《表1 各木材缺陷识别方法精度对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于优化卷积神经网络的木材缺陷检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在训练CNN网络的同时，利用SLIC算法对图像进行超像素聚类分析得到木材图像的缺陷轮廓信息。再根据本研究提出的方法改进CNN模型，缺陷识别概率可达98.6%左右，如表1所示。根据人工神经网络理论，采用MATLAB构建了3种用于识别木材缺陷的神经网络模型:RBF神经网络、BP-RBF混合神经网络和卷积神经网络。同样以5 000张100×100的图像为数据集，随机选取4 600张作为训练集，400张作为测试集，得到缺陷特征向量的均值[17-18]。其中，RBF神经网络虽然对数据具有较好的逼近效果，但精度相对较低；BP-RBF混合神经网络具有良好的数据压缩能力并兼具RBF优势，误差受径向基分布常数影响较大；卷积神经网络复杂度低，参数空间小，但精度波动大。相比这3种网络模型，优化的卷积神经网络兼具CNN的优点，缩短了识别时间，同时提高了缺陷的识别准确率和识别速率。因此，本研究提出的算法在木材图像的缺陷提取方面具有一定优势。