基于卷积神经网络的家具木材图像种类识别.pdf

doi：10.11707/j.1001-7488.LYKX20210891基于卷积神经网络的家具木材图像种类识别*苗宇杰祝诗平普京李俊贤马羚凯黄华（西南大学工程技术学院重庆 400716）摘要：【目的】为解决日常生活中家具木材种类主要依靠人工识别存在的主观性强、效率低等问题，设计一种基于 MobileNetV3 卷积神经网络（CNN）的常见家具木材图像种类识别模型，有效提高木材种类识别速度和精度，为木材资源的合理利用、木材进出口贸易管理及消费者确定家具木材种类提供一种科学有效的方法。【方法】首先，采集 4种木材的素材图像以及其中 2 种涂饰木蜡油的木材图像，共 3 880 张，将数据集按 622 和 262 分为训练集、验证集和测试集，基于旋转、翻转等操作将训练集数据扩充为原来的 4 倍。采用 4 种卷积神经网络和 2 种传统机器学习方法对素材图像建立识别模型，通过分析对比得到最优识别网络模型MobileNetV3，对模型进行迁移学习并参数调优。将素材图像与涂饰木蜡油的木材图像对应放在一起与剩下的 2 种素材图像共同组成新的数据集，构建基于MobileNetV3 网络的木材种类识别模型。为方便分类人员操作，减轻分类人员在实际检测中的操作难度，选用构建的木材种类识别模型，基于 PyQt5 搭建木材种类识别系统。【结果】与传统机器学习方法相比，卷积神经网络识别效果更佳，且迁移学习能够明显提高网络的收敛速度和分类性能。在验证集中，识别性能最佳的 MobileNetV3 对 4 种素材图像的平均识别准确率为 98.13%，对混有涂饰木蜡油木材图像的识别准确率为 97.25%。【结论】木材种类识别模型不仅可对素材进行识别，也能实现对涂饰木蜡油木材的快速、准确识别，为木材分类人员带来便捷的同时，也为消费者挑选实木家具并确定木材种类提供一种可靠的识别方法。关键词：家具木材；木蜡油；识别；卷积神经网络；MobileNetV3中图分类号：S781.1文献标识码：A文章编号：10017488(2023)08013308Recognition of Furniture Wood Image Species Based on Convolutional Neural NetworksMiao YujieZhu ShipingPu JingLi JunxianMa LingkaiHuang Hua（College of Engineering and Technology,Southwest UniversityChongqing 400716）Abstract：【Objective】In order to solve the problems of strong subjectivity and low efficiency that the identification offurniture wood species mainly depends on manual identification in daily life,a common furniture wood species identificationmodel based on Mobilenetv3 convolutional neural network(CNN)was designed to effectively improve the identification speed andaccuracy of wood species.It provided a scientific and effective method for the rational utilization of wood resources,themanagement of wood import and export trade and the determination of furniture wood types by consumers.【Method】Firstly,3 880 images of four kinds of wood images coated without wood wax oil and two kinds of wood images coated with wood wax oilwere collected.The data set was divided into training set,verification set and test set according to 622 and 262,and thedata of the training set was expanded to four times of the original by using operations such as rotation and flip.Then fourconvolution neural networks and two traditional machine learning methods were used to establish the recognition model for thewood image without coated wood wax oil.Through analysis and comparison,the optimal recognition network model Mobilenetv3was obtained,and the parameters of the model were optimized based on transfer learning.The wood species identification modelbased on MobileNetv3 network was constructed by putting the wood images coated without wood wax oil together with the woodimages coated with wood wax oil and forming a new data set together with the remaining two kinds of wood images coated withoutwood wax oil.Finally,in order to simplify the operation of the classification personnel and reduce the operation difficulty of thestaff in the actual detection,we selected the above wood species recognition model and built a wood species recognition systembased on PyQt5.【Result】Compared with traditional machine learning methods,convolutional neural network had betterrecognition results,and transfer learning could significantly improve the convergence speed and classification performance of the 收稿日期：20211218；修回日期：20220209。基金项目：中央高校基本科研业务费专项资金项目(XDJK2019C081)。*祝诗平为通讯作者。第 59 卷 第 8 期林业科学 Vol.59，No.82 0 2 3 年 8 月SCIENTIA SILVAE SINICAEAug.，2 0 2 3network.In the validation set,MobileNetV3 with the best recognition performance had an average recognition accuracy of 98.13%for four wood images without coated wood wax oil and 97.25%for wood images mixed with coated wood wax oil.【Conclusion】In this paper,the wood species recognition model not only recognized the recognition of wood images coated without wood waxoil,but also realized the fast and accurate recognition of the painted wood wax wood image.Apart from bring convenience to woodclassifiers,the wood species recognition model also could provide a reliable identification method for consumers to select solidwood furniture and determine wood species.Key words：furniture wood；wax oil；identification；convolutional neural network；MobileNetV3 家具是日常工作和生活中的必备物品，且随着人们生活水平不断提高和居住环境逐渐改善，人们越来越倾向购买实木家具。涂饰木蜡油不仅可以滋养木材，防止木材开裂，增强木材表面硬度、光泽度和耐磨性，防水防污，对木材起到良好的防护和装饰作用（赵畅等，2016），而且也使得木材纹理能够更加完美地展示出来。然而，木材品种繁多、价格相差悬殊，经木蜡油涂饰后的木材表面与一些昂贵木材类似（陈宏伟等，2021），导致实木家具市场上经常出现以假乱真、以次充好的现象，严重损坏消费者利益。传统木材种类识别主要通过肉眼或借助放大镜（10 倍）进行观察，还可通过年轮、木射线和髓心的形态做出判断，同时分析木材的物理特征，如颜色、质量和气味等（Wheeler et al.，1998），该方法主观性强，且费时、费力、效率低。在木材种类自动化识别领域中，一些学者基于木材显微图像展开研究，如 Martins 等（2013）提出一种基于图像分割和多特征集的分类方法，用于识别数据库中 112 种木材显微图像。也有一些学者基于光谱展开探索，如 Nisgoski 等（2017）应用人工神经网络对近红外光谱不同波段进行检测，实现了对 4 种木材的分类识别；Zhao 等（2016）提出一种基于木材表面光谱特征的木材识别方案，对东北地区 5种常见木材进行分类，准确率达 95%。基于显微图像和光谱的识别技术，虽然取得了不错效果，但是设备昂贵、操作复杂，尤其在制作显微切片时会损坏木材，因此，这些方法更适合用于实验室分析，实际生活中对成品家具木材的种类识别并不合适。近年来，基于宏观图像的木材种类识别，因其灵活性和可操作性受到越来越多关注，很多学者通过提取木材颜色特征（Zhao，2013）或纹理特征（Barmpoutiset al.，2018）识别木材种类。Souza 等（2020）在实验室利用砂纸打磨木材表面并使用 Zeiss Discovery V 12 显微镜获取 46 种放大 10 倍的高分辨率（150 dpi）图像，提取图像局部二值模式（local binary patterns，LBP）纹理特征，通过支持向量机（support vector machine，SVM）分类器识别木材，准确率达 97.67%。上述方法提取木材特征均需人工完成，图像预处理和特征选择会消耗大量时间，而以卷积神经网络（convolutional neural networks，CNN）为代表的深度学习方法可自动提取特征并进行概率预测，目前已在图像识别、自然语言处理和文本分析等方面取得了不错效果；但 CNN 需要大量的标记样本进行训练以及强大的图像处理器（graphics processing unit，GPU）加速学习（Han et al.，2018），且复杂的 CNN 深层网络还要花费大量时间调参。无论是训练一个大的网络模型还是收集大量数据都是一个耗时的过程，而迁移学习可以很好解决上述问题。在农业领域，已有很多学者将CNN 用于诸多方面（李鑫然等，2021；鲍烈等，2020），结果表明 CNN 能够提供更好的性能，优于传统机器学习方法。也有不少学者将 CNN 用于木材缺陷检测（崔明光，2019；刘英等，2019；陈龙现等，2018）以及木材微观图像的种类识别（He et al.，2020；Geus et al.，2020；李楠，2018），但基于木材宏观图像的种类识别研究还较少，尤其是经木蜡油涂饰后的家具木材种类识别未见报道。鉴于此，本研究基于AlexNet、ResNet34、MobileNetv2和 MobileNetv3 这 4 种比较成熟的 CNN 对木材宏观图 像 的 种 类 进 行 识 别，与 SVM 和 人 工 神 经 网 络（artificial neural network，ANN）识别结果进行比较，分析不同模型性能以及涂饰木蜡油后木材数据对模型性能的影响，并选择识别效果最好的模型设计木材宏观图像种类识别系统，有效提高木材种类识别速度和精度，以期为木材资源的合理利用、木材进出口贸易管理及消费者确定家具木材种类提供一种科学有效的方法。1材料与预处理 1.1图像采集图 1a-d 为 2020 年 11 月 21 日于重庆市九龙坡某家具厂拍摄，主要采集木材径切面和弦切面，未涂饰木蜡油木材（以下统称素材）红橡（Quercus spp.）、水曲柳（Fraxinus mandshurica）、榄仁木（Terminalia spp.）和栾叶苏（Hymenaea cunrbaril）图像共 2 914 张。于重庆北碚某家具卖场拍摄的涂饰木蜡油红橡和榄仁木图134林业科学59 卷 像（图 1e、f）共 966 张。1.2图像预处理神经网络需要固定维度的图像，故所有图像调整为 224 像素224 像素3 通道。各类别图像数据如表 1所示。将 RGB 图像转化为灰度图像，提取图像的LBP 和灰度共生矩阵（gray level co-occurrence matrix，GLCM）纹理特征，采用主成分分析（principal componentanalysis，PCA）对特征数据降维，获取 99.9%的有效特征信息，特征由 272 维降至 44 维，建立木材图像特征数据库，作为 SVM（核函数为径向基函数）和结构为44-100-4（输入层为 44 个神经元、隐含层为 100 个神经元、输出层为 4 个神经元）ANN 的输入数据。表 1不同木材图像数据数量Tab.1Number of different wood image data检测类别Detection category木材种类Wood species总数Total素材图像Wood images coatedwithout wood wax oil红橡Quercus spp.724榄仁木Terminalia spp.724栾叶苏Hymenaea cunrbaril739水曲柳Fraxinus mandshurica727涂饰木蜡油的木材图像Woodimages coated with wood wax oil红橡Quercus spp.486榄仁木Terminalia spp.480 2试验方法 2.1试验环境硬件环境为 Intel（R）Core（TM）i5-10200H CPU，主频 2.40 GHz，运 行 内 存 16 G，GPU 为 GeForceGTX1650Ti，显 存 4 G。软 件 环 境 为 CUDA Toolkit10.0,CUDNN V7.4.1.5；Python 3.7.1；Torch1.9.0；使 用PyTorch 深度学习框架在 PyCharm 平台上构建模型。PyTorch 是一个高层神经网络 API，提供各种激活函数、损失函数和优化器，可快速构建神经网络模型，操作简单，易于调试。2.2图像分类方法卷积神经网络（CNN）是深度学习的代表算法之一，其通过权值共享与局部进行连接，可降低网络模型复杂度。目前，CNN 已在图像识别、自然语言处理等方面取得了成功，并陆续出现 AlexNet、ResNet34、MobileNetV2 和 MobileNetV3 等多种经典卷积神经网络架构。AlexNet（Krizhevsky et al.，2012）是计算机视觉领域首个被广泛关注的深度卷积神经网络模型，为LeNet 网络的进阶版，主要由 5 个卷积层和 3 个全连接层组成，还包括局部响应归一化层 Dropout 层。ResNet34（He et al.，2016）是由 34 个卷积层组成的深度神经网络模型，包括 32 个卷积层和 2 个全连接层。与传统深度网络结构不同，ResNet34 利用残差学习思想，可训练更深的网络结构，同时避免梯度消失问题，能够极大提高训练效率和模型性能。MobileNetV2（Sandler et al.，2018）引 入 deep-wise卷积替代 ResNet34 的标准卷积方式，可大大减少卷积核的冗余表达，相较传统深度神经网络，具有更小的 abcdef图 1木材图像示例Fig.1Examples of wood imagea.红橡 Quercus spp.；b.榄仁木 Terminalia spp.；c.栾叶苏 Hymenaea cunrbaril；d.水曲柳 Fraxinus mandshurica；e.红橡（涂饰木蜡油）Quercus spp.(coatedwith wood wax oil)；f.榄仁木（涂饰木蜡油）Terminalia spp.(coated with wood wax oil).第 8 期苗宇杰等：基于卷积神经网络的家具木材图像种类识别135 模型大小和更快的推理速度，同时保持较高的准确率。MobileNetV3（Howard et al.，2020）在 MobileNetV2的基础上引入注意力机制，通过该机制，网络可以学习使用全局信息选择性地强调信息性特征、抑制不太有用的特征，且引入能有效改进网络精度的 h-swish激活函数（Howard et al.，2020）：h-swishx=xReLU(x+3)6。（1）另外，在网络末端使用平均池化操作更改计算量大 的 层，降 低 计 算 量 的 同 时 不 造 成 精 度 损 失。MobileNetV3 的基本网络结构单元（Howard et al.，2020）如图 2 所示。11NL33NLDwisePoolFCReLUFCHard-11图 2MobileNetV3 bneck 结构Fig.2Structure of MobileNetV3 bneck 2.3迁移学习在木材种类图像识别领域，难以获取大规模数据集，CNN 模型在大型图像数据集 ImageNet 上得到充分训练，拥有较好的图像分类识别能力（张瑞青等，2020）。本研究基于迁移学习，利用 AlexNet、ResNet34、MobileNetV2 和 MobileNetV3 预训练模型在 ImageNet数据集上学到的大量知识，用于优化木材种类图像识别问题。神经网络迁移学习主要有 2 个应用场景：特征提取和参数迁移（吴茂贵等，2019）。特征提取指在经ImageNet 数据集训练好的网络模型上，修改或添加 1个新分类器，新任务训练过程中，只训练新分类器，网络参数未进行训练，故训练速度较快，但识别精度较低。参数迁移则指在新任务训练过程中，对网络参数和分类器均进行训练。经 ImageNet 数据集训练好的网络模型，针对多分类问题已经可以达到较高的识别准确率，所以使用自己的数据集通过训练调整网络模型的特征参数，能够很快适应新分类任务并获得较好的识别效果。本研究采用 ImageNet 数据集训练好的多分类网络模型，并将模型最后一个分类器输出改为4，使用家具木材数据对网络模型进行训练，在训练过程中优化网络特征参数和分类器，以更好适应家具木材种类识别问题。2.4模型评价指标对样本进行测试后分别计算精度（Precision）和召回率（Recall），以综合指标 F1 得分作为精度和召回率的评估值，其中平均准确率=分类正确的数量/测试总数量，其他指标计算公式（Fabijaska et al.，2021）如下：Precision=TPTP+FP;（2）Recall=TPTP+FN;（3）F1=2PrecisionRecallPrecision+Recall。（4）式中：TP 为真阳性样本数量；FP 为假阳性数量；FN 为假阴性样本数量。3模型训练与结果分析 3.1基于素材数据的最优分类模型确定采用AlexNet、ResNet34、MobileNetV2 和MobileNetV3 对素材图像进行建模，并将素材数据集按 622 分为训练集、验证集和测试集。提取素材图像的 LBP 和 GLCM 纹理特征，经 PCA 降维后，使用 SVM 和ANN 进行分类。各模型分类结果如表2 所示。表 2基于素材图像的不同网络模型学习结果Tab.2Learning results of different network models based onwood images coated without wood wax oil模型Model一次迭代用时Time in oneiteration/s模型大小The modelsize/M训练集准确率Training setaccuracy(%)验证集准确率Validation setaccuracy(%)SVM0.16100.0070.84ANN1.58100.0076.33AlexNet21.6921798.2682.61ResNet3474.1381.396.2190.45MobileNetV249.698.7399.5885.71MobileNetV343.3516.299.7989.25 结果显示，SVM 和 ANN 的训练速度快于卷积神经网络，但其准确率均未超过 80%。Souza 等（2020）采用立体显微镜得到放大 10 倍的高分辨率木材宏观图像，能够获取更为细微的木材纹理信息，识别准确率较高。在深度学习网络模型中，AlexNet 训练速度最快，一次迭代时间仅 21.69 s，但验证集准确率相对较低（82.61%），且模型较大（217 M）。ResNet34 的验证集准确率最高（90.45%），但训练时间较久，一次迭代用时 74.13 s。MobileNetV2 与 MobileNetV3 的训练时间较接近，其中 MobileNetV3 的验证集准确率更高（89.25%），且模型较小，方便后期布置到嵌入式设备中。综 合 考 虑 准 确 率 和 训 练 时 间，本 研 究 选择MobileNetV3 作为识别模型，并在此基础上进行迁移136林业科学59 卷 学习和参数优化。3.2素材数据的建模与优化基于素材图像的 MobileNetV3 结构不同参数训练及验证结果如表 3 所示，在试验 1-12 中，将 2 914 张素材图像数据按 622 和 262 分为训练集、验证集和测试集，对训练集数据进行扩充，并基于迁移学习优化模型。为验证迁移学习下数据集扩充对模型的影响，在试验 13-18 中未对训练集进行扩充，将模型学习率分别设为 0.01、0.001 与 0.000 1 进行训练。不同学习率下 2 种学习方式的验证集准确率与训练损失如图 3 所示。3.2.1学习率对模型的影响由表 3 和图 3 可知，学习率对各模型训练结果具有较大影响。试验 9 中，学习率为 0.000 1，基于迁移学习，模型识别准确率最高、训练损失最小、性能最优。在全新学习方式下，学习率为 0.01 时，试验 1 和 4 的训练损失和验证集准确率均未得到有效收敛，且震荡幅度较大；学习率为 0.000 1时，模型验证集准确率最低，较小的学习率容易使模型在训练过程中陷入局部最优；学习率为 0.001 时，试验 2 模型识别准确率最高达 89.25%。在迁移学习方式下，随着学习率降低，模型验证集准确率反而升高。3.2.2迁移学习对模型的影响在迁移学习方式下，因加载了预训练模型，模型前端各层网络均可获得较好的训练参数，模型刚开始训练时就能得到较好的训练结果。由图 3 可知，迁移学习对加速网络收敛和提高验证集准确率均有明显促进作用。在全新学习方式下，试验 3 学习率为 0.000 1 时，训练初始阶段验证集准确率仅 25%，训练损失 0.92。经约 100 个 epoch后，训练损失得到收敛。在迁移学习方式下，试验 9模型训练之初就已得到较低的损失值和较高的识别准确率，且网络收敛迅速，经 5 个 epoch 后，模型平均准确率达到峰值。表 3基于素材图像的 MobileNetV3 结构不同参数条件学习结果比较Tab.3Comparison of learning results of different parameter conditions in MobileNetV3 structure based on wood images coatedwithout wood wax oil编号No.学习方法Learning method数据集划分比例Partition ratio ofthe data set学习率Learning rate一次迭代用时Time in oneiteration/s训练损失Loss of training训练集准确率Training setaccuracy(%)验证集准确率Validation setaccuracy(%)1全新学习（训练集扩充）Transfer learning was not used(extended training set)6220.0145.780.065 297.9987.9320.00144.450.005 399.7989.2530.000 143.350.005 999.7883.8642620.0114.510.015 099.4482.0850.00114.470.004 399.9182.4360.000 114.610.004 699.9179.277迁移学习（训练集扩充）Transfer learning(extended training set)6220.0144.510.033 299.1292.0380.00143.490.000 3100.0096.9190.000 143.690.000 1100.0098.13102620.0114.490.018 899.4486.26110.00114.490.000 5100.0091.13120.000 114.530.000 1100.0091.7013迁移学习（训练集未扩充）Transfer learning(the training set was not extended)6220.0110.860.031 498.9790.05140.00110.880.000 1100.0095.54150.000 110.910.000 1100.0096.56162620.013.640.039 498.9778.65170.0013.660.003 9189.35180.000 13.650.000 5100.0089.81 3.2.3数据扩充对模型的影响由表 3 和图 3 可知，数据扩充对模型训练结果具有较大影响。在全新学方式下，按照不同比例划分数据集，训练集包含数据集越多模型识别准确率越高，网络收敛效果越好。在试验 1-6 中，按照 622 划分数据集的模型识别效果较好，验证集准确率和训练损失均有效收敛。在试验 7-12 中，按照不同比例划分数据集，并进行迁移学习。按照 622 划分数据集，试验 9 的识别效果最好，识别准确率达 98.13%。在试验 13-18 中，按照不同比例划分数据集，但未对训练集进行数据扩充，与试验 7-12 相比，训练速度得到有效提升，但验证集准确 率 有 所 下 降。在 试验 15 中，验 证 集 准 确 率 为96.56%，与 试 验 9 相 比，准 确 率 降 低 1.57%。按 照262 划分数据集，验证集识别准确率均较低。在迁移学习中，训练集数据量对识别准确率有较大影响，训练集数据量越多模型识别效果越好。3.3素材及涂饰木蜡油木材总数据的建模分析为验证涂饰木蜡油木材图像对模型识别性能的第 8 期苗宇杰等：基于卷积神经网络的家具木材图像种类识别137 影响，将涂饰木蜡油的红橡和榄仁木与素材红橡和榄仁木按 11 分别混合，并与剩下的 2 种素材图像共同组成新的数据集。为避免因训练集数量改变对识别结果的影响，该数据集与未涂饰木蜡油时的数据一样，其中涂饰木蜡油的红橡和榄仁木均为 362 张。将该数据集按 622 分为训练集、验证集和测试集，并对 训 练 集 进 行 扩 充。选 用 学 习 率为 0.000 1 的MobileNetV3 网络模型，将涂饰木蜡油的木材图像与素材图像数据混合在一起进行训练，并进行迁移学习。结果（表 4）表明，混有涂饰木蜡油的木材图像数据，在 表 4不同数据类型的试验结果对比Tab.4Comparison of experimental results withdifferent data types数据类型Data type训练集准确率Training setaccuracy(%)验证集准确率Validation setaccuracy(%)素材图像Wood images coatedwithout wood wax oil100.0098.13混有涂饰木蜡油的图像Wood images mixed withcoated wood wax oil100.0097.25 00255075100125150175200试验 Experiment1试验 Experiment2试验 Experiment3试验 Experiment4试验 Experiment5试验 Experiment6试验 Experiment1试验 Experiment2试验 Experiment3试验 Experiment4试验 Experiment5试验 Experiment6试验 Experiment7试验 Experiment8试验 Experiment9试验 Experiment10试验 Experiment11试验 Experiment12试验 Experiment7试验 Experiment8试验 Experiment9试验 Experiment10试验 Experiment11试验 Experiment12试验 Experiment13试验 Experiment14试验 Experiment15试验 Experiment16试验 Experiment17试验 Experiment18试验 Experiment13试验 Experiment14试验 Experiment15试验 Experiment16试验 Experiment17试验 Experiment180.2准确率Accuracy迭代轮数Epocha.验证集准确率曲线(试验 1-6)Validation set accuracy curves(No.1-6)b.训练集损失曲线(试验 1-6)Training set loss values curves(No.1-6)c.验证集准确率曲线(试验 7-12)Validation set accuracy curves(No.7-12)d.训练集损失曲线(试验 7-12)Training set loss values curves(No.7-12)e.验证集准确率曲线(试验 13-18)Validation set accuracy curves(No.13-18)f.训练集损失曲线(试验 13-18)Training set loss values curves(No.13-18)0.40.60.81.0002550751001251501752000.2损失值Loss迭代轮数Epoch0.40.60.81.0002550751001251501752000.2准确率Accuracy迭代轮数Epoch0.40.60.81.0002550751001251501752000.2损失值Loss迭代轮数Epoch0.40.60.81.0002550751001251501752000.2准确率Accuracy迭代轮数Epoch0.40.60.81.0002550751001251501752000.2损失值Loss迭代轮数Epoch0.40.60.81.0图 3不同学习率下 2 种学习方式的验证集准确率与训练损失Fig.3Validation set accuracy and training loss of two learning styles under different learning rates138林业科学59 卷 验证集上的准确率为 97.25%，仅降低 0.88%，模型识别准确率未有较大影响，准确率仍很高，且可准确识别出涂饰木蜡油的木材。3.4模型检验使用经迁移学习、学习率为 0.000 1 训练得到的模型对混有涂饰木蜡油的木材图像测试集进行分类识别，通过混淆矩阵计算得到准确率、召回率和 F1。由表 5 可知，该模型对 4 种家具木材分类的平均准确率为 94.16%，准确率较高。分类性能（按 F1 得分）从高到底依次为榄仁木、红橡、水曲柳、栾叶苏。由混淆矩阵可知，栾叶苏和水曲柳识别错误较多，主要是因为 2 种木材在不同位置时颜色和纹理有些类似，低分辨率图像下较难区分。表 5模型的混淆矩阵与分类性能Tab.5Confusion matrix and classification performance of model样本集 Sample set预测类别 Prediction category分类性能 Classification performance红橡Quercus spp.榄仁木Terminalia spp.栾叶苏Hymenaea cunrbaril水曲柳Fraxinus mandshurica准确率Precision(%)召回率Recall(%)F1(%)红橡Quercus spp.138000100.0095.1797.79榄仁木Terminalia spp.01400199.2996.5597.92栾叶苏Hymenaea cunrbaril53133789.8689.8689.86水曲柳Fraxinus mandshurica221513887.8994.5291.21 为便于操作，应用 Python 语言将脚本程序开发为图形用户界面。本研究采用 2 种图像获取方式，一是调用 OpenCV 摄像头拍照获取图像数据，二是利用PyQt5 的文件选择功能选择本地图像文件。载入图像后，在组件中显示，即可进行识别，使用训练好的网络模型进行检测。选择一张素材中的红橡木材图像进行检测，识别概率为 100%，如图 4a 所示；再选一张涂饰木蜡油的红橡木材图像进行检测，识别概率也为100%，如图 4b 所示。ab图 4可视化界面检测结果Fig.4Visual interface detection results 4结论1）为快速识别