基于注意力機制與遷移學習的改進ResNet18模型在木材近紅外光譜分類中的應用

中圖分類號：S781.7 文獻標志碼：A 文章編號：2095-2945(2025)14-0076-04

Abstract:Thedevelopmentofwoodmodificationtechnologyhasmadewoodclasificationakeyproblem，andthedata processngofnear-infraredspectroscopytechnologischalenging.Inthispper，animprovedResNet18modelbasedonaention mechanismandtransferlearningisproposedfornear-infraredspectralclassficationofwoodBasedonResNet18，combinedwith theattentionmechanism，theimportantbandsarefocused，andtransferlearningisusedtoimprovetheeficiencyand generalizationability.Experimentsshowthatthemodelhasexcelentperformanceintrainingtimeandaccuracytheaention mechanismcanimprove theacuracy，andtransfer learning cansolvetheproblem ofsmallsamples，whichprovidesaneffective method for wood spectral analysis，and can be further optimized and expanded in the future.

Keywords: near-infraredspectroscopy;ResNet18 model;atentionmechanism;transfer learning;woodclassificatior

木材是重要自然資源，在多行業廣泛應用，其特性使其用于高附加值產品制造。但原木材易受環境影響，性能和耐久性下降，促使木材改性技術發展，木材改性可提高應用價值，延長使用壽命，是速生材高值化利用的重要途徑之一Ⅲ。準確高效識別分類不同木材及其改性產品成為重要課題。

在木材改性領域，不同工藝改變木材相關性質，需可靠分析手段。近紅外光譜技術因高效、非破壞性等特點被廣泛用于木材定性和定量分析，可表征木材內部變化揭示改性特征，但光譜數據存在高維度、復雜性和噪聲，傳統分析方法面臨挑戰。近年來深度學習方法被引入光譜數據分類和回歸任務，取得顯著效果。

深度學習中，卷積神經網絡因圖像處理中可成功提取局部特征并實現降維、抗噪聲，被引入光譜分析。ResNet18的殘差結構可跨層傳播信息避免梯度消失，用于木材光譜分類中僅靠其特征提取能力有時無法充分利用復雜信息，對關鍵特征選擇和關注可能不足。本文引入注意力機制與遷移學習對木材及其改性樣本近紅外光譜數據準確分類，構建優化基于ResNet18的分類模型，引入注意力機制增強對重要特征的關注度，利用遷移學習提高訓練效率和分類精度，通過對比實驗證明結合注意力機制和遷移學習的改進ResNet18（ResNet18)模型在木材和改性木材光譜分類任務中有顯著性能優勢。

1改進ResNet18的模型與評估指數

1.1 ResNet18模型

ResNet18有18個卷積層，核心是殘差塊概念，通過跳躍連接實現輸入輸出直接相連，學習殘差信息以保持梯度流動，便于訓練更深網絡。常用隨機梯度下降優化器，通過最小化交叉熵損失函數優化參數，訓練可用數據增強、正則化等提高泛化能力和魯棒性。但ResNet18模型深，計算資源和訓練時間需求大，參數多于輕量級模型，在資源受限環境部署困難，殘差塊輸入輸出直接相加可能導致特征失真，在小規模數據集可能過擬合，表現不如淺層網絡，所以引入遷移學習與注意力機制。

1.2 遷移學習

遷移學習利用大規模數據集上預訓練模型的先驗知識，提高新任務中模型訓練效率和性能3。在木材光譜分類任務中，因訓練數據樣本量有限，從零訓練易過擬合影響泛化能力，遷移學習將預訓練模型特征遷移到木材光譜分類任務，可提高訓練效率，減少對大規模標注數據依賴。

1.3 注意力機制

注意力機制受人類視覺系統啟發，模擬人聚焦重要區域能力，使模型對輸入數據關鍵特征賦予更高權重，增強特征表達能力4。在近紅外光譜分類任務中，某些波長段含重要化學信息，是區分木材的依據。引入注意力機制，模型可聚焦關鍵波段，提高分類準確性，還能賦權不同波段，讓模型關注重要區域。例如引入注意力機制可改善傳統卷積神經網絡無法識別木材光譜某些波段與化學改性特征相關的關鍵特征問題。

1.4交叉熵損失函數

交叉熵損失函數用于衡量模型預測結果與真實標簽差異，更新模型權重和偏置，其值越小，模型預測值與真實值越接近。并具有單調性、可導性和魯棒性等優點，能有效衡量差異程度并自動調整模型參數，使預測結果更接近真實標簽。原理是計算模型預測概率分布與真實標簽概率分布的交叉熵來評估模型性能。在分類問題中，真實標簽是one-hot編碼向量，表示樣本所屬類別，模型預測結果是概率分布向量，表示樣本屬于每個類別的概率。計算公式為

式中： L_CE 為交叉熵損失； N 為樣本數； y_i 為第 i 個類別的真實標簽（取值為0或1）； p_i 為模型預測第 i 個類別的概率7。

2 實驗部分

2.1 樣品的制備

本研究選楊木、桐木、巴爾薩木等原木及楊木改性樣本（PVA、硅溶膠、PVA-納米硅溶膠改性），原木無缺陷，實驗前在 20^°C 和 65% 濕度下保存。實驗試劑有無水乙醇等，PVA來自麥克林，硅溶膠來自山東優索，

均為分析純。

制備改性樣本時， 3wt% 的PVA水溶液常溫浸楊木 24h ，洗凈瀝干后固化 24h 得PVA改性楊木；用納米硅溶膠溶液按類似步驟得硅溶膠改性楊木；PVA與納米硅溶膠3:1混合，經超聲和磁力攪拌得混合溶液，浸漬楊木后得PVA-納米硅溶膠改性楊木。最后，用各改性樣本近紅外光譜特征分析，評估不同改性方式對楊木性能的影響。

2.2利用傅里葉近紅外光譜儀進行光譜采集

本研究使用NicoletiS10傅里葉近紅外光譜儀采集原木和改性木材樣本光譜。該光譜儀高性能，適用于復雜材料分析。采集前對樣本標準化處理，包括打磨平整表面，置于光譜儀進行背景掃描校正干擾信號，波長范圍 400～4000cm^-1 ，每個樣本掃描32次取平均得最終數據。通過采集獲得高質量光譜圖，如圖1所示，為分類模型提供可靠基礎，光譜特征信息用于訓練和評估改進ResNet18模型，以實現原木和改性木材自動化識別和分類。

3 結果與討論

3.1 模型的訓練

訓練模型時，本文將數據集按照7:3的比例分為訓練集與測試集，訓練超參數設置見表1。

3.2 實驗結果

圖2展示了在訓練過程中訓練集與測試集損失函數與準確率的變化情況，可以看出訓練集迭代到7次時準確率達到 93.81% ，損失函數在迭代到34次

時最低為0.12，測試集在迭代到34次時，準確率達到97.14% ，損失函數在0.088附近波動，說明模型能夠快

速收斂，具有良好的泛化能力，能對未知種類的木材可做出準確的預測

3.3 對比實驗

為評估改進ResNet18網絡模型的優越性，將改進ResNet18與其他模型進行了對比分析，模型訓練時間見表2。訓練時間的長短受到多種因素影響，一般來說，結構越復雜，參數數量可能越多，訓練所需的時間和計算資源也就越多。例如DenseNet的連接方式較為復雜，可能導致其參數數量較多，從而訓練時間較長。而VGG16結構相對簡單，參數數量相對適中，訓練時間也相對較短。但改進ResNet18的訓練時間均短于其他模型，這意味著在實際應用中，改進ResNet18可以更快地完成訓練過程，節省計算資源和時間成本，提高模型開發和部署的效率。

由圖3可知，普通ResNet18預測集準確率明顯低于改進ResNet18，交叉熵損失函數和準確率對比圖顯示兩者迭代曲線走勢有差異。改進ResNet18添加的注意力機制改變模型對數據關注重點，每次迭代中其特征權重更新方向和幅度可能與普通ResNet18不同，使損失函數下降速度、方式及準確率提升過程有別。遷移學習帶來的初始權重優勢讓模型在早期迭代就可能有較低損失值和較高準確率，隨著迭代，模型基于初始權重繼續優化，其損失和準確率變化軌跡與普通ResNet18從隨機初始化開始的學習過程不同。

由表3和圖4可知，改進ResNet18測試集準確率達 98.89% ，高于其他對比模型，表明其分類預測時能更準確識別類別，泛化能力和學習數據特征能力更好，可在實際應用中提供更可靠預測結果。從圖4交叉熵損失函數和準確率曲線看，改進ResNet18迭代性能可能更優，結合訓練時間和準確率結果推測，其訓練中損失函數下降更快、更快收斂到低值，準確率提升也更快，反映出它在學習數據特征和優化模型參數方面效率更高、性能更好，能更快適應數據并找到最優參數配置，提高模型準確性和穩定性。

改進ResNet18有訓練時間短、準確率高、損失函數和準確率曲線表現可能更優等優點，在實際應用中更具競爭力，在大規模數據或對預測準確性要求高的場景下能提供較好解決方案，與其他經典網絡模型相比，其性能優勢體現了模型設計和優化的創新性和有

效性。

4結論

本研究用改進ResNet18模型對木材近紅外光譜分類，改進ResNet18訓練時間156.12s，優于未改進ResNet18( 174.63s ）及其他模型，測試集準確率98.89% ，高于VGG16等及未改進ResNet18。從交叉熵損失函數和準確率曲線看，改進ResNet18迭代性能更優，收斂快且準確率提升快。結果表明，引入注意力機制和遷移學習可提高性能，注意力機制使模型聚焦關鍵波段，遷移學習解決小樣本問題。未來可探索優化注意力機制設計，擴展到其他木材和改性方法驗證適應性和魯棒性。

參考文獻：

[1]郭文巖，俞友明.木材功能改良技術的研究現狀[J].南方農機，

[2]唐杰，羅彥波，李翔宇，等.基于近紅外光譜數據的一維卷積神經網絡模型研究[J].光譜學與光譜分析，2024，44(3)：731-736.

[3]聶建政.基于卷積神經網絡的遷移學習算法研究及其在細粒度圖像識別中的應用[D].西安：西安電子科技大學，2018.

[4]周麗媛，趙啟軍，高定國.基于注意力引導深度紋理特征學習的復雜背景藏藥材切片圖像識別[J]世界科學技術-中醫藥現代化，2022，24(12)：4825-4832.

[5]張嘯天.基于改進RetinaNet算法的絕緣子缺陷檢測研究[D].銀川：北方民族大學，2022

[6]周程陽，劉偉，吳天潤，等.基于混合專家模型的巖石薄片圖像分類[J].吉林大學學報(理學版)，2024，62(4)：905-914.

[7]劉易雪，宋育陽，崔萍，等.基于無人機遙感和深度學習的葡萄卷葉病感染程度診斷方法[J].智慧農業（中英文)，2023，5(3):49-61.