(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111233098.1 (22)申请日 2021.10.2 2 (71)申请人 国际竹藤中心 地址 100102 北京市朝阳区望京阜通 东大 街8号 申请人 湖南潇湘大 数据研究院 　 北京莱特尔曼电子科技有限公司 (72)发明人 王汉坤　徐皓诚　黎静　易武坤　 王泽强　张颖　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 代理人 王宇杨 (51)Int.Cl. G06V 20/69(2022.01) G06V 10/44(2022.01)G06V 10/56(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/778(2022.01) G06V 10/70(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 竹材维管束识别方法、 装置以及电子设备 (57)摘要 本发明涉及竹 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 明提高了不同 类型维管束的识别精度。 权利要求书3页 说明书13页 附图3页 CN 114049629 A 2022.02.15 CN 114049629 A 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o ne‑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， 所述定权　利　要　求　书 1/3 页 2 CN 114049629 A 2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， 采用随机梯度下降 法更新训练参数； 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。 6.根据权利要求5所述的竹材维管束识别方法， 其特征在于， 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： 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； 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； 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 材横切面图像进 行数据增广， 并采用Tiny检测模型对数据增广后的竹 材横切面图像进 行识 别性能评 定得到的； 所述Tiny检测模型为能对 竹材横切面图像中的维管束及其文本信息进行识别的模型； 所述各组数据增广策略是对各种数据增广策略进行随机组合得到的； 所述数据增广策略， 包括： 镜像、 旋转、 缩放、 裁剪、 平移、 高斯噪声、 图像亮度、 饱和度和 对比度变化。 7.根据权利要求5所述的竹材维管束识别方法， 其特征在于， 所述修正所述维管束的边 框， 具体计算公式如下： bx＝σ(tx)+cx by＝σ(ty)+cy 上式中， σ()表示线性回归函数， tx和ty分别表示定位过程中给出的维管束边框中心横 轴偏移量和纵轴 偏移量， cx和cy分别表示横轴单位步长和纵轴单位步长， bx和by分别表示修 正后维管束的边框中心的横轴坐标和纵轴坐标， tw和th分别表示定位过程中给出的维管束权　利　要　求　书 2/3 页 3 CN 114049629 A 3