基于木材微观特征的BP神经网络算法红木识别研究

我国实木家具产业链发展较为成熟。作为一种珍贵木材,红木在实木家具产业中占有重要地位,我国对红木资源的进口量也在逐年增加。传统识别红木的方法主要依靠人工经验,而准确科学地识别红木种类对于红木家具产业和红木工艺品都具有重要的意义。本文提出了一种基于木材微观特征的红木识别方法,并利用BP神经网络算法,建立了识别模型,表现出较好的识别效果,可为红木树种检测提供新方法。

基于卷积神经网络的红木识别App设计与开发

为了实现对红木快速自动识别,笔者设计和开发了一款基于卷积神经网络的红木识别App。首先利用无损显微设备获取木材横切面和弦切面的微观构造图像,将其作为训练数据;其次在TensorFlow框架上构造MobileNet网络,创建数据集并进行训练,以得到红木识别模型;最后在此基础上设计和开发出红木识别App。所开发的App具有占用手机内存小、页面简洁明了等特点,方便用户通过手机实现红木类型的自动识别。

基于ResNeXt的红木成品家具纹理分类方法

成品红木材质识别是一个困扰消费者的难题,现有的木材纹理识别系统多数是针对木材微观的细胞图像进行识别,限制了其应用。该文提出了一种通过成品红木家具表面纹理,识别其所属木材种类的方法,并以鸡翅木、酸枝木、檀香紫檀、染料紫檀4类树种为例,进行方法验证。首先,采集上述4种家具表面的纹理图像,生成自建数据集。其次,分析经典的VGG16、ResNet50、Inception-v4、ResNeXt50和ResNeXt1015个网络在此数据集上的识别能力,得出ResNeXt50的识别准确率最高(94.02%),但在真实使用场景下识别率依旧较低(69.91%)。最后,提出了融合全局和局部特征的全局局部模型,此模型以ResNext50网络为基础,将其修改为特征提取器,分别提取出图像中的整体木纹特征和局部细节特征,再将这两种特征融合在一起,此模型提高了特征提取的信息量,比传统的单一特征提取模型有更好的泛化能力。结果表明,本文构建的全局局部模型在测试集中对4种成品红木家具表面纹理分类的准确率为99.07%,优于ResNeXt网络的平均准确率95.50%和最佳准确率98.36%,且在真实使用场景下准确率为92.03%,表明全局局部模型用于成品家具纹理识别中具备一定的可行性。