Deep Learning Method of Precious Wood Image Classification Based on Microscopic Computed Tomography

全文:

1. ВВЕДЕНИЕ

С быстрым развитием современной промышленности и повышением уровня жизни людей древесина, как возобновляемый ресурс биомассы, широко используется в таких развивающихся областях, как архитектура, мебель, ремесла, энергосберегающие здания и гибкая электроника [1, 2]. В связи с проблемой удовлетворения рыночного спроса на древесину внутри страны, значительное количество древесины приходится импортировать. Эффективная и точная идентификация импортируемой и экспортируемой древесины имеет решающее значение [3]. Традиционная классификация древесины в основном опирается на мнение опытных экспертов, изучающих макроскопическую и микроскопическую структуру древесины для определения ее типа. Хотя структура древесины обычно определяется с помощью срезов, которые обеспечивают высокую точность определения, они в значительной степени зависят от опыта экспертов, что приводит к увеличению производственных циклов при выполнении работ по срезам [4, 5]. Поэтому в данном исследовании используются методы неразрушающего контроля для получения многочисленных микроскопических изображений древесины с помощью микроКТ за один цикл, что экономит время и повышает эффективность. Данное исследование закладывает основу для использования компьютерного зрения в классификации древесины.

С развитием технологии компьютерного зрения для определения породы древесины перешли от таких традиционных методов, как химическая [6], ДНК [7], спектральная [8] и анатомическая идентификация [9], к автоматической идентификации древесины по компьютерным изображениям. Некоторые специалисты успешно применяют машинное обучение для классификации древесины на основе извлеченных макро- и микрохарактеристик изображений, что дает успешные результаты классификации [10]. Технология глубокого обучения, широко используемая в распознавании изображений и речи, также была применена для классификации древесины [11, 12]. В данном исследовании используются методы глубокого обучения для анализа 24 ценных пород древесины из схожих семейств и родов с целью повышения точности распознавания близкородственных видов.

Модель SLConNet, включающая многомасштабную сверточную обработку и слой усиления в остаточном блоке, эффективна для повышения точности идентификации модели путем настройки функции активации и значения усиления.

2. ОБЗОРНАЯ ЧАСТЬ

В сфере классификации древесины, наряду с традиционными химическими методами [6], методами идентификации по ДНК [7] и спектральными методами [8], большое внимание уделяется использованию макро- и микроизображений для идентификации древесины. Процесс изучения изображений древесины можно разделить на три этапа: распознавание анатомических структур древесины, применение алгоритмов машинного обучения для идентификации древесины и реализация алгоритмов глубокого обучения для классификации древесины.

2.1. Изучение анатомической структуры при классификации древесины

Анатомические методы идентификации обычно основаны на изучении макроскопических и микроскопических изображений поперечного сечения и радиальных тангенциальных изображений древесины квалифицированными специалистами для определения породы дерева. Макроскопическое распознавание выполняется с учетом цвета, запаха и особенностей древесины. Микроскопическая анатомическая идентификация включает анализ таких признаков, как поры, лучи древесины и осевая ткань паренхимы, для разделения типов материала [13—15]. Song и др. [16] использовали анатомические методы для сравнения различий между Melia azedarach и Toona sinensis с точки зрения изменений в ранних и поздних порах, осевой паренхиме, лучевой ткани и т.п. Liu и др. [17] изучили межвидовую и внутривидовую изменчивость трех выбранных видов Swietenia, сосредоточившись на ключевых количественных анатомических характеристиках, которые могут помочь в точной идентификации древесины на уровне вида.

2.2. Применение машинных алгоритмов для идентификации древесины

С развитием технологий искусственного интеллекта традиционные методы идентификации древесины переходят к автоматизированной идентификации с помощью генерируемых компьютером изображений. Этот подход предполагает извлечение характеристик древесины путем анализа изображений древесины для точного определения ее типа. Различные методы извлечения признаков древесины включают инвариантность Ху-момента, метод вейвлет-моментов [18], матрицу смежности уровней серого (МСУС) [19], метод извлечения признаков ЛБШ (локальные бинарные шаблоны) [20] и метод извлечения многомерных текстурных признаков [21]. Chao Xiaofei и др. [22] использовали методы ССРП («Статистические свойства распределения пор») и БМУС (Базовая матрица уровней серого) для извлечения признаков древесины в сочетании с классификаторами KБС (K-ближайших соседей) для эффективного распознавания особенностей древесины. Rosa и др. [23] применили метод ЛБШ вместе с классификатором ближайших соседей для классификации микроскопических изображений 77 поперечных срезов древесины, достигнув точности внутрипородной идентификации 90 %. С помощью многомерных текстурных признаков было получено более 4200 изображений древесины 12 распространенных в Греции пород и классифицировано с помощью метода опорных векторов, причем точность классификации составила 91,47 % для поперечных сечений. Barmpoutis и др. [24] также использовали метод многомерных текстурных признаков в сочетании с методом опорных векторов для классификации снимков 12 распространенных пород древесины в Греции, достигнув точности классификации 91,47 % для поперечных сечений, которая в целом была выше, чем для радиальных и тангенциальных сечений. Yadava и др. [25] усовершенствовали метод ЛБШ, используя ЕПЛБШТРХ (единый полный локальный бинарный шаблон текстурной размерной характеристики) для извлечения текстурных признаков из микроскопических изображений 72 видов широколиственных деревьев. Интегрировав этот метод с линейной классификацией методом опорных векторов, они достигли точности 97 %. Чжао и др. [26] предложили метод, объединяющий текстурные признаки и спектральные характеристики, в сочетании с методом опорных векторов для классификации поперечных срезов древесины. Эффективность классификации значительно повышается после объединения признаков по сравнению с использованием одного признака.

2.3. Применение глубокого обучения для идентификации древесины

С развитием технологий компьютерного зрения алгоритмы глубокого обучения все чаще используются для анализа и количественной оценки лесных ресурсов, направляя развитие лесного сектора в сторону интеллектуального анализа [27—29]. В отличие от традиционных подходов к машинному обучению, алгоритмы глубокого обучения не требуют ручной настройки признаков, что снижает общую рабочую нагрузку. Исследователи успешно применяют методы глубокого обучения для распознавания и классификации дефектов древесины. Например, Chen и др. [30] использовали метод СНС (сверточных нейронных сетей) для классификации четырех типов дефектов древесины, добившись точности классификации 99,3 %. Аналогичным образом Wang и др. [31] применили технологию цифровой обработки изображений и алгоритм быстрой идентификации и определения местоположения для выявления и маркировки дефектов поверхности древесины. Shi и др. [32] использовали метод многоканальной маски Р-СНС (Региональная-СНС) для классификации и определения местоположения дефектов в шпоне древесины, достигнув общей точности классификации 98,70 %. Помимо идентификации дефектов древесины, технология глубокого обучения также применялась для классификации и идентификации пород древесины. Yusof и др. и Wu и др. [33, 34] использовали методы трансферного обучения для классификации тропической древесины, продемонстрировав значительное повышение точности по сравнению с традиционными моделями. Ravindran и др. [35] подтвердили эти выводы, добившись высокой точности при классификации пород древесины с помощью VGG 16 для макроизображений 10 различных пород древесины. Кроме того, некоторые исследователи использовали независимые сетевые модели для классификации древесины. Briechle и др. [36] использовали модель сверточной нейронной сети Silvi net для классификации древесных пород, добившись точности классификации 96,1 %. С помощью сверточной модели нейронной сети InceptionV4_ResNetV2 макроскопические изображения 10 видов лиственных пород в Северной Америке были распознаны с точностью 92,60 % [37]. Wu и др. [38] использовали методы ResNet-50, DenseNet-121 и облегченный MobileNet-V2 для классификации 11 распространенных лиственных пород, достигнув точности распознавания 98,2 %. Zhao и др. [39] представили модель PWoodIDNet для классификации и идентификации 16 редких древесных пород, достигнув точности 99 %. Для повышения точности идентификации схожих пород деревьев из разных семейств и родов Kita и др. [40] объединили изображения УНМФ (угол наклона микрофибрил) и СНС для идентификации древесных пород семейства кипарисовых (Cupressaceae), достигнув точности 90 %.

3. ПРЕДЛАГАЕМАЯ МЕТОДОЛОГИЯ

В данной статье представлены 24 вида ценных пород древесины, которые относятся к схожим семействам и родам. Для повышения точности идентификации схожих материалов построена модель SLConNet. Многомасштабная сверточная обработка используется для добавления слоя усиления на входе остаточного блока и после функции активации, а точность распознавания модели улучшается путем регулировки значения усиления.

3.1. Материалы эксперимента

В данной работе в качестве объектов исследования взяты 24 ценных вида деревьев, все из которых являются широколиственными и относятся к 2 семействам (Leguminosae и Ebenaceae) и 5 родам (Pterocarpus, Dalbergia, Millettia, Senna и Diospyros). Названия и сведения о семействах 24 видов красного дерева приведены в табл. 1.

 

Таблица 1. Сведения, связанные с изучаемыми высокоценными лиственными породами

Номер	Ботаническое название	Семейство	Номер	Ботаническое название	Семейство
A	Pterocarpus santalinus	Leguminosae	M	Dalbergia cochinchinensis	Leguminosae
B	Pterocarpus erinaceus	Leguminosae	N	Dalbergia frutescens	Leguminosae
C	Pterocarpus indicus	Leguminosae	O	Dalbergia granadillo Pittier	Leguminosae
D	Pterocarpus macrocarpus	Leguminosae	P	Dalbergia oliveri	Leguminosae
E	Dalbergia odorifera	Leguminosae	Q	Dalbergia retusa	Leguminosae
F	Dalbergia cultrata	Leguminosae	R	Millettia laurentii	Leguminosae
G	Dalbergia latifolia	Leguminosae	S	Millettia leucantha	Leguminosae
H	Dalbergia louvellii	Leguminosae	T	Senna siamea	Leguminosae
I	Dalbergia melanoxylon	Leguminosae	U	Diospyros ebenum J.	Ebenaceae
J	Dalbergia Stevensonii	Leguminosae	V	Diospyros crassiflora	Ebenaceae
K	Dalbergia bariensis	Leguminosae	W	Diospyros celebica	Ebenaceae
L	Dalbergia cearensis	Leguminosae	X	Diospyros philippinensis	Ebenaceae

 

3.2. Получение изображений с микроскопа

Как показано на рис. 1, были получены микроскопические изображения (поперечные, радиальные и тангенциальные срезы) 24 ценных пород деревьев с помощью трехмерной рентгеновской микротомографии высокого разрешения. Процедура эксперимента включала несколько этапов.

 

Рис. 1. МикроКТ, используемая для сканирования ценных пород древесины

 

Шаг 1. Отобрать образцы сердцевины ценных пород деревьев по цвету, плотности и текстуре, обеспечив однородность и отсутствие дефектов, которые могли бы повлиять на идентификацию древесины.

Шаг 2. Подготовить образцы размером примерно 5 мм × 5 мм × 25 мм и поместить их в сканирующую камеру микротомографа (SKYSCAN1272) для сбора данных и реконструкции изображения.

Шаг 3. Выставить параметры для сканирования на микротомографе, включая напряжение и ток 50 кВ и 200 мА, разрешение 2 мкм для восстановленных изображений, высоту сканирования 10 мм и время сканирования около 100 мин.

Шаг 4. Собрать данные, используя установленные параметры сканирования. Задействовать алгоритм восстановления изображения для получения томографических изображений, т. е. изображений поперечного среза образца древесины.

Шаг 5. Получить изображения радиальных и тангенциальных сечений с помощью алгоритма обработки микротомографа. Обработать изображения поперечных, радиальных и тангенциальных срезов алгоритмами улучшения.

После восстановления отсканированных изображений было получено 3000 изображений для каждого образца. Из них 1000 изображений — для поперечных срезов, 1000 — для радиальных и 1000 — для тангенциальных срезов. Размер изображений составлял 2042 × 1640 пикселей, разрешение — 2 мкм. На рис. 2 представлены изображения поперечных, радиальных и тангенциальных срезов 24 видов ценных пород древесины.

 

Рис. 2. Изображения поперечных, радиальных и тангенциальных сечений 24 видов ценных пород древесины

 

3.3. Структура модели

Новая модель под названием SLConNet разработана путем модификации модели ResNet. Модификации включают в себя добавление одного начального модуля после входного слоя и улучшение каждого остаточного блока. Начальный модуль состоит из одного сверточного ядра 5×5, двух сверточных ядер 3×3 и пяти сверточных ядер 1×1 (рис. 4). Каждый остаточный блок модифицируется путем вставки одного масштабирующего слоя на остаточную функцию, остаточную связь и после выхода остаточного блока (рис. 5). Полная структура модели SLConNet показана на рис. 3. На входной слой поступают RGB-изображения размером 224×244 пикселя.

 

Рис. 3. Модель сверточной нейронной сети (SLConNet)

 

Рис. 4. Структура начального модуля

 

Рис. 5. Структура улучшенных остаточных блоков

 

3.4. Структура остаточных блоков с усилением

Модель SLConNet позволяет улучшить структуру остаточных блоков. Существующие остаточные блоки делятся на два типа: к одному типу относятся остаточные блоки 1, 2, 4, 6 и 8, которые характеризуются скачкообразным изменением структуры без внедрения сверточных или нормализующих слоев. Другой тип включает остаточные блоки 3, 5 и 7, в которые включены сверточные и нормализующие слои. Оба типа структур остаточных блоков улучшаются путем добавления масштабирующего слоя к остаточной функции, остаточной связи и выходу (см. рис. 5). Масштабирующий слой позволяет регулировать значение коэффициента усиления для оптимизации модели SLConNet. Исследование показало, что оптимальное значение коэффициента усиления для достижения наивысшей точности в 98,72 % составляет 0,80. В результате время обучения составило 11408 с, а время тестирования — 22,00 с, что свидетельствует о превосходной производительности модели. Влияние различных значений коэффициента усиления на точность представлено в табл. 2.

 

Таблица 2. Влияние различных полученных значений на точность обучения

Прирост	Точность	Время обучения, с	Время тестирования, с
0,20	82,79	9900	22,32
0,40	96,92	11400	22,37
0,60	95,87	11940	21,96
0,80	98,72	11400	22,00
1,00	97,05	11580	22,36
1,20	97,37	11460	23,19
1,40	95,26	11520	23,18
1,60	95,80	12360	23,87

 

Поэтому модель SLConNet обучается с коэффициентом усиления 0,8 для всех масштабирующих слоев. В следующем разделе результаты обучения сравниваются с моделями AlexNet [41, 42], ResNet50 [43], Inception-V3 [44] и Xception [45].

4. ПОЛУЧЕНИЕ И АНАЛИЗ РЕЗУЛЬТАТОВ

4.1. Анализ результатов идентификации по трем сечениям

4.1.1. Результаты идентификации поперечных сечений

Для оценки эффективности обучения модель SLConNet сравнивается с 4 классическими моделями: Alexnet, ResNet50, Inception-V3 и Xception. Результаты обучения по поперечным сечениям представлены на рис. 6. Как показано на рис. 6a, точность модели SLConNet стабилизируется примерно после 2000 итераций, демонстрируя быструю скорость сходимости и значительно более высокую точность по сравнению с другими 4 моделями. Тогда как Alexnet, ResNet50, Inception-V3 и Xception требуют около 5000 итераций для постепенной сходимости, что демонстрирует более медленную скорость сходимости. Кроме того, точность Alexnet и ResNet50 сильно колеблется, что заметно влияет на точность обучения по сравнению с моделью SLConNet.

 

Рис. 6. Сравнение результатов идентификации поперечных сечений: точность (a); уровень потерь (б)

 

Как показано на рис. 6б, значение уровня потерь для SLConNet постепенно сходится с высокой скоростью к 2000 итераций. В то время как Alexnet, ResNet50, Inception-V3 и Xception демонстрируют плавное схождение через 4000 итераций, а кривые потерь Alexnet и ResNet50 демонстрируют значительные колебания. Таким образом, при обучении поперечных сечений модель SLConNet демонстрирует более высокую производительность, показывая более высокую точность обучения и более низкие значения потерь по сравнению с другими моделями.

4.1.2. Результаты идентификации радиальных сечений

Результаты обучения для радиальных участков показаны на рис. 7. Для проверки эффективности обучения модель SLConNet сравнивается с 4 классическими моделями. На рис. 7a видно, что точность модели SLConNet стабилизируется примерно после 1500 итераций, демонстрируя более высокую скорость сходимости и значительно более высокую точность по сравнению с другими четырьмя моделями. С другой стороны, AlexNet, ResNet50, Inception-V3 и Xception требуют около 5000 итераций для постепенной сходимости, при этом скорость сходимости ниже. На рис. 7б значения потерь для модели SLConNet достигают сходимости с высокой скоростью после 2000 итераций. Напротив, значения потерь для ResNet50, Inception-V3 и Xception постепенно сходятся после 4000 итераций, в то время как значения потерь для AlexNet и ResNet50 демонстрируют значительные колебания.

 

Рис. 7. Сравнение результатов идентификации радиальных сечений: точность (a); уровень потерь (б)

 

4.1.3. Результаты идентификации тангенциальных сечений

Результаты обучения для тангенциальных сечений 24 пород ценных пород древесины представлены на рис. 8. Точность моделей показана на рис. 8a. SLConNet демонстрирует более высокую скорость сходимости и немного более высокую точность, чем Inception-V3 и Xception, и значительно превосходит Alexnet и ResNet50. Точность обучения для SLConNet остается стабильной с минимальными колебаниями. Значения потерь показаны на рис. 8б. SLConNet демонстрирует самое быстрое снижение значений потерь, стабильную кривую и эффективную сходимость, превосходя Alexnet и ResNet50. Напротив, значения потерь для Alexnet и ResNet50 медленно снижаются и сильно колеблются в процессе обучения. Модель SLConNet превосходит по скорости сходимости и величине потерь модели Inception-V3 и Xception.

 

Рис. 8. Сравнение результатов идентификации тангенциальных сечений: точность (a); уровень потерь (б)

 

Результаты идентификации поперечного, радиального и тангенциального сечений представлены в табл. 3. Для идентификации поперечных сечений точность модели SLConNet составляет 98,72 %, превосходя Alexnet, ResNet50, Inception-V3 и Xception на 3,50, 3,90, 1,41 и 1,12 % соответственно. Для радиальных сечений модель SLConNet достигает точности 96,75 %, превосходя Alexnet, ResNet50, Inception-V3 и Xception на 7,93, 6,97, 1,74 и 1,21 % соответственно. По тангенциальным сечениям модель SLConNet достигает точности 95,36 %, превосходя Alexnet, ResNet50, Inception-V3 и Xception на 9,51, 9,22, 0,4 и 0,19 % соответственно. Значения потерь модели SLConNet для поперечного, радиального и тангенциального сечений составляют 0,0756, 0,1077 и 0,0962 соответственно, что значительно ниже, чем у других классических моделей.

 

Таблица 3. Сравнение и анализ результатов идентификации древесины по трем сечений

Модель	Поперечные сечения			Радиальные сечения			Тангенциальные сечения
	Точность, %	Уровень потерь	Время обучения/ тестирования, с	Точность, %	Уровень потерь	Время обучения/тестирования, с	Точность, %	Уровень потерь	Время обучения/тестирования, с
SLConNet	98,72	0,0756	9075/109	96,75	0,1077	9620/117	95,36	0,0962	9980/119
Alexnet	95,22	0,1539	45120/119	88,82	0,3871	46200/118	85,85	0,4582	46680/123
ResNet50	94,82	0,1611	20520/130	89,78	0,3908	21000/125	86,14	0,4757	21240/121
Inception-V3	97,31	0,0876	38400/121	95,01	0,1239	39000/129	94,96	0,1420	39540/119
Xception	97,60	0,0840	27420/119	95,54	0,1220	28140/119	95,17	0,1469	27900/120

 

Таким образом, очевидно, что модель SLConNet превосходит классические модели и демонстрирует явные преимущества при идентификации ценных пород древесины. Веса оптимизируются в процессе обучения, а затем применяются для тестирования 30 % оставшихся изображений. Этот процесс дает средние значения точности и потерь для тестового набора, которые приведены в табл. 3. Модель SLConNet демонстрирует более высокую точность распознавания поперечных, радиальных и тангенциальных разрезов по сравнению с моделями AlexNet, ResNet50, Inception-V3 и Xception. Кроме того, модель SLConNet демонстрирует наименьшие значения потерь и значительно превосходит другие модели по времени тестирования. В разделе 4.2 для дальнейшей оценки эффективности модели SLConNet используются дополнительные метрики, такие как PREC (точность), REC (чувствительность) и SPEC (специфичность).

4.2. Оценка модели

При сравнении с классическими моделями, такими как Alexnet, ResNet50, Inception-V3 и Xception4, модель SLConNet демонстрирует более высокую точность идентификации — 98,72, 96,75 и 95,36 % для поперечных, радиальных и тангенциальных сечений. Это преимущество можно объяснить включением масштабирующих слоев в выходные данные, остаточную функцию и остаточную связь остаточных блоков. Для дальнейшей оценки эффективности модели на основе результатов идентификации поперечного, радиального и тангенциального сечений была построена матрица путаницы, как показано на рис. 9.

 

Рис. 9. Матрицы путаницы для различных сечений: продольное (a); радиальное (б); тангенциальное (в)

 

Точность классификации для каждого из 24 видов на поперечных срезах составляет более 93,3% (на рис. 9a). Некоторые виды, например, А-тип Pterocarpus santalinus, легко спутать с другими, такими как F-Dalbergia cultrata. Аналогично, H-Dalbergia louvellii и I-Dalbergia melanoxylon могут быть приняты за K-Dalbergia bariensis из-за сходства типа пор сосудов, размера и распределения осевой паренхимы, что приводит к ошибочной классификации.

На рис. 9б видно, что точность классификации 24 видов в радиальных разрезах превышает 86,67 %. Некоторые виды, например, класс A-Pterocarpus santalinus, могут быть ошибочно приняты за класс G-Dalbergia latifolia, класс B-Pterocarpus erinaceus и класс C-Pterocarpus indicus. Кроме того, класс H-Dalbergia louvellii может быть ошибочно принят за класс K-Dalbergia bariensis, а класс J-Dalbergia Stevensonii — за класс N-Dalbergia frutescens из-за сходства микроструктуры, в частности, лежачей лучевой клетки и древесных лучей, что приводит к неправильной классификации.

Как показано на рис. 9в, классификация тангенциальных срезов 24 ценных пород древесины показала точность более 85,33 % для каждой категории. Примечательно, что у некоторых видов древесины риск ошибки выше, например, H-Dalbergia louvellii часто принимают за J-Dalbergia Stevensonii, класс J-Dalbergia Stevensonii часто путают с классом N-Dalbergia frutescens, а класс K-Dalbergia bariensis легко идентифицировать с E-Dalbergia odorifera и H-Dalbergia louvellii. Кроме того, класс Q-Dalbergia retusa легко спутать с O-Dalbergia granadillo Pittier, что объясняется структурным сходством в распределении и расположении лучевых клеток у этих видов.

Результаты матрицы путаницы на рис. 8 указывают на ошибки классификации в поперечном, радиальном и тангенциальном разрезах. Для точной оценки эффективности классификации используются такие параметры, как PREC, REC и SPEC, которые определяются:

$PREC=\frac{ИП}{ИП+ЛП}$; (1)

$REC=\frac{ИП}{ИП+ЛО}$; (2)

$SPEC=\frac{ИО}{ИО+ЛП}$; (3)

ИП (истинно-положительный) означает, что в реальной ситуации объект обладает искомым признаком, и прогнозируемый результат это подтверждает; ИО (истинно-отрицательный) означает, что в реальной ситуации объект не обладает искомым признаком, а прогнозируемый результат это подтверждает; ЛО (ложно-отрицательный) означает, что в реальной ситуации объект обладает искомым признаком, а прогнозируемый результат это отрицает; ЛП (ложно-положительный) означает, что в реальной ситуации объект не обладает искомым признаком, а прогнозируемый результат это отрицает.

В табл. 4 представлены значения оценок PREC, REC и SPEC для 24 ценных пород древесины. Средняя точность для поперечных сечений составляет 98,76, 98,77 и 99,94 % соответственно. Для радиальных сечений средняя точность составляет 96,71, 96,77 и 99,86 % соответственно. Средняя точность для тангенциальных сечений составляет 95,36, 95,39 и 99,80 % соответственно. Полученные результаты свидетельствуют о том, что поперечные срезы имеют самую высокую точность идентификации. Более того, несколько ценных пород древесины демонстрируют точность идентификации на уровне 100 %, включая S-Millettia leucantha, T-Senna siamea, U-Diospyros sp., V-Diospyros crassiflora, W-Diospyros celebica и X-Diospyros sp.

 

Таблица 4. Эффективность классификации по трем сечениям

№	Поперечные сечения			Радиальные сечения			Тангенциальные сечения
	PREC/%	REC/%	SPEC/%	PREC/%	REC/%	SPEC/%	PREC/%	REC/%	SPEC/%
A	97,22	97,20	99,71	91,67	96,15	99,64	95,00	91,35	99,78
B	99,67	99,67	100,00	100,00	96,77	100,00	97,33	97,99	99,88
C	99,01	99,01	100,00	98,67	97,69	99,94	98,33	100,00	99,93
D	98,35	98,34	99,97	98,33	91,33	99,93	96,00	94,74	99,83
E	99,67	99,67	99,97	96,67	98,98	99,86	98,67	94,27	99,94
F	95,83	95,81	99,99	93,33	96,89	99,71	91,67	91,06	99,64
G	99,01	99,01	99,99	99,67	92,86	99,99	95,67	94,10	99,81
H	99,64	99,64	99,71	86,67	98,11	99,42	93,33	94,92	99,71
I	97,70	97,70	99,96	96,67	98,31	99,86	98,67	99,33	99,94
J	95,35	95,47	99,81	88,33	94,64	99,49	85,33	87,97	99,36
K	96,09	96,09	99,93	93,33	92,41	99,71	85,67	97,72	99,38
L	100,00	100,00	99,96	95,00	97,27	99,78	98,33	97,36	99,93
M	97,05	97,05	99,94	96,67	96,03	99,86	95,00	100,00	99,78
N	96,10	96,10	99,94	97,00	89,26	99,87	92,67	90,26	99,68
O	100,00	100,00	99,91	100,00	97,72	100,00	98,67	92,21	99,94
P	99,67	99,67	100,00	96,67	98,64	99,86	96,67	95,71	99,86
Q	100,00	100,00	99,94	100,00	95,24	100,00	92,00	94,20	99,65
R	100,00	100,00	99,94	100,00	99,34	100,00	97,33	90,97	99,88
S	100,00	100,00	100,00	96,00	97,96	99,83	92,00	95,50	99,65
T	100,00	100,00	100,00	99,00	99,00	99,96	93,00	96,88	99,70
U	100,00	100,00	100,00	97,33	97,99	99,88	97,33	97,66	99,88
V	100,00	100,00	100,00	100,00	100,00	100,00	100,00	99,34	100,00
W	100,00	100,00	100,00	100,00	100,00	100,00	100,00	99,34	100,00
X	100,00	100,00	100,00	100,00	100,00	100,00	100,00	96,46	100,00
Среднее	98,76	98,77	99,94	96,71	96,77	99,86	95,36	95,39	99,80

 

5. ОБСУЖДЕНИЕ

В ходе эксперимента были проанализированы поперечные, радиальные и тангенциальные срезы 24 различных пород ценной древесины. Поперечные срезы показали заметно более высокую точность классификации по сравнению с двумя другими срезами, что, вероятно, связано с распределением микроскопических структурных особенностей, характерных только для поперечных срезов. Barmpoutis и др. [24] также получили аналогичные результаты при классификации поперечных, тангенциальных и радиальных срезов древесины с использованием набора данных WOOD-AUTH.

По сравнению с такими классическими моделями, как Alexnet, ResNet50, Inception-V3 и Xception4, модель SLConNet включает в себя остаточные структуры и модули Inception. Это не только повышает скорость сходимости и эффективность обучения сети, но и позволяет извлекать многомерную информацию из входных данных, что в конечном итоге улучшает эффективность классификации модели. Feng и др. [46] продемонстрировали повышение точности классификации гиперспектральных изображений за счет интеграции остаточных блочных структур в сеть. Такая интеграция способствует лучшему обмену информацией между неглубокими и глубокими сетями, что приводит к извлечению глубоких характеристик из гиперспектральных изображений. Кроме того, Yao и др. [47] предложили многомасштабную SE (Squeeze and Excitation)-Residual Network с кодером преобразования (MRTNet) для повышения эффективности классификации за счет использования как глобальных, так и локальных особенностей сердцебиения.

В данном исследовании большое количество изображений было получено одновременно с помощью микротомографа, что дает значительные преимущества в поиске изображений древесины по сравнению с традиционными анатомическими методами. Однако наш эксперимент был направлен на сканирование и восстановление трех конкретных участков сердцевины из одного образца ценной древесины, что может ограничить обобщаемость наших результатов. Будущие исследования будут направлены на расширение диапазона категорий ценной древесины за счет включения образцов из различных источников одной и той же породы.

6. ЗАКЛЮЧЕНИЕ

В данной работе для получения микроскопических изображений поперечных, радиальных и тангенциальных срезов древесины используется такой метод неразрушающего контроля, как микротомография. По сравнению с традиционными методами срезов он очень эффективен, поскольку за один раз можно получить тысячи микроскопических изображений, что закладывает основу для глубокого обучения.

В данном исследовании была разработана модель SLConNet для анализа микроскопических изображений поперечных, радиальных и тангенциальных срезов ценной древесины с использованием многомасштабных операций свертки для извлечения множества признаков. Результаты показывают, что точность идентификации по поперечным срезам значительно выше, чем по радиальным и тангенциальным, что объясняется большим количеством текстурной информации, присутствующей в поперечных срезах. Из 29 признанных видов ценных пород древесины в экспериментальный набор данных включены только 24 распространенных вида, что связано с редкостью некоторых видов на рынке. Результаты эксперимента показывают, что модель SLConNet превосходит такие традиционные модели, как Alexnet, ResNet50, Inception-V3 и Xception, в точности идентификации видов ценных пород древесины на основе поперечных, радиальных и тангенциальных сечений.

Представленная работа поддержана Фондом естественных наук провинции Шаньдун Китая (№ ZR2020QC174), Национальным фондом естественных наук Китая (№ 62173127, 62472143), Ключевыми специальными проектами НИОКР в провинции Хэнань (№ 241111521000), Фондом лучших молодых талантов Центральной равнины (№ (2023)11).

Авторы заявляют, что у них нет конфликта интересов, о котором они могли бы сообщить в связи с настоящим исследованием.

作者简介

Xiaoxia Yang

Shandong Polytechnic

编辑信件的主要联系方式.
Email: yangxiaoxia8899@126.com
中国, Jinan

Zhishuai Zheng

Shandong Jianzhu University

Email: liuxiaoping@haut.edu.cn
中国, Jinan

Huanqi Zheng

Shandong Institute for Product Quality Inspection

Email: liuxiaoping@haut.edu.cn
中国, Jinan

Xiaoping Liu

Henan University of Technology

Email: liuxiaoping@haut.edu.cn
中国, Zhengzhou

参考

补充文件