检索结果-内蒙古大学图书馆

作者：宿恒硕浙江理工大学

学位级别：硕士

中国是木材消耗大国,同时也是木材进出口贸易总量最大的国家之一。随着全球木材交易日益频繁,为了防止木材走私、滥竽充数以及非法砍伐现象的发生,需要对木材材种进行精准识别。目前基于人工的木材种类鉴定方法存在着专业性强、任务重... 详细信息

中国是木材消耗大国,同时也是木材进出口贸易总量最大的国家之一。随着全球木材交易日益频繁,为了防止木材走私、滥竽充数以及非法砍伐现象的发生,需要对木材材种进行精准识别。目前基于人工的木材种类鉴定方法存在着专业性强、任务重、周期长、风险高和非实时性等问题,无法满足木材种类鉴定实时性和高效性的需求。本文提出一种改进残差神经网络的木材识别算法,对木材横截面宏观构造图像进行种类识别。主要研究内容与结果包括:(1)基于深度学习的不同材种识别模型的研究。利用外带微距镜头的手机采集木材横截面宏观构造图像,在相同的数据集上,训练了VggNet16、GoogleNet、DenseNet、ResNet50、ResNet101和ResNet152六个模型,对120种木材横截面原图进行测试,平均识别准确率分别为70.9%、80.9%、82.8%、87.5%、91.7%和90.1%,表明ResNet101模型相对其它5个模型更适合用于木材图像特征提取和种类鉴定。(2)基于改进ResNet101的木材材种识别模型的研究。针对卷积神经网络输入层信息损失和木材横截面宏观构造图像边缘模糊的问题,提出分块策略和梯度加权算法对ResNet101木材材种识别模型进行改进。木材横截面宏观构造图像从边缘到中心采用不同的梯度值作为不同子区域图像分类得分的权重,加大中心区域在整个图像识别任务中所占的比重,改进后的模型对每个子图像进行特征提取并计算每幅图像的最终分类得分。(3)基于深度学习的木材材种识别模型的训练、测试与分析。利用相同数据集训练5×5、7×7和10×10三种基于原图的不同分块策略的ResNet101模型,分别获得了94.8%、96.1%和95.3%的平均识别准确率;将梯度加权算法应用于7×7分块策略下的ResNet101模型,获得了98.4%的平均识别准确率和98.7%的平均召回率,与原图+ResNet101和7×7分块策略+ResNet101这两种木材识别模型相比,平均识别率分别提高了6.7%和2.3%,平均召回率分别提高了7.4%和2.8%,表明分块梯度加权算法可以有效提升木材识别模型的准确率。本文提出的算法具有较好的应用推广价值。

关键词：木材横截面宏观构造图像木材识别深度学习分块策略梯度加权算法 ResNet模型

来源：评论

学校读者我要写书评

暂无评论

基于改进残差神经网络的木材识别算法

引用

林业科学 2021年第12期57卷 147-154页

作者：宿恒硕吕军丁志平唐彦杰陈旭东周强张哲宇姚青浙江理工大学信息学院杭州310018 张家港海关张家港215600 杭州箨草科技有限公司杭州311500

【目的】针对传统木材种类人工鉴定方法存在的专业性强、任务重、周期长和非实时性等问题,提出一种基于改进残差神经网络的木材识别算法,以满足木材监管实时性和高效性需求。【方法】以32种横截面打磨后的木材为研究对象,首先,利用外带... 详细信息

【目的】针对传统木材种类人工鉴定方法存在的专业性强、任务重、周期长和非实时性等问题,提出一种基于改进残差神经网络的木材识别算法,以满足木材监管实时性和高效性需求。【方法】以32种横截面打磨后的木材为研究对象,首先,利用外带微距镜头的手机采集8975幅木材横截面图像,通过R、G、B三通道平均灰度值计算增益系数,用各通道灰度值与对应增益系数的乘积代替原始通道灰度值,消除由图像采集设备和环境差异引起的偏色影响;其次,基于木材横截面宏观结构的自相似性,采用水平翻转、垂直翻转、添加椒盐噪声和图像分块方式获取更多的训练样本和图像特征,并保证不同种类的木材图像数量相对均衡;然后,通过双线性插值法将每幅分块子图像统一缩放至224×224像素,应用基于分块梯度加权的改进残差卷积神经网络ResNet101模型对每幅子图像进行特征提取,并计算每幅图像的最终识别得分;最后,选择平均准确率和平均召回率评价不同分块处理策略、不同模型和改进的残差卷积神经网络模型的识别结果。【结果】在同一测试集上,VggNet16、GoogleNet、DenseNet、MobileNetv3、ResNet50、ResNet101和ResNet152模型对32种相似木材横截面原图进行识别,平均识别准确率分别为71.3%、81.3%、83.2%、66.4%、87.9%、92.1%和90.5%,ResNet101模型适合于木材图像特征提取和种类鉴定;基于原图5×5、7×7和10×10分块的ResNet101模型,分别获得94.8%、96.5%和95.3%的平均准确率;将分块梯度加权策略应用于ResNet101模型,获得98.8%的平均准确率和99.1%的平均召回率,较基于原图、7×7分块的ResNet101模型,采用分块梯度加权方法改进的ResNet101模型的平均准确率分别提高6.7%和2.3%,平均召回率分别提高7.4%和2.8%,分块梯度加权方法可有效提升木材识别模型的准确率。【结论】基于分块梯度加权的ResNet101模型对32种相似木材进行识别,平均准确率为98.8%;木材横截面图像可用于木材种类识别,分块梯度加权策略能够提高模型识别准确率。

关键词：木材识别木材横截面图像残差卷积神经网络分块梯度加权

来源：评论

学校读者我要写书评

暂无评论

一种基于分块梯度加权的木材图像自动识别方法

一种基于分块梯度加权的木材图像自动识别方法

引用

作者：丁志平姚青王明生袁大炜宿恒硕王晶晶陈旭东吕军周强陆军朱君 215600 江苏省苏州市张家港市人民中路28号(中国海关)

本发明公开了一种基于分块梯度加权的木材图像自动识别方法，包括预处理木材横截面图像；分块处理所述木材横截面图像；通过卷积神经网络模型训练分分块后的子图像；从所述木材横截面图像边缘到中心采用不同的梯度值作为不同子区域图像... 详细信息

标准号: CN112767387A

本发明公开了一种基于分块梯度加权的木材图像自动识别方法，包括预处理木材横截面图像；分块处理所述木材横截面图像；通过卷积神经网络模型训练分分块后的子图像；从所述木材横截面图像边缘到中心采用不同的梯度值作为不同子区域图像分类得分的权重，并加大中心区域在整个木材横截面图像分类得分中所占的比重，将加权得分转换为最终的概率值。本发明提供的技术方案通过分块处理图像，能够提取更加精细的图像特征，提高木材的识别准确率，同时采用梯度加权法增强了模型的鲁棒性，提高了模型的容错率和泛化能力。

关键词：木材横截面分块处理图像分块加权预处理卷积神经网络图像自动识别木材子区域图像模型训练图像边缘图像分类图像特征中心区域加权法鲁棒性容错率子图像准确率权重精细分类转换概率

来源：评论

学校读者我要写书评

暂无评论

一种基于分块梯度加权的木材图像自动识别方法

一种基于分块梯度加权的木材图像自动识别方法

引用

作者：丁志平姚青王明生袁大炜宿恒硕王晶晶陈旭东吕军周强陆军朱君 215600 江苏省苏州市张家港市人民中路28号(中国海关)

标准号: CN112767387B

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：