CN114186625A - 一种基于图像特征融合的木材鉴定方法及系统 - Google Patents

一种基于图像特征融合的木材鉴定方法及系统 Download PDF

Info

Publication number
CN114186625A
CN114186625A CN202111497275.7A CN202111497275A CN114186625A CN 114186625 A CN114186625 A CN 114186625A CN 202111497275 A CN202111497275 A CN 202111497275A CN 114186625 A CN114186625 A CN 114186625A
Authority
CN
China
Prior art keywords
wood
image
deep learning
section
learning model
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
Application number
CN202111497275.7A
Other languages
English (en)
Inventor
何拓
刘守佳
殷亚方
焦立超
郭娟
陈家宝
陆杨
王杰
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 CN202111497275.7A priority Critical patent/CN114186625A/zh
Publication of CN114186625A publication Critical patent/CN114186625A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像特征融合的木材鉴定方法及系统，方法包括：制作木材标本的横、径、弦三切面参考图像数据集；构建深度学习模型，使用三切面参考数据集训练构建的深度学习模型，以得到能够自主鉴定木材树种的成熟深度学习模型；采集待检木材样品的三切面图像；将样品的三切面图像导入成熟深度学习模型，进行树种鉴定，并直接输出树种名称。系统包括：数据集模块、特征提取模块、特征融合模块、特征分类模块和树种鉴定模块。本发明通过木材三切面图像特征融合，实现木材树种的自动精准鉴定。

Description

一种基于图像特征融合的木材鉴定方法及系统
技术领域
本发明涉及木材鉴定技术领域，具体涉及一种基于图像特征融合的木材鉴定方法及系统。
背景技术
木材鉴定技术是利用不同树种之间在木材解剖构造、化学成分及遗传物质等特征的不同，对木材树种进行鉴定的技术。传统的木材鉴定方法，依靠人的专业知识和长期经验进行对比鉴定，主观性较强，影响鉴定结果的准确度和可靠性，且很难实现木材在“种”水平的准确鉴定。
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识别技术快速发展，但这些新兴技术大多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条形码数据库需要长期耗费大量的人力和财力。由此可见，亟需一种可以准确快速鉴定木材树种的方法。
现有技术中，如申请号为CN201810830841.3的发明专利公开了一种木材识别方法及系统，在该方法主要描述为：采集木材切面解剖图像并进行特征提取，利用特征提取得到的特征向量训练出一个可以自主识别木材树种的木材识别模型，由木材识别模型对待样品进行树种识别。对比检测需要正确的参考标准才能得到较为正确的结果，但在该方法中，首先，没有包含全部木材三切面的解剖构造特征(缺少径切面特征)，信息采集不全面；其次，该方法未构建一个准确可靠的参考图像数据集，影响木材鉴定技术的实际应用；再者，该方法未对不同切面特征进行融合，模型的鉴定精度比较有限。
发明内容
本发明的目的在于提供一种基于图像特征融合的木材鉴定方法及系统，以解决现有技术中木材识别特征不够完整、参考数据集不够可靠的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于图像特征融合的木材鉴定方法，包括以下步骤：
步骤100：制作木材标本的横、径、弦三切面参考图像数据集；
步骤200：构建深度学习模型，将所述三切面参考数据集图像输入到构建的所述深度学习模型，以得到能够自主鉴定木材树种的成熟深度学习模型；
步骤300：采集待检样品的三切面图像；
步骤400：将所述样品的三切面图像导入所述成熟深度学习模型，进行树种鉴定，并直接输出树种名称。
作为本发明的一种优选方案，所述步骤100包括：
步骤101：从经正确定名的木材标本采集横、径、弦三切面图像；
步骤102：采用数据增强方法分别对木材三切面图像进行图像处理；
步骤103：根据数据增强处理后的图像信息建立木材三切面参考图像数据集。
作为本发明的一种优选方案，所述步骤200包括：
步骤201：构建深度学习模型；
步骤202：利用深度学习模型提取图像特征，并进行特征融合；
步骤203：对深度学习模型进行测试和调参。
作为本发明的一种优选方案，在所述步骤101中的所述三切面图像，包括宏观构造图像和微观构造图像，图像具有准确的树种标签。
作为本发明的一种优选方案，在所述步骤102中的所述数据增强方法，包括对图像进行旋转、缩放、镜像、裁剪处理，从而获得覆盖木材种内变异的图像信息。
作为本发明的一种优选方案，在所述步骤103中的所述图像数据集，全部来自于经正确定名的木材标本切片，且包含横、径、弦三个切面图像子集。
作为本发明的一种优选方案，在所述步骤201中的所述深度学习模型，由三个并行的卷积神经网络组成，包括输入层、卷积层、注意力机制层、池化层和全连接层。
作为本发明的一种优选方案，在所述步骤202中对横切面解剖构造图像进行特征提取，得到木材的管孔特征和轴向薄壁组织特征，对弦切面解剖构造图像进行特征提取，得到木材的木射线特征，对径切面解剖构造图像得到木材管间纹孔式和导管-射线间纹孔式特征；所述的特征融合是指将所述三个并行的卷积神经网络模型自动提取的特征在所述池化层进行融合。
作为本发明的一种优选方案，所述步骤203中的所述模型测试和调参，是根据所述全连接层输出的测试结果对所述深度学习模型的参数进行调整优化，使所述深度学习模型的分类精度达到99％以上。
作为本发明的一种优选方案，包括数据集模块、特征提取模块、特征融合模块、特征分类模块和树种鉴定模块；
所述数据集模块，用于构建准确可靠的木材三切面参考图像数据集；
所述特征提取模块，用于分别从木材三切面图像数据中提取特征，获得三个切面的特征图；
所述特征融合模块，用于将三个切面的特征图进行融合；
所述特征分类模块，用于将融合后的特征图的维度进行降维，并通过全连接层进行分类；
所述树种鉴定模块，通过模型对输入模型的待检样品图像进行分析，从而鉴定木材树种。
本发明与现有技术相比较具有如下有益效果：
本发明通过制作木材标本的三切面参考图像数据集；构建深度学习模型，使用三切面参考数据集训练构建的深度学习模型，得到能够自主鉴定木材树种的成熟深度学习模型；采集待检样品的三切面图像；将样品的三切面图像导入成熟深度学习模型，进行树种鉴定，并直接输出树种名称。系统包括：数据集模块、特征提取模块、特征融合模块、特征分类模块和树种鉴定模块。本发明通过木材三切面显微图像的特征提取和特征融合，实现木材树种的自动精准鉴定。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的木材鉴定方法流程示意图；
图2为本发明实施例提供的图1中的步骤100的实施流程示意图；
图3为本发明实施例提供的图1中步骤200的实施流程示意图；
图4为本发明实施例提供的鉴定系统的结构示意图；
图5为本发明实施例提供的深度学习模型对图形进行特征提取和特征融合的流程框图。
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。
如图1所示，本发明提供了一种基于图像特征融合的木材鉴定方法，包括以下步骤：
步骤100：制作木材标本的横、径、弦三切面参考图像数据集；
步骤200：构建深度学习模型，使用三切面参考数据集图像训深度学习模型，以得到能够自主鉴定木材树种的成熟深度学习模型；
步骤300：采集待检样品的三切面图像；
步骤400：将样品的三切面图像导入成熟深度学习模型，进行树种鉴定，并直接输出树种名称。
本实施例主要通过采集木材三切面图像，并对三切面图像进行数据增强处理，得到更多图像，并根据得到的所有图像信息建立参考图像数据集，使用建立的参考图像数据集训练构建的深度学习模型，并将训练后得到的成熟深度学习模型投入使用，鉴定样品木材树种。
与现有一些木材鉴定方式不同的是，本实施方式同时采用宏观和微观图像，并对图像进行数据增强，获得覆盖木材种变异性的图像信息，有助于提高识别精度，也有益于模型自主鉴别未知样品。使用深度学习模型对数据增强后的图像进行特征提取和特征融合，将图像信息数据化，提高树种鉴定效率。
具体地，如图2所示，步骤100包括：
步骤101：从经正确定名的木材标本采集横、径、弦三切面图像，三切面图像包括宏观构造图像和微观构造图像，图像具有准确的树种标签。
步骤102：采用数据增强方法分别对木材三切面图像进行图像处理，数据增强方法包括对图像进行旋转、缩放、镜像、裁剪处理，从而得到更多图像信息，通过数据增强获得覆盖木材种内变异性的图像数据集，有助于提高模型的泛化能力。
步骤103：根据数据增强处理后的图像信息建立木材三切面参考图像数据集，图像数据集全部来自于经正确定名的木材标本切片，且包含横、径、弦三个切面图像子集，此图像数据集是后续特征提取、特征融合的基础。
具体地，如图3中所示，步骤200包括：
步骤201：构建深度学习模型，其中，深度学习模型是由三个并行的卷积神经网络组成，包括输入层、卷积层、注意力机制层、池化层和全连接层。
步骤202：利用深度学习模型提取图像特征，并进行特征融合。
对横切面解剖构造图像进行特征提取，得到木材的管孔特征和轴向薄壁组织特征；对弦切面解剖构造图像进行特征提取，得到木材的木射线特征；对径切面解剖构造图像得到木材管间纹孔式和导管-射线间纹孔式特征。特征融合是指将三个并行的卷积神经网络模型自动提取的特征在池化层进行融合，具体的融合操作就是将三个池化后的特征向量组合成一个特征向量。
步骤203：对深度学习模型进行测试和调参，是根据全连接层输出的测试结果对深度学习模型的参数进行调整优化，使深度学习模型的分类精度达到99％以上。
本发明实施例提供了一种基于图像特征融合的木材鉴定系统，如图4所示，系统主要包括数据集模块、特征提取模块、特征融合模块、特征分类模块和树种鉴定模块，其中，
数据集模块，用于构建准确可靠的木材三切面参考图像数据集；
特征提取模块，用于分别从木材三切面图像数据中提取特征，获得三个切面的特征图；
特征融合模块，用于将三个切面的特征图进行融合；
特征分类模块，用于将融合后的特征图的维度进行降维，并通过全连接层进行分类；
树种鉴定模块，通过模型对输入模型的待检样品图像进行分析，从而鉴定木材树种。
采集样品三切面图像，将图像导入模型，模型提取图像特征进行融合，直接鉴定并输出树种标签。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种基于图像特征融合的木材鉴定方法，其特征在于，包括以下步骤：
步骤100：制作木材标本的横、径、弦三切面参考图像数据集；
步骤200：构建深度学习模型，将所述三切面参考数据集图像输入到构建的所述深度学习模型，以得到能够自主鉴定木材树种的成熟深度学习模型；
步骤300：采集待检样品的三切面图像；
步骤400：将所述样品的三切面图像导入所述成熟深度学习模型，进行树种鉴定，并直接输出树种名称。
2.根据权利要求1所述的一种基于图像特征融合的木材鉴定方法，其特征在于，所述步骤100包括：
步骤101：从经正确定名的木材标本采集横、径、弦三切面图像；
步骤102：采用数据增强方法分别对木材三切面图像进行图像处理；
步骤103：根据数据增强处理后的图像信息建立木材三切面参考图像数据集。
3.根据权利要求1所述的一种基于图像特征融合的木材鉴定方法，其特征在于，所述步骤200包括：
步骤201：构建深度学习模型；
步骤202：利用深度学习模型提取图像特征，并进行特征融合；
步骤203：对深度学习模型进行测试和调参。
4.根据权利要求2所述的一种基于图像特征融合的木材鉴定方法，其特征在于，在所述步骤101中的所述三切面图像，包括宏观构造图像和微观构造图像，图像具有准确的树种标签。
5.根据权利要求2所述的一种基于图像特征融合的木材鉴定方法，其特征在于，在所述步骤102中的所述数据增强方法，包括对图像进行旋转、缩放、镜像、裁剪处理，从而获得覆盖木材种内变异的图像信息。
6.根据权利要求5所述的一种基于图像特征融合的木材鉴定方法，其特征在于，在所述步骤103中的所述图像数据集，全部来自于经正确定名的木材标本切片，且包含横、径、弦三个切面图像子集。
7.根据权利要求3所述的一种基于图像特征融合的木材鉴定方法，其特征在于，在所述步骤201中的所述深度学习模型，由三个并行的卷积神经网络组成，包括输入层、卷积层、注意力机制层、池化层和全连接层。
8.根据权利要求7所述的一种基于图像特征融合的木材鉴定方法，其特征在于，在所述步骤202中对横切面解剖构造图像进行特征提取，得到木材的管孔特征和轴向薄壁组织特征，对弦切面解剖构造图像进行特征提取，得到木材的木射线特征，对径切面解剖构造图像得到木材管间纹孔式和导管-射线间纹孔式特征；所述特征融合是指将所述三个并行的卷积神经网络模型自动提取的特征在所述池化层进行融合。
9.根据权利要求7所述的一种基于图像特征融合的木材鉴定方法，其特征在于，所述步骤203中的所述模型测试和调参，是根据所述全连接层输出的测试结果对所述深度学习模型的参数进行调整优化，使所述深度学习模型的分类精度达到99％以上。
10.根据权利要求4所述的一种基于图像特征融合的木材鉴定系统，其特征在于，包括数据集模块、特征提取模块、特征融合模块、特征分类模块和树种鉴定模块；
所述数据集模块，用于构建准确可靠的木材三切面参考图像数据集；
所述特征提取模块，用于分别从木材三切面图像数据中提取特征，获得三个切面的特征图；
所述特征融合模块，用于将三个切面的特征图进行融合；
所述特征分类模块，用于将融合后的特征图的维度进行降维，并通过全连接层进行分类；
所述树种鉴定模块，通过模型对输入模型的待检样品图像进行分析，从而鉴定木材树种。
CN202111497275.7A 2021-12-09 2021-12-09 一种基于图像特征融合的木材鉴定方法及系统 Pending CN114186625A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111497275.7A CN114186625A (zh) 2021-12-09 2021-12-09 一种基于图像特征融合的木材鉴定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111497275.7A CN114186625A (zh) 2021-12-09 2021-12-09 一种基于图像特征融合的木材鉴定方法及系统

Publications (1)

Publication Number Publication Date
CN114186625A true CN114186625A (zh) 2022-03-15

Family

ID=80542890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111497275.7A Pending CN114186625A (zh) 2021-12-09 2021-12-09 一种基于图像特征融合的木材鉴定方法及系统

Country Status (1)

Country Link
CN (1) CN114186625A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861710A (zh) * 2022-12-22 2023-03-28 中国林业科学研究院木材工业研究所 基于多源特征融合的木材树种鉴定方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861710A (zh) * 2022-12-22 2023-03-28 中国林业科学研究院木材工业研究所 基于多源特征融合的木材树种鉴定方法和装置
CN115861710B (zh) * 2022-12-22 2023-10-27 中国林业科学研究院木材工业研究所 基于多源特征融合的木材树种鉴定方法和装置

Similar Documents

Publication Publication Date Title
CN108074231B (zh) 一种基于卷积神经网络的磁片表面缺陷检测方法
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN108596038B (zh) 一种结合形态学分割和神经网络的粪便中红细胞识别方法
CN110222701B (zh) 一种桥梁病害自动识别方法
CN108090906B (zh) 一种基于区域提名的宫颈图像处理方法及装置
CN105224960B (zh) 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法
CN110288032B (zh) 一种车辆行驶轨迹类型检测方法及装置
CN108563791A (zh) 一种建筑质量投诉文本分类的方法和系统
CN109117703A (zh) 一种基于细粒度识别的混杂细胞种类鉴定方法
CN105334186A (zh) 一种近红外光谱分析方法
CN111652835A (zh) 基于深度学习与聚类的输电线路绝缘子缺失的检测方法
CN110688955A (zh) 一种基于yolo神经网络的建筑构建目标检测方法
CN115546605A (zh) 一种基于图像标注和分割模型的训练方法及装置
CN111833310A (zh) 一种基于神经网络架构搜索的表面缺陷分类方法
CN114186625A (zh) 一种基于图像特征融合的木材鉴定方法及系统
CN112711693B (zh) 一种基于多特征融合的诉讼线索挖掘方法及系统
CN114584497A (zh) 一种被动式工业控制系统资产识别方法及装置
CN111984790B (zh) 一种实体关系抽取方法
Li et al. An automatic plant leaf stoma detection method based on YOLOv5
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
CN111105041B (zh) 一种用于智慧数据碰撞的机器学习方法及装置
CN115219472B (zh) 一种定量识别混合水体多污染源的方法及系统
WO2020001663A2 (zh) 基因测序结果类型的检测方法、装置、设备及存储介质
CN116434054A (zh) 一种基于线面结合的密集遥感地物提取方法

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