竹材维管束识别方法、装置以及电子设备制造方法及图纸

本发明专利技术涉及竹材维管束识别方法、装置以及电子设备，该方法包括：获取目标竹材横切面图像，并给定目标竹材横切面图像中维管束所属的类别；利用所述类别维管束对应的专用识别模型，对目标竹材横切面图像进行识别，得到目标竹材横切面图像中维管束的文本信息；其中，所述文本信息包括：坐标位置和尺寸；所述类别维管束对应的专用识别模型，是利用所述类别维管束对应的训练样本集和目标检测算法，并结合数据增广策略和边框偏移回归算法，对维管束通用识别模型进行迁移学习得到的；所述通用识别模型，能识别不同来源的竹材横切面图像，并得到图像中的维管束的文本信息。本发明专利技术提高了不同类型维管束的识别精度。类型维管束的识别精度。类型维管束的识别精度。

【技术实现步骤摘要】
竹材维管束识别方法、装置以及电子设备


[0001]本专利技术涉及植物检测
，尤其涉及竹材维管束识别方法、装置以及电子设备。

技术介绍

[0002]维管束是竹材的重要解剖结构，对研究竹材物理力学性能及加工工艺具有重要意义。
[0003]观察维管束一般采用常规的显微技术手段，包括普通光学显微镜、激光共聚焦显微镜、扫描电子显微镜、X射线断层扫描技术等。但是常规显微技术手段，多采用人工计数法对小尺寸样品或者小观察区域进行维管束的数量或分布测定，难以对大批量样品、大尺寸样品、大观察区域进行维管束的数量和分布进行快速、准确测定。专利技术专利CN109829879B提出的维管束的检测方法及装置，通过平板式影像扫描仪获取竹材横切面的高清图像，在此基础上构建了基于YOLO v3算法的可对毛竹维管束进行高精度识别计算的维管束检测模型；但是该模型在实际应用时存在下述几点缺陷：(1)由于仅采用毛竹横截面图像进行标注及训练，仅可对毛竹(散生竹)节间部位的未分化及半分化型、半开放型、开放型维管束进行识别，对丛生竹中普遍存在的紧腰型、断腰型和双断腰型维管束，侧枝及竹节尤其秆环、箨环等特殊部位中的小尺寸、不规则形态维管束的识别并不具有普适性、识别效果较差甚至不能识别；(2)在对大尺寸图像进行维管束识别时，对大尺寸图像进行了“偏移四套子图分割”处理，以此保证边缘处维管束的识别，但此举使得图片处理量翻了四倍，大大影响模型的检测时间；(3)对原始的样本数据利用不充分；(4)模型训练手段比较原始，主要是以先验知识为主进行调参优化，在训练数据容易出现过拟合而实际数据中出现欠拟合现象，不能充分挖掘模型性能潜力，并且大量的维管束标注非常的耗费人力、物力。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的竹材维管束识别方法、装置以及电子设备。
[0005]第一个方面，本专利技术实施例提供一种竹材维管束识别方法，包括：
[0006]获取目标竹材横切面图像，并给定目标竹材横切面图像中维管束所属的类别；
[0007]利用所述类别维管束对应的专用识别模型，对目标竹材横切面图像进行识别，得到目标竹材横切面图像中维管束的文本信息；其中，所述文本信息，包括：坐标位置和尺寸；所述尺寸包括：长轴长度、短轴长度、纤维鞘面积和纤维股面积；
[0008]其中，所述类别维管束对应的专用识别模型，是利用所述类别维管束对应的训练样本集和目标检测算法，并结合数据增广策略和边框偏移回归算法，对维管束通用识别模型进行迁移学习得到的；
[0009]所述通用识别模型，能识别不同来源的竹材横切面图像，并得到图像中的维管束的文本信息。
[0010]根据本专利技术提供一种竹材维管束识别方法，所述类别维管束对应的训练样本集，包括：所述类别维管束对应的已标注训练样本和未标注训练样本；
[0011]其中，所述已/未标注训练样本，由竹材横切面图像及其对应的维管束文本信息构成，且维管束文本信息已/未标注在竹材横切面图像上。
[0012]根据本专利技术提供一种竹材维管束识别方法，所述类别维管束对应的目标检测算法，具体为：
[0013]若所述类别维管束具备尺寸小于预设尺寸的特征，则选择anchor
‑
free架构的目标检测算法；
[0014]若所述类别维管束具备与薄壁细胞的颜色对比度小于预设颜色对比度的特征，则选择two
‑
stage架构的目标检测算法；
[0015]否则，选择one
‑
stage架构的目标检测算法。
[0016]根据本专利技术提供一种竹材维管束识别方法，所述类别维管束对应的专用识别模型的获取过程，具体为：
[0017]将所述类别维管束对应的训练样本集分为训练集和验证集；
[0018]基于所述训练集和所述类别维管束对应的目标检测算法、并结合数据增广策略和边框偏移回归算法，对维管束通用识别模型进行迁移学习，得到所述类别维管束对应的初始模型；
[0019]利用验证集验证所述类别维管束对应的初始模型的有效性；
[0020]若所述类别维管束对应的初始模型的有效性小于有效性预设阈值，则额外获取所述类别维管束对应的训练样本；其中，所述训练样本均为已标注的训练样本；
[0021]利用额外获取的训练样本对所述类别维管束对应的初始模型进行全监督学习，得到所述类别维管束对应的专用识别模型；
[0022]否则，将所述类别维管束对应的初始模型作为所述类别维管束对应的专用识别模型。
[0023]根据本专利技术提供一种竹材维管束识别方法，所述基于所述训练集和所述类别维管束对应的目标检测算法、并结合数据增广策略和边框偏移回归算法，对维管束通用识别模型进行迁移学习，得到所述类别维管束对应的初始模型，具体为：
[0024]步骤a：预先设置训练参数和损失函数；其中，所述训练参数，包括：权值衰减weight_decay、初始学习率init_learning_rate、每个epoch的样本数量和训练次数epochs；所述目标分类损失和定位损失的加和，所述目标分类损失为二进制交叉熵逻辑斯蒂损失，所述定位损失为交并比损失；
[0025]步骤b：将所述训练集中竹材横切面图像切分为若干个子图像；
[0026]步骤c：在当前epoch中，采用数据增广策略，对所述子图像进行数据增广；
[0027]步骤d：在维管束通用识别模型的基础上，采用所述类别维管束对应的目标检测算法对数据增广后的子图像中的维管束进行识别以及边框定位；其中，所述类别维管束对应的目标检测算法中维管束的锚框是采用K
‑
means聚类算法对数据增广后的子图像进行搜索得到的；
[0028]步骤e：利用边框偏移回归算法，修正所述维管束的边框；
[0029]步骤f：以修正后边框内部维管束面积大小为特征，采用K
‑
means聚类算法对所述
维管束进行聚类，并过滤聚类后置信度小于90％的维管束；
[0030]步骤g：识别过滤后的维管束的文本信息，并基于过滤后的维管束文本信息的识别结果和给定结果之间的差异，计算当前epoch的损失函数，并基于损失函数，采用随机梯度下降法更新训练参数；
[0031]步骤h：重复执行步骤c～步骤g，直至当前训练次数达到预先设置的训练次数时，将当前模型作为所述类别维管束对应的初始模型进行输出。
[0032]根据本专利技术提供一种竹材维管束识别方法，所述采用数据增广策略，对所述子图像进行数据增广，具体为：
[0033]从所述类别维管束对应的数据增广策略集合中随机选择一组数据增广策略，并利用选择的一组数据增广策略对所述子图像进行数据增广；
[0034]其中，所述类别维管束对应的数据增广策略集合，是由性能最高的n组数据增广策略构成；
[0035]所述各组数据增广策略的性能，是利用各组数据增广策略对所述类别维管束对应的竹本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种竹材维管束识别方法，其特征在于，包括：获取目标竹材横切面图像，并给定目标竹材横切面图像中维管束所属的类别；利用所述类别维管束对应的专用识别模型，对目标竹材横切面图像进行识别，得到目标竹材横切面图像中维管束的文本信息；其中，所述文本信息，包括：坐标位置和尺寸；所述尺寸包括：长轴长度、短轴长度、纤维鞘面积和纤维股面积；其中，所述类别维管束对应的专用识别模型，是利用所述类别维管束对应的训练样本集和目标检测算法，并结合数据增广策略和边框偏移回归算法，对维管束通用识别模型进行迁移学习得到的；所述通用识别模型，能识别不同来源的竹材横切面图像，并得到图像中的维管束的文本信息。2.根据权利要求1所述的竹材维管束识别方法，其特征在于，所述类别维管束对应的训练样本集，包括：所述类别维管束对应的已标注训练样本和未标注训练样本；其中，所述已/未标注训练样本，由竹材横切面图像及其对应的维管束文本信息构成，且维管束文本信息已/未标注在竹材横切面图像上。3.根据权利要求1所述的竹材维管束识别方法，其特征在于，所述类别维管束对应的目标检测算法，具体为：若所述类别维管束具备尺寸小于预设尺寸的特征，则选择anchor
‑
free架构的目标检测算法；若所述类别维管束具备与薄壁细胞的颜色对比度小于预设颜色对比度的特征，则选择two
‑
stage架构的目标检测算法；否则，选择one
‑
stage架构的目标检测算法。4.根据权利要求2所述的竹材维管束识别方法，其特征在于，所述类别维管束对应的专用识别模型的获取过程，具体为：将所述类别维管束对应的训练样本集分为训练集和验证集；基于所述训练集和所述类别维管束对应的目标检测算法、并结合数据增广策略和边框偏移回归算法，对维管束通用识别模型进行迁移学习，得到所述类别维管束对应的初始模型；利用验证集验证所述类别维管束对应的初始模型的有效性；若所述类别维管束对应的初始模型的有效性小于有效性预设阈值，则额外获取所述类别维管束对应的训练样本；其中，所述训练样本均为已标注的训练样本；利用额外获取的训练样本对所述类别维管束对应的初始模型进行全监督学习，得到所述类别维管束对应的专用识别模型；否则，将所述类别维管束对应的初始模型作为所述类别维管束对应的专用识别模型。5.根据权利要求4所述的竹材维管束识别方法，其特征在于，所述基于所述训练集和所述类别维管束对应的目标检测算法、并结合数据增广策略和边框偏移回归算法，对维管束通用识别模型进行迁移学习，得到所述类别维管束对应的初始模型，具体为：步骤a：预先设置训练参数和损失函数；其中，所述训练参数，包括：权值衰减weight_decay、初始学习率init_learning_rate、每个epoch的样本数量和训练次数epochs；所述目标分类损失和定位损失的加和，所述目标分类损失为二进制交叉熵逻辑斯蒂损失，所述定
位损失为交并比损失；步骤b：将所述训练集中竹材横切面图像切分为若干个子图像；步骤c：在当前epoch中，采用数据增广策略，对所述子图像进行数据增广；步骤d：在维管束通用识别模型的基础上，采用所述类别维管束对应的目标检测算法对数据增广后的子图像中的维管束进行识别以及边框定位；其中，所述类别维管束对应的目标检测算法中维管束的锚框是采用K
‑
means聚类算法对数据增广后的子图像进行搜索得到的；步骤e：利用边框偏移回归算法，修正所述维管束的边框；步骤f：以修正后边框内部维管束面积大小为特征，采用K
‑
means聚类算法对所述维管束进行聚类，并过滤聚类后置信度小于90％的维管束；步骤g：识别过滤后的维管束的文本信息，并基于过滤后的维管束文本信息的识别结果和给定结果之间的差异，计算当前epoch的损失函数，并基于损失函数，采用...

【专利技术属性】
技术研发人员：王汉坤，徐皓诚，黎静，易武坤，王泽强，张颖，
申请(专利权)人：湖南潇湘大数据研究院北京莱特尔曼电子科技有限公司，
类型：发明
国别省市：