基于深度学习的裸子植物木质部物种识别：数字林业实践中的松科木材分类研究

本研究针对裸子植物木质部（软木）物种识别难题，构建了全球最大的松科木材横断面图像数据库PWCM（38,953张图像），通过对比数据集划分方法（常规模式与样本分离模式）和评估四种深度学习算法（ResNet50/SeResNet50/RepVGG-B2/RepLKNet-31B），发现RepLKNet-31B在属/种级别分别达到98.55%/80.11%准确率，并首次提出松科木材图像采集标准，为林业生态安全监管和法医鉴定提供技术支撑。

　　

在全球森林健康监测与生物多样性保护需求日益迫切的背景下，松科木材作为中国进口量占比超88.17%的重要林产品（2023年达4610万m³），其快速准确鉴定对防控松材线虫病（Bursaphelenchus xylophilus）传播和打击非法木材贸易至关重要。传统木材解剖学方法依赖专家经验，存在效率低、物种级分辨率不足等缺陷。尽管计算机视觉在被子植物硬木识别中已获成功，但软木因缺乏导管和轴向薄壁组织等特征，面临数据库不完善、模型泛化性差等挑战。

国家林业和草原局木材标本资源中心的研究团队开展了这项开创性工作。他们构建了包含22种中国常见松科树种（涉及Abies/Larix/Picea/Pinus 4属）、481个样本、38,953张图像的PWCM数据集，首次系统评估了两种数据集划分模式对模型性能的影响。通过算法可视化与误识别图像统计分析，揭示了早材-晚材过渡区管胞形态变化和生长轮特征对模型决策的关键作用。

关键技术包括：1）建立样本分离的数据集划分方法（模拟实际场景中新样本鉴定）；2）采用四种CNN模型（ResNet50/SeResNet50/RepVGG-B2/RepLKNet-31B）进行多层级分类；3）基于Grad-CAM的可视化技术解析模型关注区域；4）统计生长轮宽度与识别错误率的关联性。

数据准备
研究基于中国25省采集的松科标本，通过渐进式抛光（120-7000目砂纸）和宏观成像技术获取高分辨率横断面图像，确保涵盖从髓心到树皮的完整生长轮结构。

数据集划分比较
常规随机划分（60%/20%/20%）在测试集上表现优异（ResNet50属级准确率98.55%），但样本分离模式下性能显著下降（属级降至89.17%），证实实验室数据难以反映实际场景复杂性。

算法性能
RepLKNet-31B在样本分离模式下表现最优（属/种级准确率98.55%/80.11%），其大感受野特性更适应松科木材的全局纹理特征。可视化分析显示模型主要依赖生长轮边界及相邻管胞的形态变化进行判别。

图像选择标准
研究提出：1）含1-3个完整生长轮的图像识别效果最佳；2）四类解剖特征区域（幼材-成熟材过渡区、髓心周围、近树皮边材区、生长轮宽度突变区）会显著干扰识别，为软木图像采集提供了首个标准化参考。

这项研究不仅填补了裸子植物木材智能识别的技术空白，其建立的PWCM数据集和图像选择原则更为林业检疫（如松材线虫病寄主筛查）、濒危物种保护（中国2021年保护名录中30种松科植物）及木材法医学提供了可落地的解决方案。通过揭示深度学习模型与木材解剖特征的映射关系，推动了数字林业从硬木识别向软木分类的技术跨越，对保障生态安全和生物多样性具有重要实践价值。