Метод глубокого обучения для задачи классификации изображений древесины, полученных с помощью микротомографии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Корректная классификация ценных пород древесины имеет решающее значение для импортно-экспортной торговли и идентификации мебельных материалов. В данном исследовании используется метод неразрушающего контроля (микроскопическая компьютерная томография, микротомография, микроКТ) для получения микроскопических изображений поперечных, радиальных и тангенциальных срезов 24 ценных пород древесины, что позволяет создать обширный набор данных. Разработана модель глубокого обучения SLConNet, повышающая точность распознавания за счет многомасштабной свертки и улучшенной структуры остаточных блоков. Результаты экспериментов показывают, что точность классификации поперечных, радиальных и тангенциальных срезов составляет 98,72, 96,75 и 95,36 % соответственно при значении коэффициента усиления 0,8. Модель превосходит такие традиционные модели, как Alexnet, ResNet50, Inception-V3 и Xception. Данное исследование подчеркивает эффективность неразрушающего контроля в получении большого количества микроскопических изображений древесины по сравнению с традиционными методами определения структуры анатомии. Модель SLConNet демонстрирует высокие показатели точности, запоминания и чувствительности, что указывает на ее потенциал для широкого применения в классификации древесины.

Полный текст

Доступ закрыт

Об авторах

Сяося Ян

Шаньдунский политехнический институт

Автор, ответственный за переписку.
Email: yangxiaoxia8899@126.com
Китай, Цзинань

Жишуай Чжэн

Шаньдунский университет Цзяньчжу

Email: liuxiaoping@haut.edu.cn
Китай, Цзинань

Хуаньци Чжэн

Шаньдунский институт контроля качества продукции

Email: liuxiaoping@haut.edu.cn
Китай, Цзинань

Сяопин Лю

Хэнаньский технологический университет

Email: liuxiaoping@haut.edu.cn
Китай, Чжэнчжоу

Список литературы

  1. Huang W., Li H.Q., Guan H. и др. Advances in functionalization and application of natural woods // Materials Rports. 2022. V. 36. No.18. P. 224—230.
  2. Amini M.H.M., Temiz A., Hekimolu G. и др. Properties of scots pine wood impregnated with capric acid for potential energy saving building material // Holzforschung. 2022. V. 76. No. 8. P. 1.
  3. Rojas J.A.M., Alpuente J., Postigo D., Rojas I.M., Vignote S. Wood species identification using stress-wave analysis in the audible range // Appl Acoust. 2011. V. 72. No.12. P. 934—942.
  4. Jiao L., Lu Y., He T., Guo J., Yin Y. DNA barcoding for wood identification: global review of the last decade and future perspective // IAWA Journal. 2020. V. 41. No. 4. P. 620—643.
  5. Wang C.K., Zhao P. Classification of wood species using spectral and texture features of transverse section // European Journal of Wood and Wood Products. 2021. V. 79. P. 1283—1296.
  6. Creydt M., Lautner S., Fromm J. и др. Wood profiling by non-targeted liquid chromatography high-resolution mass spectrometry: Part 2, Detection of the geographical origin of spruce wood (Piceaabies) by determination of metabolite pattern // Journal of chromatography. 2021. V. 1663. P. 462737.
  7. Jiao L., Yu M., Wiedenhoeft A.C. и др. DNA barcode authenticationandlibrary development for the wood of six commercial Pterocarpus species: the criticalrole of xylarium specimens // Scientific Reports. 2018. No. 8. P. 1945.
  8. Sun X.D., Cui D.D., Shen Y. и др. Non-destructive detection for foreign bodies of tea stalks in finished tea products using terahertz spectroscopy and imaging // Infrared Physics Technology. 2022. No. 121. P. 04018.
  9. Helmling S., Olbrich A., Heinz I. и др. Atlas of vessel elements // IAWA Journal. 2018. V. 39. No. 3. P. 249—352.
  10. Santosa S., Pramunendar R.A., Prabowo D.P. и др. Wood types classification using back-propagation neural network based on Genetic algorithm with gray level co-occurrence matrix for features extraction // IAENG International Journal of Computer Science. 2019. V. 46. P. 149—155.
  11. Khalil R.A., Jones E., Babar M.I. и др. Speech emotion recognition using deep learning techniques: A review // IEEE Access. 2019. V. 99. P. 1.
  12. Huang J.X., Lu X., Chen L.Y. и др. Accurate identification of pine wood nematode disease with a deep convolution neural network // Remote Sensing. 2022. V. 14. P. 913.
  13. IAWA Committee. IAWA list of microscopic features for softwood identification // IAWA Journal. 2004. V. 25. No.1. P. 1—70.
  14. Wheeler E.A., Baas P., Gasson P.E. и др. IAWA list of microscopic features for hardwood identification // IAWA Journal. 1989. V. 10. No. 3. P. 219—332.
  15. Helmling S., Olbrich A., Heinz I. и др. Atlas of vessel elements // IAWA Journal. 2018. V. 39. No.3. P. 249—352.
  16. Song L.H., Lei F.J., Huang Y.H. и др. Anatomical properties of melia azedarach and toona sinensis Woods // Guangxi Forestry Science. 2023. V. 52. No. 6. P. 781—786.
  17. Liu S.J., He T., Lu Y. и др. Quantitative anatomy analysis on wood feature variability and wood identification of Swietenia Species // Scientia Silvae Sinicae. P. 1—11.
  18. Guo J.X., Hu M. Features extraction and classification of wood defect based on hu invariant moment and wavelet moment and BP neural network / The 12th International Symposium, 2019.
  19. Riana D., Rahayu S., Hasan M. Anton V.D.H. Comparison of segmentation and identification of swietenia mahagoni wood defects with augmentation images // Heliyon. 2021. V. 7. No. 6. P. 7417.
  20. Yang X.X., Gao Y.S., Zhang S.H. Research on rosewood micro image classification method based on feature fusion and ELM // Journal of Renewable Materials. 2022. V. 10. No. 12. P. 3587—3598.
  21. Barmpoutis P., Dimitropoulos K., Barboutis I. и др. Wood species recognition through multidimensional texture analysis // Computers and Electronics in Agriculture. 2018. V. 144. P. 241—248.
  22. Chao X.F., Fan L.H., Cai C. и др. Wood texture classification and identification based on multi-feature extraction and selection // Modern Agricultural Science. 2018. No. 18. P. 118—120.
  23. Rosa da Silva N., De Ridder M., Baetens J. M., Van den Bulcke J., Rousseau M. и др. Automated classification of wood transverse cross-section micro-imagery from 77 commercial Central-African timber species // Annals of Forest Science. 2017. V. 74. No. 2. P. 30.
  24. Barmpoutis P., Dimitropoulos K., Barboutis I., Grammalidis N., Lefakis P. Wood species recognition through multidimensional texture analysis // Computers And Electronics In Agriculture. 2018. V. 144. P. 241—248.
  25. Yusof R.A., Ahmad A.B., Khairuddin A.S.M.C. Transfer learning approach in automatic tropical wood recognition system // Computational and Experimental Simulations in Engineering. 2020. V. 75. P. 1225—1233.
  26. Zhao P., Han J.C., Wang C.K. Classification of wood species using hyperspectral microscopic imaging based on I-BGLAM texture and spectral fusion // Spectroscopy and Spectral Analysis. 2021. V. 41. No. 2. P. 599—605.
  27. Bruno O., Ribas L., Condori R. M., Scabini L. S., Bruno O., Ribas L. и др. Evaluating deep convolutional neural networks as texture feature extractors // International Conference on Image Analysis and Processing, 2019.
  28. Fabijańska A., Danek M., Barniak J. Wood species automatic identification from wood core images with a residual convolutional neural network // Computers and Electronics in Agriculture. 2021. V. 181. P. 105941.
  29. Wang Y., Zhang W., Gao R., Jin Z., Wang X.H. Recent advances in the application of deep learning methods to forestry // Wood Science and Technology. 2021. V. 55. No. 5. P. 1171—1202.
  30. Chen L.X., Ge Z.D., Luo R. и др. Identification of CT image defects in wood based on convolution neural network // Entia Silvae Sinicae. 2018. V. 54. No. 11. P. 127—133.
  31. Wang H., Li Z., Zou X. Wood surface defect detection based on adaboost and CNN (Article) // Journal of System Simulation. 2019. V. 31. No. 8. P. 1636—1645.
  32. Shi J., Li Z., Zhu T., Wang D., Ni C. Defect detection of industry wood veneer based on NAS and multi-channel mask R-CNN // Sensors. 2020. V. 20. No.16. P. 4398.
  33. Yusof R.A., Ahmad A.B., Khairuddin A.S.M.C. Transfer learning approach in automatic tropical wood recognition system // Computational and Experimental Simulations in Engineering. 2020. V. 75. P. 1225—1233.
  34. Wu F., Gazo R., Haviarova E., Benes B. Wood identification based on longitudinal section images by using deep learning // Wood Science and Technology. 2021. V. 55. No. 2. P. 553—563.
  35. Ravindran P., Costa A., Soares R., Wiedenhoeft A.C. Classification of CITES-listed and other neotropical Meliaceae wood images using convolutional neural networks // Plant Methods. 2018. V. 14. No. 1. P. 25.
  36. Briechle S., Krzystek P., Vosselman G. Silvi-Net-A dual-CNN approach for combined classification of tree species and standing dead trees from remote sensing data // International Journal of Applied Earth Observation and Geoinformation. V. 98. P. 102292.
  37. Verly Lopes D.J., Burgreen G.W., Entsminger E.D. North American hardwoods identification using machine-learning // Forests. 2020. V. 11. No. 3. P. 298.
  38. Wu F., Gazo R., Haviarova E., Benes B. Wood identification based on longitudinal section images by using deep learning // Wood Science and Technology. 2021. V. 55. No. 2. P. 553—563.
  39. Zhao Z.Y., Yang X.X., Ge Z.D., Zhou Y.C. Wood microscopic image identification method based on convolution neural network // BioResources. 2021. V. 16. No. 3. P. 4986—4999.
  40. Kita Y., Sugiyama J.J. Wood identification of two anatomically similar cupressaceae species based on two-dimensional microfibril angle mapping // Holzforschung. 2021. V. 75. No. 7. P. 591—602.
  41. Shanthi T., Sabeenian R.S. Modified Alexnet architecture for classification of diabetic retinopathy images // Computers and Electrical Engineering. 2019. V. 76. P. 56—64.
  42. Unnikrishnan A., Sowmya V., Soman K.P. Deep AlexNet with reduced number of trainable parameters for satellite image classification // Procedia Computer Science. 2018. V. 143. P. 931—938.
  43. Paisitkriangkrai S., Shen C., Anton V.D.H. Learning to rank in person re-identification with metric ensembles / IEEE conference on computer vision and pattern recognition (CVPR). 2015.
  44. Arredondo J.R.P., Tanscheit R., Monteiro E.C., da Silva E.C., de Sousa I.P. Classification of mechanisms underlying cardiac arrhythmias by deep learning // Research on Biomedical Engineering. 2020. V. 36. No. 4. P. 475—487.
  45. Polat Z. Detection of Covid-19 from chest CT images using xception architecture: A deep transfer learning based approach // Sakarya University Journal of Science. 2021. V. 25. No. 3. P. 813—823.
  46. Feng B., Liu Y., Chi H., Chen X.Z. Hyperspectral remote sensing image classification based on residual generative adversarial neural networks // Signal Processing. 2023. V. 213. No. 9. P. 109202.
  47. Yao Q.Y., Zhang L.M., Zheng W.G., Zhou Y.X. Multi-scale SE-residual network with transformer encoder for myocardial infarction classification // Applied Soft Computing. 2023. V. 149. P. 110919.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. МикроКТ, используемая для сканирования ценных пород древесины

Скачать (361KB)
Метаданные
3. Рис. 2. Изображения поперечных, радиальных и тангенциальных сечений 24 видов ценных пород древесины

Скачать (1MB)
Метаданные
4. Рис. 3. Модель сверточной нейронной сети (SLConNet)

Скачать (385KB)
Метаданные
5. Рис. 4. Структура начального модуля

Скачать (181KB)
Метаданные
6. Рис. 5. Структура улучшенных остаточных блоков

Скачать (332KB)
Метаданные
7. Рис. 6. Сравнение результатов идентификации поперечных сечений: точность (a); уровень потерь (б)

Скачать (343KB)
Метаданные
8. Рис. 7. Сравнение результатов идентификации радиальных сечений: точность (a); уровень потерь (б)

Скачать (367KB)
Метаданные
9. Рис. 8. Сравнение результатов идентификации тангенциальных сечений: точность (a); уровень потерь (б)

Скачать (402KB)
Метаданные
10. Рис. 9. Матрицы путаницы для различных сечений: продольное (a); радиальное (б); тангенциальное (в)

Скачать (1MB)
Метаданные

© Российская академия наук, 2024