木材种类识别是木材科学和工业的一项至关重要的任务。传统上,木材种类识别的工作由具备专业知识和丰富经验的人完成,他们基于木材的各种特征(例如颜色、结构和纹理)来鉴别木材。但是人工识别木材种类的准确率不高,而且是一个很耗时的过程。因此,开发自动化识别木材种类的系统是很有必要的。传统的自动识别木材种类的方法一般是先用手工设计的提取器提取木材图像的特征,然后根据这些特征运用机器学习中的分类器来识别木材。但是,这类手工提取特征的方法难以提取到高质量特征,导致识别准确率不高。针对上述问题,本文采用了深度学习中的卷积神经网络来识别木材种类,其自动学习木材切面图像特征,极大提高了识别准确率。本文的木材种类数据集是由12种木材的横切面、径切面和弦切面的图像组成。针对本文的木材种类数据集的样本数量较小的问题,本文对木材种类数据集进行了数据增强,以防止卷积神经网络出现过拟合现象。本文基于卷积神经网络提出了两种木材种类识别方法:(1)采用已有的经典卷积神经网络识别木材种类。为了提高网络的泛化性能,本文利用迁移学习中的微调技术训练经典卷积神经网络。本文选用了Alex Net、VGGNet、Goog Le Net和Res Net等四种经典卷积神经网络。通过对比实验证明了在木材种类识别任务上,迁移学习的微调技术具有提高这四种网络的识别准确率的作用。其中,使用迁移学习微调技术训练的Res Net-50取得了较高的识别准确率99.15%。(2)针对传统卷积神经网络需要消耗大量的硬件计算资源和存储空间,本文提出一种新的轻量化卷积神经网络,以便在存储空间和计算能力有限的平台上实时完成木材种类识别任务。此网络是大幅改进Mobile Net V2而来的,最大的改进是删除了10个具有shortcut连接的反向残差块,因此计算量和参数量大幅减少。为了提高网络的泛化性能,此网络采取标签平滑策略训练,识别准确率达到99.22%。本文将此网络、Mobile Net V2、Shuffle Net V2和上述四种经典卷积神经网络放在一起对比性能,此网络的识别准确率、参数量和计算量都达到最优水平。最后,本文设计并实现了一个基于Android的木材种类识别系统。本文提出的轻量化卷积神经网络的识别速度和占用空间大小都优于文中其他网络。