[发明专利]基于三维卷积神经网络模型的木材鉴别方法、装置

权利要求书

1.一种基于三维卷积神经网络模型的木材鉴别方法，其特征在于，所述方法包括：

获取多张木材的三维图像作为样本图像集；

根据所述样本图像集获得验证样本集和训练样本集；

创建初始三维卷积神经网络模型，根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练，得到训练好的三维卷积神经网络模型；

通过X射线三维显微CT获取待鉴别木材的三维图像；

根据所述三维卷积神经网络模型对所述待鉴别木材的三维图像进行处理，得到所述待鉴别木材的鉴别结果。

2.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法，其特征在于，所述根据所述样本图像集获得验证样本集和训练样本集，包括：

从所述样本图像集包括的每张三维图像中提取一个预设尺寸的三维样本数据，得到多个预设尺寸的三维样本数据；

按照预设样本分配规则将得到的所有所述三维样本数据划分为验证样本集和训练样本集。

3.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法，其特征在于，所述根据所述样本图像集获得验证样本集和训练样本集，包括：

从所述样本图像集中提取预设比例的三维图像，为提取到的每张三维图像增加椒盐噪声，得到预设比例的增强三维图像；

将所述样本图像集和所述预设比例的增强三维图像作为增强样本集，从所述增强样本集包括的每张三维图像中提取三个分别对应于三个方向的预设尺寸的三维样本数据，得到多个预设尺寸的三维样本数据；

按照预设样本分配规则将得到的所有所述三维样本数据划分为验证样本集和训练样本集。

4.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法，其特征在于，所述根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练，得到训练好的三维卷积神经网络模型的步骤，包括：

根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练，得到完成训练的三维卷积神经网络模型；

采用预设模型优化方法对所述完成训练的三维卷积神经网络模型进行优化，得到训练好的三维卷积神经网络模型；

所述预设模型优化方法包括剪枝优化方法、量化优化方法或二值化优化方法。

5.如权利要求4所述的基于三维卷积神经网络模型的木材鉴别方法，其特征在于，所述根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练，得到完成训练的三维卷积神经网络模型的步骤，包括：

根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行迭代训练，在迭代训练的周期次数超过预设周期阈值且验证集的准确率超过预设准确率阈值时，将进行迭代训练后的所述初始三维卷积神经网络模型作为完成训练的三维卷积神经网络模型。

6.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法，其特征在于，所述根据所述验证样本集和所述训练样本集对初始三维卷积神经网络模型进行训练，得到训练好的三维卷积神经网络模型的步骤之后，包括：

将所述训练好的三维卷积神经网络模型部署到数据可视化软件；

所述根据所述三维卷积神经网络模型对所述待鉴别木材的三维图像进行处理，得到所述待鉴别木材的鉴别结果的步骤之后，包括：

通过所述数据可视化软件将所述待鉴别木材的鉴别结果进行三维可视化展示。

7.如权利要求1所述的基于三维卷积神经网络模型的木材鉴别方法，其特征在于，所述三维卷积神经网络模型为LeNet网络模型、VGGNet网络模型、ResNet网络模型或GoogleNet网络模型；

在所述三维卷积神经网络模型为ResNet网络模型时，所述创建初始三维卷积神经网络模型的步骤，包括：基于Tensorflow框架搭建初始的ResNet网络模型。