%A 杨楠楠,白岩,姜苏译,杨春梅,徐凯宏 %T 基于AlexNet优化的板材材种识别方法 %0 Journal Article %D 2022 %J 林业科学 %R 10.11707/j.1001-7488.20220316 %P 149-158 %V 58 %N 3 %U {http://www.linyekexue.net/CN/abstract/article_9142.shtml} %8 2022-03-25 %X

目的: 基于处理后的木材端面细胞特征, 寻找合适的机器学习方法提高木材识别准确率, 以实现木材高效利用, 为珍稀木材种类判别和保护提供依据。方法: 以5种木材(臭冷杉、长白落叶松、鱼鳞云杉、鹅掌楸和凹叶厚朴)端面细胞为研究对象, 提取多种差异性图像作为数据集, 通过图像处理提取特征信息, 分别采用支持向量机(SVM)和AlexNet神经网络进行分类识别。根据木材端面细胞区分的差异性, 在AlexNet神经网络架构中加入BN算法进行优化, 设计一种更高效的板材识别方法提高木材识别准确率。结果: 将增强后的29 680张图像按7∶3划分, 分别保存在训练集和测试集文件夹中, 测试样本确定标签后均放入同一文件夹, 分别对3种分类算法进行整体批量测试, 支持向量机分类器测试集的整体识别准确率为84.67%, AlexNet神经网络测试集的整体识别准确率为88.76%, 基于BN算法优化的AlexNet神经网络测试集的整体识别准确率为91.15%, 识别效果更好。结论: 当样本量充足时, AlexNet神经网络对木材端面细胞图像的分类效果明显优于SVM分类器。基于BN算法优化的AlexNet神经网络对图像线性特征更敏感, 保留AlexNet神经网络拟合优化性的同时加快寻优速率, 可有效提高识别精度, 实现木材高精度分类。