[發明專利]一種基于深度學習的樹木年輪自動檢測方法

在審

• 申請號: 202011278500.3
• 申請日: 2020-11-16
• 公開（公告）號: CN112381795A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 潘曉光;張海軒;焦璐璐;張娜;張雅娜
• 申請（專利權）人: 山西三友和智慧信息技術股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06T7/62;G06T7/90;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 太原榮信德知識產權代理事務所(特殊普通合伙) 14119
• 代理人: 楊凱;連慧敏

本發明屬于樹木年輪檢測技術領域，具體涉及一種基于深度學習的樹木年輪自動檢測方法，包括下列步驟：數據獲??；圖像去模糊；數據歸一化：對數據進行Min?Max歸一化；數據劃分；數據擴充；模型構建；模型保存當模型的損失函數不再下降，評價指標達到最優且趨于穩定之后，保存模型。本發明通過使用合成方法進行圖像擴充，解決了由于數據量過少造成模型過擬合、檢測性能難以提升的問題，通過將Mask?RCNN模型中的Mask預測獨立進行，消除由坐標偏差導致的實例分割誤差，提高模型的檢測性能。該模型的構建可以解決目前自動化方法仍然需要大量用戶進行交互的問題，加快落葉松年輪圓盤檢測時間，提高檢測效率。本發明用于樹木年輪的檢測。

技術領域

本發明屬于樹木年輪檢測技術領域，具體涉及一種基于深度學習的樹木年輪自動檢測方法。

背景技術

樹木年輪寬度是氣候和歷史數據的重要來源，為樹木年代學家、氣候學家、考古學家等提供了重要的數據來源。但測量這些寬度通常需要大量的手工工作。

現有技術存在的問題或者缺陷：在計算機視覺和機器學習領域，這一任務的自動化已經取得了相當大的進展，但大多數自動化方法仍然需要大量的用戶交互，比如標記中心或測量路徑。同時樹木年輪中環的變形，雙環或缺失環，以及在木材上的切割等情況的發生使可靠的識別極其困難。

發明內容

針對上述自動化方法需要大量的用戶交互的技術問題，本發明提供了一種誤差小、檢測性能強、檢測效率高的基于深度學習的樹木年輪自動檢測方法。

為了解決上述技術問題，本發明采用的技術方案為：

一種基于深度學習的樹木年輪自動檢測方法，包括下列步驟：

S1、數據獲?。簩α謭鲋械穆淙~松按解析木要求分段截取樹木圓盤，待風干后進行掃描獲得年輪圓盤圖像，該圓盤未經打磨、拋光等復雜操作，屬于原始圓盤，同時對圓盤中的年輪圈數進行手工標記；

S2、圖像去模糊：通過基于正則化的圖像非盲去模糊方法對掃描圖像進行去模糊處理；

S3、數據歸一化：對數據進行Min-Max歸一化；

S4、數據劃分：經過S3的數據歸一化后，對預處理的數據進行劃分，將其中的10％作為測試集所用的圖片，且剩余圖片用于模型的訓練過程；

S5、數據擴充：通過合成方法實現數據擴充，將訓練集中的圖像作為前景對象，將圖像中的年輪進行隨機顏色的填充，并且與黑色背景融合形成新的圖片，提高模型檢測性能；

S6、模型構建：通過改進Mask-RCNN深度卷積神經網絡構建落葉松樹木年輪自動檢測模型；

S7、模型保存：當模型的損失函數不再下降，評價指標達到最優且趨于穩定之后，保存模型。

所述S2中正則化的圖像非盲去模糊方法的公式為：

所述是數據保真項，所述表示L2范數，所述R(u)表示復原圖像u的正則化約束式，所述λ_u為正則化參數，用于平衡數據保真項和正則化約束式之間的權重比例。

所述S6中模型構建的方法為：先輸入圖像經過縮放以后，再輸入特征提取主干網絡,生成更具有更高階特征的特征圖,實現多個分支與區域建議網絡的特征共享。

實現所述特征共享后，通過RPN部分幫助網絡生成可能存在目標的候選區域邊界框，且對于每一個三通道的圖像中每一個位置都會生成9個候選窗口。

所述S6中的模型構建采用ResNet-FPN作為主干網絡，所述ResNet模型采用殘差連接實現網絡深度的增加，所述殘差連接公式如下：

F(x)＝H(x)-x