。隨迭代次數(shù)增加，GoogLeNet模型、AlexNet模型分類準(zhǔn)確率曲線僅出現(xiàn)小范圍振蕩，未出現(xiàn)劇烈波動，逐漸趨于收斂狀態(tài)。

圖5 3種模型的分類準(zhǔn)確率Fig.5 Classification accuracy of three models

3種模型的損失值如圖6所示。PWoodIDNet模型損失值隨迭代次數(shù)增加逐漸降低，當(dāng)?shù)螖?shù)為200次時出現(xiàn)拐點，損失值逐漸趨于收斂狀態(tài)，直至迭代結(jié)束。隨PWoodIDNet模型網(wǎng)絡(luò)層數(shù)增加，運算參數(shù)減少，加速損失值收斂速度。GoogLeNet模型迭代600次左右時曲線出現(xiàn)輕微振蕩現(xiàn)象，損失值整體呈下降趨勢，隨迭代次數(shù)增加逐漸趨于收斂狀態(tài)。AlexNet模型損失值整體呈下降趨勢，當(dāng)?shù)螖?shù)為1 000次時，曲線仍不斷出現(xiàn)振蕩現(xiàn)象，收斂速度較慢，迭代次數(shù)達(dá)3 000次后，損失值變化緩慢，逐漸接近0。

圖6 3種模型的損失值Fig.6 Loss value of three models

采用卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)木材宏、微觀圖像的辨識，結(jié)果如表3所示。同一模型，微觀圖像平均分類準(zhǔn)確率均高于宏觀圖像。PWoodIDNet模型分類準(zhǔn)確率、運算速度明顯高于其他2種模型，相比現(xiàn)行GoogLeNet模型，準(zhǔn)確率提高1.49%，速度提高59.69%；相比現(xiàn)行AlexNet模型，準(zhǔn)確率提高3.76%，速度提高2.63%。PWoodIDNet通過優(yōu)化模型和分解卷積核方式，提高了分類準(zhǔn)確率，驗證了模型的有效性。

表3 木材辨識模型結(jié)果Tab.3 Results of wood identification model

3.3 PWoodIDNet模型復(fù)雜度與時間消耗分析

PWoodIDNet模型通過分解卷積核方式將1×1與3×3的卷積核堆疊，減少運算參數(shù)，即改進(jìn)后的Inception模塊。采用小尺寸的卷積核進(jìn)行卷積，通過4組改進(jìn)后的Inception模塊，網(wǎng)絡(luò)層數(shù)僅72層，模型整體復(fù)雜度降低，訓(xùn)練和預(yù)測時間減少。木材微觀數(shù)據(jù)集下PWoodIDNet模型與現(xiàn)行GoogLeNet模型的損失值如圖7所示，雖然PWoodIDNet模型的初損失值較高，但收斂速度最快，模型的泛化能力強。如表4所示，PWoodIDNet模型網(wǎng)絡(luò)層數(shù)和訓(xùn)練耗時最少，體現(xiàn)出模型復(fù)雜度較低的特點，其他3種GoogLeNet模型的網(wǎng)絡(luò)層數(shù)較多且復(fù)雜，收斂速度較慢。

圖7 微觀數(shù)據(jù)集下PWoodIDNet模型與GoogLeNet模型的損失值Fig.7 Loss value of PWoodIDNet and GoogLeNet models under micro data sets

表4 不同模型的復(fù)雜度與時間對比Tab.4 Complexity and time comparison of different models

4 討論

4.1 高分辨率顯微CT對木材辨識的影響

木材辨識技術(shù)包括宏觀辨識和微觀辨識2種方法，通常采用無損檢測設(shè)備，既不破壞木材內(nèi)部結(jié)構(gòu)又省去切片制作過程，提高了辨識效率。高分辨率顯微CT具有穿透力強、檢測速度快、非破壞性等特點，常用于木材缺陷檢測、密度測定等方面(彭冠云等，2009；費本華等，2007)。本研究將高分辨率顯微CT應(yīng)用于木材微觀構(gòu)造辨識，薄壁組織、管胞、樹膠道、導(dǎo)管、木射線等特征清晰可見，很大程度上提高了木材辨識的質(zhì)量。應(yīng)進(jìn)一步豐富木材圖像數(shù)據(jù)集，建立屬于自己的Web網(wǎng)站服務(wù)器，實現(xiàn)高分辨率顯微CT檢測的木材微觀圖像云共享。

4.2 PWoodIDNet模型對木材辨識的影響

本研究通過優(yōu)化模型和卷積核尺寸，實現(xiàn)快速、準(zhǔn)確辨識木材，克服了傳統(tǒng)手動特征提取、分類效果不佳、訓(xùn)練方法復(fù)雜、訓(xùn)練參數(shù)過多、耗時過長等問題。采用高分辨率顯微CT獲取的木材微觀圖像，提高了樣本質(zhì)量，應(yīng)用PWoodIDNet模型，提升了模型分類準(zhǔn)確率，加快了辨識速度。但本研究只對16種木材樣本進(jìn)行研究，木材種類相對單一，應(yīng)增加木材種類，并設(shè)計開發(fā)出更適合多樹種識別的網(wǎng)絡(luò)模型。

5 結(jié)論

PWoodIDNet模型突破現(xiàn)有辨識方法木材辨識種類范圍窄、準(zhǔn)確率低和辨識速度慢的難點，能夠有效辨識木材，分類準(zhǔn)確率可達(dá)99%，是一種高效、無損、準(zhǔn)確的木材辨識分類方法，可為海關(guān)、進(jìn)出口檢疫檢驗、家具企業(yè)等法定部門和企業(yè)提供先進(jìn)的辨識方法和儀器，推動我國木材進(jìn)出口檢疫檢驗行業(yè)和木材加工制造企業(yè)的科技進(jìn)步。