韓 爽，呂 軍，丁志平，趙劍鋒，陳旭東，周 強，張哲宇，姚 青

（1.浙江理工大學 信息學院，浙江 杭州 310018；2.張家港海關，江蘇 張家港 215600；3.杭州籜草科技有限公司，浙江 杭州 311500）

0 引言

中國作為瀕危野生動植物種國際貿(mào)易公約（CITES）的締約國，對瀕危木材國際貿(mào)易有著嚴格的控制及監(jiān)督要求，進出口瀕危木材需要辦理相關證明，并接受海關監(jiān)管。但在進出口貿(mào)易中，高價低報、多進少報、夾帶藏匿、瀕危木材偽報成普通木材等現(xiàn)象屢見不鮮。由于木材種類繁多，且不同材種之間物理化學性質(zhì)差異很大，因此對海關的木材鑒定能力提出了極高要求。通常人們會通過花朵、果實和樹葉形態(tài)識別樹木種類，但當樹木被砍伐成為木材后，對樹木種類的識別則變得異常困難，此時需要依靠宏觀結構及微觀結構特征等進行辨認。因每種木材具有特定的宏觀及微觀結構，木材分類專家首先利用放大鏡、體視顯微鏡和生物顯微鏡觀察木材結構，然后通過不同木材宏觀及微觀結構特征的對比及木材自身特征鑒定木材種類。然而，由于國內(nèi)木材分類專家稀缺，而木材種類繁多，在日益增長的木材進出口交易中，基于專家人工的木材鑒定手段已無法滿足快速、實時鑒定的需求，因此亟需構建一個快速自動識別木材種類的系統(tǒng)，以輔助海關檢查人員快速鑒定木材種類。隨著圖像處理與機器學習技術在多個領域的深入應用，利用木材宏觀及微觀結構圖像識別木材種類成為了可能。如Mallik等利用掃描電鏡獲得7 種放大1 500 倍的木材橫截面圖像，提取木材紋理、管胞形狀、數(shù)量及分布等特征，并訓練多種分類器對其進行分類，結果表明，支持向量機和神經(jīng)網(wǎng)絡模型在7 種樹種分類上獲得了最高準確率，分別為81.0%和80.0%；Khalid 等利用紋理特征與神經(jīng)網(wǎng)絡模型對20 種熱帶木材解剖圖像進行分類研究，獲得了95.0%的準確率；周書仁等和Ojala 等使用局部二值模式（LBP）提取木材橫截面圖像局部紋理特征，相比于均值、方差等方式，局部二值模式可獲得分布更均勻的特征值，從而獲得更好的分類效果。但以上方法大多借助顯微攝影獲取木材圖像信息，需要在實驗室中進行操作，且研究停留在算法階段，實時性與便攜性較差，無法應用于實際場景中。

為提高海關木材鑒定效率及準確率，本文在張家港海關國家材種鑒定與木材檢疫重點實驗室拍攝的木材橫截面宏觀結構圖像基礎上，結合基于深度學習的圖像識別技術，構建基于Web 的木材圖像遠程自動鑒定系統(tǒng)，從而為海關木材檢測人員提供遠程、快速的木材種類智能鑒定輔助工具。

1 木材遠程鑒定系統(tǒng)框架

木材遠程鑒定系統(tǒng)主要包括Web 端、木材數(shù)據(jù)庫和服務器端3 部分，其中服務器端包括應用服務器與算法服務器。海關檢查人員通過Web 端上傳木材橫截面放大圖像，并通過網(wǎng)絡協(xié)議傳輸?shù)椒掌?。為提高系統(tǒng)承載能力，本文將數(shù)據(jù)先經(jīng)過一層負載均衡器，將數(shù)據(jù)請求均勻分布在多個服務器上。服務器端接收到請求后先通過Spring Security安全框架驗證請求是否合法，以提高系統(tǒng)安全性。安全驗證通過后，服務器調(diào)用木材識別模型對圖像進行識別，針對識別結果在木材數(shù)據(jù)庫中查詢相關信息，最后將結果返回給Web 端用戶。該系統(tǒng)還提供了專家在線技術支持功能，海關檢查人員可通過圖片、文字、語音、視頻等多種方式尋求專家的遠程指導。

Fig.1 Structure framework of remote identification system of wood images圖1 木材圖像遠程鑒定系統(tǒng)架構

2 系統(tǒng)設計

2.1 Web 端設計

系統(tǒng)Web 服務平臺前端利用HTML、CSS 和JavaScript等技術開發(fā)系統(tǒng)Web 服務平臺，采用Vue-CLI 搭建系統(tǒng)框架，以及Element UI 設計界面，將前端各功能模塊化。系統(tǒng)使用ES2015+標準，并向下兼容ES5，適配所有主流瀏覽器。使用Vue Router 作為路由管理器，支持路由∕視圖表嵌套、模塊化組件配置、導航細粒度控制等功能。網(wǎng)絡請求使用基于HTTP 協(xié)議的Axios 網(wǎng)絡請求，支持XMLHttpRequests、轉(zhuǎn)換請求數(shù)據(jù)與響應數(shù)據(jù)、自動轉(zhuǎn)換JSON 數(shù)據(jù)及防止XSRF 攻擊等功能。通過Token 保存識別信息，并減少不必要的交互信息，以提升系統(tǒng)健壯性。前端開發(fā)時使用Mock.js 模擬數(shù)據(jù)響應，使前、后端開發(fā)完全分離，實現(xiàn)整個系統(tǒng)高度解耦。

圖2 給出了系統(tǒng)Web 端設計路線圖。用戶登錄成功后，服務器將根據(jù)用戶權限返回對應功能列表和Token。管理員可對所有用戶信息、權限等進行操作，普通用戶則無法操作。Token 利用服務器對每個用戶單獨生成一個專屬字符串，Web 端發(fā)起請求時將Token 封裝在HTTP 請求頭，服務器通過Token 信息對用戶信息進行安全與權限驗證。圖像識別時用戶通過Form 表單形式將圖像封裝入HTTP 請求體中，服務器接收圖片，識別完成后返回木材信息、相關走私案例與海關資訊信息，將信息渲染在網(wǎng)頁上供用戶參考。若用戶需要瀏覽木材信息，Web 向服務器發(fā)起請求。因木材信息數(shù)量較多，需要對信息進行分頁查詢?yōu)g覽，且在請求參數(shù)中需要攜帶pageNum 和pageSize 字段，分別代表當前頁號和一頁包含的信息條目數(shù)，服務器返回對應數(shù)據(jù)供用戶瀏覽與參考。若對識別結果有疑問，可通過專家在線支持功能向?qū)＜姨釂?，提問方式分為圖文和音視頻兩種。圖文方式中，用戶填寫問題描述及上傳相關圖像，Web 將信息封裝入HTTP 請求體中并上傳至服務器，服務器存儲數(shù)據(jù)到數(shù)據(jù)庫，專家查看問題后給出指導意見，用戶可在自己的提問記錄中查看專家意見。如果用戶需要在短時間內(nèi)獲得專家支持，可選擇音視頻方式與專家面對面交流遇到的問題。

Fig.2 Design route of system Web client圖2 系統(tǒng)Web 端設計路線

2.2 數(shù)據(jù)庫設計

目前常用的關 系型數(shù)據(jù)庫有MySQL、Oracle、SQLite等。其中，MySQL 具有開源、免費、適配度高、性能較好等特點，是目前使用最廣泛的關系型數(shù)據(jù)庫，因此本文使用MySQL 構建木材遠程鑒定系統(tǒng)數(shù)據(jù)庫。

木材遠程鑒定系統(tǒng)數(shù)據(jù)分為用戶信息和木材信息兩部分。用戶信息數(shù)據(jù)存儲采用RBAC（Role-Based Access Control）模型，通過角色關聯(lián)用戶，利用角色關聯(lián)權限方式管理用戶相關信息。圖3 展示了系統(tǒng)中用戶相關信息表結構，sys_user 表中存儲用戶信息，包括用戶ID、工號、用戶名、密碼等，sys_role 表中存儲角色權限信息，如權限名稱、權限關鍵字等，sys_menu 表中存儲系統(tǒng)中所有功能接口，通過與sys_role 表關聯(lián)確定用戶所屬權限信息。

木材信息存儲參考RBAC 模型，木材信息表包括木材名稱、分類、產(chǎn)地等信息，走私案例信息與海關內(nèi)部資訊信息分別存儲在其它兩張表中，再通過兩張關聯(lián)表關聯(lián)木材與查發(fā)案例及咨訊信息。同時，采用Redis作為緩存數(shù)據(jù)庫，將熱點信息存儲在Redis 中可提升系統(tǒng)處理高并發(fā)用戶請求的能力，從而提升系統(tǒng)穩(wěn)定性。

2.3 木材遠程鑒定系統(tǒng)后臺服務器

后臺服務是基于Spring Boot 框架實現(xiàn)的，Spring Boot在Spring 基礎上實現(xiàn)了很多框架的自動配置，同時內(nèi)置Tomcat 服務器，極大地簡化了開發(fā)與部署工作量。Web 與服務端交互使用RESTFul 格式請求，用戶請求通過HTTP協(xié)議發(fā)送至服務器端。請求首先通過Nginx進行負載均衡，然后通過輪詢方式轉(zhuǎn)發(fā)到后臺服務。接收到用戶請求后，使用Spring Security 并結合JWT進行用 戶認證與授權。Spring Security 是Spring 提供的一個安全管理框架，可用來過濾非法請求及驗證用戶信息是否正確，驗證成功后再進行相關業(yè)務處理并返回至Web 端。在用戶進行木材圖像識別時，后臺接收到木材圖像，先對圖像合法性進行驗證，確認沒有問題后轉(zhuǎn)發(fā)到Django 服務器。Django 是Python 的一個Web 框架，本系統(tǒng)使用Django 框架，以避免語言直接互相轉(zhuǎn)換帶來的性能損耗。Django 服務器接收到圖像，調(diào)用木材圖像識別模型得到預測結果，并返回給Spring服務器。Spring 接收到識別結果，提取相關信息并從數(shù)據(jù)庫中查詢該木材對應的拉丁文名、木材產(chǎn)地、分類地位等信息，將這些信息封裝后以JSON 格式返回至Web 端，用戶即可在Web 端看到識別結果，整個過程耗時約1～2s。

Fig.3 User information table structure of remote identification system of wood images圖3 木材圖像遠程鑒定系統(tǒng)用戶信息表結構

Fig.4 Flow of wood image identification in the Web client圖4 Web 端木材圖像識別流程

2.4 木材遠程鑒定系統(tǒng)識別算法

2.4.1 木材圖像數(shù)據(jù)

木材橫截面圖像來自張家港海關國家材種鑒定與木材檢疫重點實驗室中通過手機拍攝的120 種木材橫截面放大圖像，共計55 594 幅圖像，按照9∶1 的比例隨機分配訓練樣本及測試樣本數(shù)量。

2.4.2 圖像預處理

為提高模型的魯棒性和泛化能力，對木材圖像進行水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)及亮度調(diào)整3 種數(shù)據(jù)增強處理操作（見圖5），以增加模型的訓練樣本量。

Fig.5 Data enhancement results of wood cross-sectional images圖5 木材橫截面圖像數(shù)據(jù)增強結果

2.4.3 基于ResNet101 的木材識別模型

目前，圖像識別效果較好的卷積神經(jīng)網(wǎng)絡模型有AlexNet、VGGNet、GoogLeNet等，但這些網(wǎng)絡在訓練時會產(chǎn)生精度退化問題。He 等提出深度殘差網(wǎng)絡ResNet，通過Residual Block 的設計，調(diào)整殘差塊內(nèi)的輸出通道數(shù)量與堆疊的殘差數(shù)量，以及網(wǎng)絡寬度和深度，解決了深層網(wǎng)絡的退化問題。本文采用ResNet101 訓練木材識別模型。

ResNet101 網(wǎng)絡結構如圖6 所示，輸入層是一個卷積核大小為7×7、步長為2、通道數(shù)為64 的卷積層，然后是不同數(shù)量的殘差塊（Residual Block）堆疊組成的4 部分：［1×1，64；3×3，64；1×1，256］×3，［1×1，128；3×3，128；1×1，512］×8，［1×1，256；3×3，256；1×1，1 024］×36 和［1×1，512；3×3，512；1×1，2 048］×3，輸出層為7×7 的平均池化層與Softmax全連接分類層，其中Conv3_1、Conv4_1 和Conv5_1為下采樣層。

Fig.6 Architecture of ResNet101 network圖6 ResNet101 網(wǎng)絡結構

圖7 給出了ResNet101 中Residual Block 的結構，由3個卷積層組成。第一層卷積核大小為1×1，第二層為3×3，第三層為1×1，輸入特征經(jīng)過3個卷積層與原始輸入特征疊加，這種跳躍連接方式可提高模型泛化能力。

Fig.7 Structure of Residual Block圖7 Residual Block 結構

在模型訓練中設置初始學習速率為0.001，采用隨機梯度下降法，每次只隨機選擇一個樣本來更新模型參數(shù)。速率衰減策略為multistep，設置gamma 為0.1，步長為50 000和80 000，動量為0.9，權重衰減量為0.000 5，迭代次數(shù)為100 000 次，輸入圖像預處理大小為224×224。最后為softmax 輸出層輸出相應種類進行木材圖片分類。

3 系統(tǒng)實現(xiàn)與實驗分析

3.1 木材遠程鑒定系統(tǒng)Web 端界面

木材遠程鑒定系統(tǒng)Web 端功能包括用戶登錄、木材圖像智能識別、知識字典、專家在線支持、部門與人員管理等功能。圖8（a）展示了Web 端木材圖像智能識別界面，圖8（b）為知識字典中的材種圖文庫概覽界面，圖8（c）為詳細木材圖文信息界面。若用戶對木材識別結果存在疑問，可在線提交圖文信息，專家將在線進行指導與鑒定，如圖8（d）所示。

3.2 木材識別結果與分析

為評價ResNet101 模型對120 種木材的識別效果，利用平均準確率和平均召回率作為評價指標。準確率表示識別為某種木材中正確識別的比例，召回率表示某種木材被正確識別的數(shù)量占該木材總量的比例。平均準確率表示120 種木材準確率的平均值，平均召回率表示120 種木材召回率的平均值。

采用數(shù)據(jù)增強前后獲得的兩個ResNet101 模型對120種木材進行識別，平均準確率和召回率如表1 所示。

Fig.8 Web interface of remote identification system of wood images圖8 木材圖像遠程鑒定系統(tǒng)Web 端界面

Table 1 Recognition results of 120 kinds of wood cross-sections by ResNet101 model表1 ResNet101 模型對120 種木材橫截面的識別結果

經(jīng)過數(shù)據(jù)增強，ResNet101 模型的平均準確率和召回率分別提高了7.5%與9.1%。

在被誤判的木材圖像中，紫檀屬中刺猬紫檀、大果紫檀、染料紫檀在樣本總量分別為495、479、502 的情況下平均識別率分別為72.4%、71.3%、75.5%，低于平均識別率，主要因為這幾種木材的紋理與顏色特征相似（見圖9），難以識別。因此，對于相似木材的種類識別，需要采集更多木材圖像，擴充訓練集以提高識別準確率。

Fig.9 Wood images of 3 kinds of Pterocarpus species圖9 3 種紫檀屬木材圖像

4 結語

基于Web 的木材圖像遠程鑒定系統(tǒng)包括Web 端、數(shù)據(jù)庫、后臺服務器及深度學習識別模型，具有木材圖像智能識別、木材信息瀏覽查詢、專家遠程在線支持、用戶識別歷史瀏覽等功能。當工作人員遇到難以辨別的木材時，可將采集的木材橫截面圖像上傳至服務器，服務器在1～2s 內(nèi)即可將識別結果反饋給用戶。對于有疑問的地方，還可申請專家進行遠程在線鑒定。

由于珍稀與瀕危木材樣本難以獲得，存在部分木材圖像數(shù)量不足的問題，本文通過圖像增強的方法擴充訓練樣本量，以提高木材識別率與模型泛化能力，最終120 種木材的平均識別率為95.7%。后續(xù)隨著該系統(tǒng)的推廣與應用，將進一步增加相關木材圖像的樣本量，從而進一步提高木材識別率。但該系統(tǒng)僅作為海關工作人員查驗進出境木材的輔助工具，為木材檢測人員快速提供木材種類信息作為參考，從而提升海關工作效率，若對識別結果存在疑問或發(fā)現(xiàn)未在數(shù)據(jù)庫中的木材種類，需要通過專家作進一步鑒定，確保無誤才能通關。

本文只針對海關中常見的120 種木材建立木材圖像遠程鑒定系統(tǒng)，但在實際場景中，木材種類很多。因此，下一步將收集更多木材圖像，完善木材圖文數(shù)據(jù)庫，以識別更多種類的木材。