针对从宏观木材图像中识别森林物种的多代YOLO架构的全面基准测试

《Scientific Reports》：A comprehensive benchmark of multi-generation YOLO architectures for forest species identification from macroscopic wood images

　　

摘要

从木材样本中准确识别森林物种对于打击非法砍伐和支持可持续木材贸易至关重要。本研究对比了三个YOLO世代（YOLOv8、YOLO11和YOLO26）的15个深度学习模型，这些模型分别有五种不同的尺寸（从纳米级到特大型），用于对73种森林物种进行分类，识别依据是宏观木材图像。研究收集了77,865张图像（每张图像大小为448×448像素），这些图像来自三种不同的采集方式，并对空间分辨率进行了标准化处理。其中四个模型在测试中的准确率达到了99.87%（MCC = 0.9987），其中YOLO26-medium模型的处理效率最高，每秒可处理232.5张图像。所有15个模型在前三名分类中的准确率均达到了100%，误差分析表明错误分类主要发生在个别图像上。通过对所有图像进行多数投票处理，YOLO26-medium模型在测试图像上的准确率也达到了100%。多尺度RISE显著性图显示，这些模型能够关注到与木材结构相关的特征，如孔隙排列和木质部纹理；t-SNE分析进一步表明YOLO26模型生成的特征空间区分度最高。通过三种互补的检测方法（最大Softmax概率、基于能量的评分和马氏距离）进行离分布检测评估，结果证实这些模型能够有效区分普通非目标内容以及使用相同采集方法获取的未知木材物种。这些研究结果为宏观木材物种识别树立了新的基准，并表明中型YOLO模型是未来在资源受限设备上进行野外检测的理想候选者。