《基于神经网络的珍稀红木图像识别技术》
本文是红木和图像识别技术有关毕业论文题目范文与图像识别方面学士学位论文范文.
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.
该文评论：这是一篇关于对不知道怎么写图像识别论文范文课题研究的大学硕士、红木和图像识别技术本科毕业论文红木和图像识别技术论文开题报告范文和文献综述及职称论文的作为参考文献资料.
红木和图像识别技术引用文献:
[1] 红木和图像识别技术毕业论文题目范文 关于红木和图像识别技术参考文献格式范文2万字
[2] 图像识别技术和电脑专升本论文范文 关于图像识别技术和电脑相关论文如何怎么撰写5000字
[3] 图像识别技术和人工智能硕士学位毕业论文范文 关于图像识别技术和人工智能相关毕业论文怎么写2万字
