基于改进DenseNet的福建常见阔叶材显微识别研究

党慧滢; 冯志伟; 唐利; 虞夏霓; 罗晓洁; 关鑫; 林金国

doi:10.13360/j.issn.2096-1359.202411020

林业工程学报 ›› 2026, Vol. 11 ›› Issue (1) : 70 -77. DOI: 10.13360/j.issn.2096-1359.202411020

基于改进DenseNet的福建常见阔叶材显微识别研究

党慧滢, 冯志伟, 唐利, 虞夏霓, 罗晓洁, 关鑫, 林金国

作者信息 +

Author information +

文章历史 +

摘要

福建森林资源非常丰富，阔叶材树种繁多。为了快速准确地识别阔叶材树种，提出了一种基于改进DenseNet网络模型的树种识别技术。选取24种福建常见的阔叶材作为研究对象，采集木材横切面原始显微图像，采用图像尺寸归一化、图像灰度化等方法对其进行预处理，以减少处理图像时的计算复杂度；采用水平翻转、随机缩放和镜像翻转，以及调整亮度、对比度和饱和度等方法进行数据集扩充，构建了福建常见阔叶材横切面显微图像数据集。在24种福建常见阔叶材显微图像数据集上分别训练了VGGNet19、InceptionV3、ResNet101和DenseNet121这4种经典卷积神经网络，对比分析了这4种模型的识别准确率、训练时间、参数量和模型文件大小，发现DenseNet121模型识别准确率最高(98.02%),训练时间最短(2.56×10～4 s),参数量最少(7.57×10～6),模型文件最小(30 MB),说明DenseNet121在该数据集上识别整体性能最优。对整体性能最优的DenseNet121进行改进，通过引入深度可分离卷积降低网络模型的参数量，引入Inception模块和通道注意力机制提升模型的识别性能，结果表明，改进的DenseNet模型识别平均准确率可达98.96%、平均召回率为98.95%,改进DenseNet模型的训练时间、参数量、模型大小与DenseNet121相比，分别降低了0.9×10～4 s、5.66×10～6、6 MB,其识别性能显著提升且计算资源和存储资源大幅降低。