Deep Learning methodology for the identification of wood species using high-resolution macroscopic images

全球需要在木材种类识别领域取得重大进展，以支持可持续的木材贸易。本文通过木材高分辨率宏观图像自动识别木材种类，为该领域做出了贡献。该问题的主要挑战在于，木材中的细粒度图案对于准确识别木材种类至关重要，而这些图案不能被传统卷积神经网络(CNNs)在低/中分辨率图像上训练时正确学习。我们提出了一种基于补丁推理投票的木材深度学习识别方法，简称TDLI-PIV方法。我们的提议利用了补丁的概念和高分辨率宏观木材图像的可用性，以克服CNN在木材识别中面临的固有挑战。TDLI-PIV方法能够捕捉木材中的细粒度图案，并通过协作投票推理过程提高鲁棒性和预测准确性。在本文中，我们还介绍了一个新的木材宏观图像数据集，名为GOIMAI-Phase-I，该数据集通过光学放大获取，以捕捉细粒度细节，与其他公开数据集形成对比。具体而言，GOIMAI-Phase-I中的图像是使用连接到相机的24倍放大镜的智能手机拍摄的。我们的数据集包含2120张木材图像，涵盖37种受法律保护的木材种类。我们的实验评估了TDLI-PIV方法的性能，包括与文献中其他方法的比较，探索数据增强方法以及数据集大小对TDLI-PIV准确性的影响。

自动识别木材物种是可持续木材贸易的必要条件。然而，传统卷积神经网络（CNN）在低/中分辨率图像上训练时无法准确学习木材的细粒度图案，因此需要一种新的方法来解决这个问题。

该论文提出了一种基于补丁推理投票的木材深度学习识别方法（TDLI-PIV），利用高分辨率宏观木材图像的补丁概念来捕捉木材的细粒度图案，并通过协同投票推理过程提高鲁棒性和预测准确性。

该论文引入了一个新的数据集GOIMAI-Phase-I，包含2120个宏观木材图像，覆盖37个法律保护的木材物种。实验比较了TDLI-PIV方法和其他方法的性能，并探索了数据增强方法和数据集大小对TDLI-PIV准确性的影响。

最近的相关研究包括：1.使用卷积神经网络进行木材物种分类的研究；2.利用计算机视觉技术进行木材检测和分类的研究。