苗宇杰 祝詩平 普 京 李俊賢 馬羚凱 黃 華

（西南大學(xué)工程技術(shù)學(xué)院 重慶 400716）

家具是日常工作和生活中的必備物品，且隨著人們生活水平不斷提高和居住環(huán)境逐漸改善，人們越來越傾向購買實(shí)木家具。涂飾木蠟油不僅可以滋養(yǎng)木材，防止木材開裂，增強(qiáng)木材表面硬度、光澤度和耐磨性，防水防污，對木材起到良好的防護(hù)和裝飾作用（趙暢等，2016），而且也使得木材紋理能夠更加完美地展示出來。然而，木材品種繁多、價(jià)格相差懸殊，經(jīng)木蠟油涂飾后的木材表面與一些昂貴木材類似（陳宏偉等，2021），導(dǎo)致實(shí)木家具市場上經(jīng)常出現(xiàn)以假亂真、以次充好的現(xiàn)象，嚴(yán)重?fù)p壞消費(fèi)者利益。

傳統(tǒng)木材種類識(shí)別主要通過肉眼或借助放大鏡（10 倍）進(jìn)行觀察，還可通過年輪、木射線和髓心的形態(tài)做出判斷，同時(shí)分析木材的物理特征，如顏色、質(zhì)量和氣味等（Wheeleret al.，1998），該方法主觀性強(qiáng)，且費(fèi)時(shí)、費(fèi)力、效率低。在木材種類自動(dòng)化識(shí)別領(lǐng)域中，一些學(xué)者基于木材顯微圖像展開研究，如Martins 等（2013）提出一種基于圖像分割和多特征集的分類方法，用于識(shí)別數(shù)據(jù)庫中112 種木材顯微圖像。也有一些學(xué)者基于光譜展開探索，如Nisgoski 等（2017）應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對近紅外光譜不同波段進(jìn)行檢測，實(shí)現(xiàn)了對4 種木材的分類識(shí)別；Zhao 等（2016） 提出一種基于木材表面光譜特征的木材識(shí)別方案，對東北地區(qū)5種常見木材進(jìn)行分類，準(zhǔn)確率達(dá)95%?；陲@微圖像和光譜的識(shí)別技術(shù)，雖然取得了不錯(cuò)效果，但是設(shè)備昂貴、操作復(fù)雜，尤其在制作顯微切片時(shí)會(huì)損壞木材，因此，這些方法更適合用于實(shí)驗(yàn)室分析，實(shí)際生活中對成品家具木材的種類識(shí)別并不合適。

近年來，基于宏觀圖像的木材種類識(shí)別，因其靈活性和可操作性受到越來越多關(guān)注，很多學(xué)者通過提取木材顏色特征（Zhao，2013）或紋理特征（Barmpoutiset al.，2018）識(shí)別木材種類。Souza 等（2020）在實(shí)驗(yàn)室利用砂紙打磨木材表面并使用Zeiss Discovery V 12 顯微鏡獲取46 種放大10 倍的高分辨率（150 dpi）圖像，提取圖像局部二值模式（local binary patterns，LBP）紋理特征，通過支持向量機(jī)（support vector machine，SVM）分類器識(shí)別木材，準(zhǔn)確率達(dá)97.67%。

上述方法提取木材特征均需人工完成，圖像預(yù)處理和特征選擇會(huì)消耗大量時(shí)間，而以卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）為代表的深度學(xué)習(xí)方法可自動(dòng)提取特征并進(jìn)行概率預(yù)測，目前已在圖像識(shí)別、自然語言處理和文本分析等方面取得了不錯(cuò)效果；但CNN 需要大量的標(biāo)記樣本進(jìn)行訓(xùn)練以及強(qiáng)大的圖像處理器（graphics processing unit，GPU）加速學(xué)習(xí)（Hanet al.，2018），且復(fù)雜的CNN 深層網(wǎng)絡(luò)還要花費(fèi)大量時(shí)間調(diào)參。無論是訓(xùn)練一個(gè)大的網(wǎng)絡(luò)模型還是收集大量數(shù)據(jù)都是一個(gè)耗時(shí)的過程，而遷移學(xué)習(xí)可以很好解決上述問題。在農(nóng)業(yè)領(lǐng)域，已有很多學(xué)者將CNN 用于諸多方面（李鑫然等，2021；鮑烈等，2020），結(jié)果表明CNN 能夠提供更好的性能，優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法。

也有不少學(xué)者將CNN 用于木材缺陷檢測（崔明光，2019；劉英等，2019；陳龍現(xiàn)等，2018）以及木材微觀圖像的種類識(shí)別（Heet al.，2020；Geuset al.，2020；李楠，2018），但基于木材宏觀圖像的種類識(shí)別研究還較少，尤其是經(jīng)木蠟油涂飾后的家具木材種類識(shí)別未見報(bào)道。鑒于此，本研究基于AlexNet、ResNet34、MobileNetv2和MobileNetv3 這4 種比較成熟的CNN 對木材宏觀圖像的種類進(jìn)行識(shí)別，與SVM 和人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）識(shí)別結(jié)果進(jìn)行比較，分析不同模型性能以及涂飾木蠟油后木材數(shù)據(jù)對模型性能的影響，并選擇識(shí)別效果最好的模型設(shè)計(jì)木材宏觀圖像種類識(shí)別系統(tǒng)，有效提高木材種類識(shí)別速度和精度，以期為木材資源的合理利用、木材進(jìn)出口貿(mào)易管理及消費(fèi)者確定家具木材種類提供一種科學(xué)有效的方法。

1 材料與預(yù)處理

1.1 圖像采集

圖1a-d 為2020 年11 月21 日于重慶市九龍坡某家具廠拍攝，主要采集木材徑切面和弦切面，未涂飾木蠟油木材（以下統(tǒng)稱素材）紅橡（Quercusspp.）、水曲柳（Fraxinus mandshurica）、欖仁木（Terminaliaspp.）和欒葉蘇（Hymenaea cunrbaril）圖像共2 914 張。于重慶北碚某家具賣場拍攝的涂飾木蠟油紅橡和欖仁木圖像（圖1e、f）共966 張。

圖1 木材圖像示例Fig. 1 Examples of wood image

1.2 圖像預(yù)處理

神經(jīng)網(wǎng)絡(luò)需要固定維度的圖像，故所有圖像調(diào)整為224 像素×224 像素×3 通道。各類別圖像數(shù)據(jù)如表1所示。將RGB 圖像轉(zhuǎn)化為灰度圖像，提取圖像的LBP 和灰度共生矩陣（gray level co-occurrence matrix，GLCM）紋理特征，采用主成分分析（principal component analysis，PCA）對特征數(shù)據(jù)降維，獲取99.9%的有效特征信息，特征由272 維降至44 維，建立木材圖像特征數(shù)據(jù)庫，作為SVM（核函數(shù)為徑向基函數(shù)）和結(jié)構(gòu)為44-100-4（輸入層為44 個(gè)神經(jīng)元、隱含層為100 個(gè)神經(jīng)元、輸出層為4 個(gè)神經(jīng)元）ANN 的輸入數(shù)據(jù)。

表1 不同木材圖像數(shù)據(jù)數(shù)量Tab. 1 Number of different wood image data

2 試驗(yàn)方法

2.1 試驗(yàn)環(huán)境

硬件環(huán)境為Intel（R）Core（TM）i5-10200H CPU，主頻2.40 GHz， 運(yùn)行內(nèi)存 16 G， GPU 為 GeForce GTX1650Ti，顯存4 G。軟件環(huán)境為CUDA Toolkit 10.0, CUDNN V7.4.1.5；Python 3.7.1；Torch1.9.0；使用PyTorch 深度學(xué)習(xí)框架在PyCharm 平臺(tái)上構(gòu)建模型。PyTorch 是一個(gè)高層神經(jīng)網(wǎng)絡(luò)API，提供各種激活函數(shù)、損失函數(shù)和優(yōu)化器，可快速構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，操作簡單，易于調(diào)試。

2.2 圖像分類方法

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)的代表算法之一，其通過權(quán)值共享與局部進(jìn)行連接，可降低網(wǎng)絡(luò)模型復(fù)雜度。目前，CNN 已在圖像識(shí)別、自然語言處理等方面取得了成功，并陸續(xù)出現(xiàn)AlexNet、ResNet34、MobileNetV2 和MobileNetV3 等多種經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。

AlexNet（Krizhevskyet al.，2012）是計(jì)算機(jī)視覺領(lǐng)域首個(gè)被廣泛關(guān)注的深度卷積神經(jīng)網(wǎng)絡(luò)模型，為LeNet 網(wǎng)絡(luò)的進(jìn)階版，主要由5 個(gè)卷積層和3 個(gè)全連接層組成，還包括局部響應(yīng)歸一化層Dropout 層。

ResNet34（Heet al.，2016）是由34 個(gè)卷積層組成的深度神經(jīng)網(wǎng)絡(luò)模型，包括32 個(gè)卷積層和2 個(gè)全連接層。與傳統(tǒng)深度網(wǎng)絡(luò)結(jié)構(gòu)不同，ResNet34 利用殘差學(xué)習(xí)思想，可訓(xùn)練更深的網(wǎng)絡(luò)結(jié)構(gòu)，同時(shí)避免梯度消失問題，能夠極大提高訓(xùn)練效率和模型性能。

MobileNetV2（Sandleret al.，2018）引入deep-wise卷積替代ResNet34 的標(biāo)準(zhǔn)卷積方式，可大大減少卷積核的冗余表達(dá)，相較傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)，具有更小的模型大小和更快的推理速度，同時(shí)保持較高的準(zhǔn)確率。

MobileNetV3（Howardet al.，2020）在MobileNetV2的基礎(chǔ)上引入注意力機(jī)制，通過該機(jī)制，網(wǎng)絡(luò)可以學(xué)習(xí)使用全局信息選擇性地強(qiáng)調(diào)信息性特征、抑制不太有用的特征，且引入能有效改進(jìn)網(wǎng)絡(luò)精度的h-swish激活函數(shù)（Howardet al.，2020）：

另外，在網(wǎng)絡(luò)末端使用平均池化操作更改計(jì)算量大的層，降低計(jì)算量的同時(shí)不造成精度損失。MobileNetV3 的基本網(wǎng)絡(luò)結(jié)構(gòu)單元（Howardet al.， 2020）如圖2 所示。

圖2 MobileNetV3 bneck 結(jié)構(gòu)Fig. 2 Structure of MobileNetV3 bneck

2.3 遷移學(xué)習(xí)

在木材種類圖像識(shí)別領(lǐng)域，難以獲取大規(guī)模數(shù)據(jù)集，CNN 模型在大型圖像數(shù)據(jù)集ImageNet 上得到充分訓(xùn)練，擁有較好的圖像分類識(shí)別能力（張瑞青等，2020）。本研究基于遷移學(xué)習(xí)，利用AlexNet、ResNet34、MobileNetV2 和MobileNetV3 預(yù)訓(xùn)練模型在ImageNet數(shù)據(jù)集上學(xué)到的大量知識(shí)，用于優(yōu)化木材種類圖像識(shí)別問題。

神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)主要有2 個(gè)應(yīng)用場景：特征提取和參數(shù)遷移（吳茂貴等，2019）。特征提取指在經(jīng)ImageNet 數(shù)據(jù)集訓(xùn)練好的網(wǎng)絡(luò)模型上，修改或添加1個(gè)新分類器，新任務(wù)訓(xùn)練過程中，只訓(xùn)練新分類器，網(wǎng)絡(luò)參數(shù)未進(jìn)行訓(xùn)練，故訓(xùn)練速度較快，但識(shí)別精度較低。參數(shù)遷移則指在新任務(wù)訓(xùn)練過程中，對網(wǎng)絡(luò)參數(shù)和分類器均進(jìn)行訓(xùn)練。經(jīng)ImageNet 數(shù)據(jù)集訓(xùn)練好的網(wǎng)絡(luò)模型，針對多分類問題已經(jīng)可以達(dá)到較高的識(shí)別準(zhǔn)確率，所以使用自己的數(shù)據(jù)集通過訓(xùn)練調(diào)整網(wǎng)絡(luò)模型的特征參數(shù)，能夠很快適應(yīng)新分類任務(wù)并獲得較好的識(shí)別效果。本研究采用ImageNet 數(shù)據(jù)集訓(xùn)練好的多分類網(wǎng)絡(luò)模型，并將模型最后一個(gè)分類器輸出改為4，使用家具木材數(shù)據(jù)對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，在訓(xùn)練過程中優(yōu)化網(wǎng)絡(luò)特征參數(shù)和分類器，以更好適應(yīng)家具木材種類識(shí)別問題。

2.4 模型評價(jià)指標(biāo)

對樣本進(jìn)行測試后分別計(jì)算精度（Precision）和召回率（Recall），以綜合指標(biāo)F1 得分作為精度和召回率的評估值，其中平均準(zhǔn)確率=分類正確的數(shù)量/測試總數(shù)量，其他指標(biāo)計(jì)算公式（Fabijańskaet al.，2021）如下：

式中：TP 為真陽性樣本數(shù)量；FP 為假陽性數(shù)量；FN 為假陰性樣本數(shù)量。

3 模型訓(xùn)練與結(jié)果分析

3.1 基于素材數(shù)據(jù)的最優(yōu)分類模型確定

采用 AlexNet、 ResNet34、 MobileNetV2 和MobileNetV3 對素材圖像進(jìn)行建模，并將素材數(shù)據(jù)集按6∶2∶2 分為訓(xùn)練集、驗(yàn)證集和測試集。提取素材圖像的LBP 和GLCM 紋理特征，經(jīng)PCA 降維后，使用SVM 和ANN 進(jìn)行分類。各模型分類結(jié)果如表2 所示。

表2 基于素材圖像的不同網(wǎng)絡(luò)模型學(xué)習(xí)結(jié)果Tab. 2 Learning results of different network models based on wood images coated without wood wax oil

結(jié)果顯示，SVM 和ANN 的訓(xùn)練速度快于卷積神經(jīng)網(wǎng)絡(luò)，但其準(zhǔn)確率均未超過80%。Souza 等（2020）采用立體顯微鏡得到放大10 倍的高分辨率木材宏觀圖像，能夠獲取更為細(xì)微的木材紋理信息，識(shí)別準(zhǔn)確率較高。在深度學(xué)習(xí)網(wǎng)絡(luò)模型中，AlexNet 訓(xùn)練速度最快，一次迭代時(shí)間僅21.69 s，但驗(yàn)證集準(zhǔn)確率相對較低（82.61%），且模型較大（217 M）。ResNet34 的驗(yàn)證集準(zhǔn)確率最高（90.45%），但訓(xùn)練時(shí)間較久，一次迭代用時(shí)74.13 s。MobileNetV2 與MobileNetV3 的訓(xùn)練時(shí)間較接近，其中MobileNetV3 的驗(yàn)證集準(zhǔn)確率更高（89.25%），且模型較小，方便后期布置到嵌入式設(shè)備中。綜合考慮準(zhǔn)確率和訓(xùn)練時(shí)間，本研究選擇MobileNetV3 作為識(shí)別模型，并在此基礎(chǔ)上進(jìn)行遷移學(xué)習(xí)和參數(shù)優(yōu)化。

3.2 素材數(shù)據(jù)的建模與優(yōu)化

基于素材圖像的MobileNetV3 結(jié)構(gòu)不同參數(shù)訓(xùn)練及驗(yàn)證結(jié)果如表3 所示，在試驗(yàn)1-12 中，將2 914 張素材圖像數(shù)據(jù)按6∶2∶2 和2∶6∶2 分為訓(xùn)練集、驗(yàn)證集和測試集，對訓(xùn)練集數(shù)據(jù)進(jìn)行擴(kuò)充，并基于遷移學(xué)習(xí)優(yōu)化模型。為驗(yàn)證遷移學(xué)習(xí)下數(shù)據(jù)集擴(kuò)充對模型的影響，在試驗(yàn)13-18 中未對訓(xùn)練集進(jìn)行擴(kuò)充，將模型學(xué)習(xí)率分別設(shè)為0.01、0.001 與0.000 1 進(jìn)行訓(xùn)練。不同學(xué)習(xí)率下2 種學(xué)習(xí)方式的驗(yàn)證集準(zhǔn)確率與訓(xùn)練損失如圖3 所示。

3.2.1 學(xué)習(xí)率對模型的影響 由表3 和圖3 可知，學(xué)習(xí)率對各模型訓(xùn)練結(jié)果具有較大影響。試驗(yàn)9 中，學(xué)習(xí)率為0.000 1，基于遷移學(xué)習(xí)，模型識(shí)別準(zhǔn)確率最高、訓(xùn)練損失最小、性能最優(yōu)。在全新學(xué)習(xí)方式下，學(xué)習(xí)率為0.01 時(shí)，試驗(yàn)1 和4 的訓(xùn)練損失和驗(yàn)證集準(zhǔn)確率均未得到有效收斂，且震蕩幅度較大；學(xué)習(xí)率為0.000 1時(shí)，模型驗(yàn)證集準(zhǔn)確率最低，較小的學(xué)習(xí)率容易使模型在訓(xùn)練過程中陷入局部最優(yōu)；學(xué)習(xí)率為0.001 時(shí)，試驗(yàn)2 模型識(shí)別準(zhǔn)確率最高達(dá)89.25%。在遷移學(xué)習(xí)方式下，隨著學(xué)習(xí)率降低，模型驗(yàn)證集準(zhǔn)確率反而升高。

3.2.2 遷移學(xué)習(xí)對模型的影響 在遷移學(xué)習(xí)方式下，因加載了預(yù)訓(xùn)練模型，模型前端各層網(wǎng)絡(luò)均可獲得較好的訓(xùn)練參數(shù)，模型剛開始訓(xùn)練時(shí)就能得到較好的訓(xùn)練結(jié)果。由圖3 可知，遷移學(xué)習(xí)對加速網(wǎng)絡(luò)收斂和提高驗(yàn)證集準(zhǔn)確率均有明顯促進(jìn)作用。在全新學(xué)習(xí)方式下，試驗(yàn)3 學(xué)習(xí)率為0.000 1 時(shí)，訓(xùn)練初始階段驗(yàn)證集準(zhǔn)確率僅25%，訓(xùn)練損失0.92。經(jīng)約100 個(gè)epoch后，訓(xùn)練損失得到收斂。在遷移學(xué)習(xí)方式下，試驗(yàn)9模型訓(xùn)練之初就已得到較低的損失值和較高的識(shí)別準(zhǔn)確率，且網(wǎng)絡(luò)收斂迅速，經(jīng)5 個(gè)epoch 后，模型平均準(zhǔn)確率達(dá)到峰值。

3.2.3 數(shù)據(jù)擴(kuò)充對模型的影響 由表3 和圖3 可知，數(shù)據(jù)擴(kuò)充對模型訓(xùn)練結(jié)果具有較大影響。在全新學(xué)方式下，按照不同比例劃分?jǐn)?shù)據(jù)集，訓(xùn)練集包含數(shù)據(jù)集越多模型識(shí)別準(zhǔn)確率越高，網(wǎng)絡(luò)收斂效果越好。在試驗(yàn)1-6 中，按照6∶2∶2 劃分?jǐn)?shù)據(jù)集的模型識(shí)別效果較好，驗(yàn)證集準(zhǔn)確率和訓(xùn)練損失均有效收斂。在試驗(yàn)7-12 中，按照不同比例劃分?jǐn)?shù)據(jù)集，并進(jìn)行遷移學(xué)習(xí)。按照6∶2∶2 劃分?jǐn)?shù)據(jù)集，試驗(yàn)9 的識(shí)別效果最好，識(shí)別準(zhǔn)確率達(dá)98.13%。在試驗(yàn)13-18 中，按照不同比例劃分?jǐn)?shù)據(jù)集，但未對訓(xùn)練集進(jìn)行數(shù)據(jù)擴(kuò)充，與試驗(yàn)7-12 相比，訓(xùn)練速度得到有效提升，但驗(yàn)證集準(zhǔn)確率有所下降。在試驗(yàn)15 中，驗(yàn)證集準(zhǔn)確率為96.56%，與試驗(yàn)9 相比，準(zhǔn)確率降低1.57%。按照2∶6∶2 劃分?jǐn)?shù)據(jù)集，驗(yàn)證集識(shí)別準(zhǔn)確率均較低。在遷移學(xué)習(xí)中，訓(xùn)練集數(shù)據(jù)量對識(shí)別準(zhǔn)確率有較大影響，訓(xùn)練集數(shù)據(jù)量越多模型識(shí)別效果越好。

3.3 素材及涂飾木蠟油木材總數(shù)據(jù)的建模分析

為驗(yàn)證涂飾木蠟油木材圖像對模型識(shí)別性能的影響，將涂飾木蠟油的紅橡和欖仁木與素材紅橡和欖仁木按1∶1 分別混合，并與剩下的2 種素材圖像共同組成新的數(shù)據(jù)集。為避免因訓(xùn)練集數(shù)量改變對識(shí)別結(jié)果的影響，該數(shù)據(jù)集與未涂飾木蠟油時(shí)的數(shù)據(jù)一樣，其中涂飾木蠟油的紅橡和欖仁木均為362 張。將該數(shù)據(jù)集按6∶2∶2 分為訓(xùn)練集、驗(yàn)證集和測試集，并對訓(xùn)練集進(jìn)行擴(kuò)充。選用學(xué)習(xí)率為0.000 1 的MobileNetV3 網(wǎng)絡(luò)模型，將涂飾木蠟油的木材圖像與素材圖像數(shù)據(jù)混合在一起進(jìn)行訓(xùn)練，并進(jìn)行遷移學(xué)習(xí)。結(jié)果（表4）表明，混有涂飾木蠟油的木材圖像數(shù)據(jù)，在驗(yàn)證集上的準(zhǔn)確率為97.25%，僅降低0.88%，模型識(shí)別準(zhǔn)確率未有較大影響，準(zhǔn)確率仍很高，且可準(zhǔn)確識(shí)別出涂飾木蠟油的木材。

表4 不同數(shù)據(jù)類型的試驗(yàn)結(jié)果對比Tab. 4 Comparison of experimental results with different data types

3.4 模型檢驗(yàn)

使用經(jīng)遷移學(xué)習(xí)、學(xué)習(xí)率為0.000 1 訓(xùn)練得到的模型對混有涂飾木蠟油的木材圖像測試集進(jìn)行分類識(shí)別，通過混淆矩陣計(jì)算得到準(zhǔn)確率、召回率和F1。由表5 可知，該模型對4 種家具木材分類的平均準(zhǔn)確率為94.16%，準(zhǔn)確率較高。分類性能（按F1 得分）從高到底依次為欖仁木、紅橡、水曲柳、欒葉蘇。由混淆矩陣可知，欒葉蘇和水曲柳識(shí)別錯(cuò)誤較多，主要是因?yàn)? 種木材在不同位置時(shí)顏色和紋理有些類似，低分辨率圖像下較難區(qū)分。

表5 模型的混淆矩陣與分類性能Tab. 5 Confusion matrix and classification performance of model

為便于操作，應(yīng)用Python 語言將腳本程序開發(fā)為圖形用戶界面。本研究采用2 種圖像獲取方式，一是調(diào)用OpenCV 攝像頭拍照獲取圖像數(shù)據(jù)，二是利用PyQt5 的文件選擇功能選擇本地圖像文件。載入圖像后，在組件中顯示，即可進(jìn)行識(shí)別，使用訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行檢測。選擇一張素材中的紅橡木材圖像進(jìn)行檢測，識(shí)別概率為100%，如圖4a 所示；再選一張涂飾木蠟油的紅橡木材圖像進(jìn)行檢測，識(shí)別概率也為100%，如圖4b 所示。

圖4 可視化界面檢測結(jié)果Fig. 4 Visual interface detection results

4 結(jié)論

1） 為快速識(shí)別常見家具木材圖像種類，本研究對AlexNet、 ResNet34、 MobileNetV2 和MobileNetV3經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)與SVM 和ANN 傳統(tǒng)機(jī)器學(xué)習(xí)模型進(jìn)行建模分析。綜合考慮模型性能，選用MobileNetV3 并基于遷移學(xué)習(xí)提出一種木材圖像種類識(shí)別模型，該模型對素材的識(shí)別準(zhǔn)確率達(dá)98.13%，為木材圖像種類的自動(dòng)識(shí)別提供了一種技術(shù)手段。但本研究只對4 種木材圖像進(jìn)行研究，種類相對較少，后續(xù)研究應(yīng)補(bǔ)充木材種類獲得更多的木材類別。

2） 本研究對混有涂飾木蠟油的木材數(shù)據(jù)進(jìn)行訓(xùn)練并進(jìn)行遷移學(xué)習(xí)，結(jié)果發(fā)現(xiàn)在素材中混入涂飾木蠟油的木材圖像進(jìn)行訓(xùn)練，驗(yàn)證集準(zhǔn)確率為97.25%，對網(wǎng)絡(luò)模型影響較小，驗(yàn)證集準(zhǔn)確率僅降低0.88%，能夠準(zhǔn)確識(shí)別素材材種以及涂飾木蠟油的木材材種，這為木材加工過程中的工作人員以及購買實(shí)木家具的消費(fèi)者確定木材種類、防止上當(dāng)受騙提供了可能。

本研究模型在材種識(shí)別過程中僅適用于木材紋理清晰的圖像，對涂飾封閉性油漆的家具木材圖像并不能有效識(shí)別，因此對不同涂飾情況下的家具木材圖像識(shí)別仍需進(jìn)一步探索。