方怡红　伍希志　牛晗　贾惠

摘要 竹片颜色分类是提高竹产品表面美观的重要工艺。提出了基于ResNet神经网络模型与AlexNet神经网络模型的竹片颜色分类方法，分别采用ResNet和AlexNet 2种神经网络进行竹片颜色分类，对比ResNet与AlexNet 2种神经网络的颜色分类准确率，并对改进后的ResNet神经网络模型进行了颜色分类验证。结果表明，AlexNet模型的颜色分类准确率为89.7%，优化后ResNet模型的颜色分类准确率为99.9%，颜色分类效果比AlexNet模型好。

关键词卷积神经网络；颜色分类；竹片；ResNet；AlexNet

中图分类号S126文献标识码A

文章编号0517-6611（2023）08-0199-04

doi：10.3969/j.issn.0517-6611.2023.08.046开放科学（资源服务）标识码（OSID）：

Color Classification of Bamboo Slices Based on Convolutional Neural Network

FANG Yi-hong WU Xi-zhi NIU Han et al（1.Hunan Shuangda Electromechanical Co.，Ltd.，Changsha，Hunan 410004；2.College of Materials Science and Engineering，Central South University of Forestry and Technology，Changsha，Hunan 410004）

AbstractThe color classification of bamboo chips is an important process to improve the appearance of bamboo products. The paper proposed a bamboo color classification method based on the ResNet neural network model and the AlexNet neural network model. ResNet and AlexNet neural networks were used to classify bamboo color，and the color classification accuracy of ResNet and AlexNet neural networks was compared. The improved ResNet neural network model was verified for color classification. The research results showed that the color classification accuracy of the AlexNet model was 89.7%，the color classification accuracy of the optimized ResNet model was 99.9%，and the color classification effect was better than the AlexNet model.

Key wordsConvolutional neural network;Color classification;Bamboo chips;ResNet;AlexNet

我國是世界竹林资源最丰富的国家，全国竹林面积为641.16万hm2，2020年竹产业产值已经到达3 000亿，竹产品包括竹板、竹家具等。在制造竹产品时，为了达到美观的效果，面板的颜色要尽可能相近［1-6］。这就需要对竹片的颜色进行分类，一般将竹片颜色分为黑、白、黄3类。目前国内许多工厂的竹片颜色分类工作由工人完成，人工检测存在生产效率低、劳动强度大、产品质量不统一等诸多缺点，因此采用机器视觉技术进行竹片颜色分类具有非常重要的实际意义。

近年来，已有一些学者进行了基于机器视觉的颜色分类研究。2013年，Hu等［7］提出一种基于木材图像特征和支持向量机的木材颜色分类方法，使用一对一的构造方法将多个两分类支持向量机组合成多分类支持向量机，用支持向量机建立颜色分类器，可以较好地对木材颜色进行分类。2015年，窦刚等［8］针对传统的木材切片细胞分析法操作难度大、准确率和效率低的问题，提出了1种采用神经网络进行木材树种分类的方法。把颜色、纹理和光谱等16个特征输入1个5层模糊 BP 综合神经网络中进行训练，得到的输出对应5个树木种类，木材树种分类的精度达到89%。2021年，Wang等［9］设计了一种实木板的颜色分类算法，提取出实木板图像的RGB、LAB和HSV 3个颜色空间的R、G、B、L、A、B、H、S和V 9个颜色通道的一阶颜色矩、二阶颜色矩和颜色直方图峰值，把这27个颜色特征采用k-means聚类算法进行实木表面颜色特征的聚类，将具有相似表面颜色的实木板材分类为一个类，实现了实木板的颜色分类。

综上可知，国内外学者对木材颜色分类研究较多，对竹材颜色分类研究较少。该研究提出了基于神经网络模的竹片颜色分类方法，分别采用ResNet和AlexNet 2种神经网络进行竹片颜色分类，对比ResNet与AlexNet 2种神经网络的颜色分类准确率，并对改进后的ResNet神经网络模型进行了颜色分类验证。

1竹片图像数据库

竹片图像检测实验平台如图1所示，整体实验设备包括图像采集模块、光源系统模块和暗箱。图像采集装置采用海康威视500万像素CMOS 面阵工业相机采集图像，工业相机镜头距竹片220 mm，光源系统采用对射式条形光源，在线性上保证均匀的光照，暗箱保证图像采集的光照条件一致，不受外界环境干扰。

竹片图像是在湖南省益阳市湖南桃花江竹材科技有限公司拍摄，该公司生产所用竹片长度为200～220 mm，宽度为20～25 mm。在公司实地采集黑色竹片图像544幅，白色竹片图像518幅，黄色竹片图像519幅，每张图像采集竹片长度为60 mm，所采集的图像为BMP格式，图像大小为2 448×2 048像素。

将采集图像分为训练集与测试集，从数据库中分别随机选取500张黑、白、黄3类颜色竹片图像，按照4∶1的比例划分训练集与测试集，即黑白黄竹片图像各400张用于训练，100张用于测试神经网络识别准确率，训练集共1 200幅图像，测试集共300幅图像。数据集如图2所示。

2竹片颜色分类的神经网络算法

2.1卷积神经网络卷积神经网络（CNN）是一种应用范围非常广的深度学习模型，在结构上属于多层前馈神经网络。卷积神经网络是由输入层，若干个隐藏层和输出层组成的，不存在环或回路。每一层都由多个神经元组成，但是每层的神经元和神经元之间没有连接，也没有跨层神经元连接（图3）。

2.2竹片颜色分类的ResNet算法从历年图像分类冠军网络AlexNet到VGGNet可以发现，层数越深的神经网络表达能力越强、效果越好，所以学者们纷纷通过加深神经网络的深度达到更好的效果。但研究发现，网络层数到达一定深度时，分类准确率反而会大幅下降。这是因为网络过深而导致训练误差变大，网络层数越深，训练难度越大。于是，He等［10］提出了一种新的ResNet神经网络算法，获得2015年ImageNet竞赛图像分类项目冠军。

ResNet包括一种新网络结构——残差网络，通过短路连接方式构建残差单元，来跳过卷积层模块，如图4所示。把学习到的结果F（x）加上原有浅层网络得输出x作为输出。即使这一层新的网络学习到得F（x）没有意义，它的输出F（x）+x仍然包括浅层函数得输出x。这就使得ResNet在增加深度的同时，可以保证新加的层能够保持原有结构的准确性，从而可以训练更深得神经网络。在网络变得更深的同时，由于每层网络的输出结果都包含浅层函数的输出，因此深层神经网络的逼近最优值的能力大大增强。且由于残差结构输出F（x）+x是加法運算，加法运算非常简单，因此残差单元极大地提高了模型的训练速度。

ResNet-18网络包含17个卷积层和1个全连接层，一共有18层网络，所以被命名为ResNet-18。ResNet-18采用的池化算法是最大池化，激活函数使用的是Relu。ResNet-18的网络结构如图5所示。

Rsenet-18网络的网络参数见表1。在ResNet-18网络结构，为了减短训练所需时间，使用Momentum优化器，Momentum优化器可以动态调节网络的学习率，当达到神经网络的监测指标要求时，将lr乘以factor的值赋给lr。ResNet-18网络的评价指标为竹片颜色分类准确率。ResNet-18网络的训练是在Pytorch环境下进行的。

2.3竹片颜色分类的AlexNet算法设计AlexNet网络是由多伦多大学Alex Krizhevsky提出，获得2012年ImageNet竞赛的冠军。该竞赛的数据集有120万张图像，在对数据集进行分类时取得了优秀的表现，分类错误率仅为 15.3%，比第2名分类错误率提高了10.9%。因此，AlexNet给学术界带来了巨大的影响，引起了广大学者研究的兴趣。

AlexNet的网络结构如图6所示，共包含5个卷积层、3个全连接层。AlexNet采用的池化算法是最大池化，激活函数使用的是Relu，最后采用Dropout防止过拟合。在CIFAR-10s试验中，采用Relu激活函数的AlexNet网络训练到错误率为25%所花时间仅为Tanh的1/7。

该研究AlexNet网络的网络参数见表2，学习率为0.001，批训练样本数为5，图像输入尺寸为227×227，其余参数与ResNet-18网络一致。

3结果与分析

3.1ResNet算法的试验结果分析ResNet算法竹片颜色分类的训练结果如图7，ResNet神经网络在训练至第15轮收敛，收敛后测试集的颜色分类准确率为96.0%，最高分类准确率为96.8%。但在ResNet-18神经网络训练过程中，每轮训练时间为36 min左右，训练速度较慢，原因可能为：①电脑配置不够高，GPU配置低；电脑内存不够，每批次训练量32张图片过多，占用内存过大，导致训练速度较慢。②在神经网络训练之前需要做图像导入。将图像中的竹片区域截取224×224。其中调用opencv库找到竹片区域并截取，且每次喂入32张图像，要截取32次，这一步骤耗费时间过长。③截取过程中有可能把背景截取进去，喂入神经网络的224×224图像可能不完全是竹片，影响神经网络识别准确率。

因此，为了提高训练效率，预先去除竹片图像的背景，减少背景对神经网络的影响，仅保留竹片图像。改进后试验结果如图8，ResNet神经网络在训练至第15轮时收敛，收敛后测试集的颜色分类准确率为99.9%，对比之前最高识别准确率96.8%提高了3.1%，且每轮训练时间为9 min左右，对比之前36 min缩短了27 min，省去了3/4的训练时间。

3.2AlexNet算法的试验结果分析AlexNet算法竹片颜色分类的训练结果如图9，AlexNet神经网络在训练至第25轮收敛，收敛后测试集的颜色分类准确率为89.7%，最高分类准确率为93.2%。但在AlexNet神经网络训练过程中，每轮

训练时间为4 min左右，训练速度比ResNet神经网络快，但分类准确率比ResNet神经网络低。

3.3ResNet-18算法的分类结果验证综上可知，ResNet-18网络的识别准确率比AlexNet网络高10.2%，该研究使用无背景竹片图像作为测试数据集，选择改进后的ResNet-18网络进行竹片颜色分类。从不属于训练数据集的44幅黑色竹片图像、18幅白色竹片图像和19幅黄色竹片图像中随机各选一幅作为验证样本，输入训练好的ResNet-18神经网络进行分类结果验证，验证样本如图10所示，测试结果如图11所示，均能输出正确结果。

4结论

该研究使用基于ResNet与AlexNet 2种神经网络模型对竹片图像进行颜色分类。针对ResNet模型的训练特点，对试验方案进行了改进优化。未优化前，ResNet模型的最高颜色分类准确率为96.8%。优化后ResNet模型的颜色分类准确率为99.9%。AlexNet模型收敛后的颜色分类准确率为89.7%，颜色分类效果比ResNet模型差。

参考文献

［1］ 崔海鸥，刘珉.我国第九次森林资源清查中的资源动态研究［J］.西部林业科学，2020，49（5）：90-95.

［2］ 张毓雄，姚顺波.民间竹文化的传承与竹产业的发展：基于“中国竹子之乡”湖南益阳的调查［J］.北京林业大学学报（社会科学版），2011，10（4）：7-13.

［3］ ZHENG Q C，ZHANG Z D，LIU J N，et al.Welding seam image dust removal algorithm based on fusion of dual-scale dark channel and bright channel［J］.IAENG international journal of computer science，2021，48：277-284.

［4］ 石佳浩. 基于深度學习的实木板材缺陷检测算法研究［D］.南京：南京林业大学，2021.

［5］ 牛晗，伍希志，任桂芹，等.基于OTSU与CANNY算法的竹片缺陷图像检测［J］.森林工程，2022，38（6）：75-81.

［6］ 张昭，何东健.基于计算机视觉的竹块颜色分类方法研究［J］.安徽农业科学，2010，38（26）：14751-14753，14783.

［7］ HU X Y，WANG P L，XU J Y.A wood color classifier based on CAV and SVM［J］.Applied mechanics and materials，2013，241/242/243/244：483-487.

［8］ 窦刚，陈广胜，赵鹏.采用颜色纹理及光谱特征的木材树种分类识别［J］.天津大学学报（自然科学与工程技术版），2015，48（2）：147-154.

［9］ WANG Z G，ZHUANG Z L，LIU Y，et al.Color classification and texture recognition system of solid wood panels［J］.Forests，2021，12（9）：1-18.

［10］ HE K M，ZHANG X Y，REN S Q，et al. Deep residual learning for image recognition［C］//IEEE conference on computer vision and pattern recognition.New York：IEEE， 2016.