深度迁移学习在古筝品质分级中的应用

黄英来，温 馨，任洪娥，王佳琪

东北林业大学 信息与计算机工程学院，哈尔滨150040

随着经济和文明的发展，人们对民族乐器表现出越来越浓厚的兴趣，古筝面板市场也随之扩大。由于当前对古筝面板品质分级方法主要依赖乐器师个人经验，并根据QB/T1207.3—2011《筝》这一标准观察木材纹理和掂、敲、听等方式来进行主观判断，这种方法需要较长判断时间且结果易受人为因素影响；误判率较高，难以满足日益兴起的市场需求。

深度卷积神经网络（Deep Convolutional Neural Network，DCNN）[1]自2012 年后相继出现，并在计算机视觉与图像处理[2-3]领域上取得了超越人类专家的识别结果，然而训练好一个DCNN需要数百万个参数且离不开大量的标记样本，需要耗费大量训练开销和时间。针对很多领域[4-5]缺乏有效的标注数据这个实际问题，迁移学习给出了很好的解决方法，其通过放宽训练数据和测试数据必须为独立同分布的假设，将知识从源域迁移到目标域[6-11]。

目前在深度学习和迁移学习热潮下对木材的识别方法都是针对不同树种展开的，缺乏对同一树种不同品质板材之间进行分类的研究。本文通过分析以往对不同树种间研究的方法，来探索一种应用于古筝面板品质分级方法。Loke 等人[12]提出一种转换卷积神经网络（Convolutional Neural Network，CNN）输入层来直接捕获纹理属性和关系像素属性的新方法，在27 种木材分类中识别精度达到了93.94%，但该方法需要海量数据且受限于CNN 网络层数，层数过深时网络易过拟合。Ravindran 等人[13]基于预训练VGG16 模型实现了对10种热带楝科木材分类识别，识别精度达到了87.4%～97.5%。……