基于卷积神经网络的近红外光谱与数字图像特征信息融合木材树种识别

作     者：潘玺 李康 杨忠 

作者机构：中国林业科学研究院木材工业研究所 

出 版 物：《林业科学》 (Scientia Silvae Sinicae)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 082902[工学-木材科学与技术] 081704[工学-应用化学] 07[理学] 08[工学] 070302[理学-分析化学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0817[工学-化学工程与技术] 0829[工学-林业工程] 0835[工学-软件工程] 0703[理学-化学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：“十二五”科技支撑计划项目专题“华北土石山区森林可持续经营技术研究与示范”(2012BAD22B0304) 国家林业局林业公益性行业科研专项(20100400205)经费资助国家自然科学基金面上项目“基于可见光-近红外光谱与数字图像特征信息融合技术的木材识别研究”(31770766) 中央级公益性科研院所基本科研业务费专项资金重点项目“人造板施胶均匀性快速检测新技术研究”(CAFYBB2021ZJ001) 

主　　题：木材树种识别 卷积神经网络 近红外光谱 图像 特征提取与融合 

摘      要：【目的】基于卷积神经网络自动提取，探究融合木材近红外光谱与数字图像特征信息准确识别木材树种的可行性。【方法】以樟科10种木材标本为例，使用手持式近红外光谱仪和便携式扫描仪采集木材标本横切面近红外光谱和图像。创新引入递归图方法，将手持式近红外光谱仪采集的一维短波长近红外光谱转换为二维图像，促进卷积神经网络从近红外光谱数据中提取判别性更强的特征，实现近红外光谱与图像在二维尺度上的融合。构建结构简单的双分支卷积神经网络模型，自动提取、融合近红外光谱与图像特征识别木材树种。【结果】与直接使用一维近红外光谱的建模方法相比，近红外光谱递归图结合卷积神经网络模型的识别性能提升1.79%～14%；与使用近红外光谱或图像单一特征识别相比，双分支卷积神经网络模型自动提取、融合近红外光谱与图像特征，对10种木材的识别性能至少提高3%，模型准确率、精度和召回率均大于99%。【结论】一维短波长近红外光谱递归图转换能够促进卷积神经网络从近红外光谱数据中提取判别性更强的特征，提高模型识别性能。双分支卷积神经网络能够充分提取并有效融合木材近红外光谱与图像特征，一定程度上可克服使用单一特征识别木材树种的不足，提高木材树种识别效果。