[发明专利]基于多源特征融合的木材树种鉴定方法和装置

权利要求书

1.一种基于多源特征融合的木材树种鉴定方法，其特征在于，所述方法包括：

建立木材分类特征参考数据集，并划分为训练集和测试集；其中，所述木材分类特征参考数据集包括木材切面图像样本、木材DNA序列样本和木材化学指纹图谱样本；

构建深度学习模型，并采用所述训练集对所述深度学习模型进行训练；

通过所述深度学习模型以自主学习的方法分别提取所述木材切面图像样本、木材DNA序列样本和木材化学指纹图谱样本的关键特征；

将提取的所述木材切面图像样本、木材DNA序列样本和木材化学指纹图谱样本的关键特征进行融合，利用所述测试集对融合的结果进行验证，对所述深度学习模型进行调整优化；

获取待鉴定木材样品的木材切面图像、木材DNA序列和/或木材化学指纹图谱，将所述木材切面图像、木材DNA序列和/或木材化学指纹图谱输入所述深度学习模型，得到待鉴定木材样品的树种名称。

2.根据权利要求1所述的基于多源特征融合的木材树种鉴定方法，其特征在于，所述建立木材分类特征参考数据集，并划分为训练集和测试集，包括：

获取从木材标本上采集的木材横切面、径切面和弦切面构造图像，并进行数据增强处理，得到所述木材切面图像样本；

获取从所述木材标本提取的DNA，并进行扩增、测序和DNA条形码评价，筛选出有效DNA条形码序列，得到所述木材DNA序列样本；

获取采用质谱仪对所述木材标本表面进行扫描采集的质谱数据，并进行归一化处理，得到所述木材化学指纹图谱样本；

对所述木材切面图像样本、木材DNA序列样本和木材化学指纹图谱样本进行数据清洗，去除异常值，建立所述木材分类特征参考数据集；

采用k折交叉验证的方法，将所述木材分类特征参考数据集按8：2的比例划分为所述训练集和测试集。

3.根据权利要求2所述的基于多源特征融合的木材树种鉴定方法，其特征在于，所述构建深度学习模型，并采用所述训练集对所述深度学习模型进行训练，包括：

构建基于卷积神经网络的深度学习模型，所述深度学习模型包括并行的三个卷积神经网络，每个卷积神经网络均包括输入层、卷积层、注意力机制层、池化层和全连接层；

将所述训练集的木材切面图像样本、木材DNA序列样本和木材化学指纹图谱样本分别输入所述深度学习模型的三个卷积神经网络进行训练，在所述卷积层、注意力机制层和池化层进行特征提取，通过所述全连接层进行特征分类。

4.根据权利要求3所述的基于多源特征融合的木材树种鉴定方法，其特征在于，所述通过所述深度学习模型以自主学习的方法分别提取所述木材切面图像样本、木材DNA序列样本和木材化学指纹图谱样本的关键特征，包括：

分别提取所述木材横切面、径切面和弦切面构造图像包含的木材解剖构造特征信息，并进行矩阵化表示，得到所述木材切面图像样本的关键特征矩阵；

将筛选出的有效DNA条形码序列的碱基序列采用k-mer算法进行矩阵化表示，得到所述木材DNA序列样本的关键特征矩阵；

基于所述木材化学指纹图谱样本，获取木材特征化合物的结构与含量信息，将每个特征化合物的分子量进行矩阵化表示，得到所述木材化学指纹图谱样本的关键特征矩阵。

5.根据权利要求4所述的基于多源特征融合的木材树种鉴定方法，其特征在于，所述木材横切面、径切面和弦切面构造图像均包括宏观构造图像和微观构造图像，所述数据增强处理包括图像旋转、图像缩放、图像镜像和/或图像裁剪；

获取木材特征化合物时，采用遍历荷质比数据的方式对所述木材化学指纹图谱样本进行峰对齐处理，通过比较荷质比检索出所述特征化合物。

6.根据权利要求4所述的基于多源特征融合的木材树种鉴定方法，其特征在于，所述木材解剖构造特征信息包括从所述木材横切面构造图像上提取的横切面特征信息、从所述木材径切面构造图像上提取的径切面特征信息和从所述木材弦切面构造图像上提取的弦切面特征信息；

所述横切面特征信息包括管孔频率特征、管孔直径特征和/或轴向薄壁组织频率特征，所述径切面特征信息包括木射线细胞类型特征和/或导管-射线间纹孔式特征，所述弦切面特征信息包括木射线宽度特征、木射线高度特征和/或木射线频率特征。