于佳宝,高杰,范述捷,王振,陈雪梅,杨光照,李丽君,杜秀,张雪,杜凡.基于ResNeXt50模型的8种纸浆纤维多尺度分类研究[J].中国造纸,2026,45(6):109-122 本文二维码信息
二维码（扫一下试试看！）
基于ResNeXt50模型的8种纸浆纤维多尺度分类研究
Study on Multi-scale Classification of Eight Types of Pulp Fibers Based on ResNeXt50 Model
收稿日期：2025-12-11  修订日期：2026-02-06
DOI：10.11980/j.issn.0254-508X.2026.06.013
关键词:  纸浆纤维分类  ResNeXt50  卷积块注意力模块
Key Words:pulp fiber classification  ResNeXt50  CBAM
基金项目:国家特殊海外高层次人才计划项目；制浆造纸国家工程实验室基金项目（ZZY2025JBGS04）。
作者单位邮编
于佳宝* 1中国制浆造纸研究院有限公司,北京,100102
2制浆造纸国家工程实验室,北京,100102 		100102
高杰 1中国制浆造纸研究院有限公司,北京,100102
2制浆造纸国家工程实验室,北京,100102 		100102
范述捷 1中国制浆造纸研究院有限公司,北京,100102
2制浆造纸国家工程实验室,北京,100102 		100102
王振 1中国制浆造纸研究院有限公司,北京,100102
2制浆造纸国家工程实验室,北京,100102 		100102
陈雪梅 1中国制浆造纸研究院有限公司,北京,100102
2制浆造纸国家工程实验室,北京,100102 		100102
杨光照 1中国制浆造纸研究院有限公司,北京,100102
2制浆造纸国家工程实验室,北京,100102 		100102
李丽君 1中国制浆造纸研究院有限公司,北京,100102
2制浆造纸国家工程实验室,北京,100102 		100102
杜秀 3中轻特种纤维材料有限公司,河北廊坊,065001
4河北省先进纸基功能 材料技术创新中心,河北廊坊,065001 		065001
张雪* 1中国制浆造纸研究院有限公司,北京,100102
2制浆造纸国家工程实验室,北京,100102 		100102
杜凡* 1中国制浆造纸研究院有限公司,北京,100102
2制浆造纸国家工程实验室,北京,100102 		100102
摘要点击次数: 301
全文下载次数: 28
摘要:针对传统纸浆纤维识别效率低、人工成本高、依赖专业人才的问题，本研究提出面向8种典型纸浆纤维的改进ResNeXt50多尺度分类模型。以ResNeXt50为骨干网络，通过三重关键优化提升分类性能：采用迁移学习冻结STAGE0参数，加速拟合并提升模型的泛化能力；引入卷积注意力模块（CBAM）机制聚焦纤维关键形态细节并抑制背景噪声；设计并行多尺度模块融合局部纹理与整体形态特征。基于构建的8种纸浆纤维数据集，PyTorch平台完成模型训练与验证并与主流模型对比。结果表明，改进模型在8种纸浆纤维分类任务中表现优异，精确率92.41%、召回率91.88%、F1分数91.90%，综合性能更优。
Abstract:To address the issues of low efficiency， high labour costs， and reliance on specialised personnel in traditional pulp fibre identification， this paper proposed an improved ResNeXt50 multi-scale classification model for eight types of typical pulp fibres. Using ResNeXt50 as the backbone network， classification performance was enhanced through three key optimisations： Employing transfer learning to freeze STAGE0 parameters， accelerating fitting and improving model generalisation. Introducing the convolutional block attention module (CBAM) mechanism to focus on key fibre morphological details while suppressing background noise. Designing a parallel multi-scale module to integrate local texture and global morphological features. Based on the constructed dataset of eight types of pulp fibres， model training and validation were completed on the PyTorch platform and compared with mainstream models. The results demonstrated that the improved model performed excellently in the classification of eight types of pulp fibres， achieving a precision of 92.41%， recall of 91.87%， and F1 score of 91.90%， with overall superior performance.
查看全文   HTML   查看/发表评论  下载PDF阅读器