宿恒硕 吕 军 丁志平 唐彦杰 陈旭东 周 强 张哲宇 姚 青

(1. 浙江理工大学信息学院 杭州 310018； 2.张家港海关 张家港 215600； 3.杭州箨草科技有限公司 杭州 311500)

当前，木材种类鉴定主要由专业人员在实验室利用放大镜和显微镜等仪器设备观察木材的宏观和微观特征，与标样比对后确定木材类别(汪杭军， 2013)。每种木材在生长过程中均形成独特的宏观和微观结构，但木材种类繁多，即使同一种木材，其宏观和微观结构也因地点、气候和营养等情况不同存在一定差异。种间相似及种内差异现象增加了木材种类识别难度，加之我国木材贸易监管一线精通木材分类知识的专家稀缺，木材或木制品交易频繁，这种人工木材种类鉴定方法存在着专业性强、任务重、周期长和非实时性等问题，无法满足木材监管实时性和高效性需求，亟需一种快速准确的木材种类鉴定方法。

随着图像处理技术的飞速发展与应用，利用图像进行木材种类识别成为近年来的研究热点(张怡卓等， 2012)。基于图像的木材种类识别方法可以概括为2类： 一类是传统模式识别方法(Lewetal.， 2005； Touetal.， 2006； 2009a)，另一类是深度学习方法(Kwonetal.， 2017； Ravindranetal.， 2018； Oktariaetal.， 2019)。传统模式识别方法首先对木材图像进行预处理，然后提取与筛选木材图像特征，再通过模式识别方法进行分类识别。用于木材识别的图像特征主要包括灰度共生矩阵(白雪冰等， 2005； Touetal.， 2009b； Wangetal.， 2010)、颜色矩阵(白雪冰等， 2007)、小波变换提取的纹理特征(于海鹏等， 2007； 马琳等， 2013； 戴维等， 2012； 郭德军等， 2005； 王晗， 2008)和HOG局部特征(罗微， 2019； Sugiartoetal.， 2017； Nurthoharietal.， 2019)等。……