期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于深度学习的75种阔叶材微观辨识方法
1
作者 田智康 葛浙东 +2 位作者 郑焕祺 郑志帅 周玉成 《林业科学》 EI CAS CSCD 北大核心 2024年第10期94-103,共10页
【目的】对75种南美进口阔叶材提出微观图像辨识模型TimberIDNet75,为海关、进出口检疫检验以及从事木材鉴定研究的人员提供一种准确的多材种辨识方法。【方法】TimberIDNet75模型是包含1个输入层、4个隐含层的34层卷积层的中浅层神经... 【目的】对75种南美进口阔叶材提出微观图像辨识模型TimberIDNet75,为海关、进出口检疫检验以及从事木材鉴定研究的人员提供一种准确的多材种辨识方法。【方法】TimberIDNet75模型是包含1个输入层、4个隐含层的34层卷积层的中浅层神经网络。为尽量扩大感受野以提取更多图像特征,输入层采用13×13×256的卷积核,对每张图像提取256类特征,经激活、池化处理后作为输出。第1个隐含层采用2次卷积、激活后再进行残差修正,称作“两卷一修正块”。第1个隐含层包含3个“两卷一修正块”,提取256类特征作为输出。第2个隐含层包含4个“两卷一修正块”,再次提取512类特征作为输出。第3个隐含层包含6个“两卷一修正块”,对上一层的输出进行特征提取,获得1024个类的特征。第4个隐含层包含3个“两卷一修正块”,对第3层的输出进行特征提取,获得2048个类的特征,经全局平均池化后输入到全连接层映射出75个树种的分类。【结果】TimberIDNet75模型的准确率达99.4%,损失值为0.044。将TimberIDNet75模型与现阶段较先进的深度学习模型进行比较,ResNet模型的准确率为98.1%、VGGNet模型的准确率为97.1%、GoogleNet模型的准确率为96.2%、AlexNet模型的准确率为94.7%、ViT模型的准确率为53.2%,TimberIDNet75模型的准确率相比其中准确率最高的ResNet模型提高1.3%。利用TimberIDNet75模型对随机获取的75种进口阔叶材微观解剖样本进行实际测试,样本全部准确辨识,准确率达100%。【结论】TimberIDNet75模型中的“两卷一修正块”,在节省机器资源的同时,可消除模型梯度下降导致过拟合的问题,同时利用残差法使得模型训练时人工干预降至最低,准确率和效率大幅提升。 展开更多
关键词 木材微观解剖 深度学习网络模型 木材材种辨识 材种微观特征提取
下载PDF
基于卷积神经网络模型的木材宏、微观辨识方法 被引量:3
2
作者 赵子宇 杨霄霞 +2 位作者 郭慧 葛浙东 周玉成 《林业科学》 EI CAS CSCD 北大核心 2021年第6期134-143,共10页
【目的】提出一种基于卷积神经网络模型——PWoodIDNet模型的木材宏、微观辨识方法,以有效提高木材辨识精度和速度,为海关、进出口检疫检验、家具企业等法定部门和企业提供先进的辨识方法和仪器,推动我国木材进出口检疫检验行业和木材... 【目的】提出一种基于卷积神经网络模型——PWoodIDNet模型的木材宏、微观辨识方法,以有效提高木材辨识精度和速度,为海关、进出口检疫检验、家具企业等法定部门和企业提供先进的辨识方法和仪器,推动我国木材进出口检疫检验行业和木材加工制造企业的科技进步。【方法】首先,选择16种木材样本,每种样本获取50张高分辨率显微CT图像和工业相机图像,共1600幅;然后,截取具有木射线、薄壁组织、轴向管胞、纹孔和纹理等特征的目标区域,共4800幅,通过水平翻转、垂直翻转、镜像、亮度变换等图像增强算法后将图像集扩充至19200幅。构建基于卷积神经网络的木材宏、微观辨识模型——PWoodIDNet模型,采用加入动量的随机梯度下降(SGDM)方法优化模型,并利用GPU优化并行运算库,对木材宏、微观结构数据集进行分类准确率对比。【结果】相比现行GoogLeNet模型,PWoodIDNet模型准确率提高1.49%,速度提高59.69%;相比现行AlexNet模型,PWoodIDNet模型准确率提高3.76%,速度提高2.63%。【结论】PWoodIDNet模型突破现有辨识方法木材辨识种类范围窄、准确率低和辨识速度慢的难点,能够有效辨识木材,并可在更短的训练时间内实现最佳辨识效果,为我国木材辨识提供一种新的方法和思路。 展开更多
关键词 木材辨识 卷积神经网络 微观结构 宏观结构
下载PDF
Modeling of temperature-humidity for wood drying based on time-delay neural network 被引量:5
3
作者 张冬妍 孙丽萍 曹军 《Journal of Forestry Research》 SCIE CAS CSCD 2006年第2期141-144,共4页
The temperature-humidity models of wood drying were developed based on Time-delay neural network and the identification structures of Time-delay neural network were given. The controlling model and the schedule model,... The temperature-humidity models of wood drying were developed based on Time-delay neural network and the identification structures of Time-delay neural network were given. The controlling model and the schedule model, which revealed the relation between controlling signal and temperature-humidity and the relation between wood moisture content and temperature-humidity of wood drying, were separately presented. The models were simulated by using the measured data of the experimental drying kiln. The numerical simulation results showed that the modeling method was feasible, and the models were effective. 展开更多
关键词 Wood drying Temperature-humidity model System identification Time-Delay neural network
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部