基于深度学习的木板激光散斑图像分类研究

摘要

提出一种激光散斑技术和深度学习技术相结合的木板识别方法。利用常规照相技术和激光散斑技术获取木板改性处理前后在常规照明和恶劣环境(黑暗环境、虚焦状态)下的木板图像及其激光散斑图像，并建立相应的数据集。采用ResNet34深度学习网络模型对数据集进行分类实验，结果表明，ResNet34模型对激光散斑数据集进行分类时能够达到较高的识别准确率，并在恶劣环境下，使用激光散斑图像数据集分类时，能够取得较好的分类效果。同时，引入混合注意力机制(convolutional block attention module, CBAM)模块对ResNet34卷积神经网络进行优化，用于激光散斑图像分类，识别正确率达到93.29%。利用激光散斑技术及深度学习模型进行木板种类识别对环境要求较低，是一种新颖的、有前途的高效技术方法。

关键词

激光散斑 / ResNet34 / 图像分类 / 木板识别 / 深度学习

基金资助

黑龙江省自然科学基金项目(LH2023F049); 黑龙江省博士后科研启动基金项目(2023BSH02); 黑龙江省省属本科高校基本科研业务费项目(2024-KYYWF-1083)