黄鹏桂，赵 璠，李晓平，吴章康，汤正捷，张严风

（1. 西南林业大学 大数据与智能工程学院，云南 昆明 650224；2. 西南林业大学 国家林业和草原局 木材与木竹制品质量检验检测中心，云南 昆明 650224）

根据国家标准GB/T 18107−2017《红木》，红木共5属8类29种。由于不同种类的红木在表层宏观特征不具有唯一性，但在横切面上它们具有十分明显的结构差异，只有少部分红木如乌木的结构特征体现在弦切面上，因此，红木识别目前主要依据红木切片在光学显微镜下的结构特征差异[1]。目前，红木的特征识别主要是通用木材识别技术[2−3]，如红外光谱识技术[4−5]和气相色谱技术[6−7]。此类红木识别方法具有2个主要的缺陷：其一，根据红木切片照片的特征进行人工识别，识别的准确度受限于识别人员的专业素养和经验，特别是对于较为罕见的红木品种，时常发生不同识别人员识别结果不一致的情况；其二，现行的红木识别并没有结合红木的结构特征进行相关优化。由于不同种类红木的结构特征差异使得红木切片上的纹理特征不同[3]，这就可以运用图像识别技术来进行红木分类识别。王学顺等[8]、ESTEBAN等[9]、LAZARESCU等[10]、MOHAN等[3]等已将机器学习和一些图像识别技术应用于木材识别。卷积神经网络[11−12]作为目前图像识别领域中最先进的技术，利用该模型对红木切片纹理特征进行红木识别，可大幅降低红木识别的专业要求，又能提高红木识别率[13]。相比于传统的红木识别技术和一些特殊的技术如应力波[14−15]、热重曲线[16]等，这些方法的识别效果对所提取特征的表示性要求较高，为取得最优的识别效果还需对比众多分类算法[17−19]。……