基于木材微观特征的BP神经网络算法红木识别研究

2024-02-27朱正坤许艳青

林产工业 2024年1期

朱正坤许艳青陈年

（江西环境工程职业学院，江西赣州 341000）

1 红木微观特征

根据GB/T 18107—2017《红木》[10]，木材的识别制样方法如下：将木材样品放入盛有水、乙醇-甘油或乙二胺等的容器中，再放置于约60 ℃的烘箱中，直至木材样品沉底，以此对其进行软化并排出试样中的空气[11]。随后将软化的木材样品置于切片机上，分别切出厚度为15～20 μm的木材横切面、径切面和弦切面切片，再经染色、脱水、透明和封片等步骤完成显微切片的制备[12]。将切片置于光学显微镜下，观察并记录木材样品的导管、轴向薄壁组织、木纤维、射线等微观构造特征[13-16]。

表1为24种红木在显微镜下的切片照片，分别为横切面、弦切面和体式图[17]。

表1 24 种红木切片样本照片Tab.1 Photos of 24 species of rosewood sliced samples

通过对上述红木切片样本的观察，分别记录其重要的微观特征，例如管孔数量、管孔内含物、轴向组织形状分布、射线细胞列数、射线细胞数量等[18-20]。本文中24种红木的微观特征如表2所示。

表2 24 种红木微观特征Tab.2 Microscopic characteristics of 24 species of rosewood

2 算法介绍

BP神经网络是一种模拟人脑神经系统，通过反向传播进行深度学习的算法。该算法具有自学习的特点，通过输入层、中间层和输出层组成的模型结构进行信息传递。模型中的每一层都包含多个神经元，其中中间层神经元的数量会在训练过程中确定。自学习过程主要包括正传播和逆反馈。正传播是指将上层神经网络的信息传递到下一层，直到最终输出层；逆反馈则是指输出层将误差结果返回到第一层。自学习的目标是不断减小模型输出值和真实输出值之间的误差。为了实现自学习，BP神经网络会随机设定输入指标的初始权重，并通过激活函数在每一层之间不断调整拟合指标的非线性关系，调整局部误差，如图1所示[21-22]。

图1 红木识别BP神经网络模型结构示意图Fig.1 BP neural network model structure for rosewood identification

在红木识别试验中，本文考虑的主要因素有管孔数量、管孔内含物、轴向组织形状分布、射线细胞列数、射线细胞数量。因此，将上述5个微观特征作为BP神经网络的输入层，将红木类别作为输出层。为了达到较好的拟合效果，选用隐含层的BP神经网络[23-24]。

隐含层节点数量的确定由公式（1）计算：

式中：n为隐含层节点数，个；ni为输入样本的个数，个，在训练模型时其数值不小于20个；na为输出样本数，个；a为1～10范围内的整数。

通过试凑法选择能够满足预测精度时的节点数，通过比较不同隐层节点数的输出误差，最终确定隐含层节点数为5。

除潘云外，陈大勇不愿当“俘虏”，他和另外一个“鬼子”换了服装，和吴参谋走在一起。孔老一和缺一指刚经历了那么多事，加上一路疲惫，神情沮丧得比“俘虏”还像俘虏。

在该模型结构中，为了让神经网络开始训练，需要选取合适的隐含层与输出层的激活函数。本文按照常规BP神经网络选取Sigmoid函数[25]，如公式（2）所示，输出层激活函数选取线性函数。

BP神经网络对实际结果进行逼近的过程一般采用梯度下降法。权重为w、v，偏置为β、λ，由上述可知：

整理可得：

式中：Y为预期值为输出，则损失函数L为：

当得到上述参数值时，需要根据BP神经网络算法更新权重为w、v和偏置为β、λ。设学习效率为η，更新后的λ为λ'，即：λ'=λ+Δλ。因Δλ沿梯度下降方向最快，故有:

根据链式求导法则展开可得出更新后的权重为w、v和偏置为β、λ为：

根据设计好的神经网络，构建基于木材微观特征的红木识别训练模型，再根据训练好的模型对输入的微观特征进行识别[26-27]，其流程如图2所示。主要步骤为将红木样本的微观特征进行数字化模糊处理，将原始的节点与激活函数设置好后开始训练神经网络模型。当获取误差数据时，将其回传作为样本输入，并调整各节点的权值，最终完成最终模型的训练[28-29]。

图2 算法流程图Fig.2 Algorithm flowchart

图3 部分红木样本材料Fig.3 Part of the rosewood sample materials

3 试验验证

3.1 数据来源

从江西环境工程职业学院木质材料科学研究所获得24种红木的微观特征数据，共计944个，将其按样本名称顺序导入训练模型。

首先，按传统识别方式进行木材样本的切片制样，记录样本的管孔数量、管孔内含物、轴向组织形状分布、射线细胞列数、射线细胞数量等信息，并通过数据库特征进行比对，确定其具体树种名称[30]。通过随机提取采样点分析各参数与红木类别的关系，进行红木类别识别。在数据处理过程中，将红木微观特征进行量化处理，使用部分模拟数值代替其特征，部分试验数据如表3所示。

表3 部分试验数据Tab.3 Partial experimental data

由于BP神经网络数据模型需要大量样本进行训练、验证及测试，因此将以上数据分为训练集、验证集与测试集，为了确保模型的有效性，避免过度拟合，其比例分别为70%、15%和15%[31-33]。

3.2 结果与分析

采用Intel(R)i7@2.60GHz工作站，基于显微镜切片识别与BP神经网络模型进行比对与训练。模型优化策略选用梯度下降方法，权重正则化系数为0.001，动量设置为0.9，使用周期性衰减的学习率，初始化为0.1，每4 000次迭代衰减为1/10。

迭代次数是评价卷积神经网络训练的重要参数。迭代次数与训练损失值和准确率的曲线可以直观地表示神经网络模型的训练效果和学习状态。

图4为迭代次数与训练损失值和准确率的曲线，图5为迭代次数和准确率的曲线。可以看出，在迭代次数达10 000次左右时两条曲线趋于稳定，表明该曲线已经收敛，BP神经网络模型已具有较好的精度。在经过14 000次迭代后，相对误差低于4%，基于木材微观特征的BP神经网络算法红木识别准确率达96.9%，耗时655.3 s，显示出较高的识别效果，可为红木鉴定提供参考。