CN109145955A - 一种木材识别方法及系统 - Google Patents

一种木材识别方法及系统 Download PDF

Info

Publication number
CN109145955A
CN109145955A CN201810830841.3A CN201810830841A CN109145955A CN 109145955 A CN109145955 A CN 109145955A CN 201810830841 A CN201810830841 A CN 201810830841A CN 109145955 A CN109145955 A CN 109145955A
Authority
CN
China
Prior art keywords
timber
sample
feature
image
identified
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.)
Granted
Application number
CN201810830841.3A
Other languages
English (en)
Other versions
CN109145955B (zh
Inventor
殷亚方
何拓
焦立超
张毛毛
韩刘杨
陆杨
张永刚
李仁�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute of Wood Industry of Chinese Academy of Forestry
Original Assignee
Research Institute of Wood Industry of Chinese Academy of Forestry
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute of Wood Industry of Chinese Academy of Forestry filed Critical Research Institute of Wood Industry of Chinese Academy of Forestry
Priority to CN201810830841.3A priority Critical patent/CN109145955B/zh
Publication of CN109145955A publication Critical patent/CN109145955A/zh
Application granted granted Critical
Publication of CN109145955B publication Critical patent/CN109145955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例涉及一种木材识别方法及系统，所述方法包括：通过图像采集模块采集样本木材的样本图像数据，所述样本图像数据包括所述样本木材的横切面解剖构造图像和弦切面解剖构造图像；对所述样本图像数据进行特征提取，得到所述样本木材的样本特征向量；利用设定算法对所述样本特征向量进行训练，得到木材识别模型；通过所述图像采集模块采集待识别木材的待识别图像数据，所述待识别图像数据包括所述待识别木材的横切面解剖构造图像和弦切面解剖构造图像；利用所述木材识别模型对所述待识别图像数据进行识别，得到所述待识别木材的分类结果。由此，可以实现准确且快速地识别出木材树种。

Description

一种木材识别方法及系统
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种木材识别方法及系统。
背景技术
木材识别技术是利用木材解剖构造、化学成分以及遗传物质等可以反映出树种差异性的特征对木材进行分类和识别的一项综合性技术。传统的木材识别方法，是由鉴定人员利用专业知识和长期经验，通过对木材的解剖构造进行观察，并与木材标本的解剖构造特征进行比对，从而判断出木材的分类信息。
然而，在传统的木材识别方法中，由于需要制作木材切片，而制作木材切片的技术难度较大，制作周期长，从而导致木材识别的整体难度较大；同时，对木材的判定主要依赖于鉴定人员的技术经验，其鉴定结果必于鉴定人员的技术水平相符，这将直接影响鉴定结果的准确度。
基于此，近年来，基于木材化学成分的化学图谱识别技术和基于木材遗传物质的DNA识别技术得到快速发展，但这些新兴的技术都依赖于准确而庞大的木材化学图谱和DNA条形码数据库，而建立化学图谱数据库以及DNA条形码数据库需要耗费大量的人力和财力。由此可见，亟需一种可以准确且快速识别出木材树种的方法。
发明内容
本发明实施例提供了一种木材识别方法及系统，可以实现准确且快速地识别出木材树种。
第一方面，本发明实施例提供了一种木材识别方法，该方法包括：
通过图像采集模块采集样本木材的样本图像数据，所述样本图像数据包括所述样本木材的横切面解剖构造图像和弦切面解剖构造图像；
对所述样本图像数据进行特征提取，得到所述样本木材的样本特征向量；
利用设定算法对所述样本特征向量进行训练，得到木材识别模型；
通过所述图像采集模块采集待识别木材的待识别图像数据，所述待识别图像数据包括所述待识别木材的横切面解剖构造图像和弦切面解剖构造图像；
利用所述木材识别模型对所述待识别图像数据进行识别，得到所述待识别木材的分类结果。
在一个可能的实施方式中，所述对所述样本图像数据进行特征提取，得到所述样本木材的样本构造特征向量，包括：
对所述样本木材的横切面解剖构造图像进行特征提取，得到所述样本木材的管孔特征和轴向薄壁组织特征；
对所述样本木材的弦切面解剖构造图像进行特征提取，得到所述样本木材的木射线特征；
根据所述管孔特征、轴向薄壁组织特征和木射线特征构建所述样本木材的样本特征向量。
在一可能的实施例中，所述根据所述管孔特征、轴向薄壁组织特征和木射线特征构建所述样本木材的样本特征向量，包括：
根据所述管孔特征确定所述样本木材的管孔在所述构造图像对应的坐标系中的坐标值；
根据所述轴向薄壁组织特征确定所述样本木材的轴向薄壁组织在所述构造图像对应的坐标系中的坐标值；
根据所述木射线特征确定所述样本木材的木射线在所述构造图像对应的坐标系中的坐标值；
根据确定出的坐标值构建数字矩阵，将所述数字矩阵确定为所述样本木材的样本特征向量。
在一可能的实施例中，所述设定算法至少包括：
卷积神经网络算法。
在一可能的实施例中，卷积神经网络至少包括：
输入层、卷积层、池化层和输出层。
在一可能的实施例中，所述图像数据的图像分辨率为2048*2048。
第二方面，本发明实施例提供一种木材识别系统，该系统包括：
图像采集模块，用于采集样本木材的样本图像数据，所述样本图像数据包括所述样本木材的横切面解剖构造图像和弦切面解剖构造图像；
特征提取模块，用于对所述样本图像数据进行特征提取，得到所述样本木材的样本特征向量；
模型训练模块，用于利用设定算法对所述样本特征向量进行训练，得到木材识别模型；
所述图像采集模块，还用于采集待识别木材的待识别图像数据，所述待识别图像数据包括所述待识别木材的横切面解剖构造图像和弦切面解剖构造图像；
木材分类模块，用于利用所述木材识别模型对所述待识别图像进行识别，得到所述待识别木材的分类结果。
在一可能的实施例中，所述特征提取模块包括：
第一提取一级子模块，用于对所述样本木材的横切面解剖构造图像进行特征提取，得到所述样本木材的管孔特征和轴向薄壁组织特征；
第二提取一级子模块，用于对所述样本木材的弦切面解剖构造图像进行特征提取，得到所述样本木材的木射线特征；
特征向量构建一级子模块，用于根据所述管孔特征、轴向薄壁组织特征和木射线特征构建所述样本木材的样本特征向量。
在一可能的实施例中，所述特征向量构建子模块包括：
坐标值确定二级子模块，用于根据所述管孔特征确定所述样本木材的管孔在所述构造图像对应的坐标系中的坐标值；根据所述轴向薄壁组织特征确定所述样本木材的轴向薄壁组织在所述构造图像对应的坐标系中的坐标值；根据所述木射线特征确定所述样本木材的木射线在所述构造图像对应的坐标系中的坐标值；
矩阵构建二级子模块，用于根据确定出的坐标值构建数字矩阵，将所述数字矩阵确定为所述样本木材的样本特征向量。
在一可能的实施例中，所述设定算法至少包括：卷积神经网络算法。
在一可能的实施例中，卷积神经网络至少包括：输入层、卷积层、池化层和输出层。
在一可能的实施例中，所述图像数据的图像分辨率为2048*2048。
本发明实施例提供的方法，通过图像采集模块采集样本木材的样本图像数据，该样本图像数据包括所述样本木材的横切面解剖构造图像和弦切面解剖构造图像，对样本图像数据进行特征提取，得到样本木材的样本特征向量，利用设定算法对样本特征向量进行训练，得到木材识别模型，通过图像采集模块采集待识别木材的待识别图像数据，该待识别图像数据包括所述待识别木材的横切面解剖构造图像和弦切面解剖构造图像；利用木材识别模型对所述待识别图像数据进行识别，得到待识别木材的分类结果，可以实现快速、准确地识别出木材的分类结果，且可适用于诸多领域，例如海关检验、实验室鉴定等领域。
附图说明
图1为本发明实施例中图像采集模块的一个示例性结构图；
图2为本发明实施例一提供的木材识别方法的流程图；
图3为本发明实施例二提供的木材识别系统的实施例框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
首先说明，本发明实施例提供的木材识别方法，依赖于图像采集模块，如图1所示，为本发明实施例中图像采集模块的一个示例性结构图，该图1所示例的图像采集模块包括光源模块、固定倍率定焦镜头、CCD工业相机、图像采集开关、蓝牙模块、供电模块等部件，在本发明实施例中，该图像采集模块可以下载并安装有图像采集软件，例如Grey FlyCap2图像采集软件，其通过蓝牙与计算机连接，在利用该图像采集模块采集木材的图像数据，例如木材的横切面解剖构造图像和弦切面解剖构造图像时，可以将该图像采集模块紧贴木材表面移动，选取图像采集区域后，按下图像采集开关进行图像采集，所采集到的图像数据可以通过蓝牙模块传输至计算机，并由计算机对该图像数据进行保存，其中，所采集到的图像数据的分辨率可以为2048*2048。
如下，对本发明实施例提供的木材识别方法进行说明：
图2为本发明实施例一提供的木材识别方法的流程图。如图2所示，所述方法具体包括以下步骤：
S210，通过图像采集模块采集样本木材的样本图像数据，该样本图像数据包括样本木材的横切面解剖构造图像和弦切面解剖构造图像。
在本发明实施例中，可以通过图1所示例的图像采集模块采集样本木材的图像数据，例如样本木材的横切面解剖构造图像和弦切面解剖构造图像，其中，该样本木材可以为带有凭证号的木材标本，并且，为了描述方法，将针对样本木材采集到的图像数据称为样本图像数据。
在本发明实施例中，可以针对每种样本木材采集多张图像数据，例如采集100张图像数据，并将其中的80张图像数据设定为训练集，将另外20张图像数据设定为测试集。
S220，对样本图像数据进行特征提取，得到样本木材的样本特征向量。
在本发明实施例中，以一张样本木材的图像数据为例，可以对其中的横切面解剖构造图像进行特征提取，得到样本木材的管孔特征和轴向薄壁组织特征，并且，对其中的弦切面解剖构造图像进行特征提取，得到样本木材的木射线特征；继而，根据管孔特征、轴向薄壁组织特征和木射线特征可以构建样本木材的样本特征向量。
具体的，可以由鉴定人员根据提取出的管孔特征、轴向薄壁组织特征和木射线特征，利用鼠标点选木材解剖构造的轮廓，计算机系统将自动生成所点选的点在指定坐标系中的坐标值，从而，则可以得到样本木材的管孔特征在构造图像对应坐标系中的坐标值，样本木材的轴向薄壁组织特征在构造图像对应坐标系中的坐标值，以及样本木材的木射线特征在构造图像对应坐标系中的坐标值，之后，进一步根据确定出的坐标值构建数字矩阵，将该数字矩阵确定为该样本木材的样本特征向量，并保存该样本特征向量。
S230，利用设定算法对样本特征向量进行训练，得到木材识别模型。
在本发明实施例中，可以利用设定算法对S220中得到的样本特征向量进行训练，得到木材识别模型。
在一实施例中，该设定算法可以为：卷积神经网络算法，也即可以利用卷积神经网络对S220中得到的样本特征向量进行训练，得到木材识别模型。其中，该卷积神经网络可以包括：1层输入层、7层卷积层、7层池化层，以及1层输出层，其卷积核的大小可以为3*3像素。
具体的训练过程可以包括：构建卷积神经网络，并对训练集中图像数据的样本特征向量进行训练学习并进行参数调优，直至整个网络收敛，继而利用测试集中图像数据的样本特征对训练出来的模型参数进行测试和调优，构建木材识别模型。
上述训练过程可以在Google开源深度学习系统TensorFlow下进行，并利用英伟达GPU对卷积神经网络算法进行加速。
S240，通过图像采集模块采集待识别木材的待识别图像数据，该待识别图像数据包括待识别木材的横切面解剖构造图像和弦切面解剖构造图像。
通过图像采集模块采集待识别木材的图像数据的过程可以参见上述相关描述，在此不再详述。
需要说明的是，为了描述方便，本发明实施例中，将针对待识别木材采集到的图像数据称为待识别图像数据。
S250，利用木材识别模型对待识别图像数据进行识别，得到待识别木材的分类结果。
在本发明实施例中，可以将上述S240中采集到的待识别图像数据输入至S230中得到的木材识别模型，该木材识别模型即可输出该待识别木材的分类结果。
综上，本发明实施例提供的方法，通过图像采集模块采集样本木材的样本图像数据，该样本图像数据包括所述样本木材的横切面解剖构造图像和弦切面解剖构造图像，对样本图像数据进行特征提取，得到样本木材的样本特征向量，利用设定算法对样本特征向量进行训练，得到木材识别模型，通过图像采集模块采集待识别木材的待识别图像数据，该待识别图像数据包括所述待识别木材的横切面解剖构造图像和弦切面解剖构造图像；利用木材识别模型对所述待识别图像数据进行识别，得到待识别木材的分类结果，可以实现快速、准确地识别出木材的分类结果，且可适用于诸多领域，例如海关检验、实验室鉴定等领域。
图3为本发明实施例二提供的木材识别系统的实施例框图，该系统可以用于执行图2所述的方法，该系统包括：
图像采集模块310，用于采集样本木材的样本图像数据，所述样本图像数据包括所述样本木材的横切面解剖构造图像和弦切面解剖构造图像；
特征提取模块320，用于对所述样本图像数据进行特征提取，得到所述样本木材的样本特征向量；
模型训练模块330，用于利用设定算法对所述样本特征向量进行训练，得到木材识别模型；
所述图像采集模块310，还用于采集待识别木材的待识别图像数据，所述待识别图像数据包括所述待识别木材的横切面解剖构造图像和弦切面解剖构造图像；
木材分类模块340，用于利用所述木材识别模型对所述待识别图像进行识别，得到所述待识别木材的分类结果。
在一可能的实施方式中，所述特征提取模块320包括(图3中未示出)：
第一提取一级子模块，用于对所述样本木材的横切面解剖构造图像进行特征提取，得到所述样本木材的管孔特征和轴向薄壁组织特征；
第二提取一级子模块，用于对所述样本木材的弦切面解剖构造图像进行特征提取，得到所述样本木材的木射线特征；
特征向量构建一级子模块，用于根据所述管孔特征、轴向薄壁组织特征和木射线特征构建所述样本木材的样本特征向量。
可选的，所述特征向量构建一级子模块包括(图3中未示出)：
坐标值确定二级子模块，用于根据所述管孔特征确定所述样本木材的管孔在所述构造图像对应的坐标系中的坐标值；根据所述轴向薄壁组织特征确定所述样本木材的轴向薄壁组织在所述构造图像对应的坐标系中的坐标值；根据所述木射线特征确定所述样本木材的木射线在所述构造图像对应的坐标系中的坐标值；
矩阵构建二级子模块，用于根据确定出的坐标值构建数字矩阵，将所述数字矩阵确定为所述样本木材的样本特征向量。
在一可能的实施方式中，所述设定算法至少包括：卷积神经网络算法。
在一可能的实施方式中，卷积神经网络至少包括：输入层、卷积层、池化层和输出层。
在一可能的实施方式中，所述图像数据的图像分辨率为2048*2048。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种木材识别方法，其特征在于，所述方法包括：
通过图像采集模块采集样本木材的样本图像数据，所述样本图像数据包括所述样本木材的横切面解剖构造图像和弦切面解剖构造图像；
对所述样本图像数据进行特征提取，得到所述样本木材的样本特征向量；
利用设定算法对所述样本特征向量进行训练，得到木材识别模型；
通过所述图像采集模块采集待识别木材的待识别图像数据，所述待识别图像数据包括所述待识别木材的横切面解剖构造图像和弦切面解剖构造图像；
利用所述木材识别模型对所述待识别图像数据进行识别，得到所述待识别木材的分类结果。
2.根据权利要求1所述的方法，所述对所述样本图像数据进行特征提取，得到所述样本木材的样本构造特征向量，包括：
对所述样本木材的横切面解剖构造图像进行特征提取，得到所述样本木材的管孔特征和轴向薄壁组织特征；
对所述样本木材的弦切面解剖构造图像进行特征提取，得到所述样本木材的木射线特征；
根据所述管孔特征、轴向薄壁组织特征和木射线特征构建所述样本木材的样本特征向量。
3.根据权利要求2的方法，其特征在于，所述根据所述管孔特征、轴向薄壁组织特征和木射线特征构建所述样本木材的样本特征向量，包括：
根据所述管孔特征确定所述样本木材的管孔在所述构造图像指定坐标系中的坐标值；
根据所述轴向薄壁组织特征确定所述样本木材的轴向薄壁组织在所述构造图像指定坐标系中的坐标值；
根据所述木射线特征确定所述样本木材的木射线在所述构造图像指定坐标系中的坐标值；
根据确定出的坐标值构建数字矩阵，将所述数字矩阵确定为所述样本木材的样本特征向量。
4.根据权利要求1所述的方法，其特征在于，所述设定算法至少包括：
卷积神经网络算法。
5.根据权利要求4所述的方法，其特征在于，卷积神经网络至少包括：
输入层、卷积层、池化层和输出层。
6.根据权利要求1所述的方法，其特征在于，所述图像数据的图像分辨率为2048*2048。
7.一种木材识别系统，其特征在于，所述系统包括：
图像采集模块，用于采集样本木材的样本图像数据，所述样本图像数据包括所述样本木材的横切面解剖构造图像和弦切面解剖构造图像；
特征提取模块，用于对所述样本图像数据进行特征提取，得到所述样本木材的样本特征向量；
模型训练模块，用于利用设定算法对所述样本特征向量进行训练，得到木材识别模型；
所述图像采集模块，还用于采集待识别木材的待识别图像数据，所述待识别图像数据包括所述待识别木材的横切面解剖构造图像和弦切面解剖构造图像；
木材分类模块，用于利用所述木材识别模型对所述待识别图像进行识别，得到所述待识别木材的分类结果。
8.根据权利要求7所述的系统，所述特征提取模块包括：
第一提取一级子模块，用于对所述样本木材的横切面解剖构造图像进行特征提取，得到所述样本木材的管孔特征和轴向薄壁组织特征；
第二提取一级子模块，用于对所述样本木材的弦切面解剖构造图像进行特征提取，得到所述样本木材的木射线特征；
特征向量构建一级子模块，用于根据所述管孔特征、轴向薄壁组织特征和木射线特征构建所述样本木材的样本特征向量。
9.根据权利要求8所述的系统，其特征在于，所述特征向量构建子模块包括：
坐标值确定二级子模块，用于根据所述管孔特征确定所述样本木材的管孔在所述构造图像对应的坐标系中的坐标值；根据所述轴向薄壁组织特征确定所述样本木材的轴向薄壁组织在所述构造图像对应的坐标系中的坐标值；根据所述木射线特征确定所述样本木材的木射线在所述构造图像对应的坐标系中的坐标值；
矩阵构建二级子模块，用于根据确定出的坐标值构建数字矩阵，将所述数字矩阵确定为所述样本木材的样本特征向量。
10.根据权利要求7所述的系统，其特征在于，所述设定算法至少包括：卷积神经网络算法。
11.根据权利要求10所述的系统，其特征在于，卷积神经网络至少包括：输入层、卷积层、池化层和输出层。
12.根据权利要求7所述的系统，其特征在于，所述图像数据的图像分辨率为2048*2048。
CN201810830841.3A 2018-07-26 2018-07-26 一种木材识别方法及系统 Active CN109145955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810830841.3A CN109145955B (zh) 2018-07-26 2018-07-26 一种木材识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810830841.3A CN109145955B (zh) 2018-07-26 2018-07-26 一种木材识别方法及系统

Publications (2)

Publication Number Publication Date
CN109145955A true CN109145955A (zh) 2019-01-04
CN109145955B CN109145955B (zh) 2019-10-22

Family

ID=64798903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810830841.3A Active CN109145955B (zh) 2018-07-26 2018-07-26 一种木材识别方法及系统

Country Status (1)

Country Link
CN (1) CN109145955B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144244A (zh) * 2019-12-13 2020-05-12 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
CN112149630A (zh) * 2020-10-20 2020-12-29 云南省林业和草原科学院 一种木材显微鉴定系统
CN112684158A (zh) * 2020-03-13 2021-04-20 中国林业科学研究院林业新技术研究所 一种古建筑木构件常用树种的现场识别方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08212333A (ja) * 1995-02-06 1996-08-20 Dainippon Printing Co Ltd 木目の導管断面パターンの認識方法および部分的に重なった細長いパターンの認識方法
CN101702196A (zh) * 2009-11-16 2010-05-05 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
US20120022829A1 (en) * 2010-07-20 2012-01-26 Microtec S.R.L. Method for identifying a piece of wood amongst a plurality of starting pieces of wood and/or for determining its rotation with reference to a known layout
CN106408011A (zh) * 2016-09-09 2017-02-15 厦门大学 基于深度学习的激光扫描三维点云树木自动分类方法
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
CN107392896A (zh) * 2017-07-14 2017-11-24 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的木材缺陷检测方法和系统
CN107679509A (zh) * 2017-10-19 2018-02-09 广东工业大学 一种小环藻识别方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08212333A (ja) * 1995-02-06 1996-08-20 Dainippon Printing Co Ltd 木目の導管断面パターンの認識方法および部分的に重なった細長いパターンの認識方法
CN101702196A (zh) * 2009-11-16 2010-05-05 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
US20120022829A1 (en) * 2010-07-20 2012-01-26 Microtec S.R.L. Method for identifying a piece of wood amongst a plurality of starting pieces of wood and/or for determining its rotation with reference to a known layout
CN106408011A (zh) * 2016-09-09 2017-02-15 厦门大学 基于深度学习的激光扫描三维点云树木自动分类方法
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
CN107392896A (zh) * 2017-07-14 2017-11-24 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的木材缺陷检测方法和系统
CN107679509A (zh) * 2017-10-19 2018-02-09 广东工业大学 一种小环藻识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈居静: "《六种酸枝类木材结构特征及相关属性的研究》", 《中国优秀硕士学位论文全文数据库农业科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144244A (zh) * 2019-12-13 2020-05-12 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
CN112684158A (zh) * 2020-03-13 2021-04-20 中国林业科学研究院林业新技术研究所 一种古建筑木构件常用树种的现场识别方法及装置
CN112684158B (zh) * 2020-03-13 2023-03-21 中国林业科学研究院林业新技术研究所 一种古建筑木构件常用树种的现场识别方法及装置
CN112149630A (zh) * 2020-10-20 2020-12-29 云南省林业和草原科学院 一种木材显微鉴定系统

Also Published As

Publication number Publication date
CN109145955B (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN108154105B (zh) 水下生物检测与识别方法、装置、服务器及终端设备
Huang et al. Building extraction from multi-source remote sensing images via deep deconvolution neural networks
Aquino et al. vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis
Liu et al. A robust automated flower estimation system for grape vines
CN109145955B (zh) 一种木材识别方法及系统
CN111986099A (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN112668490B (zh) 基于YOLOv4的害虫检测方法、系统、装置及可读存储介质
CN109118504B (zh) 一种基于神经网络的图像边缘检测方法、装置及其设备
Marinelli et al. A novel approach to 3-D change detection in multitemporal LiDAR data acquired in forest areas
CN107832849B (zh) 一种基于知识库的电力线廊道三维信息提取方法及装置
CN109063713A (zh) 一种基于构造特征图像深度学习的木材鉴别方法和系统
Wang et al. Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform
CN110826556A (zh) 改进深度学习的广谱农作物杂草识别与定位方法
CN112037146A (zh) 医学图像伪影自动校正方法、装置和计算机设备
CN115099297A (zh) 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法
CN112232171A (zh) 基于随机森林的遥感影像信息提取方法、装置及存储介质
Liu et al. Automated classification of stems and leaves of potted plants based on point cloud data
Karantzalos et al. Towards automatic olive tree extraction from satellite imagery
CN108932474A (zh) 一种基于全卷积神经网络复合特征的遥感影像云判方法
Weaver et al. From leaves to labels: Building modular machine learning networks for rapid herbarium specimen analysis with LeafMachine2
CN114724140A (zh) 一种基于yolo v3的草莓成熟度检测方法、装置
CN110188661A (zh) 边界识别方法及装置
CN112966698A (zh) 基于轻量化卷积网络的淡水鱼图像实时识别方法
CN113343900A (zh) 基于cnn与超像素结合的组合核遥感影像目标检测方法
CN117036948A (zh) 一种基于注意力机制的致敏植物识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant