CN102812357A - 木材树种的识别方法与系统 - Google Patents
木材树种的识别方法与系统 Download PDFInfo
- Publication number
- CN102812357A CN102812357A CN2010800617552A CN201080061755A CN102812357A CN 102812357 A CN102812357 A CN 102812357A CN 2010800617552 A CN2010800617552 A CN 2010800617552A CN 201080061755 A CN201080061755 A CN 201080061755A CN 102812357 A CN102812357 A CN 102812357A
- Authority
- CN
- China
- Prior art keywords
- image
- trees
- pattern
- module
- timber
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
- G01N21/8986—Wood
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/46—Wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30161—Wood; Lumber
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Wood Science & Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Textile Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种识别至少一种木材树种的方法、系统和计算程序。具体地说,该方法使用一个图像获取模块(IAM)(220)获取至少一种木材树种的图像,另外使用预处理模块(PPM)(230)对该图像进行处理,以提高所获取图像的质量。同时利用特征提取模块(FEM)(240)提取该处理图像的若干特征。此外,该方法还使用图案分类模块(PCM)(250)分类至少一种图案,识别至少一种木材树种。
Description
技术领域
本发明涉及对木材树种的鉴别。更具体的说,本发明涉及一种无人为干预的对木材树种的自动鉴定。
背景技术
马来西亚丛林供应1000多种木材。由于木材树种决定着木材的品质、用途和成本,所以对木材树种的鉴定是木材产业首要步骤。基于解剖学对木材树种的鉴定仅仅局限于少数具有证书执照的个人。培训木材树种鉴定人员是一项非常乏味的任务。
木材树种鉴定曾是以木材树种的结构纹理为基础的。在实践中,对木材树种结构纹理的分析需要通过切割、鉴别、识别或形状计算来确定木材树种的结构纹理特性。对结构纹理特性的分析要求拥有广泛的木材识别相关知识和经验。除了人为失误,在木材树种鉴定中还存在很大的偏向性。为了避免人为误差和偏向性,需要一种自动的程序来识别木材树种。
因此,本发明提出木材树种的自动化识别。
发明内容
总的来说,一方面,本发明描述了一种用于识别至少一种木材树种的方法。具体地说,该方法使用图像获取模块(IAM)(220)来获取至少一种木材树种的一张图像,用于进行图像分析。另外,使用预处理模块(PPM)(230)对该图像进行处理,以提高所获取图像的质量。同时利用特征提取模块(FEM)(240)提取该处理图像的若干特征,以用于归类为至少一种图案。此外,该方法还使用图案分类模块(PCM)(250)分类至少一种图案,识别至少一种木材树种。
总的说来,在另一方面,本发明描述了一个用于识别至少一种木材树种的系统。而且,一个图像获取模块(IAM)(220)获取至少一种木材树种的图像进行图像分析。尤其是,使用预处理模块(PPM)(230)对该图像进行处理,以提高所获取图像的质量。进一步地,利用特征提取模块(FEM)(240)提取该处理图像的若干特征,以归类为至少一种图案。此外,使用一个图案分类模块(PCM)(250)分类至少一种图案,以识别至少一种木材树种。
总的说来,在另一方面,本发明描述了一个计算程序,在实体存储介质中储存,用于识别至少一种木材树种。该程序使用一个图像获取模块(IAM)(220)获取至少一种木材树种的图像进行图像分析。另外使用预处理模块(PPM)(230)对该图像进行处理,以提高所获取图像的质量。同时利用特征提取模块(FEM)(240)提取该处理图像的若干特征,以归类为至少一种图案。此外,使用一个图案分类模块(PCM)(250)分类至少一种图案,以识别至少一种木材树种。
附图说明
参照对以下附图的详细描述,可以更好地了解本发明的这些和其他特征、外观和优势:
图1 是使用与本发明所示技术一致的自动化木材树种识别方法与系统(AWSRMS)进行木材树种自动识别的流程图;
图2是描述使用与本发明所示技术一致的自动化木材树种识别方法与系统(AWSRMS)进行木材树种自动识别程序的方框图;
图3是描述与本发明其中一方面一致的图像获取模块(IAM)的方框图;
图4是描述与本发明其中一方面一致的特征提取模块(FEM)的方框图;
图5是描述与本发明其中一方面一致的图案分类模块(PCM)的方框图。
具体实施方式
本发明涉及自动木材树种识别,这是木材产业中的主要需求之一。更具体地说,本发明公开了一种识别木材树种的整合方法与系统。通常,通过分析木材树种的结构纹理来识别木材树种。结构纹理分析需要识别这些用于切割、鉴别、识别或形状计算的结构纹理特性。然而,本发明使用计算机视觉包括图像分析和统计分类,以探究木材解剖学的定量特征。
在许多计算机视觉和图像处理算法中,在局部图像区域进行强度一致的简单假设。然而,实际物体的图像并没有强度一致的区域。在本发明中,木材图像的肉眼解剖并不均匀。它含有多种强度形式变体,其中某些重复的图案可被认作可视的纹理结构。这些图案是由多种结构元件组成的,例如导管或毛孔、木薄壁纤维或软组织、辐射纹与纤维。
图1是一种利用自动化木材树种识别方法与系统(AWSRMS)自动识别木材树种的流程图。如图所示,该方法起始于步骤100,取一块木材样本(210)进行识别。木材样本(210)可被分割为1×1英寸大小的立方体,以保持一致性。步骤102,使用图像获取模块(220)获得木材样本(210)的图像用于分析。步骤104,获取的图像经过预处理模块(230)的处理提高图像质量。通常,经过处理的图像符合分析阶段的质量需要。步骤106,使用特征提取模块(FEM)(240)提取经过处理的图像的一个或多个特征。该些特征包括木材树种肉眼可见的解剖学纹理结构特征。用于识别的纹理结构特征包括导管或毛孔、木薄壁纤维或软组织、辐射纹与纤维,但不仅限于该领域已知的其他纹理结构特征。步骤108,可以使用图案分类模块(PCM)(250)对提取的特征进行分类。更具体地说,能够将提取的特征绘制为预设图片数据库(IDB)(260)。最后一步110,在使用预设图片数据库(IDB)(260)进行特征分类的基础上完成木材树种的识别。
图2是使用自动化木材树种识别方法与系统(AWSRMS)进行木材树种自动识别程序的方框图。该AWSRMS(200)还包括木材样本(210)、图像获取模块(IAM)(220)、预处理模块(PPM)(230)、特征提取模块(FEM)(240)、图案分类模块(PCM)(250)和预设图片数据库(IDB)(260)。使用图像获取模块(IAM)(220)获得特定大小和形状的木材样本(210)的图像。
在一个实施例中,图像获取模块(IAM)(220)以一种方式操作,使得获取的图像质量良好,与用作培训目的的预设图片数据库(IDB)(260)中的图像保持一致。图像质量因多种因素而变化,例如照明、放大率或视野、图案与样式。图像获取模块(IAM)(220)以一定的方式安装,保持相同的图像质量,尽量使这些因素保持不变。
在另一个实施例中,预处理模块(PPM)(230)可以使用高通滤器锐化图像,从而获得肉眼可见的纹理结构特征更清晰的木材解剖学特征。此外,图像锐化的目的是为了突出图像的细节。经处理的图像可用作特征提取模块(FEM)(240)的输入。
在另一个实施例中,特征提取模块(FEM)(240)可以从经处理的图片的纹理结构中提取信息、特征或属性。同时,可视化的纹理结构可以包括多种强度形式,其中含有重复的式样作为可视化纹理结构。这些式样的变化可归因于不同的物理表面性质和所暴露的环境因素。因此,纹理结构分析方法可用于提取每种木材的显著特征。这些特征可用作下一个模块的输入向量。
在另一个实施例中,图案分类模块(PCM)(250)可使用提取的特征对木材树种进行分类。一般来说,分类是一个根据重要特征或属性的提取,将输入数据分配到一个或多个特定种类中的过程,以及对这些属性的处理或分析。图案分类模块(PCM)(250)可以使用预设图片数据库(IDB)(260)对这些特征进行分类,从而识别木材树种。
在另一个实施例中,预设图片数据库(IDB)(260)使用已知的木材树种进行木材识别发展起来。首先,取相近大小的木材树种样品。然后,对样本图像进行处理,建立并测试数据库。最后,预设图片数据库(IDB)(260)被用于分类和识别木材树种。
图3是描述图像获取模块(IAM)的方框图。图像获取模块(IAM)(220)还包括一个图像获取元件(222)、一个图像获取设备(224)、一个光源(226)和一个连接元件(228)。如图所示,预制的木材样本(210)可作为图像获取模块(IAM)(220)的输入数据。图像获取模块(IAM)(220)专门设计为能够保证获取的图像与数据库中现存图像的亮度、视野、放大率及格式保持一致。
在一个实施例中,图像获取元件(222)可配置一个系统聚焦功能,将相机与木材样本(210)之间距离保持一致,且无需调节。一般来说,通过计算最近距离的预期视野实现。通常,图像获取元件(222)是一个在理论最佳对象具体上的管状物,从而使木材样板(210)靠着图像获取元件(222)。
在另一个实施例中,图像获取设备(224)是一种用于获取图像的特定类型设备。图像获取设备(224)以与木材样板(210)保持一定距离的方式固定在图像获取元件(222)内。此外,图像获取元件(222)可与软件连接,以获取特定规格的图像。
在另一个实施例中,光源(226)可使用照明设备的空间分辨率来维持图像质量的一致性。具体地说,光源(226)可能需要提供恒定的光强度,为深色样本提供足够的光强度,在木材样本(210)上均匀照明。光源(226)可以是一种LED显示,用于获得图像必需的质量。
在另一个实施例中,连接元件(228)作为图像获取模块(IAM)(220)和另一个模块的软件部分之间的数据转换元件发挥作用。此外,连接元件(228)有助于用于在线和离线模式识别木材。具体地说,离线版本是指使用附着在整合系统上的图像数据库(260)识别图像。对于在线版本,可使用图像获取设备(224)自动获取图像,用于更新图像数据库(260)以在线识别。木材识别系统的软件可使用C#编程语言编写。连接元件(228)可采用更为经济有效的USB(通用串行总线)技术,通过USB(通用串行总线)本身供电。
图4描述的是特征提取模块(FEM)。特征提取模块(FEM)(240)包含第一套技术。第一套技术进一步包括多种特征提取方法,例如一个灰度共生矩阵(GLCM) (242)、一个基础灰度氛围矩阵(BGLAM) (244)、一个伽柏滤光器(246)和一个小波(248)。应该注意到的是,作为预处理模块(PPM)(230)输出的预处理图像可作为特征提取模块(FEM)(240)的输入。特征提取是从预处理图像的结构纹理中提取特征或性能的一步重要过程。
在一个实施例中,特征提取,是将图形转化成以特征向量形式的适当表现。上述特征提取方法中的任何一个都可以用于将图像转化为一系列数值,称作特征。这些提取的特征可用作图案分类模块(PCM)(250)的输入。
在另一个实施例中,任何木材样本的图像纹理结构可具有多种强度,构成某些重复的图案。图案中的这些变化归因于不同的物理表面性质。此外暴露于环境因子也会产生图案的变化。因此,纹理结构分析方法可用于提取每个木材样本的不同特征。
在另一个实施例中,用户可以任意选择一种特征提取方法,例如灰度共生矩阵(GLCM) (242)、基础灰度氛围矩阵(BGLAM) (244)、伽柏滤光器(246)和小波(248)或上述的组合。
在另一个实施例中,可以使用统计方法将木材纹理结构描述为第一、第二和更高阶的统计数值。因此,纹理结构分析方法可用作提取每个木材样板的不同特征。灰度共生矩阵(GLCM) (242)是最为熟知和广泛使用的木材纹理结构特征提取方法,可用于特征的提取。在这种方法中,图像的纹理结构特征是基于图像上的纹理结构信息包含在图像灰度色调彼此之间的整体或平均空间关系。更具体地说,一系列灰度色调空间依赖性矩阵足够明确指出纹理结构信息;用于计算图像上邻近细胞对之间的不同角度关系和距离。这些特征来自灰度色调空间相关性矩阵。
对灰度共生矩阵法(GLCM)的描述如下。 代表一个G灰度水平的图像。具有位移矢量d = (dx, dy)的灰度共生矩阵Pd定义如下。其中Pd的(i,j)代表相距d的i与j成对灰度的发生数目。形式上,其方程式(1)如下:
对于每个木材方块来说,从四个方向来计算共生矩阵,分别是水平、垂直、斜45o和斜135o。得到一个新的矩阵,作为用于提取特征的矩阵平均值。以这种方式,提取的特征将至少在4步旋转中是交替不变的。使用方程(2)规范最终的共生矩阵,用来将GLCM矩阵转化为非常近似的概率表格。
其中,Pd是指GLCM矩阵值,N是i和j的范围。
使用GLCM法从每个木材样本提取总特征的步骤如下:
角二次矩
对比
相关性
其中μx和μy 是平均值,σx和σy 是标准差。
熵
逆差矩
图像的每个方向来说都有5个提取的特征,即角二次矩、对比、相关性、熵和逆差矩。由于我们使用了4个方向,使用特征提取模块将从每张图像提取总计40个特征。
图5是图案分类模块(PCM)。该图案分类模块(PCM)(250)包含第二套技术。该第二套技术还包括一个人工神经网络模块(252)和一个k最近邻模块(k-nearest neighbor module)(254)。
图案分类模块(PCM)(250)可用于在重要特征或属性的基础上指定输入数据到一个或多个特定种类中。此外,来自特征提取模块(FEM)(240)的输出将使用人工神经网络模块(252)和k最近邻模块(254)中的一个或两个来确定有关木材树种的最佳答案。需要注意的是,作为特征提取模块(FEM)(240)输出的提取图像可以作为图案分类模块(PCM)(250)的输入信息。
当需要在一系列观察的基础上将客体归为预定义的群集或类别时,可能会遇到分类问题。纹理结构不仅可根据特定像素上的灰度值来描述,还可以根据邻近环绕像素的灰度值“图案”来描述,其中某一点的亮度取决于邻近点的亮度。
用户能够选择人工神经网络模块(252)、k最近邻模块(254)中的一个或两个来分类木材树种。已知木材树种图像的预设图片数据库(IDB)(260)可用于识别木材树种。以这种方式优化全部方法,以在较短的时间内获取精确的结果。
尽管上文对本发明具体实施例的描述是以说明和描述为目的的,但并非是将本发明限制于此。有可能在上文描述的基础上想到多种修改和变化。本发明的范围不是被此详细说明限制,而是由所附权利要求限制。
Claims (17)
1.一种识别至少一种木材树种的方法,该识别方法包含以下步骤:
获取至少一种木材树种的图像,采用图像获取模块(IAM)(220)分析该图像;
使用预处理模块(PPM)(230)处理图像,以提高获取的图像的质量;
使用特征提取模块(FEM)(240)提取上述处理的图像的若干特征,以归类为至少一种图案;
利用图案分类模块(PCM)(250)归类至少一种图案,用以识别至少一种木材树种。
2.如权利要求1所述的方法,其特征在于,使用特征提取模块(FEM)(240) 的第一套技术的一种提取处理图像的若干特征,归类为至少一种图案。
3.如权利要求1所述的方法,其特征在于,利用图案分类模块(PCM)(250)的第二套技术的一种归类为至少一种图案用以识别至少一种木材树种。
4.如权利要求1所述的方法,其特征在于,所述的图像获取模块(IAM)(220)还包含图像获取元件(222),用于提供与图像数据库(260)中的一套图像一致的图像。
5.如权利要求1所述的方法,其特征在于,获取至少一种木材树种的图像用于分析,进一步包含:通过控制若干因素以保持处理图像的质量。
6.如权利要求1所述的方法,其特征在于,该方法还包括:所述的图像获取模块(IAM)(220)的一个连接元件(228),提供至少一种通讯模式。
7.一个用于识别至少一种木材树种的系统,该识别系统包括:
一个图像获取模块(IAM)(220),用于获取至少一种木材树种的图像,以分析图像;
一个预处理模块(PPM)(230),用于对获取的图像进行处理,以提高所获取图像的质量;
一个特征提取模块(FEM)(240),用于从处理的图像中提取若干特征,以归类为至少一种图案;
一个图案分类模块(PCM)(250),用于分类为至少一种图案,以识别至少一种木材树种。
8.如权利要求7所述的系统,其特征在于,该系统还包括:所述特征提取模块(FEM)(240)的第一套技术中的一种,用于提取若干特征,以归类为至少一种图案。
9.如权利要求7所述的系统,其特征在于,该系统还包括:所述图案分类模块(PCM)(250)的第二套技术中的一种,用于分类为至少一种图案,以识别至少一种木材树种。
10.如权利要求7所述系统,其特征在于,该系统还包括:所述图像获取模块(IAM)(220)的一个图像获取元件(222),用于提供与图像数据库(260)中一套图像一致的图像。
11.如权利要求7所述系统,其特征在于,该系统还包括:所述图像获取模块(IAM)(220)的一个连接元件(228),用于提供至少一种通信模式。
12.如权利要求11所述的系统,其特征在于,所述的连接元件(228)用于提供便携性。
13.一种存储在有形储存介质上的计算程序,用于识别至少一种木材树种,该程序含有可执行的指示,指示计算机:
利用图像获取模块(IAM)(220),获取一张至少一个木材树种的图像,用于分析图像;
使用预处理模块(PPM)(230)提高获取的图像质量的过程;
使用特征提取模块(FEM)(240)提取处理图像的若干特征, 并归类为至少一种图案;
使用图案分类模块(PCM)(250)归类为至少一种图案,用于识别至少一种木材树种。
14.如权利要求13所述计算程序,其特征在于,使用图案分类模块(PCM)(250)的第二套技术的一种,归类至少一种图案,用于识别至少一种木材树种。
15.如权利要求13所述计算程序,其特征在于,所述图像获取模块(IAM)(220)还包括一个图像获取元件(222),用于提供与图像数据库(260)中的一套图像一致的图像。
16. 如权利要求13所述的计算程序,其特征在于,所述获取至少一种木材树种的图像用于分析进一步包含:通过控制若干因素维持处理的图像的质量。
17.如权利要求13所述的计算程序,其特征在于,该系统还包括:所述图像获取模块(IAM)(220)的一个连接元件(228),以提供至少一种通信模式。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
MYPI20095050 | 2009-11-26 | ||
MYPI20095050A MY174435A (en) | 2009-11-26 | 2009-11-26 | Methods and system for recognizing wood species |
PCT/MY2010/000302 WO2011065814A1 (en) | 2009-11-26 | 2010-11-25 | Methods and system for recognizing wood species |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102812357A true CN102812357A (zh) | 2012-12-05 |
Family
ID=44066738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010800617552A Pending CN102812357A (zh) | 2009-11-26 | 2010-11-25 | 木材树种的识别方法与系统 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP2504697A4 (zh) |
CN (1) | CN102812357A (zh) |
MY (1) | MY174435A (zh) |
WO (1) | WO2011065814A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568749A (zh) * | 2013-10-25 | 2015-04-29 | 中国移动通信集团公司 | 一种物品表面材质识别方法、装置及识别设备和系统 |
CN106373127A (zh) * | 2016-09-14 | 2017-02-01 | 东北林业大学 | 用于木材树种及表面缺陷的激光扫描并行检测方法 |
CN106778791A (zh) * | 2017-03-01 | 2017-05-31 | 成都天衡电科科技有限公司 | 一种基于多重感知器的木材视觉识别方法 |
CN107290342A (zh) * | 2017-05-09 | 2017-10-24 | 广东数相智能科技有限公司 | 一种基于细胞分析的木材树种类别鉴别方法及系统 |
CN108073942A (zh) * | 2016-11-16 | 2018-05-25 | 三星电子株式会社 | 执行材料识别和用于材料识别的训练的方法和设备 |
CN108254540A (zh) * | 2018-02-07 | 2018-07-06 | 国家林业局北京林业机械研究所 | 一种锯材表面质量等级划分装置及方法 |
CN109870421A (zh) * | 2019-03-27 | 2019-06-11 | 东北林业大学 | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 |
CN113177908A (zh) * | 2021-04-01 | 2021-07-27 | 柳城县迪森人造板有限公司 | 一种实木生态板的辨认方法和装置 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931216A (zh) * | 2016-04-05 | 2016-09-07 | 李红伟 | 一种基于图像处理技术的机场道面破损检测方法 |
KR102211785B1 (ko) | 2018-09-17 | 2021-02-04 | 데이터로그, 엘엘씨 | 통나무 검척 시스템 및 관련 방법 |
CN111144244B (zh) * | 2019-12-13 | 2023-07-11 | 唐美(北京)文化科技发展有限公司 | 家具木材类别识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776743A (zh) * | 2005-11-24 | 2006-05-24 | 上海交通大学 | 基于相位一致的纹理分类方法 |
CN201096726Y (zh) * | 2007-07-13 | 2008-08-06 | 东北林业大学 | 具有数控加工功能的专用木材材种识别仪器 |
CN101271526A (zh) * | 2008-04-22 | 2008-09-24 | 深圳先进技术研究院 | 一种图像处理中物体自动识别并三维重建的方法 |
CN101281021A (zh) * | 2008-05-14 | 2008-10-08 | 天恒威科技(北京)有限公司 | 一种木材自动监管方法及系统 |
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2302537A1 (en) * | 2000-03-15 | 2001-09-15 | Dean R. Kopp | Raw log species identification |
CN101702196B (zh) * | 2009-11-16 | 2012-08-29 | 浙江林学院 | 基于木材显微图像的针叶材树种自动识别方法 |
-
2009
- 2009-11-26 MY MYPI20095050A patent/MY174435A/en unknown
-
2010
- 2010-11-25 CN CN2010800617552A patent/CN102812357A/zh active Pending
- 2010-11-25 WO PCT/MY2010/000302 patent/WO2011065814A1/en active Application Filing
- 2010-11-25 EP EP10833624.9A patent/EP2504697A4/en not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776743A (zh) * | 2005-11-24 | 2006-05-24 | 上海交通大学 | 基于相位一致的纹理分类方法 |
CN201096726Y (zh) * | 2007-07-13 | 2008-08-06 | 东北林业大学 | 具有数控加工功能的专用木材材种识别仪器 |
CN101271526A (zh) * | 2008-04-22 | 2008-09-24 | 深圳先进技术研究院 | 一种图像处理中物体自动识别并三维重建的方法 |
CN101281021A (zh) * | 2008-05-14 | 2008-10-08 | 天恒威科技(北京)有限公司 | 一种木材自动监管方法及系统 |
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
Non-Patent Citations (1)
Title |
---|
王辉: "基于灰度共生矩阵木材表面纹理模式识别方法的研究", 《中国优秀硕士学位论文全文数据库》, 7 November 2007 (2007-11-07) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568749A (zh) * | 2013-10-25 | 2015-04-29 | 中国移动通信集团公司 | 一种物品表面材质识别方法、装置及识别设备和系统 |
CN104568749B (zh) * | 2013-10-25 | 2017-12-19 | 中国移动通信集团公司 | 一种物品表面材质识别方法、装置及识别设备和系统 |
CN106373127A (zh) * | 2016-09-14 | 2017-02-01 | 东北林业大学 | 用于木材树种及表面缺陷的激光扫描并行检测方法 |
CN108073942A (zh) * | 2016-11-16 | 2018-05-25 | 三星电子株式会社 | 执行材料识别和用于材料识别的训练的方法和设备 |
CN106778791A (zh) * | 2017-03-01 | 2017-05-31 | 成都天衡电科科技有限公司 | 一种基于多重感知器的木材视觉识别方法 |
CN107290342A (zh) * | 2017-05-09 | 2017-10-24 | 广东数相智能科技有限公司 | 一种基于细胞分析的木材树种类别鉴别方法及系统 |
CN108254540A (zh) * | 2018-02-07 | 2018-07-06 | 国家林业局北京林业机械研究所 | 一种锯材表面质量等级划分装置及方法 |
CN108254540B (zh) * | 2018-02-07 | 2023-08-04 | 中国林业科学研究院木材工业研究所 | 一种锯材表面质量等级划分装置及方法 |
CN109870421A (zh) * | 2019-03-27 | 2019-06-11 | 东北林业大学 | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 |
CN109870421B (zh) * | 2019-03-27 | 2021-04-06 | 东北林业大学 | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 |
CN113177908A (zh) * | 2021-04-01 | 2021-07-27 | 柳城县迪森人造板有限公司 | 一种实木生态板的辨认方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2011065814A1 (en) | 2011-06-03 |
EP2504697A1 (en) | 2012-10-03 |
EP2504697A4 (en) | 2017-04-19 |
MY174435A (en) | 2020-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102812357A (zh) | 木材树种的识别方法与系统 | |
CN111667455B (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN109684906B (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
CN112949704B (zh) | 一种基于图像分析的烟叶成熟度状态识别方法及装置 | |
CN107590512A (zh) | 一种模板匹配中参数的自适应方法和系统 | |
CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
CN110555395A (zh) | 一种油菜冠层氮素含量等级分类评估方法 | |
Pospiech et al. | Identification of pollen taxa by different microscopy techniques | |
CN115294404A (zh) | 一种基于随机森林算法的底栖动物高光谱数据分类方法 | |
CN105243390B (zh) | 昆虫图像检测方法以及昆虫分类方法 | |
CN110472697A (zh) | 一种基于迭代分类的水体识别方法及装置 | |
CN108932270B (zh) | 基于贝叶斯和反馈算法的枇杷属种质资源检索对照方法 | |
CN113284563A (zh) | 一种蛋白质质谱定量分析结果的筛选方法及系统 | |
CN112287836A (zh) | 一种基于人工智能图像识别系统以及图像识别装置 | |
CN116245855B (zh) | 作物品种鉴定方法、装置、设备及存储介质 | |
CN112257730A (zh) | 植物害虫图像识别方法、装置、设备及存储介质 | |
CN115019305B (zh) | 一种根尖细胞的识别方法、装置、设备及可读存储介质 | |
Suwarningsih et al. | Ide-cabe: chili varieties identification and classification system based leaf | |
Fang et al. | Application of genetic algorithm (GA) trained artificial neural network to identify tomatoes with physiological diseases | |
Bremananth et al. | Wood species recognition system | |
WO2019232824A1 (zh) | 生物组织影像识别的方法及其系统、计算机储存介质 | |
Deligiorgi et al. | An assessment of self-organizing maps and k-means clustering approaches for atmospheric circulation classification | |
CN114700941A (zh) | 一种基于双目视觉的草莓采摘方法、机器人系统 | |
CN114373195A (zh) | 光照场景自适应的手掌防伪方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121205 |