[目的]基于处理后的木材端面细胞特征,寻找合适的机器学习方法提高木材识别准确率,以实现木材高效利用,为珍稀木材种类判别和保护提供依据.[方法]以5种木材(臭冷杉、长白落叶松、鱼鳞云杉、鹅掌楸和凹叶厚朴)端面细胞为研究对象,提取多种差异性图像作为数据集,通过图像处理提取特征信息,分别采用支持向量机(SVM)和AlexNet神经网络进行分类识别.根据木材端面细胞区分的差异性,在AlexNet神经网络架构中加入BN算法进行优化,设计一种更高效的板材识别方法提高木材识别准确率.[结果]将增强后的29680张图像按7:3划分,分别保存在训练集和测试集文件夹中,测试样本确定标签后均放入同一文件夹,分别对3种分类算法进行整体批量测试,支持向量机分类器测试集的整体识别准确率为84.67％,AlexNet神经网络测试集的整体识别准确率为88.76％,基于BN算法优化的AlexNet神经网络测试集的整体识别准确率为91.15％,识别效果更好.[结论]当样本量充足时,AlexNet神经网络对木材端面细胞图像的分类效果明显优于SVM分类器.基于BN算法优化的AlexNet神经网络对图像线性特征更敏感,保留AlexNet神经网络拟合优化性的同时加快寻优速率,可有效提高识别精度,实现木材高精度分类.
国家科技期刊平台
NSTL
万方数据
维普
