本發(fā)明涉及木材解剖，具體為基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法。

背景技術(shù)：

1、不同樹種間的木材構(gòu)造、理化性能存在差異，應(yīng)用場景和使用價值各不相同。因此，快速、高效、準(zhǔn)確地實現(xiàn)木材解剖學(xué)特征的智能識別，并探索識別方法在木材解剖結(jié)構(gòu)中的研究和樹種識別中的應(yīng)用具有現(xiàn)實意義。

2、隨著深度學(xué)習(xí)算法的飛速發(fā)展，計算機視覺中的圖像分類、語義分割、目標(biāo)檢測等技術(shù)愈發(fā)成熟，應(yīng)用場景不斷被拓展。在發(fā)展過程中，將計算機視覺技術(shù)應(yīng)用到木材特征識別上成為一種熱門發(fā)展方向。目前，在木材科學(xué)領(lǐng)域，利用計算機視覺技術(shù)開展的研究主要包括利用灰度共生矩陣或卷積神經(jīng)網(wǎng)絡(luò)，提取木材圖像中的抽象特征信息進行木材識別。但此過程中并未討論木材的微觀結(jié)構(gòu)和組成成分，因此，建立的預(yù)測模型往往只能針對小范圍內(nèi)的樹種進行識別，對于范圍外的樹種識別需建立新模型，難以形成一套完善的識別評價標(biāo)準(zhǔn)。且木材作為一種天然的生物質(zhì)材料，存在種內(nèi)變異現(xiàn)象，處理未知來源木材圖像的預(yù)測任務(wù)時，上述分類模型的泛化性差，無法保證可靠的準(zhǔn)確率。

技術(shù)實現(xiàn)思路

1、本部分的目的在于概述本發(fā)明的實施方式的一些方面以及簡要介紹一些較佳實施方式。在本部分以及本申請的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

2、因此，本發(fā)明的目的是提供一種基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法，實現(xiàn)樹種的分類預(yù)測的方法。該方法簡單、高效、準(zhǔn)確且泛用性好。

3、為解決上述技術(shù)問題，根據(jù)本發(fā)明的一個方面，本發(fā)明提供了如下技術(shù)方案：

4、基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法，其包括：

5、s1、通過圖像預(yù)處理和圖像增強技術(shù)，建立高質(zhì)量且數(shù)量充足的針葉樹材三切面圖像數(shù)據(jù)庫；

6、s2、針對早晚材轉(zhuǎn)變度、橫向樹脂道、軸向樹脂道、射線細(xì)胞、交叉場紋孔五種解剖學(xué)特征，建立適合的深度學(xué)習(xí)模型；在此基礎(chǔ)上結(jié)合圖像處理算法，實現(xiàn)木材解剖學(xué)特征的自動識別；

7、s3、選用優(yōu)化方法提升模型對于目標(biāo)任務(wù)的擬合能力，進而提升特征預(yù)測準(zhǔn)確率；

8、s4、使用決策樹算法對針葉樹材進行分類預(yù)測。

9、作為本發(fā)明所述的基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法的一種優(yōu)選方案，其中，步驟s1中，通過圖像預(yù)處理和圖像增強技術(shù)，建立高質(zhì)量且數(shù)量充足的針葉樹材三切面圖像數(shù)據(jù)庫的具體步驟如下：

10、使用高精度顯微鏡和圖像采集系統(tǒng)，對不同樹種的木材樣本進行顯微成像，獲取木材的微觀結(jié)構(gòu)圖像；或使用質(zhì)量較高的木材圖像數(shù)據(jù)庫，獲取木材的微觀結(jié)構(gòu)圖像；

11、采集的圖像進行包括圖像灰度化、尺寸歸一化、直方圖均衡化預(yù)處理操作，以提高圖像質(zhì)量并為特征提取準(zhǔn)備；

12、然后使用旋轉(zhuǎn)、裁剪、調(diào)色、縮放圖像增強方法擴充數(shù)據(jù)集。

13、作為本發(fā)明所述的基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法的一種優(yōu)選方案，其中，步驟s2中，針對早晚材轉(zhuǎn)變度、橫向樹脂道、軸向樹脂道、射線細(xì)胞、交叉場紋孔五種解剖學(xué)特征，建立適合的深度學(xué)習(xí)模型；在此基礎(chǔ)上結(jié)合圖像處理算法，實現(xiàn)木材解剖學(xué)特征的自動識別具體為：

14、對于早晚材轉(zhuǎn)變度分類任務(wù)，輸入圖像尺寸為224×336，按比例9：1分為訓(xùn)練集與預(yù)測集，并選取resnet50模型訓(xùn)練；

15、對于樹脂道特征識別任務(wù)，輸入圖像尺寸為512×768，按比例9：1分為訓(xùn)練集與預(yù)測集，并選取u-net模型訓(xùn)練；

16、對于交叉場紋孔類型檢測任務(wù)，輸入圖像尺寸為416×416，按比例9：1分為訓(xùn)練集與預(yù)測集，并選取yolov4模型訓(xùn)練；

17、對于射線尺寸測量任務(wù)，輸入圖像尺寸為512×768，按比例9：1分為訓(xùn)練集與預(yù)測集，并選取u-net進行語義分割訓(xùn)練；

18、對于射線尺寸測量任務(wù)，將語義分割后的圖像使用漫水填充法進行預(yù)處理，用最小包圍圓算法計算射線高度；

19、對于射線細(xì)胞計數(shù)任務(wù)，輸入圖像尺寸為128×512，按比例9：1分為訓(xùn)練集與預(yù)測集，并選取yolov4-tiny模型訓(xùn)練。

20、作為本發(fā)明所述的基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法的一種優(yōu)選方案，其中，步驟s4中，使用決策樹算法對針葉樹材進行分類預(yù)測的步驟具體為：通過圖像中識別到的木材解剖學(xué)特征進行統(tǒng)計工作，并建立數(shù)據(jù)集；

21、其中，選擇的特征具體包括：早晚材轉(zhuǎn)變度類型、橫向樹脂道有無、軸向樹脂道有無、射線細(xì)胞平均數(shù)量、交叉場紋孔類型；

22、將數(shù)據(jù)集進行標(biāo)記，并按比例7：3分為訓(xùn)練集與預(yù)測集，并使用id3決策樹進行訓(xùn)練。

23、與現(xiàn)有技術(shù)相比，本發(fā)明具有的有益效果是：本發(fā)明具有如下突出的顯著優(yōu)點：不同于其它方法使用深度學(xué)習(xí)模型將木材圖像直接進行分類，本方法首先將木材切片圖像中的解剖學(xué)特征進行提取，再通過一定的匹配算法實現(xiàn)木材識別。該方法大大增加了識別算法的泛用性，對解剖學(xué)特征與樹種的匹配關(guān)系進行再擴充后，可泛用于所有針葉材的識別任務(wù)。識別效果上來看，該方法選用的解剖學(xué)特征中，早晚材轉(zhuǎn)變度類型、橫向和軸向樹脂道有無、射線細(xì)胞尺寸和數(shù)量、交叉場紋孔類型均表現(xiàn)出優(yōu)異的提取和識別效果，四項指標(biāo)識別的綜合成功率經(jīng)優(yōu)化后均在90％以上；利用決策樹算法綜合考慮四項指標(biāo)后，樹種分類結(jié)果準(zhǔn)確率同樣高于90％。

技術(shù)特征：

1.基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法，其特征在于，步驟s1中，通過圖像預(yù)處理和圖像增強技術(shù)，建立高質(zhì)量且數(shù)量充足的針葉樹材三切面圖像數(shù)據(jù)庫的具體步驟如下：

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法，其特征在于，步驟s2中，針對早晚材轉(zhuǎn)變度、橫向樹脂道、軸向樹脂道、射線細(xì)胞、交叉場紋孔五種解剖學(xué)特征，建立適合的深度學(xué)習(xí)模型；在此基礎(chǔ)上結(jié)合圖像處理算法，實現(xiàn)木材解剖學(xué)特征的自動識別具體為：

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法，其特征在于，步驟s3中，優(yōu)化方法具體選用如下：

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法，其特征在于，步驟s4中，使用決策樹算法對針葉樹材進行分類預(yù)測的步驟具體為：通過圖像中識別到的木材解剖學(xué)特征進行統(tǒng)計工作，并建立數(shù)據(jù)集；

技術(shù)總結(jié)
本發(fā)明公開基于深度學(xué)習(xí)的針葉樹材主要解剖學(xué)特征智能識別方法，包括通過圖像預(yù)處理和圖像增強技術(shù)，建立高質(zhì)量且數(shù)量充足的針葉樹材三切面圖像數(shù)據(jù)庫、針對早晚材轉(zhuǎn)變度、橫向樹脂道、軸向樹脂道、射線細(xì)胞、交叉場紋孔五種解剖學(xué)特征，建立適合的深度學(xué)習(xí)模型；在此基礎(chǔ)上結(jié)合圖像處理算法，實現(xiàn)木材解剖學(xué)特征的自動識別、選用優(yōu)化方法提升模型對于目標(biāo)任務(wù)的擬合能力，進而提升特征預(yù)測準(zhǔn)確率以及使用決策樹算法對針葉樹材進行分類預(yù)測，該方法識別的松科木材解剖學(xué)特征誤差率小于5%，且識別特征均為木材泛用特征，局限性??；通過木材解剖學(xué)特征預(yù)測樹種名稱的準(zhǔn)確率高于90%，可達到實際使用的要求。

技術(shù)研發(fā)人員：王新洲,席靖宇,李俊源,李任杰,衡利辰,潘彪,石江濤,於朝廣
受保護的技術(shù)使用者：南京林業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19