赵子宇 杨霄霞 郭 慧 葛浙东 周玉成,

(1.山东建筑大学信息与电气工程学院 济南 250101；2.中国林业科学研究院木材工业研究所 北京 100091)

木材辨识在木结构古建筑、海关、进出口检疫检验等领域均有着广泛应用，对现代木材工业和木材贸易起到至关重要、保驾护航的作用。传统的木材辨识主要基于木材的微观解剖特征(显微结构参数)和宏观特征(颜色、气味、纹理等)判断材种的科、属或种，基于宏观特征辨识木材在生产实践上应用价值较大，但准确性较差；基于微观解剖特征辨识木材准确性较高，但在生产现场不太适用。近年来，机器视觉技术逐步应用到木材辨识中，如朱佳等(2014)提出一种基于Graph Cuts的图像分割方法对木材SEM进行特征提取，通过木材轮廓、细胞等特征辨识木材种类；Barmpoutis等(2018)将木材横切面图像的颜色、纹理等特征转化为多维联合直方图形式，通过支持向量机分类器辨识木材。但以上方法均存在木材辨识训练参数多、训练耗时长、分类正确率低等问题，需探寻更快、更准确的方法实现最佳辨识效果(项宇杰等，2019；刘子豪等，2013)。

卷积神经网络研究始于20世纪80年代(Lecunetal.，1989)，是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一(Krizhevskyetal.，2012)。卷积神经网络具有表征学习能力，能够自动提取图像特征，模型可直接采用原始图像作为输入(Chenetal.，2017；Kiranyazetal.，2016)。Yang等(2019)以5种针叶材表面纹理图像作为卷积神经网络模型的输入，通过K倍交叉验证法对模型性能进行衡量，此方法运算耗时较长。……