CN112699919B - 基于三维卷积神经网络模型的木材鉴别方法、装置 - Google Patents
基于三维卷积神经网络模型的木材鉴别方法、装置 Download PDFInfo
- Publication number
- CN112699919B CN112699919B CN202011473674.5A CN202011473674A CN112699919B CN 112699919 B CN112699919 B CN 112699919B CN 202011473674 A CN202011473674 A CN 202011473674A CN 112699919 B CN112699919 B CN 112699919B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- network model
- neural network
- convolutional neural
- training
- 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.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 137
- 239000002023 wood Substances 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 131
- 238000012795 verification Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims description 24
- 238000010200 validation analysis Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 239000006002 Pepper Substances 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000002591 computed tomography Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 235000002566 Capsicum Nutrition 0.000 description 6
- 241000722363 Piper Species 0.000 description 6
- 235000016761 Piper aduncum Nutrition 0.000 description 6
- 235000017804 Piper guineense Nutrition 0.000 description 6
- 235000008184 Piper nigrum Nutrition 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 150000003839 salts Chemical class 0.000 description 6
- 244000086363 Pterocarpus indicus Species 0.000 description 4
- 235000009984 Pterocarpus indicus Nutrition 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- 238000004817 gas chromatography Methods 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000010603 microCT Methods 0.000 description 3
- 240000005020 Acaciella glauca Species 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 235000003499 redwood Nutrition 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及木材鉴别技术领域,具体涉及一种基于三维卷积神经网络模型的木材鉴别方法、装置、计算机设备和存储介质。所述方法包括:获取多张木材的三维图像作为样本图像集;根据样本图像集获得验证样本集和训练样本集;创建初始三维卷积神经网络模型,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型;通过X射线三维显微CT获取待鉴别木材的三维图像;根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理,得到待鉴别木材的鉴别结果。本发明实施例能够提高木材的鉴别准确率。
Description
技术领域
本申请涉及木材鉴别技术领域,特别是涉及一种基于三维卷积神经网络模型的木材鉴别方法、装置、计算机设备和存储介质。
背景技术
随着科学技术的发展,木材识别技术取得了较大的进步。目前,市场上较为先进的识别技术包括DNA检测、同位素识别以及近红外光谱检测等手段。以红木的鉴别为例,阐述木材种类的鉴别方法和鉴别系统,该鉴别方法和系统可以应用于其他的木材识别。
目前,关于红木鉴别方式主要有基于近红外光谱检测、基于基因测序的DNA检测、基于核磁共振氢谱检测、气相色谱检测和手持显微镜检测等。这些检测方法可以分为两个阶段,分别为数据获取和模式识别阶段。其中,数据获取是通过相关仪器获取木材的相关数据,模式识别则是通过一定的方法对获取的数据进行分类,得到木材的分类结果。虽然这些红木鉴别方法实现了木材的微损甚至无损检测,但仍然存在一些问题。
比如,对于基于近红外光谱的检测方式,木材所含化学成分的近红外吸收相互重叠会导致检测到的结果存在差异,进而影响最终的鉴别精度;对于基于基因测序的DNA检测方式,在提取木材样品的DNA时,木材存放的时间越长,提取DNA的难度也会增加,并且提取DNA的成本较高;对于基于核磁共振氢谱的检测方式,在检测不同种类的木材时,部分种类红木的氢谱图区别不明显,这对后期的分类要求较高,容易造成混淆;而对于气相色谱的检测方式,提取木材样品的气相色谱图受外界的人为等干扰因素影响较大,对样品的质量要求较高,其成本也相对较高;至于手持显微镜的检测方式,该检测方法在红木家具上色以后就不能检测了,而且显微镜的放大倍数没有形成统一的标准。
发明内容
本发明针对现有技术的缺点,提供了一种基于三维卷积神经网络模型的木材鉴别方法、装置、计算机设备和存储介质,本发明实施例能够提高木材的鉴别准确率。
本发明根据第一方面提供了一种基于三维卷积神经网络模型的木材鉴别方法,在一个实施例中,该方法包括:
获取多张木材的三维图像作为样本图像集;
根据样本图像集获得验证样本集和训练样本集;
创建初始三维卷积神经网络模型,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型;
通过X射线三维显微CT获取待鉴别木材的三维图像;
根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理,得到待鉴别木材的鉴别结果。
在一个实施例中,根据样本图像集获得验证样本集和训练样本集,包括:
从样本图像集包括的每张三维图像中提取一个预设尺寸的三维样本数据,得到多个预设尺寸的三维样本数据;
按照预设样本分配规则将得到的所有三维样本数据划分为验证样本集和训练样本集。
在一个实施例中,根据样本图像集获得验证样本集和训练样本集,包括:
从样本图像集中提取预设比例的三维图像,为提取到的每张三维图像增加椒盐噪声,得到预设比例的增强三维图像;
将样本图像集和预设比例的增强三维图像作为增强样本集,从增强样本集包括的每张三维图像中提取三个分别对应于三个方向的预设尺寸的三维样本数据,得到多个预设尺寸的三维样本数据;
按照预设样本分配规则将得到的所有三维样本数据划分为验证样本集和训练样本集。
在一个实施例中,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型的步骤,包括:
根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到完成训练的三维卷积神经网络模型;
采用预设模型优化方法对完成训练的三维卷积神经网络模型进行优化,得到训练好的三维卷积神经网络模型;
预设模型优化方法包括剪枝优化方法、量化优化方法或二值化优化方法。
在一个实施例中,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到完成训练的三维卷积神经网络模型的步骤,包括:
根据验证样本集和训练样本集对初始三维卷积神经网络模型进行迭代训练,在迭代训练的周期次数超过预设周期阈值且验证集的准确率超过预设准确率阈值时,将进行迭代训练后的初始三维卷积神经网络模型作为完成训练的三维卷积神经网络模型。
在一个实施例中,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型的步骤之后,包括:
将训练好的三维卷积神经网络模型部署到数据可视化软件;
根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理,得到待鉴别木材的鉴别结果的步骤之后,包括:
通过数据可视化软件将待鉴别木材的鉴别结果进行三维可视化展示。
在一个实施例中,三维卷积神经网络模型为LeNet网络模型、VGGNet网络模型、ResNet网络模型或GoogleNet网络模型。在三维卷积神经网络模型为ResNet网络模型时,创建初始三维卷积神经网络模型的步骤,包括:基于Tensorflow框架搭建初始的ResNet网络模型。
本发明根据第二方面提供了一种基于三维卷积神经网络模型的木材鉴别装置,在一个实施例中,该装置包括:
样本图像获取模块,用于获取多张木材的三维图像作为样本图像集;
样本集获得模块,用于根据样本图像集获得验证样本集和训练样本集;
模型训练模块,用于创建初始三维卷积神经网络模型,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型;
待鉴别图像获取模块,用于通过X射线三维显微CT获取待鉴别木材的三维图像;
待鉴别图像处理模块,用于根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理,得到待鉴别木材的鉴别结果。
本发明根据第三方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一方法的实施例的步骤。
本发明根据第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一方法的实施例的步骤。
在本发明实施例中,通过获取多张木材的三维图像作为样本图像集,进而根据样本图像集获得验证样本集和训练样本集,再创建初始三维卷积神经网络模型,并根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练以得到训练好的三维卷积神经网络模型,之后通过X射线三维显微CT获取待鉴别木材的三维图像,再根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理就能够得到待鉴别木材的鉴别结果。本发明实施例通过X射线三维显微CT能够获得高分辨率、高质量的待鉴别木材的三维图像,之后再使用三维卷积神经网络模型对获得的三维图像进行处理,能够提高木材的鉴别准确率。
附图说明
图1为一个实施例中一种基于三维卷积神经网络模型的木材鉴别方法的流程示意图;
图2为一个实施例中X射线三维显微CT获取的木材的三维图像的示意图;
图3为一个实施例中训练好的ResNet三维卷积神经网络模型的网络结构图;
图4为一个实施例中获得验证样本集和训练样本集的流程示意图;
图5为另一个实施例中获得验证样本集和训练样本集的流程示意图;
图6为一个实施例中鉴别结果的展示示意图;
图7为一个实施例中一种基于三维卷积神经网络模型的木材鉴别装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本发明提供了一种基于三维卷积神经网络模型的木材鉴别方法。在一个实施例中,如图1所示,该方法包括以下步骤:
S110:获取多张木材的三维图像作为样本图像集。
本实施例使用三维卷积神经网络模型来处理木材的三维图像,以检测出木材的类型。为了训练出可以使用的三维卷积神经网络模型,需要预先搜集大量的木材的三维图像(或称为样本图像)来训练模型。
其中,样本图像可以使用X射线三维显微CT来获取,示例性地,采集到的样本图像可以如图2所示,包括木材的三维的CT图像,和如图2所示的三个方向上对应的三个截面。
X射线显微CT(X-CT,X-ray Computed Tomography),即计算机层析成像技术,是一种非侵入性和非破坏性成像技术,在不破坏样品的情况下,利用X射线对物体进行扫描,能够获得样品内部三维结构和形貌信息。它能在对检测物体无损伤条件下,以二维断层图像或三维立体图像的形式,清晰、准确、直观地展示被检测物体内部的结构、组成及形貌等,被誉为当今最佳无损检测和无损评估技术。相比传统的获取木材图像的方式,通过X射线三维显微CT可以获取到木材的更高分辨率、更高质量的样品数据(即木材的三维图像),并且X射线三维显微CT对样品(这里指要获取三维图像的木材)质量的要求不高,同时方便建立样品的检测标准。
S120:根据样本图像集获得验证样本集和训练样本集。
在本实施例中,搜集到样本图像集即大量的样本图像之后,就按照预先设定的划分规则(比如,可以按比例如3:7来划分)将样本图像集划分为两个图像集,即验证样本集和训练样本集,其中,训练样本集用于训练模型,而验证样本集用于对完成训练的模型的鉴别准确率进行验证。
S130:创建初始三维卷积神经网络模型,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型。
在本实施例中,三维卷积神经网络模型可以使用LeNet网络模型、VGGNet网络模型、ResNet(Deep residual network,深度残差网络)网络模型或GoogleNet网络模型等模型来实现。
在一个实施方式中,考虑到ResNet网络模型相比于其他的网络结构,不会因为网络层数的加深而导致识别效果降低,甚至在网络层数较少时如果对网络层数进行加深还有助于提高模型的识别准确率;另一方面,ResNet网络模型的权重参数比VGGNet网络模型要少很多,这有助于在模型推断中更快速地识别出木材的种类,因而采用ResNet网络模型来作为三维卷积神经网络模型。相应地,在三维卷积神经网络模型为ResNet网络模型时,创建初始三维卷积神经网络模型的步骤,包括:基于Tensorflow框架搭建初始的ResNet网络模型。其中,Tensorflow框架是谷歌公司(Google)发布的一款机器学习平台,初始的ResNet网络模型是指一个简单的ResNet网络模型。示例性地,训练好的ResNet三维卷积神经网络模型的网络结构图可以图3所示。
S140:通过X射线三维显微CT获取待鉴别木材的三维图像。
在本实施例中,在训练得到训练好的三维卷积神经网络模型之后,即可利用X射线三维显微CT来获取待鉴别木材(即需要鉴别出种类的木材)的三维图像。
进一步地,在使用X射线三维显微CT扫描样本木材(即要获取样本图像的木材)或者待鉴别木材时,可以采用不同的参数(如射线源的电压、电流、图像的分辨率等参数)进行测试,以获取到分辨率更高、质量更好的CT图像。优选地,经过大量测试之后,采用以下参数可以获得样本木材或待鉴别木材的高分辨率和高质量的CT图像:
CT扫描参数:电压:60.0Kv;电流:60.0mA;
图像合并数:3;曝光时间:0.5s;图像的分辨率:1.5um。
S150:根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理,得到待鉴别木材的鉴别结果。
在本实施例中,在采集到待鉴别木材的三维图像之后,将其输入训练好的三维卷积神经网络模型中,该模型会对三维图像进行处理,并得到待鉴别木材的鉴别结果。
本发明实施例通过获取多张木材的三维图像作为样本图像集,进而根据样本图像集获得验证样本集和训练样本集,再创建初始三维卷积神经网络模型,并根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练以得到训练好的三维卷积神经网络模型,之后通过X射线三维显微CT获取待鉴别木材的三维图像,再根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理就能够得到待鉴别木材的鉴别结果。本发明实施例通过X射线三维显微CT能够获得高分辨率、高质量的待鉴别木材的三维图像,之后再使用三维卷积神经网络模型对获得的三维图像进行处理,能够提高木材的鉴别准确率。
在一个实施例中,如图4所示,根据样本图像集获得验证样本集和训练样本集的步骤,可以包括:
S211:从样本图像集包括的每张三维图像中提取一个预设尺寸的三维样本数据,得到多个预设尺寸的三维样本数据。
S212:按照预设样本分配规则将得到的所有三维样本数据划分为验证样本集和训练样本集。
在本实施例中,在进行模型训练之前需要先对数据集,即样本图像集进行预处理,进行预处理的目的是把样本图像裁剪为模型输入所需的尺寸以及把样本图像集分割为验证样本集和训练样本集。
具体地,在根据样本图像集来获得验证样本集和训练样本集时,可以先从样本图像集中的每张三维图像(即样本图像)中提取出一个预设尺寸的三维样本数据,这样处理之后最终能够得到大量的三维样本数据。其中,预设尺寸的三维样本数据可以是尺寸为9*9*200(像素)的立方体(或称为数据块)。
在完成所有样本图像的三维样本数据之后,按照预设样本分配规则将获得的所有三维样本数据进行划分,其中,可以按照预设的分配比例(如验证样本集:训练样本集为3:7)来进行划分,比如,总的三维样本数据有10000个,按照上述例子中的分配比例进行分配的结果是,验证样本集包括3000个三维样本数据,而训练样本集包括7000个三维样本数据。当然,也可以按照其他的分配形式来进行分配,比如,预设将2000个三维样本数据作为验证样本集,其余的三维样本数据则作为训练样本集。
在划分好验证样本集和训练样本集之后即可开始训练三维卷积神经网络模型(以下简称为模型)。
在一个实施例中,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到完成训练的三维卷积神经网络模型的步骤,包括:
根据验证样本集和训练样本集对初始三维卷积神经网络模型进行迭代训练,在迭代训练的周期次数超过预设周期阈值且验证集的准确率超过预设准确率阈值时,将进行迭代训练后的初始三维卷积神经网络模型作为完成训练的三维卷积神经网络模型。
其中,在训练模型时可以按照预先设置好的模型训练参数进行训练。示例性地,模型训练参数的设置可以如下所示:
学习率为0.001;
参数优化算法:Adam优化算法
损失函数:使用交叉熵损失函数,具体公式如下,
其中,/>为预测值,y为真实值。
Batch_size(一次训练所选取的样本数)大小为100;
外循环次数(即迭代训练的周期次数)为5。
示例性地,假设训练样本集是160000个尺寸为9*9*200的立方体,验证样本集是2000个尺寸为9*9*200的立方体。如果Batch_size为100,那么进行一次迭代周期的训练需要迭代160000/100=1600次训练,如果外循环次数设置为5,那么最多要进行5个迭代周期的训练。在训练过程中,需要根据验证样本集和训练样本集的损失值和精度值进行模型的保存,如果在迭代训练时,迭代训练的周期次数超过预设周期阈值(比如2个)且验证集的准确率超过预设准确率阈值(比如99%)时那么可以提前停止对模型的训练。
进一步地,训练过程可在tensorboard可视化工具上进行可视化。
在另一个实施例中,如图5所示,根据样本图像集获得验证样本集和训练样本集,还可以包括:
S221:从样本图像集中提取预设比例的三维图像,为提取到的每张三维图像增加椒盐噪声,得到预设比例的增强三维图像;
S222:将样本图像集和预设比例的增强三维图像作为增强样本集,从增强样本集包括的每张三维图像中提取三个分别对应于三个方向的预设尺寸的三维样本数据,得到多个预设尺寸的三维样本数据;
S223:按照预设样本分配规则将得到的所有三维样本数据划分为验证样本集和训练样本集。
在本实施例中,为了提高本实施例提供的木材鉴别方法所应用的木材鉴别系统的鲁棒性,可以在已获得的样本图像集的基础上通过数据增强的方法获得更多的样本图像,使得最终训练得到的模型具有泛化性。
在处理时,可以从样本图像集,即搜集到的大量样本图像中提取出预设比例的三维图像,由于三维数据在翻转后是不变的,因此,本实施例采用翻转和增加椒盐噪声的方法来处理提取出的三维图像,其中,增加椒盐噪声是模拟CT扫描过程造成的干扰,优选地,本实施例将椒盐噪声的信噪比设置为0.8。
具体地,为提取到的每张三维图像增加椒盐噪声,这样可以得到预设比例的增强三维图像(指增加了椒盐噪声的三维图像),可以理解的,假如提取到1000张三维图像,那么处理后可以得到1000张增强三维图像,得到的所有增强三维图像和原先搜集的所有三维图像可以看作增强样本集。对于增强样本集所包括的每张三维图像(可以理解的,增强三维图像也是三维图像),从立方体的三个方向进行三维样本数据的提取,这样每张三维图像都可以提取到三个三维样本数据,从而最终得到的总的三维样本数据的数量相比增强处理之前的数量大大增加。
在一个实施例中,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型的步骤,包括:根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到完成训练的三维卷积神经网络模型;采用预设模型优化方法对完成训练的三维卷积神经网络模型进行优化,得到训练好的三维卷积神经网络模型。
本实施例在模型训练完成以后,对模型进行优化,比如使用剪枝优化方法、量化优化方法或二值化优化方法等对完成训练的模型进行处理,以减少模型的计算量及内存占用,这样能够加快模型的推断速率。
在一个实施例中,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型的步骤之后,包括:将训练好的三维卷积神经网络模型部署到数据可视化软件。相应地,根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理,得到待鉴别木材的鉴别结果的步骤之后,包括:通过数据可视化软件将待鉴别木材的鉴别结果进行三维可视化展示。
本实施例将训练好的模型通过VS2015部署到数据可视化软件比如Voreen或者VTK上,从而在根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理而得到待鉴别木材的鉴别结果之后,可以将鉴别结果通过三维可视化界面来进行展示,方便用户查看鉴别结果。示例性地,鉴别效果的展示图可以如图6所示。
图1、图4和图5为一个实施例中业务请求的跟踪信息处理方法的流程示意图。应该理解的是,虽然图1、图4和图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图4和图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于相同的发明构思,本发明还提供了一种基于三维卷积神经网络模型的木材鉴别装置。在一个实施例中,如图7所示,该基于三维卷积神经网络模型的木材鉴别装置包括以下模块:
样本图像获取模块110,用于获取多张木材的三维图像作为样本图像集;
样本集获得模块120,用于根据样本图像集获得验证样本集和训练样本集;
模型训练模块130,用于创建初始三维卷积神经网络模型,根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型;
待鉴别图像获取模块140,用于通过X射线三维显微CT获取待鉴别木材的三维图像;
待鉴别图像处理模块150,用于根据三维卷积神经网络模型对待鉴别木材的三维图像进行处理,得到待鉴别木材的鉴别结果。
在一个实施例中,样本集获得模块,包括:
三维样本数据提取子模块,用于从样本图像集包括的每张三维图像中提取一个预设尺寸的三维样本数据,得到多个预设尺寸的三维样本数据;
三维样本数据划分子模块,用于按照预设样本分配规则将得到的所有三维样本数据划分为验证样本集和训练样本集。
在另一个实施例中,样本集获得模块,包括:
图像增强子模块,用于从样本图像集中提取预设比例的三维图像,为提取到的每张三维图像增加椒盐噪声,得到预设比例的增强三维图像;
三维样本数据提取子模块,用于将样本图像集和预设比例的增强三维图像作为增强样本集,从增强样本集包括的每张三维图像中提取三个分别对应于三个方向的预设尺寸的三维样本数据,得到多个预设尺寸的三维样本数据;
三维样本数据划分子模块,用于按照预设样本分配规则将得到的所有三维样本数据划分为验证样本集和训练样本集。
在一个实施例中,模型训练模块,包括:
模型训练子模块,用于根据验证样本集和训练样本集对初始三维卷积神经网络模型进行训练,得到完成训练的三维卷积神经网络模型;
模型优化子模块,用于采用预设模型优化方法对完成训练的三维卷积神经网络模型进行优化,得到训练好的三维卷积神经网络模型,其中,预设模型优化方法包括剪枝优化方法、量化优化方法或二值化优化方法。
在一个实施例中,模型训练子模块,还用于根据验证样本集和训练样本集对初始三维卷积神经网络模型进行迭代训练,在迭代训练的周期次数超过预设周期阈值且验证集的准确率超过预设准确率阈值时,将进行迭代训练后的初始三维卷积神经网络模型作为完成训练的三维卷积神经网络模型。
在一个实施例中,该基于三维卷积神经网络模型的木材鉴别装置,还包括:
模型部署模块,用于将训练好的三维卷积神经网络模型部署到数据可视化软件。
相应地,待鉴别图像处理模块,还用于通过数据可视化软件将待鉴别木材的鉴别结果进行三维可视化展示。
在一个实施例中,三维卷积神经网络模型为LeNet网络模型、VGGNet网络模型、ResNet网络模型或GoogleNet网络模型。其中,模型训练模块包括模型创建子模块,该模型创建子模块用于基于Tensorflow框架搭建初始的ResNet网络模型。
关于基于三维卷积神经网络模型的木材鉴别装置的具体限定可以参见上文中对于基于三维卷积神经网络模型的木材鉴别方法的限定,在此不再赘述。上述基于三维卷积神经网络模型的木材鉴别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于木材和/或待鉴别木材的三维图像、三维样本数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现上述实施例提供的一种基于三维卷积神经网络模型的木材鉴别方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例提供的一种基于三维卷积神经网络模型的木材鉴别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于三维卷积神经网络模型的木材鉴别方法,其特征在于,所述方法包括:
获取多张木材的三维图像作为样本图像集;
根据所述样本图像集获得验证样本集和训练样本集;
创建初始三维卷积神经网络模型,根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型;
通过X射线三维显微CT获取待鉴别木材的三维图像;
根据所述三维卷积神经网络模型对所述待鉴别木材的三维图像进行处理,得到所述待鉴别木材的鉴别结果;
其中,获得样本木材或待鉴别木材的高分辨率和高质量的CT图像:
CT扫描参数:电压:60.0Kv;电流:60.0mA;
图像合并数:3;曝光时间:0.5s;图像的分辨率:1.5um;
在训练模型时可以按照预先设置好的模型训练参数进行训练,模型训练参数的设置为:
学习率为0.001;
参数优化算法:Adam优化算法
损失函数:使用交叉熵损失函数,具体公式如下,
其中,/>为预测值,y为真实值;
一次训练所选取的样本数大小为100;
迭代训练的周期次数为5。
2.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法,其特征在于,所述根据所述样本图像集获得验证样本集和训练样本集,包括:
从所述样本图像集包括的每张三维图像中提取一个预设尺寸的三维样本数据,得到多个预设尺寸的三维样本数据;
按照预设样本分配规则将得到的所有所述三维样本数据划分为验证样本集和训练样本集。
3.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法,其特征在于,所述根据所述样本图像集获得验证样本集和训练样本集,包括:
从所述样本图像集中提取预设比例的三维图像,为提取到的每张三维图像增加椒盐噪声,得到预设比例的增强三维图像;
将所述样本图像集和所述预设比例的增强三维图像作为增强样本集,从所述增强样本集包括的每张三维图像中提取三个分别对应于三个方向的预设尺寸的三维样本数据,得到多个预设尺寸的三维样本数据;
按照预设样本分配规则将得到的所有所述三维样本数据划分为验证样本集和训练样本集。
4.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法,其特征在于,所述根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型的步骤,包括:
根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练,得到完成训练的三维卷积神经网络模型;
采用预设模型优化方法对所述完成训练的三维卷积神经网络模型进行优化,得到训练好的三维卷积神经网络模型;
所述预设模型优化方法包括剪枝优化方法、量化优化方法或二值化优化方法。
5.如权利要求4所述的基于三维卷积神经网络模型的木材鉴别方法,其特征在于,所述根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练,得到完成训练的三维卷积神经网络模型的步骤,包括:
根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行迭代训练,在迭代训练的周期次数超过预设周期阈值且验证集的准确率超过预设准确率阈值时,将进行迭代训练后的所述初始三维卷积神经网络模型作为完成训练的三维卷积神经网络模型。
6.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法,其特征在于,所述根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型的步骤之后,包括:
将所述训练好的三维卷积神经网络模型部署到数据可视化软件;
所述根据所述三维卷积神经网络模型对所述待鉴别木材的三维图像进行处理,得到所述待鉴别木材的鉴别结果的步骤之后,包括:
通过所述数据可视化软件将所述待鉴别木材的鉴别结果进行三维可视化展示。
7.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法,其特征在于,所述三维卷积神经网络模型为LeNet网络模型、VGGNet网络模型、ResNet网络模型或GoogleNet网络模型;
在所述三维卷积神经网络模型为ResNet网络模型时,所述创建初始三维卷积神经网络模型的步骤,包括:基于Tensorflow框架搭建初始的ResNet网络模型。
8.一种基于三维卷积神经网络模型的木材鉴别装置,其特征在于,所述装置执行权利要求1~7任一项所述的基于三维卷积神经网络模型的木材鉴别方法,包括:
样本图像获取模块,用于获取多张木材的三维图像作为样本图像集;
样本集获得模块,用于根据所述样本图像集获得验证样本集和训练样本集;
模型训练模块,用于创建初始三维卷积神经网络模型,根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练,得到训练好的三维卷积神经网络模型;
待鉴别图像获取模块,用于通过X射线三维显微CT获取待鉴别木材的三维图像;
待鉴别图像处理模块,用于根据所述三维卷积神经网络模型对所述待鉴别木材的三维图像进行处理,得到所述待鉴别木材的鉴别结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473674.5A CN112699919B (zh) | 2020-12-15 | 2020-12-15 | 基于三维卷积神经网络模型的木材鉴别方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473674.5A CN112699919B (zh) | 2020-12-15 | 2020-12-15 | 基于三维卷积神经网络模型的木材鉴别方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699919A CN112699919A (zh) | 2021-04-23 |
CN112699919B true CN112699919B (zh) | 2024-02-27 |
Family
ID=75508076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011473674.5A Active CN112699919B (zh) | 2020-12-15 | 2020-12-15 | 基于三维卷积神经网络模型的木材鉴别方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699919B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152806B (zh) * | 2022-02-15 | 2024-03-15 | 河南省儿童医院郑州儿童医院 | 一种基于卷积神经网络的骨髓细胞识别方法及系统 |
CN115599049B (zh) * | 2022-08-31 | 2023-04-07 | 福建省龙氟新材料有限公司 | 用于无水氟化氢生产的能源管理控制系统及其控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
CN108717568A (zh) * | 2018-05-16 | 2018-10-30 | 陕西师范大学 | 一种基于三维卷积神经网络的图像特征提取与训练方法 |
CN111208138A (zh) * | 2020-02-28 | 2020-05-29 | 天目爱视(北京)科技有限公司 | 一种智能木料识别装置 |
-
2020
- 2020-12-15 CN CN202011473674.5A patent/CN112699919B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
CN108717568A (zh) * | 2018-05-16 | 2018-10-30 | 陕西师范大学 | 一种基于三维卷积神经网络的图像特征提取与训练方法 |
CN111208138A (zh) * | 2020-02-28 | 2020-05-29 | 天目爱视(北京)科技有限公司 | 一种智能木料识别装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112699919A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11276162B2 (en) | Surface defect identification method and apparatus | |
JP7422825B2 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
CN110598765B (zh) | 样本生成方法、装置、计算机设备及存储介质 | |
CN112699919B (zh) | 基于三维卷积神经网络模型的木材鉴别方法、装置 | |
CN110428415B (zh) | 医学图像的质量评估方法、装置、设备及存储介质 | |
WO2015153506A1 (en) | Digital rock physics-based trend determination and usage for upscaling | |
US10402678B2 (en) | Method and a device for estimating a quality index for a 3D image of a composite material part | |
US10176393B2 (en) | Method and system for crystal identification | |
CN110415311B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
US20090214114A1 (en) | Pixel classification in image analysis | |
CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
Ziabari et al. | Simurgh: A Framework for CAD-Driven Deep Learning Based X-Ray CT Reconstruction | |
CN111768406A (zh) | 细胞图像处理方法、装置、设备和存储介质 | |
JP2014522045A (ja) | 特徴抽出のための技法 | |
Mutiargo et al. | Defect detection using trainable segmentation | |
CN115389514A (zh) | 一种材料缺陷检测方法和装置 | |
Udomchaiporn et al. | 3-D MRI brain scan feature classification using an oct-tree representation | |
CN116309604B (zh) | 动态分析时序mr图像的方法、系统、设备和存储介质 | |
US9639926B1 (en) | Image processing tool for automatic feature recognition and quantification | |
CN116958954B (zh) | 基于关键点与旁路矫正的车牌识别方法、装置及存储介质 | |
CN117649400B (zh) | 一种异常检测框架下的影像组学分析方法及系统 | |
KR102542505B1 (ko) | 학습데이터 생성 방법, 장치, 프로그램 및 이를 이용한 이물질 검출 방법 | |
CN112802148A (zh) | 图像重建方法、目标对象检测方法、装置、设备以及介质 | |
CN117523557A (zh) | 一种空间转录组芯片的检测方法、装置、设备及介质 | |
CN116778462A (zh) | 一种多尺度自适应土壤干缩裂缝识别方法 |
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 |