[发明专利]基于深度学习的木材计数方法

说明书

本发明公开了一种基于深度学习的木材计数方法，具体步骤为：拍摄设定数量的木材图片，并标记图像中的木材轮廓，构成数据集；将数据集输入Mask RCNN模型进行训练；对待检测图片进行预处理操作，使用图像增强算法使图片更加清晰；将预处理后的待检测图片输入训练好的Mask RCNN模型，获得木材截面的掩码区域、木材区域框坐标；利用木材区域框坐标，对木材区域做重叠判断，删除判断为重叠的区域坐标点；利用木材区域框坐标，对木材四周的区域做误检判断，删除判断为误检木材的区域坐标点；对剩余的区域坐标进行统计，得到木材数量。本发明不受环境的干扰，深度网络的鲁棒性高，更适合实际的生产环境。

技术领域

本发明属于人工智能检测领域，具体为一种基于深度学习的木材计数方法。

背景技术

对于木材生产加工企业来说，木材自动计数一直是难以解决的问题，很多企业目前仍然主要依靠人工的方式进行计数。通过人工方式检查，耗费时间长，劳动强度大，工作效率低，主观随意性大，精度低不准确，容易产生纠纷。所以对大量重复性工作，考虑使用计算机来代替人类，开发出一套算法自动计算木材数量。

现有技术的发展和图像设备的价格不断降低，使数字图像识别技术发展迅速并广泛应用于许多领域中。数字图像识别可应用到木材自动计数上，首先运用原木横截面像素点颜色值分布对原木横截图像的前景与背景进行分离，然后在此基础上进行图像预处理和去噪，膨胀或腐蚀，最后利用区域标记等算法对木材进行计数。但是图像处理技术对木材图像质量要求高，夜晚、雨天或者雾天，拍摄的图像不够清晰，图像识别技术无法通过像素点颜色值分离背景。因此，数字图像识别技术具有局限性，并且通用性不强。

发明内容

本发明的目的在于提供了一种基于深度学习的木材计数方法，以提高现有的木材计数的精度，并且操作简单。

实现本发明目的的技术方案为：一种基于深度学习的木材计数方法，具体步骤为：

步骤1：拍摄设定数量的木材图片，并标记图像中的木材轮廓，构成数据集；

步骤2：将数据集输入Mask RCNN模型进行训练；

步骤3：对待检测图片进行预处理操作，使用图像增强算法使图片更加清晰；

步骤4：将预处理后的待检测图片输入训练好的Mask RCNN模型，获得木材截面的掩码区域、木材区域框坐标；

步骤5：利用步骤4得到的木材区域框坐标，对木材区域做重叠判断，删除判断为重叠的区域坐标点；

步骤6：利用步骤4得到的木材区域框坐标，对木材四周的区域做误检判断，删除判断为误检木材的区域坐标点；

步骤7：对剩余的区域坐标进行统计，得到木材数量。

优选地，将工业相机固定在木材横截面的正前方，采集木材图片。

优选地，将数据集输入Mask RCNN模型进行训练的具体方法为：

将步骤1得到的标注文件和木材图像输入到Mask RCNN模型中进行训练，每隔40个epoch，将学习率降为原来的十分之一。

优选地，所述Mask RCNN模型包括数据输入模块、骨干网络、区域生成网络、区域特征聚集网络以及全卷积网络，各模块对图片的处理过程为：

输入模块：将图像数据分为训练数据集和验证数据集，读入标注文件，标注文件中包含图片路径及对应的标注信息。

骨干网络：采用ResNet101网络对输入图片进行卷积操作，提取图片特征，并使用特征金字塔网络生成不同尺度的特征图并进行特征融合；

区域生成网络：区域生成网络用于生成候选区域；