基于神经网络的珍稀红木图像识别技术

来源:用户上传      作者:孙永科 钟丽辉 何鑫 林启招

　　摘要：木材识别是木材交易和珍稀植物保工作中的一项重要技术。该文提出了一种木材图像识别的方法，首先利用30X放大镜获取木材横切面的图像，设计了一个5层的CNN神经网络，对12种木材的材种进行识别。实验中训练数据的分类正确率达到了80%，验证数据的分类正确率最高达到了70%。
　　关键词：木材识别;神经网络;横切面图片
　　中图分类号：TP18 文献标识码：A
　　文章编号：1009-3044（2020）08-0213-03
　　1 背景
　　木材贸易是国际贸易中的一个重要的经济活动，中国是木材交易数量大的国家之一[1-2]。大量的木材交易引发了珍稀植物的盗砍盗伐，对进出口木材的材种进行检验和识别可以有效地珍稀植物，保护森林资源，由于木材交易的数来大，因此材种鉴定工作难强度大，耗费时间长。传统的人工鉴定方法花费的时间长，成本高[3]，于是人们开始研究利用计算机技术进行木材快速识别的技术，于海鹏等人提出利用木材图像的颜色和纹理特征识别木材材种，对于部分材种取得了较好的分类结果，但是对于未知样本效果不理想[4]。2013年刘子豪等人提出基于横切面围观构造图像的木材识别方法，首先提取图像的KPCA特征值，然后通过先升维再降维的方法提取特征，使用该方法后极大地提高了木材识别的准确率[5]。文中同时也对比了分别使用FDA，SVM，和Gentle AdaBoost分类器时的正确率，通过对特定24中木材图片实验法现，KPCA+Gentle AdaBoost方法的正确率最高，取得了较好的效果。2015年Sun Yongke等人选取10中珍稀红木作为研究对象，从30X的木材横截面放大图像中提取SVD，PCA，和KPCA特征值，使用SVM分类器进行分类时发现SVD+SVM分类器的效果最好[6]。虽然这些方法在实验中都取得了较好的效果，但是在对未知样本进行识别时，正确率不理想。
　　近几年深度卷积网络在图像分类[7]和图像检测[8]领域都取得了很大进步，利用Convolutional Neural Network，CNN网络可以极大提高分类的正确性，尤其是在人脸检测和识别领域[9-11]。基于这些研究成果，为了提高分类算法针对未知样本的正确率，本文提出了一种基于卷积神经网络（CNN）的木材分类算法。通过实验发现该方法具有更好的鲁棒性，对未知样本也能达到较高的识别率。
　　2 木材识别的方法
　　2.1 CNN网络介绍
　　多层卷积神经网络在图像识别领域取得了非常好的效果，目前大多数的图像识别都采用了该技术。CNN使用不同的神经元对图像进行感知，不同的神经元获取图像中不同的特征值，为了提高特征感知的速度，CNN通过局部连接和参数共享的技术，减少了计算量提高了系统的计算速度。CNN的分类过程描述如图1所示。
　　输入的图片经过卷层时，原图像中的像素点会映射为多个特征值，输入一张图片会得到多个描述该图片的矩阵，矩阵的长和宽小于等于图片的尺寸，但是数量增加。经过多次卷积，矩阵的长和宽变得越来越小，但是厚度越来越厚，形成一个高度抽象的一维的数据，这些一维数据就是图像的主要特征。
　　系统会提取了图像中的若十特征信息，若干次的卷积和采样，最终会输出一组关于特征值，这些特征值记录了图像中最主要的一些特征，利用这些特征值可以对图像进行分类。
　　3 实验介绍
　　3.1 实验材料
　　实验使用13种珍稀的木材图片进行测试，实验样本来自西南林业大学木材科学标本馆，每种木材收集不同的样本，试验工采集图片220张，使用图像增强方法，对这些图片进行旋转、模糊等操作，最终增强后的图片共计10560张。
　　3.2 采集工具和方法
　　为了取得清晰的木材横切面图片，可以使用刀片在测试样本上割出一个小的平整面，或者使用打磨机对横切面进行打磨。然后使用50X的电子放大镜拍摄横截面图片，截取图片中间300x300像素的区域作为实验数据，这部分区域图片成像清晰。获取到的图片效果如下所示。
　　4 CNN模型
　　本实验采用5层的卷积神经网络，核函数relu，分类器使用softmax。图片每经过一次卷積处理，模型会对图像进行一次抽象处理，提取其中的特征。
　　图3中为木材横切面图片和中间层的处理结果。CNN的每一个中间层都会有很多的特征图片输出，图3（b）一（f）分别是从不同中间层输出中挑选的特征图片，图3（b）为第一层的部分特征图像，第一层共有64个特征矩阵，每一个矩阵都是从输入学习到的特征，从图3（b）是其中的10张图像，通过观察发现这些特征都不相同，说明不同的神经元感知到了不同的数据。图3（c）是第二层的部分特征图像，图像数据减少，图像开始变得模糊，但是纹理结构仍然可以继续分辨。图3（d）是第三层的部分特征图像，图像开始抽象，细节模糊变化剧烈的区域凸显。图3（e）是第四层的部分特征图像，继续抽象，细节减少特征继续强化。图3（f）是第五层的部分特征图像，多数的细节纹理消失，部分特征区域抽象为点信息。
　　5 实验结果
　　图片共计10560张，使用随机划分的方法把图像分类训练数据集共计6440张，和验证数据集共计4120张。实验共进行50次，每次都记录训练数据的正确率的和验证数据集的正确率，结果如图4所示。图中粗点线条是训练数据的正确率，浅色细线条是对验证数据的正确率，可以发现，随着训练次数的增加训练样本的正确率在不断提高，但是在训练到第28次时，验证数据的正确率开始出现波动，说明很可能存在过拟合现象，但是在43次后波动开始减少，正确率维持在60%-70%。之间。
　　参考文献：
　　[1]张生忠.2008年上半年我国进口木材市场分析[J].林产工业，2008，35（5）：3-5. 　　[2]陈莹，靳帅，李瑞法，等.浅谈进境原木分类的鉴定方法[J].绿色科技，2014（7）：278，281.
　　[3]姜笑梅，殷亚方，刘波.木材树种识别技术现状、发展与展望[J].木材工业，2010，24（4）：36-39.
　　[4]于海鵬，刘一星，刘镇波.基于图像纹理特征的木材树种识别[J].林业科学，2007，43（4）：77-81，F0003.
　　[5]刘子豪，汪杭军.基于PCA+FisherTrees特征融合的木材识别[J].林业科学，2013，49（6）：122-128.
　　[6] Sun Y K，Cao Y，Xiong F，et al.The wood slice cell imageidentification algorithm Based on singular value decomposition[J]. Journal of Computational and Theoretical Nanoscience，2015， 12（12）：5372-5378.
　　[7] Krizhevsky A， Sutskever I， Hinton G E. ImageNet classifica-tion with deep convolutional neural networks[J]. Communica-tions of the ACM， 2017， 60{6）：84-90.
　　[8] SERMANET P， EIGEN D， ZHANG X. et al. OverFeat： Inte-grated Recognition， Localization and Detection using Convolu-tional Networks[J]. arXiv preprint arXiv， 2013： 1312， 6229.
　　[9] SIMONYAN K， ZISSERMAN A. Very Deep Convolutional Net-works for Large-Scale Image Recognition[J]. International Con-ference on Learning Representations （lCRL）， 2015： 1-14.
　　[10] Garcia C， Delakis M. Convolutional face finder： a neural ar-chitecture for fast and robust face detection[J]. lEEE Transac-tions on Pattern Analysis and Machine Intelligence， 2004， 26（11）：1408-1423.
　　[11] Yang S， Luo P， Loy C C， et al. Faceness-net： face detectionthrough deep facial part responses[J]. lEEE Transactions onPattern Analysis and Machine Intelligence， 2018， 40（8）：1845-1859.
　　基金项目：云南省应用基础研究计划项目（项目编号：2018FG 001-108）
　　作者简介：孙永科（1980-），男，讲师，硕士，研究方向为数据分类、计算机图像处理;钟丽辉（1984-），女，通信作者，讲师，硕士，研究万向为计算机图像处理。
转载注明来源:https://www.xzbu.com/8/view-15200450.htm