摘要
传统的木材解剖学方法是识别木材的黄金标准，但其依赖集中的实验室设施，这在实地检查时严重限制了其应用效果。本研究旨在解决一个关键问题：如何将实体木材标本资源、国家木材采伐登记系统以及边缘计算计算机视觉技术整合到一个统一的框架中，从而在实地检测点实现高效、精准的木材识别？为了解决这一问题，我们采用了三级方法：首先，我们分析了厄瓜多尔森林管理系统的129种商业用木材的历史记录；其次，我们利用木材解剖实验室和木材标本库的510个已编目样本及2267份组织学切片进行差距分析，以获取经过植物学验证的参考资料；最后，我们利用包含4900张高分辨率数字横截面图像的数据库，通过k折交叉验证以及70/15/15%的常规训练/验证/测试数据划分方式，对各种卷积神经网络架构进行了评估。测试结果显示，轻量级的MobileNetV2架构的总体准确率为94.04%，F1分数为0.976。在伊巴拉的商业木材加工厂进行的实地验证表明，该框架在中端安卓设备上的离线推理延迟仅为145毫秒，这体现了该框架的高效率与低成本扩展性。此外，通过类激活映射的可解释人工智能分析还显示，神经网络主要关注的是具有诊断意义的木材结构特征，如导管分布和轴向薄壁组织，从而减少了对外部环境因素的依赖。总之，本研究证明，将实体分类参考集合与针对性的边缘人工智能模型相结合，能够提供一种可扩展、透明且成本低廉的解决方案，有助于将学术研究与热带地区的森林执法工作有效结合。
