CN109063713A - 一种基于构造特征图像深度学习的木材鉴别方法和*** - Google Patents
一种基于构造特征图像深度学习的木材鉴别方法和*** Download PDFInfo
- Publication number
- CN109063713A CN109063713A CN201810800080.7A CN201810800080A CN109063713A CN 109063713 A CN109063713 A CN 109063713A CN 201810800080 A CN201810800080 A CN 201810800080A CN 109063713 A CN109063713 A CN 109063713A
- Authority
- CN
- China
- Prior art keywords
- timber
- image
- convolutional neural
- neural networks
- multilayer convolutional
- 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
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种基于构造特征图像深度学习的木材鉴别方法和***,所述方法包括:采集木材横切面构造图像数据;将所述图像数据分割为多个大小一致的图像块;根据多个所述图像块建立所述图像数据对应的训练集和测试集;构建木材图像鉴别多层卷积神经网络;采用所述训练集对所述木材图像鉴别多层卷积神经网络进行深度学习;采用所述测试集对深度学习的模型进行测试,根据测试结果优化模型参数,生成木材图像鉴别深度学习算法模型;根据所述图像识别深度学习算法模型对待鉴别木材图像数据进行识别。由此,可以实现对待鉴别木材树种的准确快速识别。
Description
技术领域
本发明实施例涉及计算机视觉技术,尤其涉及一种基于构造特征图像深度学习的木材鉴别方法和***。
背景技术
随着木材资源的不断消耗和市场供需矛盾的不断加剧,受利益驱动的木材非法采伐和贸易严重影响了木材资源的可持续利用,同时对物种保护和生态环境构成巨大威胁。传统的木材识别方法,建立在木材解剖构造的基础上,只能识别木材到“属”的水平,而且周期长、成本高,过度依赖于专业的木材鉴定人员。新兴的DNA条形码技术、化学指纹图谱技术等虽然可以实现木材在“种”水平的识别,但是需要构建专业完善的数据库,耗费巨大的人力和财力,不利于在实际生产生活中得到推广应用。
木材是一种具有各向异性的天然材料,木材三个切面(横切面、径切面、弦切面)呈现不同的解剖构造特征。从木材解剖构造中提取有效的识别特征是进行木材识别的关键,但传统的木材图像识别方法通过人工提取特征,很难提取出可以鉴别不同树种木材的有效构造特征。同时,木材树种具有较大的种内变异性,同一树种的解剖构造通常具有较大的变异性,导致传统的木材构造图像识别方法准确率较低。因而,通过木材构造图像对木材树种进行识别,是一项非常复杂和具有挑战性的工作。
近年来,深度学习在计算机视觉领域得到了快速发展,已经广泛应用在人脸识别、安保安防、无人驾驶、疾病诊断等领域。通过采集木材构造特征图像数据并进行图像分割,可以获得涵盖木材变异性的大量图像块;通过构建多层卷积神经网络可以自动化提取木材构造中的识别特征,解决了传统图像识别技术中特征提取困难和识别准确率低的难题,为木材构造图像识别提供了新的思路和方法。
发明内容
本发明实施例提供了一种基于构造特征图像深度学习的木材鉴别方法和***,可以实现对待鉴别木材树种的准确快速识别。
第一方面,本发明实施例提供一种基于构造特征图像深度学习的木材鉴别方法,包括:
采集木材横切面的构造特征图像数据;
将所述图像数据分割为多个大小一致的图像块;
根据多个所述图像块建立所述图像数据对应的训练集和测试集;
构建木材图像鉴别多层卷积神经网络;
采用所述训练集对所述木材图像鉴别多层卷积神经网络进行深度学习;
采用所述测试集对深度学习的模型进行测试,根据测试结果优化模型参数,生成所述待鉴别木材的图像识别深度学习算法模型;
采用所述图像识别深度学习算法模型对待鉴别木材构造图像数据进行识别,输出识别结果和置信度。
在一个可能的实施方式中,所述构建木材图像鉴别多层卷积神经网络,包括:构建多层卷积神经网络VGG16;采用ImageNet数据集对所述多层卷积神经网络VGG16进行预训练;根据所述预训练VGG16构建木材图像鉴别多层卷积神经网络。
在一个可能的实施方式中,所述采集待鉴别木材横切面构造特征图像数据,包括:通过图像采集模块采集500张每个树种的横切面构造特征的RGB图像;其中,所述图像的分辨率为2048*2048、深度为8位。
在一个可能的实施方式中,所述图像块为分辨率为512*512,数量为2000的图像块。
在一个可能的实施方式中,所述训练集图像块数量占比为80%,所述测试集图像块数量占比为20%。
在一个可能的实施方式中,所述多层卷积神经网络VGG16包括:1个输入层、13个卷积层、5个最大值池化层和1个输出层。
在一个可能的实施方式中,所述木材图像鉴别多层卷积神经网络,包括:所述VGG16中的7个卷积层和3个池化层,以及添加的全局池化层、批归一化层、Dropout层和全连接层;所述卷积层的卷积核大小为3*3像素,采用ReLU激活函数;所述最大值池化层的大小为2*2像素,步长为2像素。
在一个可能的实施方式中,所述木材图像鉴别多层卷积神经网络深度学习采用学习率为10-4,动量为0.9的随机梯度下降方法进行迭代。
在一个可能的实施方式中,当所述多层卷积神经网络的识别准确率超过95%时,完成对所述木材图像鉴别多层卷积神经网络的训练。
在一个可能的实施方式中,所述识别结果为木材的树种信息,当所述置信度大于等于0.95时,所述待鉴别木材识别成功。
第二方面,本发明实施例提供一种基于构造特征图像深度学习的木材鉴别***,包括:
图像数据模块,用于采集待鉴别木材横切面构造特征图像数据,将所述图像数据分割为多个大小一致的图像块;并根据所述多个大小一致的图像块建立所述图像数据对应的训练集和测试集;
木材图像鉴别多层卷积神经网络模块,用于根据多个所述图像块建立所述图像数据对应的训练集和测试集;构建木材图像鉴别多层卷积神经网络;采用所述训练集对所述木材图像鉴别多层卷积神经网络进行深度学习;采用所述测试集对深度学习的模型进行测试,根据测试结果优化模型参数,生成木材构造图像识别深度学习算法模型;
图像识别模块,用于对待鉴别木材构造特征图像数据进行识别,并输出识别结果和置信度。
在一个可能的实施方式中,所述图像数据模块,采集的图像数据的分辨率为2048*2048,深度为8位、色彩模式为RGB;图像块的分辨率为512*512,数量为2000;图像数据对应图像集的训练集图像块数量占比80%,测试集图像块数量占比20%。
在一个可能的实施方式中,所述木材图像鉴别多层卷积神经网络模块,用于构建多层卷积神经网络VGG16;采用ImageNet数据集对所述多层卷积神经网络VGG16进行预训练;根据所述预训练VGG16构建木材图像鉴别多层卷积神经网络。
在一个可能的实施方式中,所述木材图像鉴别卷积神经网络模块由输入层、卷积层、最大值池化层、全局池化层、批归一化层、Dropout层、全连接层和输出层构成;所述卷积层的卷积核大小为3*3像素,采用ReLU激活函数;所述最大值池化层的大小为2*2像素,步长为2像素。
在一个可能的实施方式中,所述图像识别模块通过深度学习算法模型对待鉴别木材的构造图像进行识别,识别结果为木材树种信息,当所述置信度大于等于0.95时,所述待鉴别木材识别成功。
本发明实施例提供的基于构造特征图像深度学习的木材鉴别方法和***,通过图像数据模块,获得高质量木材横切面构造图像,进行图像分割后创建训练集和测试集;构建多层卷积神经网络VGG16;采用ImageNet数据集预训练多层卷积神经网络VGG16;在此基础上,构建木材图像鉴别多层卷积神经网络;采用木材构造图像训练集对木材图像鉴别多层卷积神经网络进行深度学习,采用测试集对深度学习模型进行测试并优化参数;从而构建泛化能力强,鲁棒性好的深度学习算法模型,可以对待鉴别木材构造图像进行准确识别,解决了传统木材图像识别方法图像特征提取困难和识别准确率低等难题。同时,具有操作简单,使用方便,识别准确率高,识别速度快,鲁棒性好,泛化能力强等优点,可以在海关检验、木材贸易和木材鉴定等领域广泛应用。
附图说明
图1为本发明实施例提供的一种基于构造特征图像深度学习的木材鉴别方法的流程示意图;
图2为本发明实施例提供的一种多层卷积神经网络结构示意图;
图3为本发明实施例提供的一种基于构造特征图像深度学习的木材鉴别***的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的一种基于构造特征图像深度学习的鉴别方法的流程示意图,主要应用于6种紫檀属木材(檀香紫檀、染料紫檀、印度紫檀、刺猬紫檀、非洲紫檀、安哥拉紫檀)如图1所示,该方法具体包括:
S101、采集待鉴别6种紫檀属木材的横切面构造图像数据。
其中,所述图像数据为所述待鉴别6种黄檀属木材的构造图像,所述图像数据的分辨率为2048*2048,深度为8位、色彩模式为RGB;数量为每个树种采集500张。
S102、将所述图像数据分割为多个大小一致的图像块。
所述图像块为分辨率为512*512,数量为2000的图像块。
S103、根据多个所述图像块建立所述图像数据对应的训练集和测试集。
将分割后的图像块随机进行分配,80%为训练集,20%为测试集。
S104、构建多层卷积神经网络VGG16。
参照图2,所述多层卷积神经网络VGG16包括:1个输入层、16个卷积层、5个最大值池化层和3个全连接层。
S105、预训练多层卷积神经网络VGG16。
所述多层卷积神经网络VGG16预训练采用Google开源***TensorFlow进行开发,并采用NVIDIA GPU进行算法加速。
S106、构建木材图像鉴别多层卷积神经网络。
参照图2,保留所述多层卷积神经网络VGG16的2-11层(7个卷积层和3个最大值池化层),并添加全局池化层、批归一化层、Dropout层和全连接层,构建6种紫檀属木材图像鉴别多层卷积神经网络。
S107、采用所述训练集对所述木材图像鉴别多层卷积神经网络进行深度学习。
所述木材图像鉴别多层卷积神经网络深度学习采用学习率为10-4,动量为0.9的随机梯度下降方法进行迭代。
S108、采用所述测试集对深度学习的模型进行测试,根据测试结果优化模型参数,生成所述待鉴别木材的图像识别深度学习算法模型。
采用所述测试集测试多层卷积神经网络的识别准确率并进行参数调优,直至该网络的识别准确率达到95%以上为止,最终确定该多层卷积神经网络的权重,构建深度学习算法模型。
S109、根据所述图像识别深度学习算法模型对所述6种紫檀属木材图像数据进行识别,得到识别结果和置信度。
所述识别结果为待鉴别木材的树种信息,所述置信度大于等于0.95为识别成功。
本发明实施例提供的基于构造特征图像深度学习的木材鉴别方法,通过采集6种紫檀属木材构造图像数据,进行图像分割后构建训练集和测试集;构建多层卷积神经网络VGG16;通过ImageNet预训练卷积神经网络VGG16;在此基础上,构建鉴别6种紫檀属木材的多层卷积神经网络;采用6种紫檀属木材构造图像训练集对多层卷积神经网络模型进行深度学习,采用测试集对模型进行测试和优化。构建泛化能力强,鲁棒性好的深度学习算法模型,可以对6种紫檀属木材进行准确鉴别。同时,具有操作简单,使用方便,识别准确率高,识别速度快,鲁棒性好,泛化能力强等优点,可以在海关检验、木材贸易和木材鉴定等领域广泛应用。
图3为本发明实施例提供的一种基于构造特征图像深度学习的木材鉴别***的结构示意图,如图3所示,该***具体包括:
图像数据模块301,用于采集待鉴别木材横切面构造特征图像数据,将所述图像数据分割为多个大小一致的图像块;并根据所述多个大小一致的图像块建立所述图像数据对应的训练集和测试集;
木材图像鉴别多层卷积神经网络模块302,用于根据多个所述图像块建立所述图像数据对应的训练集和测试集;构建木材图像鉴别多层卷积神经网络;采用所述训练集对所述木材图像鉴别多层卷积神经网络进行深度学习;采用所述测试集对深度学习的模型进行测试,根据测试结果优化模型参数,生成木材构造图像识别深度学习算法模型;
图像识别模块303,用于对待鉴别木材构造特征图像数据进行识别,并输出识别结果和置信度。
在一个可能的实施方式中,所述图像数据模块301,采集的图像数据的分辨率为2048*2048,深度为8位,色彩模式为RGB;图像分割的图像块的分辨率为512*512,数量为2000;图像集模块训练集占比80%(1600),测试集占比20%(400)。
在一个可能的实施方式中,所述木材图像鉴别多层卷积神经网络模块,用于构建多层卷积神经网络VGG16;采用ImageNet数据集对所述多层卷积神经网络VGG16进行预训练;根据所述预训练VGG16构建木材图像鉴别多层卷积神经网络。
在一个可能的实施方式中,所述木材图像鉴别多层卷积神经网络模块由输入层、卷积层、最大值池化层、全局池化层、批归一化层、Dropout层、全连接层和输出层构成;所述卷积层的卷积核大小为3*3像素,采用ReLU激活函数;所述最大值池化层的大小为2*2像素,步长为2像素。
在一个可能的实施方式中,所述识别结果为待鉴别木材的树种信息,所述置信度大于等于0.95为识别成功。
本发明实施例提供的基于构造特征图像深度学习的木材鉴别***,图像数据模块用于采集待鉴别木材横切面构造图像数据;获得多个所述包含木材横切面构造特征的图像块;构建所述图像数据对应的训练集和测试集;木材图像鉴别多层卷积神经网络模块用于构建鉴别木材的深度学习算法模型;图像识别模块用于对待鉴别木材的构造图像进行识别。本***图像数据模块可获得大量涵盖木材横切面构造特征多样性的图像块;木材图像鉴别多层卷积神经网络模块由多层卷积神经网络构成,可自动化从木材构造图像中提取识别特征;图像识别模块可以对鉴别木材进行快速准确识别。本***操作简单、方便携带、识别准确率高、识别速度快,可以在海关检验、木材贸易和木材鉴定等领域广泛应用。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种基于构造特征图像深度学习的木材鉴别方法,其特征在于,包括:
采集待鉴别木材横切面构造特征图像数据;
将所述图像数据分割为多个大小一致的图像块;
根据多个所述图像块建立所述图像数据对应的训练集和测试集;
构建木材图像鉴别多层卷积神经网络;
采用所述训练集对所述木材图像鉴别多层卷积神经网络进行深度学习;
采用所述测试集对深度学习的模型进行测试,根据测试结果优化模型参数,生成木材构造图像识别深度学习算法模型;
采用所述图像识别深度学习算法模型对待鉴别木材构造图像数据进行识别,输出识别结果和置信度。
2.根据权利要求1所述的方法,其特征在于,所述构建木材图像鉴别多层卷积神经网络,包括:
构建多层卷积神经网络VGG16;
采用ImageNet数据集对所述多层卷积神经网络VGG16进行预训练;
根据所述预训练VGG16构建木材图像鉴别多层卷积神经网络。
3.根据权利要求1所述的方法,其特征在于,所述采集待鉴别木材横切面构造特征图像数据,包括:
通过图像采集模块采集500张每个树种的横切面构造特征的RGB图像;
其中,所述图像的分辨率为2048*2048、深度为8位。
4.根据权利要求1所述的方法,其特征在于,所述图像块为分辨率为512*512,数量为2000的图像块。
5.根据权利要求1所述的方法,其特征在于,所述训练集的图像块数量占比为80%,所述测试集的图像块数量占比为20%。
6.根据权利要求1所述的方法,其特征在于,所述多层卷积神经网络VGG16包括:1个输入层、13个卷积层、5个最大值池化层和1个输出层。
7.根据权利要求1所述的方法,其特征在于,所述木材图像鉴别多层卷积神经网络,包括:所述预训练VGG16中的7个卷积层和3个最大值池化层,以及添加的全局池化层、批归一化层、Dropout层和全连接层;所述卷积层的卷积核大小为3*3像素,采用ReLU激活函数;所述最大值池化层的大小为2*2像素,步长为2像素。
8.根据权利要求1所述的方法,其特征在于,所述木材图像鉴别多层卷积神经网络深度学习采用学习率为10-4,动量为0.9的随机梯度下降方法进行迭代。
9.根据权利要求1所述的方法,其特征在于,当所述木材图像鉴别多层卷积神经网络的识别准确率超过95%时,完成对所述木材图像鉴别多层卷积神经网络的训练。
10.根据权利要求1所述的方法,其特征在于,所述识别结果为待鉴别木材的树种信息,当所述置信度大于等于0.95时,所述待鉴别木材识别成功。
11.一种基于构造特征图像深度学习的木材鉴别***,其特征在于,包括:
图像数据模块,用于采集待鉴别木材横切面构造特征图像数据,将所述图像数据分割为多个大小一致的图像块;并根据所述多个大小一致的图像块建立所述图像数据对应的训练集和测试集;
木材图像鉴别多层卷积神经网络模块,用于根据多个所述图像块建立所述图像数据对应的训练集和测试集;构建木材图像鉴别多层卷积神经网络;采用所述训练集对所述木材图像鉴别多层卷积神经网络进行深度学习;采用所述测试集对深度学习的模型进行测试,根据测试结果优化模型参数,生成木材构造图像识别深度学习算法模型;
图像识别模块,用于对待鉴别木材构造特征图像数据进行识别,并输出识别结果和置信度。
12.根据权利要求11所述的***,其特征在于,所述图像数据模块采集的图像数据的分辨率为2048*2048;所述图像分割模块分割的图像块的分辨率为512*512,数量为2000,所述训练集图像块数量占比80%,所述测试集图像块数量占比20%。
13.根据权利要求11所述的***,其特征在于,所述木材图像鉴别多层卷积神经网络模块,用于构建多层卷积神经网络VGG16;采用ImageNet数据集对所述多层卷积神经网络VGG16进行预训练;根据所述预训练VGG16构建木材图像鉴别多层卷积神经网络。
14.根据权利要求11所述的***,其特征在于,所述木材图像鉴别卷积神经网络模块由输入层、卷积层、最大值池化层、全局池化层、批归一化层、Dropout层、全连接层和输出层构成。所述卷积层的卷积核大小为3*3像素,采用ReLU激活函数;所述最大值池化层的大小为2*2像素,步长为2像素。
15.根据权利要求11所述的***,其特征在于,所述识别结果为木材树种信息,当所述置信度大于等于0.95时,所述待鉴别木材识别成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810800080.7A CN109063713A (zh) | 2018-07-20 | 2018-07-20 | 一种基于构造特征图像深度学习的木材鉴别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810800080.7A CN109063713A (zh) | 2018-07-20 | 2018-07-20 | 一种基于构造特征图像深度学习的木材鉴别方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063713A true CN109063713A (zh) | 2018-12-21 |
Family
ID=64817618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810800080.7A Pending CN109063713A (zh) | 2018-07-20 | 2018-07-20 | 一种基于构造特征图像深度学习的木材鉴别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063713A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858521A (zh) * | 2018-12-29 | 2019-06-07 | 国际竹藤中心 | 一种基于人工智能深度学习的竹子种类识别方法 |
CN110059549A (zh) * | 2019-03-11 | 2019-07-26 | 齐鲁工业大学 | 一种基于深度学习的木材薄板分类***及算法 |
CN110503051A (zh) * | 2019-08-27 | 2019-11-26 | 西南林业大学 | 一种基于图像识别技术的珍贵木材识别***及方法 |
CN111144244A (zh) * | 2019-12-13 | 2020-05-12 | 唐美(北京)文化科技发展有限公司 | 家具木材类别识别方法及装置 |
CN111652307A (zh) * | 2020-05-29 | 2020-09-11 | 广西大学 | 基于卷积神经网络的红木家具智能无损鉴定方法及装置 |
CN112149630A (zh) * | 2020-10-20 | 2020-12-29 | 云南省林业和草原科学院 | 一种木材显微鉴定*** |
CN112767387A (zh) * | 2021-01-29 | 2021-05-07 | 中华人民共和国张家港海关 | 一种基于分块梯度加权的木材图像自动识别方法 |
CN112991312A (zh) * | 2021-03-29 | 2021-06-18 | 中国农业科学院果树研究所 | 一种基于ai深度学习的梨品种苗木鉴别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005078652A1 (en) * | 2004-02-12 | 2005-08-25 | Carl Henrik Grunditz | Method, device, computer program product and integrated circuit for surface inspection using a multi-tier neural network |
CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和*** |
-
2018
- 2018-07-20 CN CN201810800080.7A patent/CN109063713A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005078652A1 (en) * | 2004-02-12 | 2005-08-25 | Carl Henrik Grunditz | Method, device, computer program product and integrated circuit for surface inspection using a multi-tier neural network |
CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和*** |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858521A (zh) * | 2018-12-29 | 2019-06-07 | 国际竹藤中心 | 一种基于人工智能深度学习的竹子种类识别方法 |
CN110059549A (zh) * | 2019-03-11 | 2019-07-26 | 齐鲁工业大学 | 一种基于深度学习的木材薄板分类***及算法 |
CN110503051A (zh) * | 2019-08-27 | 2019-11-26 | 西南林业大学 | 一种基于图像识别技术的珍贵木材识别***及方法 |
CN110503051B (zh) * | 2019-08-27 | 2023-04-07 | 西南林业大学 | 一种基于图像识别技术的珍贵木材识别***及方法 |
CN111144244A (zh) * | 2019-12-13 | 2020-05-12 | 唐美(北京)文化科技发展有限公司 | 家具木材类别识别方法及装置 |
CN111652307A (zh) * | 2020-05-29 | 2020-09-11 | 广西大学 | 基于卷积神经网络的红木家具智能无损鉴定方法及装置 |
CN112149630A (zh) * | 2020-10-20 | 2020-12-29 | 云南省林业和草原科学院 | 一种木材显微鉴定*** |
CN112767387A (zh) * | 2021-01-29 | 2021-05-07 | 中华人民共和国张家港海关 | 一种基于分块梯度加权的木材图像自动识别方法 |
CN112767387B (zh) * | 2021-01-29 | 2024-04-30 | 中华人民共和国张家港海关 | 一种基于分块梯度加权的木材图像自动识别方法 |
CN112991312A (zh) * | 2021-03-29 | 2021-06-18 | 中国农业科学院果树研究所 | 一种基于ai深度学习的梨品种苗木鉴别方法 |
CN112991312B (zh) * | 2021-03-29 | 2023-11-07 | 中国农业科学院果树研究所 | 一种基于ai深度学习的梨品种苗木鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063713A (zh) | 一种基于构造特征图像深度学习的木材鉴别方法和*** | |
US11113809B2 (en) | Group sparsity model for image unmixing | |
CN109766872B (zh) | 图像识别方法和装置 | |
CN104573688B (zh) | 基于深度学***台烟草激光码智能识别方法及装置 | |
CN108596046A (zh) | 一种基于深度学习的细胞检测计数方法及*** | |
CN105760439B (zh) | 一种基于特定行为共现网络的人物共现关系图谱构建方法 | |
CN109815785A (zh) | 一种基于双流卷积神经网络的人脸情绪识别方法 | |
CN110222701A (zh) | 一种桥梁病害自动识别方法 | |
CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
CN109117897A (zh) | 基于卷积神经网络的图像处理方法、装置及可读存储介质 | |
US20150186755A1 (en) | Systems and Methods for Object Identification | |
CN113989662A (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及*** | |
CN107292346B (zh) | 一种基于局部子空间学习的mr图像海马体分割算法 | |
CN109359527A (zh) | 基于神经网络的头发区域提取方法及*** | |
CN110110610A (zh) | 一种用于短视频的事件检测方法 | |
CN108073947A (zh) | 一种识别蓝莓品种的方法 | |
CN106529470A (zh) | 一种基于多级深度卷积神经网络的手势识别方法 | |
Weaver et al. | From leaves to labels: Building modular machine learning networks for rapid herbarium specimen analysis with LeafMachine2 | |
CN113869098A (zh) | 植物病害识别方法、装置、电子设备及存储介质 | |
CN109145955B (zh) | 一种木材识别方法及*** | |
Pondenkandath et al. | Identifying cross-depicted historical motifs | |
CN110399804A (zh) | 一种基于深度学习的食品检测识别方法 | |
CN114118186A (zh) | 一种基于方向特征增强的书法图像风格分类方法 | |
CN103617417A (zh) | 植物自动识别方法和*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |
|
RJ01 | Rejection of invention patent application after publication |