一种基于分块梯度加权的木材图像自动识别方法

技术领域

本发明涉及图像识别领域，尤其涉及一种基于分块梯度加权的木材图像自动识别方法。

背景技术

目前，木材种类鉴定主要由专业人员在实验室环境下，依靠放大镜、显微镜等仪器设备观察木材的宏观及微观特征，与标样比对后确定木材类别。每种木材在生长过程中，都形成了独特的宏观及微观结构，但木材种类繁多，即使同一种木材，其宏观和微观结构因地点、气候和营养等情况存在一定的差异。种间相似及种内差异现象增加了木材种类识别难度，加之我国木材贸易、监管一线具有木材分类学知识的专家稀缺，木材或木制品交易频繁，基于人工的木材种类鉴定方法存在着专业性强、任务重、周期长、风险高和非实时性等问题，无法满足木材监管实时性和高效性的需求，亟需一种快速准确的木材种类鉴定方法。

随着图像处理技术的飞速发展与应用，利用图像进行木材种类识别成为近些年的研究热点。基于图像的木材种类识别方法可以概括为两类，一类是利用传统的模式识别方法，另外一类是利用深度学习方法。利用传统的模式识别方法首先对木材图像进行预处理，然后提取与筛选有效的识别特征，再通过机器学习方法进行分类识别。传统模式识别方法中的图像特征是经大量试验和经验筛选获得，在测试集中一般能获得较高的识别率，但模型的鲁棒性和泛化能力较差。近几年，深度学习方法在图像识别中获得了成功的应用，其具有自主学习、特征多样性、准确率高、模型鲁棒性和泛化能力强等优点。基于图像的深度学习识别方法主要是利用卷积神经网络对木材图像进行自主的分布式特征提取，通过加深网络层数对特征进行更抽象和概括性地表达，然后利用提取到的高阶特征信息进行分类。但已有的木材图像识别研究大多针对实验室显微镜下拍摄的木材图像，识别的木材种类较少，横截面相似的木材缺少，模型的鲁棒性和泛化能力差，无法达到便捷快速准确的识别。

因此，为了解决上述问题，现在需要一种基于分块梯度加权的木材图像自动识别方法。

发明内容

鉴于以上内容，有必要提供一种基于分块梯度加权的木材图像自动识别方法，以准确快速地自动识别木材图像，同时保证识别率相对较高，本发明提供的技术方案如下：

本发明提供了一种基于分块梯度加权的木材图像自动识别方法，包括以下步骤：

S1、预处理木材横截面图像；

S2、分块处理所述木材横截面图像；

S3、通过卷积神经网络模型训练分块子图像；

S4、从所述木材横截面图像边缘到中心采用不同的梯度值作为不同区域子图像分类得分的权重，并加大中心区域在整个木材横截面图像分类得分中所占的比重，将加权得分转换为最终的概率值；其中，

S1中所述预处理木材横截面图像的步骤包括：

S11、对所述木材横截面图像进行颜色校正；

S12、对校正后的木材横截面图像进行数据增强；

S2中所述分块处理所述木材横截面图像的步骤包括：

S21、对预处理后的木材横截面图像进行分割，得到多个子图像；

S22、通过双线性插值法使每个子图像的尺寸像素统一。

进一步地，步骤S11包括通过灰色世界法对所述木材横截面图像进行颜色校正，由所述木材横截面图像整体和R、G、B三通道的像素期望值计算R、G、B三通道的增益系数以及灰度平均值，并根据所述增益系数以及灰度平均值，对所述木材横截面图像中的每个像素进行各自R、G、B三通道分量的调整。

进一步地，步骤S12包括采用水平翻转、垂直翻转和增添椒盐噪声的方法对所述校正后的木材横截面图像进行数据增强，使每种木材图像训练样本量处于规定数量范围中。

进一步地，所述分块处理采用5×5和/或7×7和/或10×10的方法。

进一步地，所述卷积神经网络模型为ResNet101模型。

进一步地，通过Softmax方法使所述加权得分转换为最终的概率值。

进一步地，所述预处理还包括高斯滤波和/或拉普拉斯滤波和/或直方图均衡化。

本发明具有下列优点：

a.通过分块处理图像，能够提取更加精细的特征，有利于木材横截面图像的识别分类，提高了木材的识别准确率；

b.采用颜色校正消除图像采集设备和环境差异引起的偏色影响，为后续模型训练提供了高质量的图像，使得木材图像识别率更为准确；

c.分块梯度加权法增强了模型的鲁棒性，提高了模型的容错率和泛化能力。

附图说明

图1为本发明实施例提供的木材图像自动识别方法的网络结构图；

图2为本发明实施例提供的木材图像自动识别方法中不同分块方法的木材识别准确率的折线图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。

在本发明的一个实施例中，提供了一种基于分块梯度加权的木材图像自动识别方法，如图1所示，所述木材图像自动识别方法包括以下步骤：

S1、预处理木材横截面图像；

S2、分块处理所述木材横截面图像；

S3、通过卷积神经网络模型训练图像；

S4、从所述木材横截面图像边缘到中心采用不同的梯度值作为不同子区域图像分类得分的权重，并加大中心区域在整个木材横截面图像分类得分中所占的比重，将加权得分转换为最终的概率值；

其中，S1中所述预处理木材横截面图像的步骤包括：

S11、对所述木材横截面图像进行颜色校正；

S12、对校正后的木材横截面图像进行数据增强；

S2中所述分块处理所述木材横截面图像的步骤包括：

S21、对预处理后的木材横截面图像进行分割，得到多个子图像；

S22、通过双线性插值法使每个子图像的尺寸像素统一。

具体地，第一步，预处理木材横截面图像。

由于所述木材横截面图像特征受外界光照和采集设备的影响较大，在本发明的一个实施例中，使用灰色世界法对所述木材横截面图像进行颜色校正，具体过程如下：

首先，分别计算所述木材横截面图像整体像素期望值和R、G、B三通道的像素期望值；其次，根据所述木材横截面图像整体像素期望值以及所述R、G、B三通道的像素期望值分别计算R、G、B三通道的增益系数，并计算R、G、B三通道的灰度平均值；最后，根据所述增益系数以及所述R、G、B三通道的灰度平均值，对所述木材横截面图像中的每个像素进行各自R、G、B三通道分量的调整，以消除图像采集设备和环境差异引起的偏色影响。

除对所述木材横截面图像进行颜色校正以外，还可以对校正后的木材横截面图像进行数据增强，不仅扩充了样本图像，还可以提高模型的鲁棒性和泛化能力。在本发明的一个实施例中，所述数据增强采用水平翻转、垂直翻转、增添椒盐噪声的方法，使每种木材图像训练样本量处于规定数量范围中。

需要说明的是，上述预处理方法仅为举例说明，所述预处理还可使用反差展宽、对数变换、密度分层、直方图均衡化、高斯滤波以及拉普拉斯滤波等方法，不以此限定本发明的保护范围。

第二步，分块处理所述木材横截面图像。

由于木材横截面的宏观结构存在自相似特征，为了获得更多的图像特征和训练样本量，需要对预处理后的木材横截面图像进行分割，得到多个子图像，然后通过双线性插值法使每个子图像的尺寸像素统一，具体过程如下：

在本发明的一个实施例中，对一幅木材横截面图像分别采用5×5、7×7和10×10三种分块方法进行图像分块，以获得25、49和100幅子图像，然后，通过双线性插值法将所述子图像缩放至统一尺寸即224×224像素。

需要说明的是，上述分块方法仅为举例说明，还可以采用其他分块方法比如6×6，不以此限定本发明的保护范围。

第三步，通过卷积神经网络模型训练图像。

为了评价本发明提出的木材识别模型的有效性，在本发明的一个实施例中，选择了准确率(Accuracy)、召回率(Recall)、平均准确率(Average Accuracy)和平均召回率(Average Recall)作为评价指标，上述评价指标的计算公式如下：

其中，Accuracy表示模型识别的准确率，TP表示某种木材正确识别的数量，FP表示错误识别为某种木材的数量，Recall表示模型识别的召回率，FN表示某种木材错误识别为其它种类木材的数量，Average Accuracy表示模型识别的平均准确率，C表示为木材种类数量，Average Recall表示模型识别的平均召回率。

在本发明的一个实施例中，使用同一个木材横截面图像训练集训练VggNet16、GoogleNet、DenseNet、MobileNetv3、ResNet50、ResNet101和ResNet152七个模型来测试32种木材，识别结果如表1所示。

表1不同模型对32种木材横截面原图的识别结果

其中，ResNet系列的三个模型ResNet50、ResNet101和ResNet152的平均准确率和召回率都超过了85％，表明ResNet模型在木材特征提取方面优于其它模型，并且，在ResNet的网络模型中，ResNet101的平均识别准确率比ResNet50、ResNet152分别高4.2％和1.6％。因此，选择ResNet101作为木材种类识别的基础模型。

需要说明的是，在本发明的一个实施例中，针对所述第二步中的分块方式，对所述木材横截面图像进行原图、5×5、7×7和10×10的三种分块得到的子图像训练所述ResNet101模型，得到32种木材测试的识别准确率结果，如图2所示，基于分块的ResNet101模型，每种木材的识别准确率和平均识别准确率都优于基于原图的ResNet101模型，表明分块策略能够有效提升木材识别准确率；再者，基于7×7分块的ResNet101模型得到的平均识别准确率优于5×5分块、10×10分块，而基于原图的ResNet101模型的识别准确率始终维持在92％左右，这是因为将缩放后的原图送入ResNet101网络时损失了较多的细节信息，而分块后的子图像能够保留更多的图像内容。从图2中分类结果的稳定性来看，对木材横截面原图和5×5分块的识别结果波动较大，说明模型的鲁棒性不好，因此，最终选择7×7分块策略。

第四步，从所述木材横截面图像边缘到中心采用不同的梯度值作为不同子区域图像分类得分的权重，并加大中心区域在整个木材横截面图像分类得分中所占的比重，将加权得分转换为最终的概率值。

对于基于原图的ResNet101模型，由于图像边缘模糊和变形问题使所述木材横截面图像丢失了更多有效信息，同时增加了图像噪声，从而对识别结果产生了负面的影响。基于分块的ResNet101模型中每个子图像，由于赋予其相同的权值，对每幅子图像识别结果的贡献是相同的，无法降低边缘模糊和变形对图像识别结果的影响。为了进一步提高木材图像识别准确率，在本发明的一个实施例中，对所述木材横截面图像边缘到中心赋予不同的梯度值(依次为0.6、0.7、0.8、0.9和1)作为所述不同子区域图像分类得分的权重，识别结果如表2所示。需要注意的是，需要加大中心区域在整个木材横截面图像分类得分中所占的比重，以减少边缘模糊和变形现象对识别结果的影响。

表2基于分块梯度加权法的ResNet101模型的木材识别结果

由表2可知，基于分块梯度加权法的ResNet101模型的平均识别率和平均召回率均高于基于原图的ResNet101模型和基于分块的ResNet101模型，表明采用分块梯度加权的方法能够有效地提高木材识别准确率。

在本发明的一个实施例中，将ResNet101模型原有的Softmax分类层进行改进，具体过程如下：

首先，从所述木材横截面图像边缘到中心采用不同的梯度值(依次为0.6、0.7、0.8、0.9和1)作为不同子区域图像分类得分的权重。

然后，利用Softmax方法将各类的加权得分转换为最终的概率值，所述换方法如下式所示：

其中，S表示加权后的得分值，n表示分块的行数，m表示分块的列数，Z表示各子图像分类得分值，Y表示最终概率值，C表示木材总类别数。

通过上式得到木材各类的概率值，以此来自动识别所述木材图像，达到准确分类的目的。

本发明提供的技术方案选用分块处理木材图像的方法，不仅能够提取更加精细和抽象的特征，还有利于木材横截面图像的精细分类，提高了木材的识别准确率；同时采取分块梯度加权的方法，增强了模型的鲁棒性，还提高了模型的容错率和泛化能力。

以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。