近日，我所木材解剖学团队何拓博士、殷亚方研究员，分别以第一作者和通讯作者，在国际木材科学领域顶级学术期刊《Holzforschung》在线发表了木材计算机视觉识别研究标志性突破成果：“Developing Deep Learning Models to Automate Rosewood Tree Species Identification for CITES Designation and Implementation。”研究开发了基于构造图像的木材识别新方法，首次实现了深度学习模型自动提取的木材图像特征可视化，揭示了模型提取的黄檀属和紫檀属木材构造关键特征分别为管孔和轴向薄壁组织。

研究围绕木材精准识别这一世界性科技难题，从417份木材标本（含黄檀属15种、紫檀属11种）中，共采集10237张横切面精细构造图像；在木材图像数据集基础上，通过构建深度卷积神经网络（CNN）对图像大数据进行训练学习，针对15种黄檀属、11种紫檀属，以及所有26个树种分别构建了3种不同的木材识别深度学习模型；通过解析标本/图像数量、图像质量及图像块大小对模型精度的影响机制，确定了模型最优参数体系，完成了木材图像识别特征的自动化提取，实现了对口岸现场黄檀属和紫檀属等常见贸易濒危珍贵木材的快速精准识别。为我国保护森林树种生物多样性、打击野生植物物种非法贸易、提高《濒危野生动植物种国际贸易公约》（CITES）履约执法和木材产业链监管水平提供了强有力的科技支撑。构建的深度学习模型，在木材“种”水平上的识别精度分别达88.4%、93.7%和99.3%。

深度学习模型自动提取15种黄檀属木材构造特征的可视化，显示管孔为关键特征

iWood木材识别系统

近年来，木材解剖学团队在木材精准识别技术领域取得了一系列创新性成果，开发了适用于木材贸易、流通和生产加工等环节的快速精准识别新技术并推广应用。除木材计算机视觉识别技术外，还形成了包括木材标本库和木材多源数据分类特征库，iWood木材识别系统、新型木材构造图像采集装置、木材DNA靶向精准提取、木材DNA条形码识别以及特征化合物识别等多项技术成果，对提升我国CITES履约能力、保护森林树种多样性、促进林业产业发展等均具有十分重要的意义。

（构造室  何拓）