[發明專利]基于卷積神經網絡ConvNext與注意力機制的木材花紋識別方法

在審

• 申請號: 202310561541.0
• 申請日: 2023-05-18
• 公開（公告）號: CN116597162A
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 田朔;李文珠;劉美怡;楊東
• 申請（專利權）人: 浙江農林大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06V10/776
• 代理公司: 杭州杭奕專利代理事務所(普通合伙) 33535
• 代理人: 張常勝

本發明提供了一種基于卷積神經網絡ConvNext與注意力機制的木材花紋識別方法，該方法采用改進的ConvNext模型，通過引入注意力機制、卷積層的改進、DropBlock正則化技術和多尺度特征融合來提高模型性能。相較于現有技術在多個性能指標上表現出顯著優越，如訓練和測試準確率、F1Score、召回率、精確率、AUC?ROC、IoU和運行時間。本方法首先對紅木花紋圖像進行預處理，包括裁剪、縮放和數據增強。接著，利用改進的ConvNext模型進行特征提取和分類。該模型在保持較低參數數量的同時，實現了較高的識別性能。此外，本方法還采用了注意力機制以增強模型對紅木花紋特征的關注度，從而提高識別精度。本發明適用于紅木花紋識別領域，為提高紅木鑒別和溯源的準確性提供了有效的技術手段。

技術領域

本發明涉及計算機視覺與圖像識別領域，尤其涉及一種基于卷積神經網絡ConvNext與注意力機制的木材花紋識別方法。

背景技術

木材花紋識別技術在木材加工、家具制造等領域具有重要應用價值。傳統的木材花紋識別方法主要依賴于特征工程與人工智能技術，如SIFT、SURF等特征提取方法。這些方法雖然在一定程度上取得了一些成果，但在處理復雜、多樣化的木材花紋時，識別準確性和實時性仍有待提高。

近年來，卷積神經網絡(CNN)在圖像識別、物體檢測等領域取得了顯著成果。然而，直接應用卷積神經網絡識別木材花紋可能受到關鍵特征分布不均的影響，導致識別準確性降低。因此，在卷積神經網絡中引入注意力機制，自適應加權關鍵特征，有望提高木材花紋識別的準確性。

發明內容

為解決上述存在的問題與缺陷，本發明提供一種基于卷積神經網絡ConvNe?xt與注意力機制的木材花紋識別方法，該方法利用卷積神經網絡進行特征提取，并引入注意力機制，對關鍵特征進行自適應加權，從而提高木材花紋識別的準確性。

本發明的目的通過以下的技術方案來實現：

一種基于卷積神經網絡ConvNext與注意力機制的木材花紋識別方法，該方法包括：

A預處理木材圖像，包括去噪、增強等操作，提高圖像質量；

B利用卷積神經網絡ConvNext進行特征提取，抽取木材花紋的局部與全局信息；

C引入注意力機制，加強對關鍵特征的關注，提高識別準確性；

D構建最終分類器，實現對不同木材花紋的識別；

E采用合適的損失函數和優化算法，對卷積神經網絡ConvNext進行訓練；

F將訓練好的模型應用于實際木材花紋識別任務，實現自動識別與分類。

其中，所述步驟B中，利用卷積神經網絡ConvNext進行特征提取，包括卷積層、線性整流單元、批規范化基本單元等組成部分，抽取木材花紋的局部與全局信息。

作為優選，所述步驟C中，引入注意力機制，通過自適應地加權局部特征，加強對關鍵特征的關注，提高識別準確性；

作為優選，所述步驟D中，基于提取到的特征信息和注意力機制，構建最終的分類器，實現對不同木材花紋的識別；

作為優選，所述步驟E中，采用合適的損失函數和優化算法，對卷積神經網絡ConvNext進行訓練，使模型能夠更好地識別不同的木材花紋。

作為優選，，所述步驟F中，將訓練好的模型應用于實際木材花紋識別任務中，實現對木材花紋的快速、準確識別，為木材質量評估和分類提供依據。

本發明的有益效果是：