[发明专利]一种基于构造特征图像深度学习的木材鉴别方法和系统

权利要求书

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系统，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所述的系统，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％。