[發(fā)明專利]基于深度學(xué)習(xí)的木材計(jì)數(shù)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011637054.0
• 申請(qǐng)日: 2020-12-31
• 公開（公告）號(hào): CN112686872B
• 公開（公告）日: 2023-06-02
• 發(fā)明（設(shè)計(jì)）人: 曹國;賀雨霞
• 申請(qǐng)（專利權(quán)）人: 南京理工大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 南京理工大學(xué)專利中心 32203
• 代理人: 岑丹

本發(fā)明公開了一種基于深度學(xué)習(xí)的木材計(jì)數(shù)方法，具體步驟為：拍攝設(shè)定數(shù)量的木材圖片，并標(biāo)記圖像中的木材輪廓，構(gòu)成數(shù)據(jù)集；將數(shù)據(jù)集輸入Mask?RCNN模型進(jìn)行訓(xùn)練；對(duì)待檢測(cè)圖片進(jìn)行預(yù)處理操作，使用圖像增強(qiáng)算法使圖片更加清晰；將預(yù)處理后的待檢測(cè)圖片輸入訓(xùn)練好的Mask?RCNN模型，獲得木材截面的掩碼區(qū)域、木材區(qū)域框坐標(biāo)；利用木材區(qū)域框坐標(biāo)，對(duì)木材區(qū)域做重疊判斷，刪除判斷為重疊的區(qū)域坐標(biāo)點(diǎn)；利用木材區(qū)域框坐標(biāo)，對(duì)木材四周的區(qū)域做誤檢判斷，刪除判斷為誤檢木材的區(qū)域坐標(biāo)點(diǎn)；對(duì)剩余的區(qū)域坐標(biāo)進(jìn)行統(tǒng)計(jì)，得到木材數(shù)量。本發(fā)明不受環(huán)境的干擾，深度網(wǎng)絡(luò)的魯棒性高，更適合實(shí)際的生產(chǎn)環(huán)境。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能檢測(cè)領(lǐng)域，具體為一種基于深度學(xué)習(xí)的木材計(jì)數(shù)方法。

背景技術(shù)

對(duì)于木材生產(chǎn)加工企業(yè)來說，木材自動(dòng)計(jì)數(shù)一直是難以解決的問題，很多企業(yè)目前仍然主要依靠人工的方式進(jìn)行計(jì)數(shù)。通過人工方式檢查，耗費(fèi)時(shí)間長(zhǎng)，勞動(dòng)強(qiáng)度大，工作效率低，主觀隨意性大，精度低不準(zhǔn)確，容易產(chǎn)生糾紛。所以對(duì)大量重復(fù)性工作，考慮使用計(jì)算機(jī)來代替人類，開發(fā)出一套算法自動(dòng)計(jì)算木材數(shù)量。

現(xiàn)有技術(shù)的發(fā)展和圖像設(shè)備的價(jià)格不斷降低，使數(shù)字圖像識(shí)別技術(shù)發(fā)展迅速并廣泛應(yīng)用于許多領(lǐng)域中。數(shù)字圖像識(shí)別可應(yīng)用到木材自動(dòng)計(jì)數(shù)上，首先運(yùn)用原木橫截面像素點(diǎn)顏色值分布對(duì)原木橫截圖像的前景與背景進(jìn)行分離，然后在此基礎(chǔ)上進(jìn)行圖像預(yù)處理和去噪，膨脹或腐蝕，最后利用區(qū)域標(biāo)記等算法對(duì)木材進(jìn)行計(jì)數(shù)。但是圖像處理技術(shù)對(duì)木材圖像質(zhì)量要求高，夜晚、雨天或者霧天，拍攝的圖像不夠清晰，圖像識(shí)別技術(shù)無法通過像素點(diǎn)顏色值分離背景。因此，數(shù)字圖像識(shí)別技術(shù)具有局限性，并且通用性不強(qiáng)。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供了一種基于深度學(xué)習(xí)的木材計(jì)數(shù)方法，以提高現(xiàn)有的木材計(jì)數(shù)的精度，并且操作簡(jiǎn)單。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案為：一種基于深度學(xué)習(xí)的木材計(jì)數(shù)方法，具體步驟為：

步驟1：拍攝設(shè)定數(shù)量的木材圖片，并標(biāo)記圖像中的木材輪廓，構(gòu)成數(shù)據(jù)集；

步驟2：將數(shù)據(jù)集輸入Mask?RCNN模型進(jìn)行訓(xùn)練；

步驟3：對(duì)待檢測(cè)圖片進(jìn)行預(yù)處理操作，使用圖像增強(qiáng)算法使圖片更加清晰；

步驟4：將預(yù)處理后的待檢測(cè)圖片輸入訓(xùn)練好的Mask?RCNN模型，獲得木材截面的掩碼區(qū)域、木材區(qū)域框坐標(biāo)；

步驟5：利用步驟4得到的木材區(qū)域框坐標(biāo)，對(duì)木材區(qū)域做重疊判斷，刪除判斷為重疊的區(qū)域坐標(biāo)點(diǎn)；

步驟6：利用步驟4得到的木材區(qū)域框坐標(biāo)，對(duì)木材四周的區(qū)域做誤檢判斷，刪除判斷為誤檢木材的區(qū)域坐標(biāo)點(diǎn)；

步驟7：對(duì)剩余的區(qū)域坐標(biāo)進(jìn)行統(tǒng)計(jì)，得到木材數(shù)量。

優(yōu)選地，將工業(yè)相機(jī)固定在木材橫截面的正前方，采集木材圖片。

優(yōu)選地，將數(shù)據(jù)集輸入Mask?RCNN模型進(jìn)行訓(xùn)練的具體方法為：

將步驟1得到的標(biāo)注文件和木材圖像輸入到Mask?RCNN模型中進(jìn)行訓(xùn)練，每隔40個(gè)epoch，將學(xué)習(xí)率降為原來的十分之一。

優(yōu)選地，所述Mask?RCNN模型包括數(shù)據(jù)輸入模塊、骨干網(wǎng)絡(luò)、區(qū)域生成網(wǎng)絡(luò)、區(qū)域特征聚集網(wǎng)絡(luò)以及全卷積網(wǎng)絡(luò)，各模塊對(duì)圖片的處理過程為：

輸入模塊：將圖像數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，讀入標(biāo)注文件，標(biāo)注文件中包含圖片路徑及對(duì)應(yīng)的標(biāo)注信息。

骨干網(wǎng)絡(luò)：采用ResNet101網(wǎng)絡(luò)對(duì)輸入圖片進(jìn)行卷積操作，提取圖片特征，并使用特征金字塔網(wǎng)絡(luò)生成不同尺度的特征圖并進(jìn)行特征融合；

區(qū)域生成網(wǎng)絡(luò)：區(qū)域生成網(wǎng)絡(luò)用于生成候選區(qū)域；