论文部分内容阅读
木材鉴定工作对木材科学和产业发展具有重要意义。目前材种鉴定工作工序繁琐,易受图像分割技术以及特征提取算法等因素影响,识别结果无法满足快速、准确地鉴定大批量木材的要求。近年来,深度学习技术在图像识别领域的重大突破,其被广泛应用在很多领域,且取得了不错的应用效果。因此,本文基于深度卷积神经网络技术,以木材扫描电镜图像为研究对象,对木材的分类任务进行研究。针对小样本木材扫描电镜图像数据集分类问题构造了一种轻量级卷积神经网络模型——WSEMNet(Wood scanning electron microscopy network)。其中,木材显微图像数据集收集于日本森林综合研究所,经过图像预处理之后共计1210张图像,包含10个树种。WSEMNet结构中使用了两层Inception V1模块提高网络中参数的利用效率,并在激活函数之后使用Batch Normalization方法对网络结构进行优化,从而提高训练收敛速度,减少模型训练时间。初始模型在木材扫描电镜图像数据集(WSEMDatast)上进行训练,从而获得最终的分类模型。最后,使用测试集的图像作为网络的输入来验证模型的分类效果,将得到的分类结果与已知的标签进行对比,得到测试集的准确率。实验结果表明:(1)通过在木材扫描电镜显微图像数据集(WSEMDataset)上对10种木材进行分类测试,WSEMNet的平均识别率达到99.15%,Goog Le Net和Alex Net模型的平均识别率分别是58.49%和75.47%。(2)基于相同的迭代次数,WSEMNet模型与全尺寸的Goog Le Net模型相比,其训练时间减少了25%。(3)在Re LU激活函数之后使用BN层有助于提升网络模型的整体效果。(4)与传统的“特征+分类器”方法相比,WSEMNet模型对小样本木材扫描电镜图像数据集进行分类,能够在更少的训练时间内实现更高的识别率,具有更好的鲁棒性。