科创中国

一、项目意义

本成果来源于中央公益性科研院所基本科研业务费专项资金项目重点项目“木材标本馆升级”(CAFYBB2017ZE003, 2016-2019),国家林业和草原局珍稀濒危物种调査监管与行业规范项目“基于特征图像的紫檀属木材口岸现场识别技术”(2019073065, 2019-2020),国家林业和草原局野生植物保护管理项目“基于深度学习的濒危珍稀木材识别技术研究”(2019073024, 2019-2020), “濒危珍稀黄檀属与紫檀属木材识别技术研究”(2020070306, 2020-2021 )o本成果以突破木材在“种”水平准确快速鉴定这一技术难题为目标，自主研发木材图像采集装置，建立涵盖木材种内变异的构造特征图像数据集，构建了基于卷积神经网络的深度学习模型，开发了木材图像智能鉴定软件。项目成果为在口岸、现场等不同场景下木材及木制品用材的准确快速鉴定提供新途径，为我国进一步增强国际履约执法能力以及提升林产品产业链监管水平提供技术支撑。

二、技术优势

成果“基于卷积神经网络模型的木材图像智能鉴定技术”主要由木材图像采集装置、木材构造特征图像数据集、深度学习模型和木材图像智能鉴定软件等4个部分组成，形成了“硬件-数据库-模型-软件”的全链条研究思路，不仅解决了木材在“种”水平准确快速鉴定这一技术难题，而且为木材树种现场自动精准识别提供了新型解决方案。

1）自主研发了木材图像釆集装置。自主设计研发了装配LED和UV光源、光学镜头和工业相机的木材图像釆集装置，该装置可通过触发开关自动控制图像釆集，最大图像釆集分辨率为4000像素X3000像素，成像视场为6.35毫米X6.35毫米，图像解析度为3.1微米/像素，并可捕获木材荧光反应。该采集装置具有稳定性好、智能化程度高和方便携带等特点。

2）建立了覆盖木材种内变异的构造特征图像数据集。釆用自主研发的木材图像釆集装置，从经正确定名的605份木材标本横切面采集了40种濒危珍贵木材18042张高分辨率图像，并通过图像处理技术进行数据增强，获得了覆盖木材种内变异的构造特征图像数据集，该数据集具有标签准确、图像高质和数据平衡等特点。

3）构建了基于卷积神经网络的深度学习模型。基于卷积神经网络，构建了AlexNet、VGG16、DenseNet和ResNet等深度学习模型，釆用迁移学习技术对模型进行训练，分析了样本数量、图像数量、图像块大小等参数对模型精度的影响机制，确立了深度学习模型最优参数体系，建立了木材构造特征图像识别深度学习模型，对木材“种”的鉴定精度达99.3%,实现了木材在“种”水平的准确快速识别。

4）开发了木材图像智能鉴定软件。该软件包括图像釆集、图像管理、模型管理和图像识别等模块，实现了木材（标本）图像快速釆集和自动标注、图像数据集划分、深度学习模型管理、在线识别、离线识别和拍摄识别等功能。配合木材图像釆集装置，该软件可实时快速鉴定木材样品，输出Top1（前1）和Top5（前5）识别结果，并提供相应的分类信息、保护级别和置信度等信息，实现了木材树种的智能鉴定。

三、应用前景

1）海关查验：通过采集木材图像，自动上传至木材鉴定软件，精准鉴定木材树种，节省木材查验时间和成本，提高木材树种鉴定精度和效率，为海关进出口现场查验、打击野生植物非法贸易、增强CITES履约能力提供关键技术支撑。

2）木材贸易现场：在贸易现场对木材树种进行快速精准鉴定，可减少以次充好、以假乱真带来的商业风险。同时，鉴定结果包含树种保护级别，并可链接至国家相关部门网站，为办理允许进口证明书提供权威信息。

3）教育科研：实时采集高分辨率木材构造图像，并进行自动批量化标注与数据集管理，适用于科研院所木材标本数字化建设及科研教学。快速准确地提供木材分类学信息，即查即用，提高效率。

4）专业检测实验室：植入专业检测实验室后，可以为检测机构快速、大批量样本鉴定提供解决方案，也可大大提高检测精度和效率。

四、社会与经济效益

木材图像智能鉴定技术及装置在CITES履约、海关执法、质量监督和市场贸易等领域得到广泛应用。近三年完成超过300批次、110万立方米木材在口岸现场、市场贸易等不同场景下准确快速鉴定，实现新增产值1977万元，产生了显著的社会与经济效益。

1）完善木材信息学理论，建立木材信息学知识图谱，开创数据驱动、多学科交叉融合的木材科学研究新范式，推动木材科学创新体系构建；

2）建设国家木材标本资源库，实现木材基础信息数字化，形成木材信息标准体系，建立木材科学数据共享平台，为木材信息学研究奠定数据基础；

3）构建数据驱动的木材结构-成分-性能跨尺度构效关系模型，实现木材大分子-细胞壁-微观-宏观等多层级结构可视化，为木材资源高效利用提供理论依据；

4）挖掘木材多源异构数据内在价值，研发创制高值化数据产品和工业产品，加强“数字木材”建设，提升木材资源可持续利用水平，为实现“碳达峰、碳中和”远景目标提供基于林业的解决方案。

五、转化需求

1）借助木材标本国家创新联盟等专业平台，开展木材标本数字化工作，采用专业化、标准化图像采集硬件和软件采集木材构造图像，建立起准确可靠的木材构造图像数据库，为基于深度学习的木材树种计算机视觉识别技术发展和应用奠定坚实的数据基础;

2）比较分析不同卷积神经网络结构及其参数对模型精度的影响机制，确立适用于木材构造图像的最优深度学习参数体系，实现木材树种计算机视觉识别技术的标准化;

3）基于木材构造图像数据库和深度学习模型参数体系，建立基于深度学习的木材树种计算机视觉自动精准识别系统，并在实验室、贸易市场和海关口岸等不同场景进行测试，根据测试结果对模型不断进行优化，提高模型的精度和泛化能力;

4）开展计算机视觉的识别特征可视化研究，解译木材识别构造特征中无法通过人类视觉发现的精细构造特征，进一步揭示木材精细构造特征在种间水平的变异规律，为木材分类理论提供科学依据;

5）开展计算机视觉信息与遗传信息、化学信息等多源数据深度挖掘研究，建立多源数据分类特征库;借助大数据和人工智能，实现木材多源数据分类特征的深度融合，形成基于精细构造图像、DNA 条形码和特征化合物等多特征融合的木材精准识别技术体系。