CN114187591A - 一种基于定量解剖的木材树种鉴定方法 - Google Patents
一种基于定量解剖的木材树种鉴定方法 Download PDFInfo
- Publication number
- CN114187591A CN114187591A CN202111497274.2A CN202111497274A CN114187591A CN 114187591 A CN114187591 A CN 114187591A CN 202111497274 A CN202111497274 A CN 202111497274A CN 114187591 A CN114187591 A CN 114187591A
- Authority
- CN
- China
- Prior art keywords
- wood
- quantitative
- anatomical
- section
- data
- 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
- G06F18/21—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于定量解剖的木材树种鉴定方法,包括以下步骤:步骤100:基于木材标本获得木材定量解剖参考数据集;步骤200:根据参考数据集训练机器学习模型,并优选分类精度最高的机器学习模型;步骤300:采集并测量待检木材样品的定量解剖数据;步骤400:利用优选出的机器学习模型鉴定待检样品的木材树种。本发明基于木材标本获得木材定量解剖参考数据集,保障鉴定结果的准确性和可靠性。通过木材定量解剖数据对木材树种进行鉴定,实现木材在“种”水平的准确鉴定,克服了传统木材鉴定方法存在的主观性,使鉴定结果准确可靠、有据可依。与现有的一些检测方法相比,本发明技术不受特定仪器限制,可在多种领域推广使用。
Description
技术领域
本发明涉及木材鉴定技术领域,具体涉及一种基于定量解剖的木材树种鉴定方法。
背景技术
传统的木材鉴定方法,通过观察木材宏观和微观解剖特征,然后与木材标本进行对比,进而对木材树种进行鉴定。但传统的木材鉴定方法,由于人的主观性,观察的木材解剖特征一般是定性的,而非定量,导致鉴定结果往往存在偏差。同时,传统的木材鉴定方法一般只能鉴定木材到“属”或者“类”,无法实现木材在“种”水平的准确鉴定。
现有技术中,还可采用色谱、光谱或DNA条形码的方式对木材树种进行鉴定,但这些方法大多需要经过制作检测样本、设定条件、经过特定的实验室仪器进行检测、筛选后才能得到鉴定结果,过程繁琐,且实现过程中的某一或多个环节仍需要主观判断,容易存在鉴定偏差,且鉴定成本高,不利于在多场景木材鉴定领域推广应用。
发明内容
本发明的目的在于提供一种基于定量解剖的木材树种鉴定方法,以解决现有木材鉴定方法主观性强、鉴定结果可靠性较低的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于定量解剖的木材树种鉴定方法,其特征在于,包括以下步骤:
步骤100:基于木材标本获得木材定量解剖数据参考数据集;
步骤200:采用所述木材定量解剖数据参考数据集训练机器学习模型,并优选分类精度最高的机器学习模型;
步骤300:测量获取待检样品的定量解剖数据;
步骤400:利用选出的所述机器学习模型对所述待检样品的定量解剖数据进行分析,鉴定并输出所述待检样品木材树种。
作为本发明的一种优选方案,在所述步骤100中,所述木材标本是来自木材标本馆且经正确定名的标准样品。
作为本发明的一种优选方案,获得所述木材定量解剖数据参考数据集的实施步骤包括:
步骤101:基于木材标本制作木材组织横、径、弦三切面切片;
布置102:采集所述切片的三切面显微图像;
步骤103:基于三切面显微图像测量木材定量解剖特征指标。
作为本发明的一种优选方案,在所述步骤300中的所述定量解剖数据与所述步骤103中的所述木材定量解剖特征指标一致;
其中,所述木材定量解剖特征指标包括:木材管孔弦向直径、管孔频率、木射线高度、木射线宽度、木射线线性频率、轴向薄壁组织比量、导管间纹孔大小。
作为本发明的一种优选方案,在所述步骤102中,通过光学显微镜采集所述三切面显微图像;
其中,每个切片采集多个不同视野的图像,横切面放大倍数为40倍,径、弦切面放大倍数为100倍。
作为本发明的一种优选方案,在所述步骤103中,采用Image J软件测量木材的定量解剖指标,测量过程包括:
步骤131:将所述三切面各视野的显微图像导入所述Image J软件中;
步骤132:观察并测量各视野图像直观表征的定量解剖指标数据;
步骤133:根据所述直观表征的定量解剖数据计算间接表征的其它定量解剖指标数据;
步骤134:根据所述直观表征的定量解剖指标数据和所述间接表征的其它定量解剖指标数据建立所述木材定量解剖数据参考数据集;
其中,每个所述切面表征的定量解剖指标数据为每个切面切片的各视野图像表征的定量解剖数据平均值,所述木材定量解剖数据参考数据集包括每个木材树种的每个定量解剖指标的:平均值、最大值、最小值,以所述最大值和所述最小值作为区间极值的指标数据区间。
作为本发明的一种优选方案,每个切片的视野图像包括1个主视野和4个副视野,所述主视野设置在所述切片的中心,所述副视野为每个完整切片的均分四分之一视野图像,且所述主视野图像测定的解剖特征指标优先级别高于副视野。
作为本发明的一种优选方案,根据所述横切面显微图像获得的定量解剖指标包括所述木材管孔弦向直径、所述管孔频率、所述轴向薄壁组织比量,根据所述弦切面显微图像提取获得的定量解剖指标包括所述木射线高度、所述木射线宽度、所述木射线线性频率,根据所述径切面显微图像获得的定量解剖指标包括导管间纹孔大小,且所述横切面显微图像表征的定量解剖特征数据的判断优先级别最高。
作为本发明的一种优选方案,所述步骤200中的所述机器学习模型,包括人工神经网络、支持向量机、朴素贝叶斯、决策树和随机森林的模型。
作为本发明的一种优选方案,所述机器学习模型的筛选标准为:
每个切片的多个视野图像获得的定量解剖指标识别准确率的平均值作为各个切面表征的定量解剖指标识别准确率,机器学习模型的三个切面指标识别准确率的加权平均值作为机器学习模型精度筛选的标准。
本发明与现有技术相比较具有如下有益效果:
本发明基于经正确定名的木材标本获得木材定量解剖数据参考数据集,保障鉴定结果的准确性和可靠性,再依据得到的参考数据集训练机器学习模型,优选分类精度最高的机器学习模型对待检测样品的解剖数据进行分析,从而得到待检测样品的木材树种鉴定结果,可以实现木材在“种”水平的准确鉴定,克服了传统人工鉴定方法的主观性,鉴定结果可靠、有据可依,与现有的一些检测方法相比,本发明技术不受特定仪器限制,可在海关执法、质量监督和实验室检测等领域得到广泛应用。
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树种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的实施步骤示意图;
图3为本发明实施例提供的步骤103的测量流程示意图。
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定量解剖的木材树种鉴定方法,包括以下步骤:
步骤100:基于木材标本获得木材定量解剖数据参考数据集;
步骤200:采用木材定量解剖数据参考数据集训练机器学习模型,并优选分类精度最高的机器学习模型;
步骤300:测量获取待检样品的定量解剖数据;
步骤400:利用选出的机器学习模型对待检样品的定量解剖数据进行分析,鉴定并输出待检样品木材树种。
本实施例通过采集木材三切面图像,并将三切面图像表征的解剖特征数据化,使用木材标本确定的解剖特征参考数据集来训练机器学习模型,并优选出最优机器学习模型自动鉴定木材树种,相比于依据主观积累的感官经验鉴定木材,本实施方式能够实现木材在“种”水平的鉴定。
在步骤100中,木材标本是来自木材标本馆且经正确定名的标准样品,本实施方式单独建立标本的解剖参考数据集,保障参考数据集的数据来源准确性和可靠性。
如图2所示,获得木材定量解剖数据参考数据集的实施步骤包括:
步骤101:基于木材标本制作木材组织横、径、弦三切面切片;
步骤102:使用光学显微镜采集切片的三切面显微图像;
步骤103:基于三切面显微图像测量木材定量解剖特征指标。
其中,在步骤300中的定量解剖数据与步骤103中的木材定量解剖特征指标一致,也就是说样本木材的定量解剖指标数据采集方式与标本木材的定量解剖指标数据采集测量方式一致,且采集的定量解剖指标类别也保持一致。
其中,木材定量解剖特征指标包括:木材管孔弦向直径、管孔频率、木射线高度、木射线宽度、木射线线性频率、轴向薄壁组织比量、导管间纹孔大小。
具体地,根据横切面显微图像获得的定量解剖指标包括木材管孔弦向直径、管孔频率、轴向薄壁组织比量,根据弦切面显微图像提取获得的定量解剖指标包括木射线高度、木射线宽度、木射线线性频率,根据径切面显微图像获得的定量解剖指标包括导管间纹孔大小。
由于在用显微镜观察切片图像时,不同的视野观察到的图像存在一定差异,如不同倍率的目镜和不同倍率的物镜组合得到的视野图像清晰度、图像形态存在差异,同一切片的不同部位视野观察到的图像中年轮、木射线、管孔形态大小等也存在差异。为此,本实施方式选择同一切面的多个视野进行观察,并综合多个视野测量到的特征数据取平均值作为此切片表征的解剖特征数据。
随机确定观察测量的视野数量,建议以视野尽可能多、画面不重复、特征显著为原则,举例来说,选择5个或10个随机视野,横切面放大倍数为40倍,径、弦切面放大倍数为100倍。
本实施例中,假设每个切面切片的5个视野包括1个主视野和4个副视野,主视野聚焦设置在切片的中心区域,副视野为每个完整切片的均分四分之一视野图像,且优选交叉十字均分方式,保障了4个副视野图像不重叠,主视野呈现完整的切片中心区域图像,多个视野结合观察测量,再得出特征数据,使数据来源更可靠。
本实施方式借助Image J的图像处理功能,对显微图像进行特征数据提取。
具体地,在步骤103中,采用Image J软件测量木材的定量解剖指标,如图3中所示,测量过程包括:
步骤131:将三切面各视野的显微图像导入Image J软件中;
步骤132:观察并测量各视野图像直观表征的定量解剖指标数据;
步骤133:根据直观表征的定量解剖数据计算间接表征的其它定量解剖指标数据;
步骤134:根据直观表征的定量解剖指标数据和间接表征的其它定量解剖指标数据建立木材定量解剖数据参考数据集。
直观表征的数据主要是指由软件直接观测得到的特征指标数据,比如,直接借助软件测量横切面视野中显示的木材管孔弦向直径、测量弦切面视野中显示的木射线高度、木射线宽度,测量径切面视野中导管间纹孔大小,且每个切面表征的定量解剖指标数据为每个切面的各视野图像表征的定量解剖数据平均值,也就是说每个切面的每个视野都测量并记录,取5个视野的测量平均值作为主参数。
间接表征的其它定量解剖指标数据主要是指利用直接测量的数据,通过二次计算后得到的特征数据,如观察得出视野内管孔数量,结合视野面积,计算管孔频率,通过观察测量得出的木射线宽度、木射线高度,结合视野宽度,计算得出木射线线性频率。同样的,这些间接得到的特征数据也是取平均值作为主参考数据。
本实施例是采集木材三切面图像,并提取三切面图像中的解剖特征,并将特征数据化,但同种木材也普遍存在个体差异,数字化的特征指标若来源于唯一样本,将不利于提高鉴定结果的准确性。为了尽可能提高参考数据集的可靠性,所有观测数据均记录并建立数据库,包括每个木材树种的每个定量解剖指标的:平均值、方差、最大值、最小值以及以最大值和最小值作为区间极值的指标数据区间。同时,用于训练机器学习模型的数据为准确鉴定到“种”的定量解剖数据,且同一树种包含不同的样本,涵盖木材树种的变异性,保障了训练的模型对于未知样本也具有较好的识别效果。而且,木材标本数据集又包含多个树种的多个定量解剖指标值,数据量丰富可靠,有助于准确快速鉴定大量木材树种。
步骤200中的机器学习模型,包括人工神经网络、支持向量机、朴素贝叶斯、决策树和随机森林的模型。使用参考数据集对多种学习模型进行训练,优选出鉴定准确率最高的机器学习模型,鉴定待检测样品。
考虑到利用木材三切面特征鉴定木材树种时三切面特征呈现的差异性,例如,横切面包含了木材主要的解剖特征,较全面地反映了木材细胞特征以及细胞间的相互联系,是木材鉴定最重要的切面,其次多数特征在弦切面体现,而径切面呈现的特征较少。因此,本实施方式规定横切面显微图像表征的定量解剖特征数据的判断优先级别最高,最先判断横切面显示的解剖特征指标数据,可以先筛除较多树种类别,减少后续鉴定工作量,后续根据弦切面显示的解剖特征指标数据再筛除较多树种,最后由径切面解剖特征指标数据做最后筛选,从而鉴定得出树种的种类名称。
不同的机器学习模型的鉴定精度存在差异,本实施方式提供的筛选标准为:每个切面的多个视野图像获得的定量解剖指标识别准确率的平均值作为每个切面表征的定量解剖指标识别准确率,每个机器学习模型的解剖指标识别准确率的加权平均值作为机器学习模型精度筛选的标准,例如,三切面识别准确率加权占比为横切面50%,弦切面30%,径切面20%。按此方式优选出最佳机器学习模型。
采集待检测样品的定量解剖特征数据,并将采集的数据导入优选出的机器学习模型中,机器模型根据样品的定量解剖特征数据与参考数据集进行比对分析,直接鉴定并输出树种名称。
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)
1.一种基于定量解剖的木材树种鉴定方法,其特征在于,包括以下步骤:
步骤100:基于木材标本获得木材定量解剖数据参考数据集;
步骤200:采用所述木材定量解剖数据参考数据集训练机器学习模型,并优选分类精度最高的机器学习模型;
步骤300:测量获取待检样品的定量解剖数据;
步骤400:利用优选出的所述机器学习模型对所述待检样品的定量解剖数据进行分析,鉴定并输出所述待检样品木材树种。
2.根据权利要求1所述的一种基于定量解剖的木材树种鉴定方法,其特征在于,在所述步骤100中,所述木材标本是来自木材标本馆且经正确定名的标准样品。
3.根据权利要求2所述的一种基于定量解剖的木材树种鉴定方法,其特征在于,获得所述木材定量解剖数据参考数据集的实施步骤包括:
步骤101:基于木材标本制作木材组织横、径、弦三切面切片;
布置102:采集所述切片的三切面显微图像;
步骤103:基于三切面显微图像测量木材定量解剖特征指标。
4.根据权利要求3所述的一种基于定量解剖的木材树种鉴定方法,其特征在于,在所述步骤300中的所述定量解剖数据与所述步骤103中的所述木材定量解剖特征指标一致;
其中,所述木材定量解剖特征指标包括:木材的管孔弦向直径、管孔频率、木射线高度、木射线宽度、木射线线性频率、轴向薄壁组织比量、导管间纹孔大小。
5.根据权利要求4所述的一种基于定量解剖的木材树种鉴定方法,其特征在于,在所述步骤102中,通过光学显微镜采集所述三切面显微图像;
其中,每个切片采集多个不同视野的图像,横切面放大倍数为40倍,径、弦切面放大倍数为100倍。
6.根据权利要求4所述的一种基于定量解剖的木材树种鉴定方法,其特征在于,在所述步骤103中,采用Image J软件测量木材的定量解剖指标,测量过程包括:
步骤131:将所述三切面各视野的显微图像导入所述Image J软件中;
步骤132:观察并测量各视野图像直观表征的定量解剖指标数据;
步骤133:根据所述直观表征的定量解剖数据计算间接表征的其它定量解剖指标数据;
步骤134:根据所述直观表征的定量解剖指标数据和所述间接表征的其它定量解剖指标数据建立所述木材定量解剖数据参考数据集;
其中,每个所述切面表征的定量解剖指标数据为每个切片的各视野图像表征的定量解剖数据平均值,所述木材定量解剖数据参考数据集包括每个木材树种的各个定量解剖指标的:平均值、最大值、最小值,以所述最大值和所述最小值作为区间极值的指标数据区间。
7.根据权利要求5所述的一种基于定量解剖的木材树种鉴定方法,其特征在于,每个切片的视野图像包括1个主视野和4个副视野,所述主视野设置在所述切片的中心,所述副视野为每个完整切片的均分四分之一视野图像,且所述主视野图像测定的解剖特征指标优先级别高于副视野。
8.根据权利要求7所述的一种基于定量解剖的木材树种鉴定方法,其特征在于,根据所述横切面显微图像获得的定量解剖指标包括所述木材管孔弦向直径、所述管孔频率、所述轴向薄壁组织比量,根据所述弦切面显微图像提取获得的定量解剖指标包括所述木射线高度、所述木射线宽度、所述木射线线性频率,根据所述径切面显微图像获得的定量解剖指标包括导管间纹孔大小,且所述横切面显微图像表征的定量解剖特征数据的判断优先级别最高。
9.根据权利要求8所述的一种基于定量解剖的木材树种鉴定方法,其特征在于,所述步骤200中的所述机器学习模型,包括人工神经网络、支持向量机、朴素贝叶斯、决策树和随机森林的模型。
10.根据权利要求9所述的一种基于定量解剖的木材树种鉴定方法,其特征在于,所述机器学习模型的筛选标准为:
每个切面的多个视野图像获得的定量解剖指标识别准确率的平均值作为每个切面表征的定量解剖指标识别准确率,机器学习模型的三个切面指标识别准确率的加权平均值作为机器学习模型精度筛选的标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497274.2A CN114187591A (zh) | 2021-12-09 | 2021-12-09 | 一种基于定量解剖的木材树种鉴定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497274.2A CN114187591A (zh) | 2021-12-09 | 2021-12-09 | 一种基于定量解剖的木材树种鉴定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187591A true CN114187591A (zh) | 2022-03-15 |
Family
ID=80542873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111497274.2A Pending CN114187591A (zh) | 2021-12-09 | 2021-12-09 | 一种基于定量解剖的木材树种鉴定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187591A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236073A (zh) * | 2022-06-15 | 2022-10-25 | 临沂海关综合技术服务中心 | 一种用于濒危树种鉴定的现场微损取样检测方法 |
-
2021
- 2021-12-09 CN CN202111497274.2A patent/CN114187591A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115236073A (zh) * | 2022-06-15 | 2022-10-25 | 临沂海关综合技术服务中心 | 一种用于濒危树种鉴定的现场微损取样检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7796815B2 (en) | Image analysis of biological objects | |
JP2011007800A (ja) | 顕微鏡画像の自動解析法 | |
Kicherer et al. | BAT (Berry Analysis Tool): A high-throughput image interpretation tool to acquire the number, diameter, and volume of grapevine berries | |
JP2019039773A (ja) | 機械学習を用いた未知化合物の分類方法 | |
JP2007020449A (ja) | スクリーニング方法およびスクリーニング装置 | |
CN108352062A (zh) | 用于组织识别的方法和设备 | |
CN109297534B (zh) | 用于评价室内环境质量的环境参数权重确定方法及系统 | |
CN114187591A (zh) | 一种基于定量解剖的木材树种鉴定方法 | |
CN111832389B (zh) | 一种骨髓细胞形态学自动检测系统的计数及分析方法 | |
WO2017160844A1 (en) | Haploid seed classification using single seed near-infrared spectroscopy | |
CN109164069B (zh) | 一种果树叶面病害级别的鉴定方法 | |
CN110533102A (zh) | 基于模糊推理的单类分类方法以及分类器 | |
Li et al. | Discrimination of pollen of New Zealand mānuka (Leptospermum scoparium agg.) and kānuka (Kunzea spp.)(Myrtaceae) | |
US11841314B2 (en) | Method and system for characterizing particles using an angular detection in a flow cytometer | |
CN113933334B (zh) | 一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法 | |
CN115587988A (zh) | 基于数字图像处理的分辨烟叶成熟度高低的方法 | |
CN113092407B (zh) | 基于近红外光谱的五常稻花香水稻原产地品种识别方法 | |
CN112735533B (zh) | 一种基于eDNA的水生生态分析方法及系统 | |
SE1851390A1 (en) | Method for identification of different categories of biopsy sample images | |
CN114186625A (zh) | 一种基于图像特征融合的木材鉴定方法及系统 | |
US20200278300A1 (en) | Device for automatic species analysis and method for carrying out the same | |
CN110111029A (zh) | 一种鉴定马鹿、狍及梅花鹿毛发的形态学方法 | |
CN112730162A (zh) | 适用于城市群空气污染暴露评估的花粉败育快速批检测法 | |
CN108776821A (zh) | 一种利用植物表型性状筛选抗逆资源的方法 | |
CN115236073A (zh) | 一种用于濒危树种鉴定的现场微损取样检测方法 |
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 |