CN115236073A - 一种用于濒危树种鉴定的现场微损取样检测方法 - Google Patents

Abstract

本发明属于现场微损取样检测技术领域，公开了一种用于濒危树种鉴定的现场微损取样检测方法。本发明提供的用于濒危树种鉴定的现场微损取样检测方法基于经正确定名的濒危树种标本获得濒危树种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，可以实现濒危树种在“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；同时，通过对濒危树种进行分类方法提取树叶叶脉，并将其作为分类器的输入，用卷积神经网络模型来训练分类器用于濒危树种分类。该方法准确率高，可以同时对大量濒危树种进行分类，计算速度快，并且具有通用性，不受濒危树种的种类限制。

Description

一种用于濒危树种鉴定的现场微损取样检测方法

技术领域

本发明属于现场微损取样检测技术领域，尤其涉及一种用于濒危树种鉴定的现场微损取样检测方法。

背景技术

物种的绝灭和新物种的形成是一个自然的演化过程，由于地球环境的变迁，一些物种无法适应新的环境而灭绝，同时形成一些适应新环境的新物种。植物的生存作为生物多样性、生态系统中不可或缺的环节，却一直受制于内忧外患的压力。无声无息中，大批植物正走向濒危的状态。植物濒危的原因非常复杂，其人类的不当活动以及气候变化和外来入侵物种的蔓延等外部因素却是植物物种走向濒危之路的主要原因。然而，现有用于濒危树种鉴定的现场微损取样检测方法对树种检测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；同时，现有采用树叶作为濒危树种分类依据，但对树叶轮廓进行了参数化处理，不能反映轮廓的原貌，结果存在一定偏差。

综上所述，现有技术存在的问题是：现有用于濒危树种鉴定的现场微损取样检测方法对树种检测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；同时，现有采用树叶作为濒危树种分类依据，但对树叶轮廓进行了参数化处理，不能反映轮廓的原貌，结果存在一定偏差。

发明内容

针对现有技术存在的问题，本发明提供了一种用于濒危树种鉴定的现场微损取样检测方法。

本发明是这样实现的，一种用于濒危树种鉴定的现场微损取样检测方法包括以下步骤：

步骤一，构建濒危树种数据库，基于濒危树种标本获得濒危树种定量解剖数据参考数据集；将获得的濒危树种定量解剖数据参考数据集存入濒危树种数据库；

步骤二，采用所述濒危树种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；

步骤三，测量获取待检样品的定量解剖数据；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濒危树种；

步骤四，对濒危树种进行分类。

进一步，所述濒危树种标本是来自濒危树种标本馆且经正确定名的标准样品。

进一步，所述获得所述濒危树种定量解剖数据参考数据集的实施步骤包括：

基于濒危树种标本制作濒危树种组织横、径、弦三切面切片；

采集所述切片的三切面显微图像；

基于三切面显微图像测量濒危树种定量解剖特征指标。

进一步，所述定量解剖数据与所述濒危树种定量解剖特征指标一致；

其中，所述濒危树种定量解剖特征指标包括：濒危树种的管孔弦向直径、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。

进一步，所述采集所述切片的三切面显微图像方法：通过光学显微镜采集所述三切面显微图像。

进一步，所述三切面显微图像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。

进一步，所述基于三切面显微图像测量濒危树种定量解剖特征指标中，采用ImageJ软件测量濒危树种的定量解剖指标，测量过程包括：

1)将所述三切面各视野的显微图像导入所述ImageJ软件中；

2)观察并测量各视野图像直观表征的定量解剖指标数据；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；

3)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濒危树种定量解剖数据参考数据集。

进一步，所述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，所述濒危树种定量解剖数据参考数据集包括每个濒危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。

进一步，所述对濒危树种进行分类方法包括以下步骤：

(1)采集待分类濒危树种的树叶彩色图像；通过图像增强程序对采集的树叶彩色图像进行增强处理；

(2)对得到的树叶彩色图像进行预处理，即通过OTSU算法得到分割前景和背景的最佳阈值，从而将背景像素点置为白色，并将树叶图像缩放到统一的尺寸；

(3)将所得的树叶图像从RGB色彩空间转换至HSI色彩空间，分离出H分量的图像并对其进行增强；将所得的H分量增强后的图像进行Canny边缘检测，得到属于叶脉的像素点；

(4)对所得的叶脉像素点进行Hough直线检测，将分离的点连接成线段，得到叶脉图像；将所得的不同濒危树种的叶脉图像用基于LeNet的卷积神经网络进行训练，得到一个区分濒危树种的分类器；用得到的分类器即可对未知濒危树种进行分类。

进一步，所述OTSU算法的实现方式如下：

记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，则图像的总平均灰度为：u＝w0*u0+w1*u1，前景和背景图象的方差为：g＝w0*w1*(u0-u1)*(u0-u1)；

当方差最大时，则认为前景和背景的差异最大，此时的阈值t就是分割前景和背景的最佳阈值；灰度值大于阈值t的像素点即为背景，从而可以将背景像素点的灰度值置为(255,255,255)，即白色，实现背景分割。

本发明的优点及积极效果为：本发明提供的用于濒危树种鉴定的现场微损取样检测方法基于经正确定名的濒危树种标本获得濒危树种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濒危树种鉴定结果，可以实现濒危树种在“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；同时，通过对濒危树种进行分类方法提取树叶叶脉，并将其作为分类器的输入，用卷积神经网络模型来训练分类器用于濒危树种分类。该方法准确率高，可以同时对大量濒危树种进行分类，计算速度快，并且具有通用性，不受濒危树种的种类限制。

附图说明

图1是本发明实施提供的用于濒危树种鉴定的现场微损取样检测方法流程图。

图2是本发明实施提供的基于三切面显微图像测量濒危树种定量解剖特征指标中，采用ImageJ软件测量濒危树种的定量解剖指标，测量过程方法流程图。

图3是本发明实施提供的对濒危树种进行分类方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作进一步描述。

如图1所示，本发明提供一种用于濒危树种鉴定的现场微损取样检测方法包括以下步骤：

S101，构建濒危树种数据库，基于濒危树种标本获得濒危树种定量解剖数据参考数据集；将获得的濒危树种定量解剖数据参考数据集存入濒危树种数据库；

S102，采用所述濒危树种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；

S103，测量获取待检样品的定量解剖数据；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濒危树种；

S104，对濒危树种进行分类。

本发明提供的濒危树种标本是来自濒危树种标本馆且经正确定名的标准样品。

本发明提供的获得所述濒危树种定量解剖数据参考数据集的实施步骤包括：

基于濒危树种标本制作濒危树种组织横、径、弦三切面切片；

采集所述切片的三切面显微图像；

基于三切面显微图像测量濒危树种定量解剖特征指标。

本发明提供的定量解剖数据与所述濒危树种定量解剖特征指标一致；

其中，所述濒危树种定量解剖特征指标包括：濒危树种的管孔弦向直径、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。

本发明提供的采集所述切片的三切面显微图像方法：通过光学显微镜采集所述三切面显微图像。

本发明提供的三切面显微图像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。

如图2所示，本发明提供的基于三切面显微图像测量濒危树种定量解剖特征指标中，采用ImageJ软件测量濒危树种的定量解剖指标，测量过程包括：

S201，将所述三切面各视野的显微图像导入所述ImageJ软件中；

S202，观察并测量各视野图像直观表征的定量解剖指标数据；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；

S203，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濒危树种定量解剖数据参考数据集。

本发明提供的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，所述濒危树种定量解剖数据参考数据集包括每个濒危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。

如图3所示，本发明提供的对濒危树种进行分类方法包括以下步骤：

S301，采集待分类濒危树种的树叶彩色图像；通过图像增强程序对采集的树叶彩色图像进行增强处理；

S302，对得到的树叶彩色图像进行预处理，即通过OTSU算法得到分割前景和背景的最佳阈值，从而将背景像素点置为白色，并将树叶图像缩放到统一的尺寸；

S303，将所得的树叶图像从RGB色彩空间转换至HSI色彩空间，分离出H分量的图像并对其进行增强；将所得的H分量增强后的图像进行Canny边缘检测，得到属于叶脉的像素点；

S304，对所得的叶脉像素点进行Hough直线检测，将分离的点连接成线段，得到叶脉图像；将所得的不同濒危树种的叶脉图像用基于LeNet的卷积神经网络进行训练，得到一个区分濒危树种的分类器；用得到的分类器即可对未知濒危树种进行分类。

本发明提供的OTSU算法的实现方式如下：

记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，则图像的总平均灰度为：u＝w0*u0+w1*u1，前景和背景图象的方差为：g＝w0*w1*(u0-u1)*(u0-u1)；

当方差最大时，则认为前景和背景的差异最大，此时的阈值t就是分割前景和背景的最佳阈值；灰度值大于阈值t的像素点即为背景，从而可以将背景像素点的灰度值置为(255,255,255)，即白色，实现背景分割。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述用于濒危树种鉴定的现场微损取样检测方法包括以下步骤：

步骤一，构建濒危树种数据库，基于濒危树种标本获得濒危树种定量解剖数据参考数据集；将获得的濒危树种定量解剖数据参考数据集存入濒危树种数据库；

步骤二，采用所述濒危树种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；

步骤三，测量获取待检样品的定量解剖数据；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濒危树种；

步骤四，对濒危树种进行分类。

2.如权利要求1所述的用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述濒危树种标本是来自濒危树种标本馆且经正确定名的标准样品。

3.如权利要求1所述的用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述获得所述濒危树种定量解剖数据参考数据集的实施步骤包括：

基于濒危树种标本制作濒危树种组织横、径、弦三切面切片；

采集所述切片的三切面显微图像；

基于三切面显微图像测量濒危树种定量解剖特征指标。

4.如权利要求1所述的用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述定量解剖数据与所述濒危树种定量解剖特征指标一致；

其中，所述濒危树种定量解剖特征指标包括：濒危树种的管孔弦向直径、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.如权利要求3所述的用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述采集所述切片的三切面显微图像方法：通过光学显微镜采集所述三切面显微图像。

6.如权利要求5所述的用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述三切面显微图像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。

7.如权利要求3所述的用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述基于三切面显微图像测量濒危树种定量解剖特征指标中，采用ImageJ软件测量濒危树种的定量解剖指标，测量过程包括：

1)将所述三切面各视野的显微图像导入所述ImageJ软件中；

2)观察并测量各视野图像直观表征的定量解剖指标数据；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；

3)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濒危树种定量解剖数据参考数据集。

8.如权利要求7所述的用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述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，所述濒危树种定量解剖数据参考数据集包括每个濒危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。

9.如权利要求1所述的用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述对濒危树种进行分类方法包括以下步骤：

(1)采集待分类濒危树种的树叶彩色图像；通过图像增强程序对采集的树叶彩色图像进行增强处理；

(2)对得到的树叶彩色图像进行预处理，即通过OTSU算法得到分割前景和背景的最佳阈值，从而将背景像素点置为白色，并将树叶图像缩放到统一的尺寸；

(3)将所得的树叶图像从RGB色彩空间转换至HSI色彩空间，分离出H分量的图像并对其进行增强；将所得的H分量增强后的图像进行Canny边缘检测，得到属于叶脉的像素点；

(4)对所得的叶脉像素点进行Hough直线检测，将分离的点连接成线段，得到叶脉图像；将所得的不同濒危树种的叶脉图像用基于LeNet的卷积神经网络进行训练，得到一个区分濒危树种的分类器；用得到的分类器即可对未知濒危树种进行分类。

10.如权利要求9所述的用于濒危树种鉴定的现场微损取样检测方法，其特征在于，所述OTSU算法的实现方式如下：

记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，则图像的总平均灰度为：u＝w0*u0+w1*u1，前景和背景图象的方差为：g＝w0*w1*(u0-u1)*(u0-u1)；

当方差最大时，则认为前景和背景的差异最大，此时的阈值t就是分割前景和背景的最佳阈值；灰度值大于阈值t的像素点即为背景，从而可以将背景像素点的灰度值置为(255,255,255)，即白色，实现背景分割。

Images