CN111652307A - 基于卷积神经网络的红木家具智能无损鉴定方法及装置 - Google Patents
基于卷积神经网络的红木家具智能无损鉴定方法及装置 Download PDFInfo
- Publication number
- CN111652307A CN111652307A CN202010474782.8A CN202010474782A CN111652307A CN 111652307 A CN111652307 A CN 111652307A CN 202010474782 A CN202010474782 A CN 202010474782A CN 111652307 A CN111652307 A CN 111652307A
- Authority
- CN
- China
- Prior art keywords
- image
- identification
- rosewood
- neural network
- redwood
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分类识别方法技术领域和计算机视觉领域,涉及一种基于卷积神经网络的红木家具智能无损鉴定方法及装置,其中,该方法包括以下步骤S1:创建红木和非红木木材的微观图像数据集;S2:建立红木鉴定卷积神经网络;S3:训练红木鉴定卷积神经网络得到红木鉴定模型,将数据集分成训练集和验证集,对训练集和验证集图像进行数据增强;设置超参数和优化算法,将训练集输入红木鉴定卷积神经网络并进行迭代训练,同时使用验证集对训练模型进行验证;S4:红木鉴定,根据步骤S3获得的红木鉴定模型对需要鉴定的红木图像进行鉴定,并输出鉴定结果。本发明实现利用计算机智能鉴定红木真伪的目标,鉴定具科学性和可靠性,可以提供可靠的鉴定结果供参考。
Description
技术领域
本发明涉及图像分类识别方法技术领域和计算机视觉领域,具体涉及一种基于卷积神经网络的红木家具智能无损鉴定方法及装置。
背景技术
红木鉴定是红木家具交易过程中的一个关键环节,目前主要还是依赖具有相关专业知识的经验人士以人工方式进行红木真伪或是红木所属品种的鉴定,该过程需要耗费大量的人力资源和时间成本,且人工鉴定的方式取决于以鉴定人经验为基础的主观判断,鉴定的准确率和可靠性通常难以保证。随着红木研究的进一步发展,研究人员也在利用各种先进技术探索更高效、更准确、更智能的红木鉴定方法。
卷积神经网络成为深度学习技术中极具代表的网络结构之一,在计算机视觉领域取得了很大的成功。卷积神经网络是一种带有卷积结构的深度神经网络,对于提取图像特征有着良好的效果,解决了以往需要人工设计特征的难题。典型的卷积神经网络主要由卷积层、池化层和全连接层构成,卷积层负责提取图像的局部特征;池化层用来大幅降低参数量级;全连接层用来输出分类结果。虽然卷积神经网络在许多计算机视觉领域中得到了成功的应用,但其在红木鉴定方面的应用目前为止未见报道。
发明内容
本发明的目的在于提供一种基于卷积神经网络的红木家具智能无损鉴定方法及装置,根据红木真伪鉴定的应用需求及计算机视觉领域的相关知识,结合木制家具无损检测中的无损拍摄技术和红木鉴定卷积神经网络算法,实现智能化红木家具真伪鉴定,能够克服传统方法对鉴定人的依赖性和判断的主观性,达到智能化鉴定、提高鉴定结果客观性和可靠性目的。
为实现上述目的,本发明提供了基于卷积神经网络的红木家具智能无损鉴定方法,所述方法包括:
S1:创建红木和非红木木材的微观图像数据集
对木材进行采样,使用摄像装置拍摄清晰的红木横切面微观图像,拍摄的图像清晰度符合红木国家标准GB/T 18107-2017中描述的鉴定要求;
S2:建立红木鉴定卷积神经网络
红木鉴定卷积神经网络包括特征提取部分和分类器部分;特征提取部分由卷积层、最大池化层、残差单元组成;分类器部分由全局平均池化层和全连接层组成;
S3:训练红木鉴定卷积神经网络得到红木鉴定模型
将步骤S1的数据集分成训练集和验证集,对训练集和验证集图像进行数据增强;设置超参数和优化算法,将训练集输入红木鉴定卷积神经网络并进行迭代训练,同时使用验证集对训练模型进行验证,最终获得红木鉴定模型;
S4:红木鉴定
根据步骤S3获得的红木鉴定模型对需要鉴定的红木图像进行鉴定,并输出鉴定结果。
进一步的,所述步骤S1创建红木和非红木木材的微观图像数据集还包括:
对需要进行图像采集的木材进行采样,从树干的端面切割出木材横切面,并将其打磨平滑,利用10倍放大镜寻找样本的合适拍摄位置,然后用与计算机联接的手持数码显微镜拍摄该位置的横切面微观图像,观察电脑显示的拍摄图像的成像效果,调节拍摄亮度,如果出现微观构造拍摄不清晰的情况可以调整显微镜放大倍数和焦距,拍取符合要求的图像,并根据图像对应木材所属类型进行分类存放。
进一步的,所述步骤S2建立红木鉴定卷积神经网络,特征提取部分使用ResNet模型中的ResNet-18网络结构,由1个卷积层、1个最大池化层、8个残差单元组成;分类器部分由1个全局平均池化层和1个全连接层组成;
进一步的,还包括:
将红木微观图像输入网络的卷积层,卷积滤波器大小为7*7,滤波器数目为64,卷积步长为2,卷积层的激活函数为ReLU函数;最大池化层在第一个卷积层后,池化区域大小为3*3,池化步长为2;
最大池化层后接8个残差单元,每个残差单元包括2个卷积层,卷积层后增加批量归一化层BN(Batch Normalization)来防止反向传播过程中的梯度弥散并加速模型训练的收敛,在BN之后连接了非线性激活函数ReLU来进一步增加非线性变换的特征,8个残差单元共16个的卷积层,卷积滤波器大小均为3*3,卷积滤波器数目分别为64、64、64、64、128、128、128、128、256、256、256、256、512、512、512、512,卷积步长分别为1、1、1、1、2、1、1、1、2、1、1、1、2、1、1、1;
残差单元之后接全局平均池化层;全局平均池化层之后的全连接层节点依据待识别红木类别数而定,根据应用场景是鉴定红木真伪,将全连接层结点数设为4,激活函数为Softmax函数。
进一步的,所述对训练集和验证集图像进行数据增强步骤包括:
将步骤S1获得的木材图像按照8:2的比例分为训练集和验证集;红木微观图像尺寸大小调整为256*256像素,然后对图像中心区域裁剪出面积为高和宽均为224像素的新图像作为输入图像;训练集图像进行随机左右翻转、随机添加噪声、随机亮度调整、随机对比度调整以及归一化处理,验证集图像仅进行归一化处理。
基于卷积神经网络算法的红木家具智能无损鉴定装置,包括:
数据采集模块,用于采集包括红木木材的微观图像数据;
神经网络模型训练模块,在红木鉴定卷积神经网络上训练得到红木鉴定模型;
红木鉴定系统模块,构建系统用于实现红木家具鉴定。
进一步的,所述数据采集模块用于对木材进行采样,使用摄像装置拍摄清晰的红木横切面微观图像,拍摄的图像清晰度符合红木国家标准GB/T18107-2017中描述的鉴定要求;
进一步的,所述神经网络模型训练模块包括特征提取单元和分类器单元,特征提取单元使用ResNet模型中的ResNet-18网络结构,由1个卷积层、1个最大池化层、8个残差单元组成;分类器单元由1个全局平均池化层和1个全连接层组成;
将红木微观图像输入网络的卷积层,卷积滤波器大小为7*7,滤波器数目为64,卷积步长为2,卷积层的激活函数为ReLU函数;最大池化层在第一个卷积层后,池化区域大小为3*3,池化步长为2;
最大池化层后接8个残差单元,每个残差单元包括2个卷积层,卷积层后增加批量归一化层BN(Batch Normalization)来防止反向传播过程中的梯度弥散并加速模型训练的收敛,在BN之后连接了非线性激活函数ReLU来进一步增加非线性变换的特征,8个残差单元共16个的卷积层,卷积滤波器大小均为3*3,卷积滤波器数目分别为64、64、64、64、128、128、128、128、256、256、256、256、512、512、512、512,卷积步长分别为1、1、1、1、2、1、1、1、2、1、1、1、2、1、1、1;
残差单元之后接全局平均池化层;全局平均池化层之后的全连接层节点依据待识别红木类别数而定,根据应用场景是鉴定红木真伪,将全连接层结点数设为4,激活函数为Softmax函数。
进一步的,所述神经网络模型训练模块包括图像数据增强单元,其用于将所述数据采集模块获得的木材图像按照8:2的比例分为训练集和验证集;红木微观图像尺寸大小调整为256*256像素,然后对图像中心区域裁剪出面积为高和宽均为224像素的新图像作为输入图像;训练集图像进行随机左右翻转、随机添加噪声、随机亮度调整、随机对比度调整以及归一化处理,验证集图像仅进行归一化处理。
进一步的,所述鉴定系统包括前端页面和后端服务器两个部分;
前端页面包括上传单元、图像列表单元和鉴定结果单元;所述上传单元用于上传待鉴定的图片,所述图像列表单元用于展示所述上传单元上传待鉴定的图片,所述结果单元用于输出鉴定结果;
后端服务器包括图像处理单元和图像鉴定单元;所述图像处理单元用于对图像进行格式转换及图像尺寸大小调整,并且对图像进行归一化处理;所述图像鉴定单元用于跟进所述跟进神经网络模型训练模块获得的红木鉴定模型对图像进行鉴定识别,并将鉴定结果返回前端页面。
本发明具有以下技术效果:
(1)本发明使用卷积神经网络包含残差块,可以解决梯度消失的问题,在保持参数和计算量不增加的同时提高模型的训练速度及准确率,同时通过对训练集和验证集图像进行数据增强可以提高卷积神经网络的准确率。
(2)本发明实现了利用计算机智能鉴定红木真伪的目标,依照步骤就可以在计算机端直接给出鉴定结果,可以为没有学习过红木鉴定知识的非专业人士提供可靠的鉴定结果参考;相对于从肉眼观察家具外观、颜色和纹理的传统鉴定方法,本发明将显微镜拍摄得到的红木表面横切面微观图像作为鉴定的直接对象,根据红木的国家标准作为鉴定的依据,鉴定的结果更具科学性和可靠性。
(3)对于红木家具鉴定时保证家具完整性和美观性这一要求,本发明利用专业的手持显微镜对红木家具表面进行无损拍摄,不会对家具外观造成任何损害。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于卷积神经网络的红木家具智能无损鉴定方法流程图;
图2是本发明中实现智能鉴定的红木鉴定卷积神经网络算法的流程图;
图3是本发明基于卷积神经网络的红木家具智能无损鉴定装置的结构框图;
图4是红木鉴定系统应用操作流程图;
图5是红木鉴定系统的首页界面图;
图6是红木鉴定系统的上传界面图;
图7是红木鉴定系统的鉴定界面图;
图8是红木鉴定系统的结果界面图。
具体实施方式
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,所描述的实施例仅仅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。
为了便于对本发明内容的描述,给出如下的定义描述:
定义1:ResNet
一种经典的卷积神经网络算法。
定义2:《红木》国家标准GB/T 18107-2017
该国家标准对红木的分类及其所对应的导管、轴向薄壁组织、木纤维、木射线等微观构造特征进行了规范。红木的识别和分类以这些微观构造特征作为观察的依据。
实施例1
请参见图1本发明,提供基于卷积神经网络的红木家具智能无损鉴定方法,包括以下步骤:
S1:采集木材横切面的微观构造图像,创建红木等木材的微观图像数据集
S1.1:对多种木材包括奥氏黄檀、巴里黄檀、刺猬紫檀、大果紫檀、刀状黑黄檀、东非黑黄檀、交趾黄檀、阔叶黄檀等8种红木木材及安哥拉紫檀、奥克榄、巴拉圭苏木、白蜡木、白栎、白木香、白梧桐、饱食桑、冰片香、成对古夷苏木等27种非红木木材进行采样,从与树干主轴成垂直的切面,即树干的端面切割出木材横切面,将横切面打磨平滑,可以理解获取的木材还可以包括其他红木及其他木材。
S1.2:准备10~200倍可调手持数码显微镜和电脑,将两者相连,显微镜用于拍摄,电脑用于显示拍摄过程和存储拍摄图像;
S1.3:利用10倍放大镜寻找合适拍摄的横切面位置并在该位置上涂抹一些油性物质,然后用步骤1.2的显微镜在该位置拍摄图像,选择放大倍数为10,观察电脑显示的拍摄图像的成像效果,调节拍摄亮度,如果出现微观构造拍摄不清晰的情况可以将放大倍数由10增加到50;
S1.4:确认拍摄出的图像可以清晰显示出木材横切面微观构造并且符合《红木》国家标准GB/T 18107-2017,保存图像,并根据图像对应木材所属,存入相应的文件夹,即通过文件夹对木材图像进行标注;最终得到147幅巴里黄檀图像、211幅大果紫檀图像、214幅交趾黄檀图像以及169幅非红木图像,图像的分辨率包括1280*960和1920*1080。
S2:建立红木鉴定卷积神经网络
红木鉴定卷积神经网络由特征提取和分类器两部分组成,如图2所示;特征提取部分使用ResNet模型中的ResNet-18网络结构,具体为:1个卷积层、1个最大池化层、8个残差单元(Residual Block);分类器部分具体为:1个全局平均池化层和1个全连接层;
红木微观图像输入网络的卷积层,卷积滤波器大小为7*7,滤波器数目为64,卷积步长为2,卷积层的激活函数为ReLU函数;最大池化层设第一个卷积层后,池化区域大小为3*3,池化步长为2;
最大池化层后接8个残差单元,每个残差单元包括2个卷积层,卷积层后增加批量归一化层BN(Batch Normalization)来防止反向传播过程中的梯度弥散并加速训练模型的收敛,在BN之后连接非线性激活函数ReLU来进一步增加非线性变换的特征;8个残差单元共16个卷积层,卷积滤波器大小均为3*3,卷积滤波器数目分别为64、64、64、64、128、128、128、128、256、256、256、256、512、512、512、512,卷积步长分别为1、1、1、1、2、1、1、1、2、1、1、1、2、1、1、1;
残差单元之后接全局平均池化层;全局平均池化层之后的全连接层节点依据待识别红木类别数而定,根据应用场景是鉴定红木真伪,即分类为“巴里黄檀”、“大果紫檀”、“交趾黄檀”和“非红木”中的一种,所以将全连接层结点数设为4,激活函数为Softmax函数。
S3:训练红木鉴定卷积神经网络得到红木鉴定模型
S3.1:将步骤S1获得的木材图像按照8:2的比例分为训练集和验证集;红木微观图像尺寸大小调整为256*256像素,然后对图像中心区域裁剪出面积为高和宽均为224像素的新图像作为输入图像;训练集图像进行随机左右翻转、随机添加噪声、随机亮度调整、随机对比度调整以及归一化处理,验证集图像仅进行归一化处理。
S3.2:设置超参数和优化算法,将训练集输入红木鉴定卷积神经网络并进行迭代训练,同时使用验证集对训练模型进行验证,最终获得红木鉴定模型;具体步骤如下:
设置批量梯度下降算法的批量大小设为64,学习率的初始值设为0.0001,优化算法选择Adam算法,采用Softmax交叉熵损失函数;
对步骤2构造的红木鉴定卷积神经网络参数进行初始化的方法:对于特征提取部分直接使用经ImageNet预训练的ResNet-18网络的参数,对于分类器部分采用Xavier初始化方法;
使用MXNet深度学习框架进行训练,将经过数据增强的训练集的图像输入红木鉴定卷积神经网络,在一次迭代优化过程中,随机采样64个训练样本构成一个batch,结合反向传播算法对网络进行优化并更新网络参数;迭代次数根据验证集上的测试效果决定,当在验证集上的准确率不再提高时终止网络的训练,获得红木鉴定模型;红木鉴定模型包括3个文件:后缀为params的模型参数文件、后缀为json的网络结构文件以及一个记录所有图片类别名称(即“巴里黄檀”、“大果紫檀”、“交趾黄檀”和“非红木”)的txt文件。
S3.3:提供异常检测二分类模型
在图像素材网站Pixabay收集人像、动物图像、景观图像100张,作为非木材图像,加上步骤1获得的红木图像组成数据集,按照S3.1-3.2的流程训练一个二分类模型;通过二分类模型在图像进行红木鉴定前需经过异常检测阶段,判断图像是否为木材图片;如果判断图像不是木材图片,则认为图片不在鉴定范围内,不会输入红木鉴定模型;反之,图像则会输入后续的红木鉴定模型;输出的鉴定结果以json字符串的形式保存。
S4:红木鉴定
根据步骤S3获得的红木鉴定模型对需要鉴定的红木图像进行鉴定,并输出鉴定结果。本实施例通过基于B/S模式的红木鉴定系统对红木图像进行鉴定。
实施例2
请参见图3,本发明提供基于卷积神经网络的红木家具智能无损鉴定装置,包括:数据采集模块、神经网络模型训练模块和红木鉴定系统模块。
数据采集模块,用于采集包括红木木材的微观图像数据;所述数据采集模块用于对木材进行采样,使用摄像装置拍摄清晰的木材横切面微观图像,拍摄红木的图像清晰度符合红木国家标准GB/T 18107-2017中描述的鉴定要求;
神经网络模型训练模块,在红木鉴定卷积神经网络上训练得到红木鉴定模型;
所述神经网络模型训练模块包括图像数据增强单元、特征提取单元和分类器单元;
图像数据增强单元,其用于将数据采集模块获得的木材图像按照8:2的比例分为训练集和验证集;红木微观图像尺寸大小调整为256*256像素,然后对图像中心区域裁剪出面积为高和宽均为224像素的新图像作为输入图像;训练集图像进行随机左右翻转、随机添加噪声、随机亮度调整、随机对比度调整以及归一化处理,验证集图像仅进行归一化处理。
特征提取单元使用ResNet模型中的ResNet-18网络结构,由1个卷积层、1个最大池化层、8个残差单元组成;分类器单元由1个全局平均池化层和1个全连接层组成;
将红木微观图像输入网络的卷积层,卷积滤波器大小为7*7,滤波器数目为64,卷积步长为2,卷积层的激活函数为ReLU函数;最大池化层在第一个卷积层后,池化区域大小为3*3,池化步长为2;
最大池化层后接8个残差单元,每个残差单元包括2个卷积层,卷积层后增加批量归一化层BN(Batch Normalization)来防止反向传播过程中的梯度弥散并加速模型训练的收敛,在BN之后连接了非线性激活函数ReLU来进一步增加非线性变换的特征,8个残差单元共16个的卷积层,卷积滤波器大小均为3*3,卷积滤波器数目分别为64、64、64、64、128、128、128、128、256、256、256、256、512、512、512、512,卷积步长分别为1、1、1、1、2、1、1、1、2、1、1、1、2、1、1、1;
残差单元之后接全局平均池化层;全局平均池化层之后的全连接层节点依据待识别红木类别数而定,根据应用场景是鉴定红木真伪,将全连接层结点数设为4,激活函数为Softmax函数。
红木鉴定系统模块,构建系统用于实现红木家具鉴定。
鉴定系统包括前端页面和后端服务器两个部分;
前端页面包括上传单元、图像列表单元和鉴定结果单元;所述上传单元用于上传待鉴定的图片,所述图像列表单元用于展示所述上传单元上传待鉴定的图片,所述结果单元用于输出鉴定结果;
后端服务器包括图像处理单元和图像鉴定单元;
所述图像处理单元用于对图像换成RGB图像及图像尺寸大小调整,并且对图像进行归一化处理;
所述图像鉴定单元用于跟进所述跟进神经网络模型训练模块获得的红木鉴定模型对图像进行鉴定识别,并将鉴定结果返回前端页面。
红木鉴定系统模块,包括以红木鉴定模型为核心设计与实现基于B/S模式的红木鉴定系统,可在PC端浏览器及移动端浏览器运行,前端使用基于Vue的桌面端组件库Element UI,后端服务器使用Django Web应用框架构建。请参见图4,系统运行的流程:用户使用浏览器打开本系统后在Web网页上传所拍摄的红木图像,后端服务器接收用户上传的图像后通过步骤3训练好的红木鉴定模型鉴定图像所属的类别及其概率,最后将鉴定结果返回至网页前端;用户应用红木鉴定系统实现红木家具鉴定包括对木制家具进行实物无损拍摄和利用系统进行智能鉴定两个阶段,对需要鉴定的木制家具进行无损拍摄获得的图像作为鉴定对象,上传至红木鉴定系统,用户根据系统界面提示的鉴定步骤来执行,得到鉴定结果。
用户应用红木鉴定系统实现红木家具鉴定包括对木制家具进行实物无损拍摄和将图像上传至系统进行智能鉴定两个阶段,所述的实物无损拍摄阶段的步骤具体为:将手持数码显微镜与计算机设备相连,手持数码显微镜用于拍摄,计算机设备用于显示拍摄过程和存储图像;对要鉴定的家具整体进行观察,用10倍放大镜找到家具构建的横切面并观察其宏观特征;在要拍摄的位置上涂一些水或油性物质,目的是提高图像的清晰度,然后用手持式数码显微镜拍摄构件横切面微观图像,观察拍摄出的图像是否清晰地显示出横切面微观构造,是则保存,可用于后续鉴定,否则重拍;
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.基于卷积神经网络的红木家具智能无损鉴定方法,其特征在于,所述方法包括:
S1:创建红木和非红木木材的微观图像数据集
对木材进行采样,使用摄像装置拍摄清晰的红木横切面微观图像,拍摄的图像清晰度符合红木国家标准GB/T 18107-2017中描述的鉴定要求;
S2:建立红木鉴定卷积神经网络
红木鉴定卷积神经网络包括特征提取部分和分类器部分;特征提取部分由卷积层、最大池化层、残差单元组成;分类器部分由全局平均池化层和全连接层组成;
S3:训练红木鉴定卷积神经网络得到红木鉴定模型
将步骤S1的数据集分成训练集和验证集,对训练集和验证集图像进行数据增强;设置超参数和优化算法,将训练集输入红木鉴定卷积神经网络并进行迭代训练,同时使用验证集对训练模型进行验证,最终获得红木鉴定模型;
S4:红木鉴定
根据步骤S3获得的红木鉴定模型对需要鉴定的红木图像进行鉴定,并输出鉴定结果。
2.根据权利要求1所述的基于卷积神经网络的红木家具智能无损鉴定方法,其特征在于,所述步骤S1创建红木和非红木木材的微观图像数据集还包括:
对需要进行图像采集的木材进行采样,从树干的端面切割出木材横切面,并将其打磨平滑,利用10倍放大镜寻找样本的合适拍摄位置,然后用与计算机联接的手持数码显微镜拍摄该位置的横切面微观图像,观察电脑显示的拍摄图像的成像效果,调节拍摄亮度,如果出现微观构造拍摄不清晰的情况可以调整显微镜放大倍数和焦距,拍取符合要求的图像,并根据图像对应木材所属类型进行分类存放。
3.根据权利要求1所述的基于卷积神经网络的红木家具智能无损鉴定方法,其特征在于,所述步骤S2建立红木鉴定卷积神经网络,特征提取部分使用ResNet模型中的ResNet-18网络结构,由1个卷积层、1个最大池化层、8个残差单元组成;分类器部分由1个全局平均池化层和1个全连接层组成。
4.根据权利要求3所述的基于卷积神经网络的红木家具智能无损鉴定方法,其特征在于,还包括:
将红木微观图像输入网络的卷积层,卷积滤波器大小为7*7,滤波器数目为64,卷积步长为2,卷积层的激活函数为ReLU函数;最大池化层在第一个卷积层后,池化区域大小为3*3,池化步长为2;
最大池化层后接8个残差单元,每个残差单元包括2个卷积层,卷积层后增加批量归一化层BN(Batch Normalization)来防止反向传播过程中的梯度弥散并加速模型训练的收敛,在BN之后连接了非线性激活函数ReLU来进一步增加非线性变换的特征,8个残差单元共16个的卷积层,卷积滤波器大小均为3*3,卷积滤波器数目分别为64、64、64、64、128、128、128、128、256、256、256、256、512、512、512、512,卷积步长分别为1、1、1、1、2、1、1、1、2、1、1、1、2、1、1、1;
残差单元之后接全局平均池化层;全局平均池化层之后的全连接层节点依据待识别红木类别数而定,根据应用场景是鉴定红木真伪,将全连接层结点数设为4,激活函数为Softmax函数。
5.根据权利要求1所述的基于卷积神经网络的红木家具智能无损鉴定方法,其特征在于,所述对训练集和验证集图像进行数据增强步骤包括:
将步骤S1获得的木材图像按照8:2的比例分为训练集和验证集;红木微观图像尺寸大小调整为256*256像素,然后对图像中心区域裁剪出面积为高和宽均为224像素的新图像作为输入图像;训练集图像进行随机左右翻转、随机添加噪声、随机亮度调整、随机对比度调整以及归一化处理,验证集图像仅进行归一化处理。
6.基于卷积神经网络算法的红木家具智能无损鉴定装置,其特征在于,包括:
数据采集模块,用于采集包括红木木材的微观图像数据;
神经网络模型训练模块,在红木鉴定卷积神经网络上训练得到红木鉴定模型;
红木鉴定系统模块,构建系统用于实现红木家具鉴定。
7.根据权利要求6所述基于卷积神经网络算法的红木家具智能无损鉴定装置,其特征在于,所述数据采集模块用于对木材进行采样,使用摄像装置拍摄清晰的红木横切面微观图像,拍摄的图像清晰度符合红木国家标准GB/T18107-2017中描述的鉴定要求。
8.根据权利要求6所述基于卷积神经网络算法的红木家具智能无损鉴定装置,其特征在于,所述神经网络模型训练模块包括特征提取单元和分类器单元,特征提取单元使用ResNet模型中的ResNet-18网络结构,由1个卷积层、1个最大池化层、8个残差单元组成;分类器单元由1个全局平均池化层和1个全连接层组成;
将红木微观图像输入网络的卷积层,卷积滤波器大小为7*7,滤波器数目为64,卷积步长为2,卷积层的激活函数为ReLU函数;最大池化层在第一个卷积层后,池化区域大小为3*3,池化步长为2;
最大池化层后接8个残差单元,每个残差单元包括2个卷积层,卷积层后增加批量归一化层BN(Batch Normalization)来防止反向传播过程中的梯度弥散并加速模型训练的收敛,在BN之后连接了非线性激活函数ReLU来进一步增加非线性变换的特征,8个残差单元共16个的卷积层,卷积滤波器大小均为3*3,卷积滤波器数目分别为64、64、64、64、128、128、128、128、256、256、256、256、512、512、512、512,卷积步长分别为1、1、1、1、2、1、1、1、2、1、1、1、2、1、1、1;
残差单元之后接全局平均池化层;全局平均池化层之后的全连接层节点依据待识别红木类别数而定,根据应用场景是鉴定红木真伪,将全连接层结点数设为4,激活函数为Softmax函数。
9.根据权利要求6所述基于卷积神经网络算法的红木家具智能无损鉴定装置,其特征在于,所述神经网络模型训练模块包括图像数据增强单元,其用于将所述数据采集模块获得的木材图像按照8:2的比例分为训练集和验证集;红木微观图像尺寸大小调整为256*256像素,然后对图像中心区域裁剪出面积为高和宽均为224像素的新图像作为输入图像;训练集图像进行随机左右翻转、随机添加噪声、随机亮度调整、随机对比度调整以及归一化处理,验证集图像仅进行归一化处理。
10.根据权利要求6所述基于卷积神经网络算法的红木家具智能无损鉴定装置,其特征在于,所述鉴定系统包括前端页面和后端服务器两个部分;
前端页面包括上传单元、图像列表单元和鉴定结果单元;所述上传单元用于上传待鉴定的图片,所述图像列表单元用于展示所述上传单元上传待鉴定的图片,所述结果单元用于输出鉴定结果;
后端服务器包括图像处理单元和图像鉴定单元;所述图像处理单元用于对图像进行格式转换及图像尺寸大小调整,并且对图像进行归一化处理;所述图像鉴定单元用于跟进所述跟进神经网络模型训练模块获得的红木鉴定模型对图像进行鉴定识别,并将鉴定结果返回前端页面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474782.8A CN111652307A (zh) | 2020-05-29 | 2020-05-29 | 基于卷积神经网络的红木家具智能无损鉴定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474782.8A CN111652307A (zh) | 2020-05-29 | 2020-05-29 | 基于卷积神经网络的红木家具智能无损鉴定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652307A true CN111652307A (zh) | 2020-09-11 |
Family
ID=72346906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010474782.8A Pending CN111652307A (zh) | 2020-05-29 | 2020-05-29 | 基于卷积神经网络的红木家具智能无损鉴定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652307A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712063A (zh) * | 2021-01-18 | 2021-04-27 | 贵州大学 | 刀具磨损值监测方法、电子装置和存储介质 |
CN112767388A (zh) * | 2021-01-29 | 2021-05-07 | 中华人民共和国张家港海关 | 一种木材微距特征图像采集及ai鉴定系统 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063713A (zh) * | 2018-07-20 | 2018-12-21 | 中国林业科学研究院木材工业研究所 | 一种基于构造特征图像深度学习的木材鉴别方法和系统 |
US20190102601A1 (en) * | 2017-09-21 | 2019-04-04 | Lexset.Ai Llc | Detecting one or more objects in an image, or sequence of images, and determining a category and one or more descriptors for each of the one or more objects, generating synthetic training data, and training a neural network with the synthetic training data |
CN110378208A (zh) * | 2019-06-11 | 2019-10-25 | 杭州电子科技大学 | 一种基于深度残差网络的行为识别方法 |
CN111178523A (zh) * | 2019-08-02 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种行为检测方法、装置、电子设备及存储介质 |
-
2020
- 2020-05-29 CN CN202010474782.8A patent/CN111652307A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190102601A1 (en) * | 2017-09-21 | 2019-04-04 | Lexset.Ai Llc | Detecting one or more objects in an image, or sequence of images, and determining a category and one or more descriptors for each of the one or more objects, generating synthetic training data, and training a neural network with the synthetic training data |
CN109063713A (zh) * | 2018-07-20 | 2018-12-21 | 中国林业科学研究院木材工业研究所 | 一种基于构造特征图像深度学习的木材鉴别方法和系统 |
CN110378208A (zh) * | 2019-06-11 | 2019-10-25 | 杭州电子科技大学 | 一种基于深度残差网络的行为识别方法 |
CN111178523A (zh) * | 2019-08-02 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种行为检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
刘红清 等: "无损检测方法在红木制品识别中的应用", 《西北林学院学报》 * |
孙永科 等: "基于神经网络的珍稀红木图像识别技术", 《电脑知识与技术》 * |
赵鹏超 等: "基于卷积神经网络和树叶纹理的树种识别研究", 《森林工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712063A (zh) * | 2021-01-18 | 2021-04-27 | 贵州大学 | 刀具磨损值监测方法、电子装置和存储介质 |
CN112712063B (zh) * | 2021-01-18 | 2022-04-26 | 贵州大学 | 刀具磨损值监测方法、电子装置和存储介质 |
CN112767388A (zh) * | 2021-01-29 | 2021-05-07 | 中华人民共和国张家港海关 | 一种木材微距特征图像采集及ai鉴定系统 |
CN112767388B (zh) * | 2021-01-29 | 2023-12-26 | 中华人民共和国张家港海关 | 一种木材微距特征图像采集及ai鉴定系统 |
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 |
CN113177908B (zh) * | 2021-04-01 | 2022-11-25 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473164B (zh) | 一种基于注意力机制的图像美学质量评价方法 | |
US20220028126A1 (en) | Methods and Systems for Human Imperceptible Computerized Color Transfer | |
CN111652307A (zh) | 基于卷积神经网络的红木家具智能无损鉴定方法及装置 | |
CN110533097A (zh) | 一种图像清晰度识别方法、装置、电子设备及存储介质 | |
CN106126585B (zh) | 基于质量分级与感知哈希特征组合的无人机图像检索方法 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN111582397B (zh) | 一种基于注意力机制的cnn-rnn图像情感分析方法 | |
CN108416314B (zh) | 图片重要人脸检测方法 | |
CN110148088B (zh) | 图像处理方法、图像去雨方法、装置、终端及介质 | |
CN114724222B (zh) | 一种基于多模态的ai数字人情感分析方法 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN104063686A (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN107609055B (zh) | 基于深层主题模型的文本图像多模态检索方法 | |
CN114049194A (zh) | 一种基于图片背景相似性的欺诈检测识别方法及设备 | |
CN111723239A (zh) | 一种基于多模态的视频标注方法 | |
CN110689039A (zh) | 一种基于四通道卷积神经网络的树干纹理识别方法 | |
CN108038499A (zh) | 一种基于深度学习的树种分类方法与系统 | |
CN112668486A (zh) | 一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体 | |
CN112559791A (zh) | 一种基于深度学习的布匹分类检索方法 | |
CN115878832A (zh) | 基于精细对齐判别哈希的海洋遥感图像音频检索方法 | |
CN115775349A (zh) | 基于多模态融合的假新闻检测方法和装置 | |
CN110688966A (zh) | 语义指导的行人重识别方法 | |
CN108197320B (zh) | 一种多视图图像自动标注方法 | |
CN106599926A (zh) | 一种表情图片推送方法及系统 | |
CN108764233A (zh) | 一种基于连续卷积激活的场景字符识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200911 |