依据批归一化卷积神经网络算法的木材类别机器视觉识别方法

作者：袁科文; 张贯宇; 刘送永; 杨建华; 卢硕辰; 刘后广^*

来源：东北林业大学学报, 2022, 50(07): 94-98.

DOI：10.13759/j.cnki.dlxb.2022.07.010

• 木材分类
• 批归一化
• 卷积神经网络
• 机器视觉

以巴西植物区系的树种为研究对象，提出一种依据批归一化的卷积神经网络算法的木材类别机器视觉识别方法。以VGG-16模型为基础，通过批归一化对输入数据进行处理调整卷积神经网络的中间输出参数，以2个全连接层替换VGG-16模型原全连接层，使用5标签的SoftMax分类器替换原SoftMax分类器，构建一个依据优化后的全连接层和SoftMax分类层相结合的新型木材种类识别模型(模型包括卷积层、批归一化层、激活层、池化层、全连接层、SoftMax分类层)。以桃花心木(Swietenia macrophylla)、苏里南维罗蔻木(Virola surinamensis)、轴状独蕊木(Erisma uncinatum)、酸枝木(Dalbergia cochinchinensis)、黄金檀木(Cordia elaeagnoides)5种木材纹理图片为训练样本(原始样本455张、增强样本2 730张),输入模型进行训练并测试，检验模型对木材类别的识别准确率。结果表明：依据批归一化卷积神经网络算法对木材类别的识别准确率，比AlexNet、VGG-16、GoogLeNet模型更好；经批归一化和数据增强处理后，构建的卷积神经网络模型可以加快模型的收敛速度，提高模型的泛化能力，木材类别识别准确率达到99.46%。

• 单位
  中国矿业大学（北京）; 中国矿业大学