卷积神经网络用于原木再识别的评估

《Smart Agricultural Technology》：Assessing Convolutional Neural Networks for wood log re-identification

　　

现代木材供应链正在进行数字化转型，以打击非法采伐并增强环境可持续性。原木再识别是促进从森林到最终产品透明可追溯性的重要工具，并借此验证木材的合法来源，从而提高整个木材供应链的问责性。人工智能（AI）的最新进展，尤其是卷积神经网络（CNN）和计算机视觉技术，在自动化原木再识别和匹配任务中展现出良好的性能，提高了效率和准确性。然而，以往基于CNN的原木再识别研究对模型预测背后的潜在推理理解有限，留下了支持整个木材供应链可靠木材追溯的AI方法可解释性方面的空白。为填补这一空白，本研究在森林到锯木厂供应链的实验室规模模拟中，评估了一个基于CNN的框架用于闭集原木再识别。此外，研究人员应用可解释人工智能（XAI）技术分析CNN的决策过程，并提供驱动模型预测的特征洞察。实验框架基于一个包含49个落叶松原木的数据集，并辅以开源数据集用于模型开发和验证。所提出的模型在验证集和测试集上达到97–98%的准确率，而XAI解释技术揭示了有助于原木再识别的关键纹理和结构图像特征。通过将高预测性能与模型可解释性相结合，本研究有助于开发更透明、更可靠的基于AI的原木再识别，支持在木材追溯系统中的实际部署。

**研究背景、问题与目的**
木材产业中有限的信息透明度掩盖了木材产品的来源，为非法采伐和森林退化创造了条件。非法采伐是全球性重大问题，导致森林砍伐、削弱森林生态系统恢复力、威胁生物多样性，并降低森林碳汇能力，从而加剧大气CO₂浓度上升和气候变化。为应对这些环境与社会经济后果，各国出台更严格的法律框架以增强木材供应链的透明度和可持续性（如欧盟的森林执法、治理与贸易（FLEGT）行动计划、欧盟木材法规（EUTR）及欧盟零毁林法规（EUDR））。未来，法规还要求产品（包括家具）附带数字产品护照（DPP），通过唯一标识符实现全价值链可追溯性。木材追溯方法从早期的人工标记（如油漆、打孔）发展到外部标识（如射频识别（RFID）标签、条形码、二维码），但这些方法易在运输中受损。为此，研究人员转向基于木材固有解剖特征的生物识别方法，包括2D/3D扫描、X射线扫描、近红外（NIR）高光谱成像等。基于图像的方法（如原木端面或锯材图片）因成本低、信息丰富而成为有前景的方向，传统计算机视觉特征描述符（如尺度不变特征变换（SIFT）、ORB、AKAZE）被用于原木再识别。近年来，深度学习，特别是卷积神经网络（CNN）在自动提取特征方面取得了显著成功（准确率达93%）。然而，CNN模型常作为“黑箱”运行，缺乏决策透明度，可能依赖虚假相关（如“聪明汉斯”现象），导致在真实场景中失效。因此，本研究的目的是：（i）在森林到锯木厂供应链的实验室模拟中，实现高预测准确率的原木再识别；（ii）应用可解释人工智能（XAI）技术增强透明度，揭示驱动模型预测的图像区域和特征。

**研究方法与关键技术**
研究人员使用49个落叶松原木（来自奥地利M?lltal森林区域），每个原木切割成1米长并两端切取圆盘，共98个圆盘（标注为01a–49b）。数据采集分四个会话（第1、7、12、20天），模拟森林采伐后、运输前不确定期、到达锯木厂等阶段，使用索尼Alpha 6100相机（在照片灯箱）和iPhone 11（在灯箱和室外自然光）拍摄，每圆盘每次会话3张图像，共1,176张图像。预处理采用rembg（基于U-Net的AI背景去除）和轮廓检测（cv2.findContours）分割木盘。模型选择：基于ResNet152V2架构，通过迁移学习微调。模型A：先在大直径开源数据集DO（2,465张苏格兰松木图像）上训练，再在目标数据集DP（落叶松）上微调；模型B：直接在DP上训练。使用Adam或RMSprop优化器，数据增强（旋转、平移、亮度调整等），评估指标包括宏平均精确率、召回率、F1分数及Top-3准确率。XAI技术：层相关性传播（LRP）、遮挡敏感度、引导梯度加权类激活映射（Guided Grad-CAM）和集成梯度（IG），并采用蒙特卡洛置换检验（Benjamini-Hochberg校正，p<0.001）增强统计显著性。插入和删除曲线评估XAI忠实度。

**研究结果**
**3.1 模型性能**：模型A在验证集上准确率98.88%，测试集97.22%；模型B验证集98.88%，测试集98.26%。两种模型均达到97–98%准确率，宏平均精确率、召回率、F1分数均>97%，Top-3准确率100%。对比经典描述符（SIFT 99.65%，ORB 99.31%），CNN方法略低，但CNN自动学习特征，更适合大规模场景。
**3.1.1 交叉验证与模型稳定性**：4折交叉验证显示，模型A平均准确率90.13%±11.6%，模型B为92.01%±10.1%。第4折（训练会话1-3，测试会话4）最接近实验设计，准确率分别为97.57%和99.31%，与最终测试结果一致，表明模型泛化稳定。
**3.1.2 迁移学习效果与特征表示分析**：相对迁移增益（RTG）为-1.06%，处于无意义区间（-2%≤r≤2%），表明模型A的开源域预训练未带来显著改进。McNemar检验（χ2=0.571，p=0.45）无显著差异。PCA和t-SNE可视化显示，在logit层嵌入中两模型高度重叠，说明输出分布相似。
**3.2 解释结果**：LRP热图显示，两个模型均依赖木材解剖特征（如边缘、裂缝、节疤、髓心）进行预测。p值热图（Benjamini-Hochberg校正后）确认这些区域显著驱动模型决策。Guided Grad-CAM清晰地突出节疤和边缘；遮挡敏感度和集成梯度也指向类似区域。插入和删除曲线AUC：集成梯度在插入（模型A 0.68，模型B 0.75）和删除（0.24，0.25）上表现较好；引导Grad-CAM删除AUC最低（0.13，0.15），表明其高亮区域最关键。模型B的忠实度总体高于模型A。
**3.2.2 失败图像**：模型A误分类8张，模型B误分类5张，共同误分类3张。LRP和引导Grad-CAM显示，模型在错误预测中关注了与真实和预测类别相似的区域（如髓心、边缘），且错误预测的置信度较低（20–60%），可作为阈值依据。

**讨论与结论**
讨论部分指出，两个模型均达到高准确率，但开源域（苏格兰松）与目标域（落叶松）物种差异大，导致迁移学习无显著增益。XAI解释表明模型依赖有意义的木材特征，但细粒度特征（如木纹线条）可能不可靠，需进一步测试。插入和删除曲线验证了XAI热图的可靠性，但不同方法各有优劣。未来方向包括整合几何描述符（如髓心到外表面的距离向量）、利用XAI主动改进模型、在更大多物种数据集上验证可扩展性。
**结论**：无论训练配置如何，两个模型均达到强性能。统计和嵌入分析表明，开源数据集整合未带来显著提升，可能因物种重叠不足。解释分析确认模型关注木材圆盘的细粒度和显著结构特征，插入和删除曲线验证了XAI热图的意义。未来工作将整合互补领域特征（如几何描述符），并利用XAI作为主动组件提升模型鲁棒性。最终，可解释性不是事后形式，而是部署CNN再识别于实际木材追溯应用的前提，其中透明度和问责性受到法律强制要求。