采用特征融合的紫檀屬內(nèi)相似樹(shù)種識(shí)別方法研究

王承琨，趙 鵬，李祥華

1. 廣西科技大學(xué)電氣電子與計(jì)算機(jī)科學(xué)學(xué)院，廣西 柳州 545006 2. 東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院，黑龍江 哈爾濱 150040 3. 黑龍江科技大學(xué)電子與電信工程學(xué)院，黑龍江 哈爾濱 150022

引 言

紫檀屬約有30種木材，分布于東南亞熱帶及非洲熱帶地區(qū)，其屬內(nèi)稀有樹(shù)種數(shù)量較多，流通在市場(chǎng)上的木材價(jià)格較高。 同屬木材具有相似的特征，不法商販經(jīng)?！耙约賮y真”，使消費(fèi)者的合法權(quán)益受到侵害，因此使用有效、 快捷的方法對(duì)紫檀屬木材樹(shù)種進(jìn)行識(shí)別具有重要的意義。

在樹(shù)種識(shí)別的過(guò)程中，找到能夠描述樹(shù)種信息的特征向量尤為重要。 目前能夠獲得特征向量的途徑主要包括木材的DNA(deoxyribonucleic acid)信息、 木材解剖學(xué)信息、 宏觀切面信息以及光譜信息。 使用木材的DNA信息和木材解剖學(xué)信息的樹(shù)種識(shí)別方法具有較高的識(shí)別正確率，但是這些方法識(shí)別步驟較為繁瑣且需要非常專業(yè)的設(shè)備，對(duì)于非專業(yè)人員來(lái)說(shuō)是一類門(mén)檻很高的識(shí)別方法。

與木材的DNA信息和解剖學(xué)信息相比，木材的宏觀信息和光譜信息更容易獲取，已經(jīng)有大量學(xué)者通過(guò)上述信息找到了描述木材樹(shù)種的有效特征向量[1]。 Zamri等[2]使用I-BGLAM(improved-basic gray level aura matrix)對(duì)52種木材橫切面的紋理特征進(jìn)行了提取，該方法與傳統(tǒng)的GLCM(gray level co-occurrence matrix)相比具有更高的識(shí)別正確率。 Rosli等[3]利用GLCM特征和BP(back propagation)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了不到一秒的時(shí)間內(nèi)快速識(shí)別熱帶樹(shù)種。 Oktaria等[4]使用CNN(convolutional neural networks)卷積神經(jīng)網(wǎng)絡(luò)對(duì)30個(gè)樹(shù)種的木材橫切面進(jìn)行了樹(shù)種識(shí)別。 Ibrahim等[5]使用木材橫切面的管孔統(tǒng)計(jì)特征和I-BGLAM特征對(duì)木材樹(shù)種進(jìn)行了模糊分類識(shí)別。 Yusof等[6]使用GA (genetic algorithm)對(duì)木材橫切面的管孔特征做了特征提取，然后使用KDA(kernel discriminant analysis)和GSVD(generalized singular value decomposition)分解對(duì)GA提取到的特征向量做了非線性特征提取，進(jìn)一步提高了識(shí)別正確率。 上述方法均是在單一信息源情況下對(duì)樹(shù)種進(jìn)行識(shí)別，復(fù)現(xiàn)上述方法應(yīng)用于紫檀屬木材后發(fā)現(xiàn)，上述方法均不能得到較高的識(shí)別正確率。 這主要是由于紫檀屬木材樹(shù)種的圖像信息和光譜信息較為相似，無(wú)法通過(guò)單一特征向量對(duì)這些木材樹(shù)種進(jìn)行區(qū)分。

因此采集了5種紫檀屬木材的橫切面、 弦切面和縱切面的宏觀圖像信息和光譜信息，考慮將木材切面的紋理特征和光譜特征進(jìn)行融合，使用融合后的特征對(duì)紫檀屬的樹(shù)種進(jìn)行識(shí)別，以期使用木材的多種特征向量加強(qiáng)對(duì)木材樹(shù)種的描述，從而提高紫檀屬木材樹(shù)種的識(shí)別正確率。

1 實(shí)驗(yàn)部分

1.1 樣本制備與數(shù)據(jù)采集

紫檀屬屬于蝶形花科，按照GB/T 18107—2000《紅木》可以將該屬木材分為紫檀木類、 花梨木類以及亞花梨木類。 本工作以紫檀屬中5種木材為研究對(duì)象，這些木材主要來(lái)自國(guó)內(nèi)的紅木商家，其詳細(xì)信息詳見(jiàn)表1。 為了防止同質(zhì)化的出現(xiàn)，在不同商家購(gòu)買(mǎi)了同種木材樣本，這樣就可以保證同種木材樣本不來(lái)自于同一棵樹(shù)木或全部來(lái)自于同一區(qū)域。

表1 樣本資料Table 1 Sample data

為了方便數(shù)據(jù)的采集，使用圓臺(tái)鋸將所有木材樣本的尺寸統(tǒng)一為長(zhǎng)寬高分別為2 cm×2 cm×3 cm的木塊，其中長(zhǎng)寬對(duì)應(yīng)木材的橫切面，其面積為2 cm×2 cm，徑切面或弦切面的面積為2 cm×3 cm，鋸片尺寸規(guī)格為110×0.8×20×108T。 每一塊原始木料的形態(tài)是不規(guī)則的，切割出的樣本數(shù)量也并不統(tǒng)一，在這些切割后的樣本中隨機(jī)選擇2個(gè)樣本作為原始木料所代表的標(biāo)準(zhǔn)樣本，挑選過(guò)程中要選擇不開(kāi)裂、 沒(méi)有蟲(chóng)蛀的樣本，最后每個(gè)樹(shù)種產(chǎn)生了50個(gè)樣本，實(shí)驗(yàn)樣本集中包含了250個(gè)樣本。 為了獲得較為清晰的木材切面圖像，需要使用1 000目的砂紙對(duì)木材的各個(gè)切面進(jìn)行打磨。

數(shù)據(jù)采集平臺(tái)主要包括光譜采集平臺(tái)和圖像采集平臺(tái)，圖1中分別給出了它們的示意圖。 光譜采集平臺(tái)由美國(guó)Ocean公司生產(chǎn)的Optics USB2000-VIS-NIR微型光纖光譜儀、 光源以及采集軟件3個(gè)部分組成； 圖像采集平臺(tái)主要由支架、 相機(jī)鏡頭、 光學(xué)顯微鏡、 LED(light-emitting diode)光源以及采集軟件5個(gè)部分組成，該平臺(tái)可以小倍率放大物體，放大倍率約為10～100倍，光學(xué)顯微鏡可以手動(dòng)調(diào)焦，LED光源為白光，亮度可調(diào)節(jié)，相機(jī)鏡頭最高支持分辨率為1 920×1 080像素。

圖1 木材特征采集設(shè)備(a)： 光譜采集平臺(tái)； (b)： RGB圖像采集平臺(tái)Fig.1 Wood feature acquisition platforms(a)： Spectrum acquisition； (b)： RGB image acquisition

采集木材切面上5個(gè)不同位置的光譜，并取這些光譜的平均光譜反射率作為樣本的光譜反射率曲線。 為了防止光譜失真，每測(cè)量5個(gè)樣本的木材光譜反射率后需要使用白板對(duì)其進(jìn)行校正。

Optics USB2000-VIS-NIR微型光纖光譜儀的波長(zhǎng)范圍為339.8～1 026.63 nm。 光譜儀采集到的光譜波段信息包括可見(jiàn)光波段，該波段的光譜信息對(duì)木材切面的顏色、 光源以及木材的含水率十分敏感。 因此在采集光譜數(shù)據(jù)時(shí)一定要確保木材切面的顏色、 光源以及木材含水率的穩(wěn)定，降低外界環(huán)境對(duì)上述因素的干擾，為此，所使用的木材樣本均在切割前進(jìn)行了烘干，其含水率保證在10%以下，室內(nèi)溫度濕度環(huán)境保持穩(wěn)定。

圖2中的第一行、 第二行、 第三行圖像分別代表紫檀屬木材的橫切面、 弦切面以及徑切面。 圖2中的所有RGB(red-green-blue)圖像都是在相同比例尺下進(jìn)行放大的，圖2(a)中給出了比例尺。 從圖2可以看出紫檀屬木材三個(gè)切面的RGB圖像具有較強(qiáng)的相似性。 在使用紋理特征對(duì)木材樹(shù)種進(jìn)行識(shí)別時(shí)，需要消除顏色特征對(duì)圖像特征的影響，因此在提取圖像紋理特征之前必須要將RGB圖像進(jìn)行灰度化。

1.2 特征提取方法

1.2.1 紋理特征提取方法

紋理特征描述了木材切面上的灰度變化； 影響木材紋理特征的因素有很多，主要包括木材的管孔分布、 木射線走勢(shì)、 顏色變化等因素。 本工作考慮了多種木材紋理特征描述方法，主要包括GLCM，LBP(local binary pattern)[7],

圖2 紫檀屬木材切面示意圖(a): 大果紫檀; (b): 刺猬紫檀; (c): 安氏紫檀; (d): 非洲紫檀; (e): 贊比亞紫檀Fig.2 Images of Pterocarpus section(a)： Pterocarpus macrocarpus； (b)： Pterocarpus erinaceus； (c)： Pterocarpus antunesii；(d)： Pterocarpus soyauxii； (e)： Pterocarpus tinctorius

I-BGLAM[8]，MFS(multi fractal spectrum)[9]，這些算法將分別與光譜特征進(jìn)行融合，以考慮不同紋理特征在融合光譜特征后的識(shí)別正確率。

為了加快識(shí)別速度，在提取木材切面紋理特征值前需要將木材切面的圖像尺寸壓縮到像素。

1.2.2 光譜特征提取方法

使用光譜儀采集到的光譜數(shù)據(jù)波長(zhǎng)范圍在339.8～1 026.63 nm之間，其光譜分辨率為0.335 3 nm，光譜數(shù)據(jù)的維度多達(dá)2 048。 由于光譜儀器設(shè)備自身的問(wèn)題，光譜數(shù)據(jù)在低波長(zhǎng)端反射率極易受到干擾，失真程度較大，因此只保留了376.64～1 026.63 nm的光譜數(shù)據(jù)，其維度為1 950。 為了增強(qiáng)光譜數(shù)據(jù)的可分性還需要對(duì)數(shù)據(jù)進(jìn)行SNV(standard normal variate)變換。

圖3(a)中給出了原始光譜反射率曲線、 圖3(b)中給出了SNV變換后的光譜曲線。 SNV變換后的光譜曲線的維度為1 950，如果直接對(duì)這些光譜進(jìn)行分類處理，不僅容易出現(xiàn)“維數(shù)災(zāi)難”現(xiàn)象，而且數(shù)據(jù)處理速度也受到一定影響，因此對(duì)光譜數(shù)據(jù)進(jìn)行降維處理十分有必要。

對(duì)比了多種降維方法的光譜分類效果，這些方法主要包括線性降維方法中的PCA(principal component analysis)，非線性降維方法中的KPCA(kernel principal component analysis)和Laplacian，以及波段選擇方法SPA(successive projections algorithm)[10]。 PCA, KPCA和Laplacian降維方法是針對(duì)整個(gè)光譜數(shù)據(jù)進(jìn)行的，主要是通過(guò)數(shù)學(xué)變換提取出光譜中最有意義的信息。 SPA的主要思想是消除特征變量間的多重線性關(guān)系，從而選擇出信息量大的特征波長(zhǎng)。

1.3 特征融合方法

基于典型相關(guān)分析CCA(canonical correlation analysis)的特征融合方法可以讓兩種不同的特征向量融合為一個(gè)全新的向量，該向量能夠更加有效的描述待識(shí)別對(duì)象[11]，算法具體描述如下：

圖3 原始光譜數(shù)據(jù)與SNV校正結(jié)果(a)： 原始光譜； (b)： SNV校正后光譜曲線Fig.3 Original spectra and SNV corrected spectra(a)： Original spectra； (b)： SNV corrected spectra

(1)

(2)

根據(jù)Sun的定義，融合后的特征為典型相關(guān)判別特征，其特征融合策略有兩種，這兩種融合策略分別為式(3)和式(4)，式(3)的融合方法被叫做“concat”，融合后的特征向量記為Z1，式(4)的融合方法被叫做“sum”，融合后的特征向量記為Z2。

(3)

(4)

本文利用支持向量機(jī)SVM(support vector machine)作為木材樹(shù)種的分類器。 為了防止過(guò)擬合的現(xiàn)象出現(xiàn)，下面的識(shí)別正確率均采用的是交叉驗(yàn)證中的“留一法”，該方法的基本思想是將樣本集中的每一個(gè)樣本單獨(dú)拿出作為測(cè)試集，其余的所有樣本作為訓(xùn)練集對(duì)其進(jìn)行訓(xùn)練，從而判斷樣本集中每一個(gè)樣本的識(shí)別正確率，最后將判斷正確的樣本數(shù)量除以總數(shù)量便得到了識(shí)別正確率[13]。

2 結(jié)果與討論

2.1 使用單一特征對(duì)紫檀屬樹(shù)種進(jìn)行識(shí)別

單獨(dú)使用光譜特征對(duì)紫檀屬樹(shù)種進(jìn)行識(shí)別時(shí)，影響識(shí)別正確率的因素主要包括降維方法和降維維數(shù)，圖4中給出了使用PCA，KPCA和Laplacian三種降維方法的紫檀屬木材識(shí)別正確率與特征維數(shù)之間的關(guān)系，從圖4中可以看出，隨著特征維度的增加分類正確率逐步上升，當(dāng)維度超過(guò)10維后識(shí)別正確率逐漸趨于穩(wěn)定，PCA降維方法所對(duì)應(yīng)的識(shí)別正確率高于KPCA和Laplacian，其識(shí)別正確率高于94.00%。 以木材橫切面的光譜特征為識(shí)別對(duì)象時(shí)的識(shí)別正確率略高于其余兩個(gè)切面的識(shí)別正確率。

圖4 特征維數(shù)與識(shí)別正確率的關(guān)系Fig.4 Feature dimension and accuracy

表2中給出了不同降維方法的最高識(shí)別正確率所對(duì)應(yīng)的特征維數(shù)，同時(shí)也給出了SPA選擇的最佳波段和識(shí)別正確率。 從表2中可以看出在木材橫切面上SPA波段選擇方法的識(shí)別正確率高于Laplacian和KPCA，但低于PCA降維方法的識(shí)別正確率。 木材弦切面和徑切面上SPA波段選擇方法的識(shí)別正確率高于其他降維方法。

單獨(dú)使用紋理特征對(duì)紫檀屬樹(shù)種進(jìn)行識(shí)別時(shí)需要將紫檀屬木材切面的圖像進(jìn)行灰度化以消除顏色對(duì)紋理特征的影響。 表3中給出了使用不同紋理特征對(duì)紫檀屬木材進(jìn)行識(shí)別時(shí)的識(shí)別正確率。 通過(guò)表3可以發(fā)現(xiàn)4種紋理特征中正確率較高的是LBP和I-BGLAM兩種紋理特征。 GLCM，LBP和I-BGLAM三種紋理特征提取方法均在橫切面上取得了較高的識(shí)別正確率，MFS紋理特征提取方法在弦切面上取得了較高的識(shí)別正確率。

表2 不同降維方法下的最高正確率Table 2 The highest accuracies under different dimension reduction methods

表3 使用紋理特征的木材樹(shù)種識(shí)別率(%)Table 3 Accuracies of wood species usingtextures features (%)

另一方面通過(guò)表2和表3還可以發(fā)現(xiàn)，使用光譜特征的識(shí)別正確率高于使用紋理特征的識(shí)別正確率，這是因?yàn)橥瑢倌静牡那忻婢哂邢嗨频募y理特征，由此可見(jiàn)單獨(dú)使用紋理特征對(duì)紫檀屬樹(shù)種進(jìn)行精準(zhǔn)識(shí)別是不可行的。

2.2 使用融合后的特征對(duì)紫檀屬樹(shù)種進(jìn)行識(shí)別

表4分別考慮了使用“concat”融合策略和“sum”融合策略的木材識(shí)別正確率。 其中表的橫向代表光譜特征提取方法，縱向代表的是紋理特征提取方法，表中所列出的正確率是其橫坐標(biāo)的光譜特征提取方法和縱坐標(biāo)的紋理特征方法相融合的識(shí)別正確率。

表4 “concat”和“sum”融合策略下的正確率(%)Table 4 Accuracies of “concat” and “sum” fusion schemes (%)

從表4可以看出使用“concat”和“sum”兩種融合策略的最高分類正確率具有一定的差異，在弦切面和徑切面下，兩個(gè)融合策略所得到的最高分類正確率是相同的。 三個(gè)切面上的木材識(shí)別正確率最高均為99.20%，與單獨(dú)使用紋理特征或光譜特征相比，使用融合后的特征對(duì)紫檀屬木材進(jìn)行識(shí)別時(shí)具有更高的識(shí)別正確率。

為了能夠進(jìn)一步體現(xiàn)出光譜特征和紋理特征的互補(bǔ)作用，將數(shù)據(jù)集進(jìn)行劃分，每個(gè)樹(shù)種隨機(jī)選擇40個(gè)樣本作為訓(xùn)練集，其余10個(gè)樣本作為測(cè)試集。 選擇木材橫截面上的光譜使用PCA進(jìn)行降維，使用I-BGLAM提取紋理特征，并采用“concat”融合方法對(duì)測(cè)試集木材樹(shù)種進(jìn)行識(shí)別，其識(shí)別結(jié)果如圖5所示。 將數(shù)據(jù)集按照上述方法進(jìn)行分類時(shí)其正確率只體現(xiàn)在測(cè)試集中的50個(gè)樣本上，訓(xùn)練集數(shù)量也會(huì)減少，此時(shí)得到的測(cè)試集正確率與之前的交叉驗(yàn)證率“留一法”會(huì)有一定的差異。 前面提到的交叉驗(yàn)證中的“留一法”是每次測(cè)試時(shí)，每個(gè)樹(shù)種隨機(jī)選擇49個(gè)樣本作為訓(xùn)練集，剩下的1個(gè)樣本作為測(cè)試集。 這樣，全部5個(gè)樹(shù)種的訓(xùn)練集有245個(gè)樣本，測(cè)試集有5個(gè)樣本。 該測(cè)試過(guò)程重復(fù)執(zhí)行，直到對(duì)所有樣本都測(cè)試一次后結(jié)束。

從圖5中可以看出，單獨(dú)使用紋理特征對(duì)紫檀屬樹(shù)種進(jìn)行識(shí)別時(shí)其錯(cuò)誤的樣本較多，單獨(dú)使用光譜特征對(duì)紫檀屬樹(shù)種進(jìn)行識(shí)別的錯(cuò)誤樣本數(shù)量明顯少于單獨(dú)使用紋理特征的樣本數(shù)量。 融合后的特征可以大幅度降低錯(cuò)誤樣本數(shù)量，圖5中的測(cè)試集樣本中只有2個(gè)樣本被誤分到了其他樹(shù)種中，其分類正確率為96.00%。 因此可以發(fā)現(xiàn)融合的特征可以彌補(bǔ)單獨(dú)使用光譜特征和紋理特征的不足，從而更加準(zhǔn)確的描述樣本個(gè)體。

圖5 測(cè)試集樣本的識(shí)別情況Fig.5 Identification of test set samples

2.3 與其他木材樹(shù)種識(shí)別方法的比較

對(duì)比方法主要包括GLCM算法、 I-BGLAM算法、 CNN算法、 管孔統(tǒng)計(jì)特征算法、 核遺傳算法以及顏色特征的分類方法。 各種算法得到的最高識(shí)別正確率如表5所示。 因在表3中已經(jīng)列出了GLCM和I-BGLAM兩種算法的識(shí)別正確率，所以表5中沒(méi)有重復(fù)列出。

表5 其他木材識(shí)別方法與本方法的正確率對(duì)比

通過(guò)表5可以發(fā)現(xiàn)，目前較為傳統(tǒng)的木材樹(shù)種識(shí)別方法并未得到較高的識(shí)別結(jié)果。 這主要是因?yàn)樯鲜鲞@些方法均是以木材切面的宏觀圖像特征為研究對(duì)象，同屬的木材在切面上具有較為相似的紋理特征和管孔特征，出現(xiàn)樣本錯(cuò)分的情況是在所難免的。

2.4 算法執(zhí)行時(shí)間的比較

本實(shí)驗(yàn)所使用的計(jì)算機(jī)配置為： CPU： Intel I7-6700，內(nèi)存： 8G，顯卡： AMD Radeon R7 200 機(jī)械硬盤(pán)容量為1TB。 表6中給出了一個(gè)樣本光譜特征、 紋理特征以及融合算法所需要的計(jì)算時(shí)間，這里的計(jì)算時(shí)間均是重復(fù)計(jì)算50次所得到的平均時(shí)間。

表6 提取單一樣本特征的時(shí)間Table 6 Extraction time of single sample features

從表6可以看出單一樣本的光譜特征和紋理特征提取速度是十分迅速的，如果將PCA方法和I-BGLAM相結(jié)合整體時(shí)間大約在0.033 s左右，不僅可以得到較好的識(shí)別正確率也可以滿足識(shí)別速度的需求。

2.5 其他木材樹(shù)種識(shí)別結(jié)果

將5種紫檀屬木材與30種其他木材進(jìn)行混合，從而試證本方法是否適合其他木材樹(shù)種。 這30種木材中既包含了闊

圖6 30種木材橫切面的平均光譜曲線(a)： 表7中前15個(gè)樹(shù)種； (b)： 表7中后15個(gè)樹(shù)種Fig.6 Average spectral curves of cross sections of 30 wood species(a)： The first 15 tree species in Table 7；(b)： The last 15 tree species in Table 7

表7 30種木材樣本的詳細(xì)信息Table 7 Details of 30 wood species samples

續(xù)表7

葉木材也包含了針葉木材，也包含了一些同屬木材。 表7中給出了這30種木材的詳細(xì)信息，圖6和圖7中分別給出了這30種木材的光譜信息和圖像信息。 每種木材樣本數(shù)量與每種紫檀屬木材樣本數(shù)量50相一致，30種木材樣本的總數(shù)量為1 500。

表8中給出了單獨(dú)使用光譜特征、 紋理特征以及特征融合后的識(shí)別正確率，融合策略使用的是“concat”。 從表8可以看出，使用融合后的特征的識(shí)別正確率高于使用單一特征的識(shí)別正確率。 使用SPA+LBP的正確率是最高的，正確率可達(dá)98.29%。

值得強(qiáng)調(diào)的是表8中的識(shí)別正確率為35種木材的混合識(shí)別率，即對(duì)35種木材進(jìn)行綜合識(shí)別的正確率，這也間接的證明了本算法不僅適用于紫檀屬木材的樹(shù)種識(shí)別，對(duì)于其他木材也可以有效識(shí)別。

圖7 30種木材橫切面示意圖(序號(hào)含義參見(jiàn)表7)Fig.7 Transverse section of 30 wood species (the number of each illustrations corresponding to Table 7)

表8 35個(gè)樹(shù)種數(shù)據(jù)的正確識(shí)別率Table 8 Classification accuracy of 35 tree species data

3 結(jié) 論

使用兩種成本較低的設(shè)備儀器采集了木材三個(gè)切面上的光譜信息和圖像信息，提取木材切面上的光譜特征和紋理特征后，將光譜特征和紋理特征使用典型相關(guān)性分析進(jìn)行融合，通過(guò)SVM分類器對(duì)紫檀屬的樹(shù)種進(jìn)行了識(shí)別，并得出了以下的幾個(gè)結(jié)論： (1) 在單獨(dú)使用木材的光譜特征或紋理特征對(duì)紫檀屬樹(shù)種進(jìn)行識(shí)別時(shí)，使用木材橫切面的信息可以得到較高的識(shí)別正確率。 在使用融合特征對(duì)紫檀屬樹(shù)種進(jìn)行識(shí)別時(shí)，木材的三個(gè)切面均可以得到較高的識(shí)別正確率，其正確率最高可達(dá)99.20%。 (2) 本方法的識(shí)別速度較快，PCA+I-BGLAM的方法提取樣本特征，適用于對(duì)速度和精度有一定要求的木材樹(shù)種識(shí)別情形。 (3) 從識(shí)別方法上講，使用PCA+I-BGLAM的方法在木材橫切面和徑切面上具有較高的識(shí)別正確率，使用PCA+LBP的方法在木材徑切面上具有較高的識(shí)別正確率。 (4) 實(shí)驗(yàn)驗(yàn)證了本方法不僅適用于紫檀屬木材，而且也適用于其他屬的木材樹(shù)種識(shí)別。 (5) 通過(guò)與其他木材識(shí)別方法比較發(fā)現(xiàn)，本方法在識(shí)別紫檀屬木材的樹(shù)種時(shí)具有更大的優(yōu)勢(shì)。