CN116862871A - 一种基于混合特征的木材计数方法 - Google Patents
一种基于混合特征的木材计数方法 Download PDFInfo
- Publication number
- CN116862871A CN116862871A CN202310834185.5A CN202310834185A CN116862871A CN 116862871 A CN116862871 A CN 116862871A CN 202310834185 A CN202310834185 A CN 202310834185A CN 116862871 A CN116862871 A CN 116862871A
- Authority
- CN
- China
- Prior art keywords
- wood
- instance
- adhesion
- counting
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002023 wood Substances 0.000 title claims abstract description 255
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 55
- 230000001788 irregular Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000000137 annealing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
一种基于混合特征的木材计数方法,涉及人工智能检测领域,包括以下步骤:先构建木材实例分割数据集,再构建实例分割网络模型并进行训练,使用训练好的最优实例分割网络模型处理待分割的原木横截面图像,得到木材实例的掩膜结果与坐标框位置信息;根据木材实例分割结果进行识别判断,筛选出形状规则且没有粘连的木材、形状规则且粘连的木材、形状不规则且没有粘连的木材和形状不规则且粘连的木材;对粘连木材进行后处理分离成单个木材实例;统计筛选出的形状规则且没有粘连的木材、形状不规则且没有粘连的木材及处理后的粘连木材,得到最终计数结果。本发明解决了粘连木材和形状不规则木材的计数问题,泛化能力强,检测精度高,检测效率高。
Description
技术领域
本发明涉及人工智能检测技术领域,具体涉及一种基于混合特征的木材计数方法。
背景技术
木材计数是进行森林资源管理的基础。通过采集原木横截面图像并进行实时计数,可以评估森林中的木材资源量与变化情况。根据情况制定合理的森林经营计划和采伐方案。这有助于进行及时的资源管理和调整,确保可持续利用木材资源。
现有木材计数检测方法主要依赖于基于深度神经网络的实例分割技术,将木材计数问题转化为图像领域的任务,通过构建专门的木材分割数据集,并利用这些数据集进行实例分割网络模型的训练,可以获得木材的掩膜信息,进而进行计数。这种方法在处理不同光照、不同场景下的木材,以及形状和大小各异的木材方面具有很强的泛化能力,能够有效地将木材从背景中准确分离出来。然而,在实际应用中,受到木材树皮的有无、厚度、材端面遮挡和阴影等因素的影响,木材轮廓边界相互粘连的情况时常存在,这种情况对于精确的木材计数来说是一个挑战,因此提供一种通用的、鲁棒的木材计数方法成为本领域技术人员亟待解决的技术问题。
公开号为CN115937549A的中国专利公开了一种基于颜色和形状特征的木材数量计数方法,该方法首先在HSV(色相、饱和度、明度)颜色空间中,利用颜色特征提取方法,建立木材的颜色模板。通过提取木材样本图像中的颜色信息,并将其转换到HSV空间,可以准确地捕捉到木材的颜色特征。其次,将待检测的图像与颜色模板进行匹配,得到匹配结果。通过比较图像中的像素值与颜色模板,可以确定图像中可能存在的木材区域。然后,使用凹点检测法对匹配结果进行处理,以去除由粘连引起的木材区域。凹点检测法可以有效地识别并分离连接在一起的木材区域,从而减少漏检情况的发生。最后,统计图像中连通的目标区域数量,得到最终的木材计数结果。通过对经过匹配和凹点处理后的图像进行连通区域分析,可以准确计算出图像中木材的数量。该方法采用了模板匹配的方式,对形状不规则的木材具有一定的局限性,可能导致漏检情况的发生。此外,由于木材的颜色和形状在不同场景和光照条件下具有一定的变化,该方法的泛化能力相对较弱,可能对特定环境下的木材计数效果不理想。
公开号为CN112686872A的中国专利公开了一种基于深度学习的木材计数方法,该方法首先标注构建木材计数数据集,其次训练模型得到木材的掩码与坐标信息,然后根据木材的坐标信息计算重叠率,与预设的阈值进行比较,删除判断为误检木材的坐标信息,最后根据剩余的木材坐标信息统计木材数量。该方法在后处理中只利用到了木材检测后的坐标信息,而忽略了更重要的轮廓信息,实际使用中精度稍差。
综上,现有的木材计数检测方法存在以下诸多缺点:
(1)形状不规则木材识别困难:许多现有方法在木材提取阶段会基于木材的形状轮廓检测,但对于不规则形状的木材,由于方法对于复杂形状的描述和建模能力不足,无法准确分割出形状不规则的木材,导致计数准确性较低。
(2)木材端面遮挡、阴影等导致的木材粘连处理困难、计数不准确:现有方法难以有效解决木材的粘连问题,特别是在遇到材端面遮挡或阴影等情况时,相邻木材的轮廓边界相互粘连,导致计数不准确。
(3)人工处理效率低:现有方法中的后处理环节往往依赖于操作人员的主观判断和手动筛选,使得算法的处理效率低下。人工处理需要耗费大量的时间和精力,并且容易受到主观因素的影响,导致结果的不一致性和不稳定性。
发明内容
本发明的目的是提供一种基于混合特征的木材计数方法,解决了现有木材计数检测方法存在的形状不规则木材识别困难,木材端面遮挡、阴影等导致的木材粘连处理困难、计数不准确,以及人工处理效率低的问题。
本发明解决技术问题所采用的技术方案如下:
本发明的一种基于混合特征的木材计数方法,包括以下步骤:
步骤S1:木材实例分割;
先构建木材实例分割数据集,再构建实例分割网络模型并进行训练,使用训练好的最优实例分割网络模型处理待分割的原木横截面图像,得到木材实例的掩膜结果与坐标框位置信息;
步骤S2:根据木材实例分割结果进行识别判断,筛选出形状规则且没有粘连的木材、形状规则且粘连的木材、形状不规则且没有粘连的木材和形状不规则且粘连的木材;
步骤S3:对粘连木材进行后处理分离成单个木材实例;
步骤S4:统计步骤S2中筛选出的形状规则且没有粘连的木材、形状不规则且没有粘连的木材以及步骤S3中处理后的粘连木材,得到最终的计数结果。
进一步的,步骤S1的具体操作流程如下:
步骤S1.1获取原木横截面真实数据图像,标注单个木材实例的轮廓,构建木材实例分割数据集,将此木材实例分割数据集按照数量比为8:1:1的比例划分为训练集、验证集和测试集;
步骤S1.2构建实例分割网络模型;
步骤S1.3基于木材实例分割数据集训练所述实例分割网络模型,选用SGD优化器和余弦退火学习率调整算法,根据训练结果不断调整训练超参数得到最优实例分割网络模型;
步骤S1.4使用训练好的最优实例分割网络模型对待分割的原木横截面图像进行木材实例分割,得到木材实例的掩膜结果与坐标框位置信息。
进一步的,步骤S1.1中,在训练阶段,使用数据增强算法将多幅原木横截面真实数据图像经过裁剪、旋转、翻转变换后组合参与训练。
进一步的,步骤S1.2中,所述实例分割网络模型为MaskRCNN、PANet、SOLO或Mask2Former。
进一步的,步骤S2的具体操作流程如下:
步骤S2.1从最优实例分割网络模型得到的木材实例掩膜结果中提取出每个木材实例的轮廓信息;
步骤S2.2根据提取的木材实例轮廓信息,计算每个木材实例的圆形度e:
e=(4πS)/C2
其中,S表示木材实例轮廓的面积,C表示木材实例轮廓的周长;
步骤S2.3将计算得到的圆形度与预先设定的阈值进行比较,判断该木材实例的形状是否规则;如果圆形度高于预设阈值,则判断该木材实例为形状规则的木材,则先执行步骤S2.4,再执行步骤S2.5;如果圆形度不满足条件,则判断该木材实例为形状不规则的木材,则执行步骤S2.5;
步骤S2.4对于所有形状规则的木材进行混合特征计算,即通过计算连通域凸包获取连通域内的最长线段值集合,统计集合最大值dmax和最小值dmin;计算连通域内像素点的颜色均值集合与方差集合,统计颜色均值集合的均值颜色方差集合的均值/>
步骤S2.5按照以下步骤判断所有形状规则和所有形状不规则的木材是否粘连:
步骤S2.5.1计算木材实例的连通域面积S1;
步骤S2.5.2计算木材实例坐标框位置的中心点,以水平方向为起始方向,计算过中心点的直线与连通域重合的长度,每隔15°顺时针旋转一次,共获得24条线段,比较这些线段长度获取最长的线段L1;
步骤S2.5.3沿着线段L1的法线方向扫描连通域,获取与连通域重合的最长线段L2;
步骤S2.5.4计算木材实例连通域内像素点的颜色均值μ;
步骤S2.5.5根据提取出的最长线段L1、最长线段L2、连通域面积S1、颜色均值μ进行木材实例识别;如果满足以下条件,则判断该木材实例为没有粘连的木材,如果不满足以下条件,则判断该木材实例为粘连的木材。
L1<dmax (1)
S1<0.25*πdmin 2或者L1/L2>2或者L2<dmin (3)
进一步的,步骤S3的具体操作流程如下:
步骤S3.1根据步骤S1的木材实例分割结果在原木横截面真实数据图像中提取出粘连木材区域;
步骤S3.2使用canny边缘检测算法检测粘连木材区域的边缘线条轮廓;
步骤S3.3根据边缘线条检测结果,使用hough变换检测圆弧轮廓,得到包含圆弧轮廓的圆形实例,判断圆形实例的半径dhough,保留满足dmin<dhough<dmax的圆形实例;判断圆弧轮廓对之间的间距,去除间距小于dmin的圆形轮廓对中较小的圆形轮廓;
步骤S3.4对于提取得到的符合条件的圆形实例,按照圆形的直径大小进行排序,根据元素数量递增构造圆形实例集合;提取圆形实例集合的外轮廓,然后计算此外轮廓与步骤S3.2得到的边缘线条轮廓之间的面积差值;根据计算结果选择面积差值最小的圆形实例集合作为最终的拟合结果,该拟合结果能更准确地表示分离后的木材实例。
本发明的有益效果是:
本发明旨在解决现有木材计数方法存在的形状不规则木材识别困难,木材端面遮挡、阴影等导致的木材粘连处理困难、计数不准确,以及人工处理效率低的问题。本发明首先利用实例分割网络模型检测木材的原木横截面,从中获取木材实例的轮廓信息;然后计算每个木材实例的圆形度,通过与预先设定的阈值进行比较,判断是否满足条件,经过判断后可以筛选出四种木材,即形状规则且没有粘连的木材、形状规则且粘连的木材、形状不规则且没有粘连的木材和形状不规则且粘连的木材,通过上述的实例分割网络模型检测和圆形度计算判断,可以准确地检测出各种木材实例,以提高后续处理操作准确度;对于所有形状规则的木材进行混合特征计算,而对于所有形状规则和所有形状不规则的木材还需要进一步判断是否粘连,对于被判断为粘连木材的实例需要进一步处理:首先使用canny边缘检测算法检测粘连木材区域的边缘线条轮廓;然后hough变换检测圆弧轮廓,找到粘连木材中可能存在的圆弧轮廓;接下来通过对木材实例的外轮廓与边缘检测结果进行筛选,得到最优的分割结果,将粘连木材分离,通过上述边缘检测和圆弧拟合的方法可以准确地将粘连木材分离,提高计数精准度。最终根据上述的结果进行统计计数。
与现有木材计数方法相比,本发明提出的技术方案在如下几个方面为木材计数方法带来了效果提升:
1、泛化能力强:基于MaskRCNN、PANet、SOLO、Mask2Former等神经网络的实例分割网络模型对不同尺度的木材适应能力强,检测效果好,提高方法泛化能力。
2、检测精度高:有效识别形状不规则的木材与粘连的木材,并能准确地分离粘连木材,提高方法检测精度。
3、检测效率高:基于自适应阈值的后处理,不依赖人工的判断,提高方法检测效率。
附图说明
图1为本发明的一种基于混合特征的木材计数方法流程图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的一种基于混合特征的木材计数方法,主要分为四个阶段,第一阶段为分割出木材实例;第二阶段为对分割后的木材实例进行识别判断,筛选出形状规则且没有粘连的木材、形状规则且粘连的木材、形状不规则且没有粘连的木材和形状不规则且粘连的木材;第三阶段为对粘连木材进行后处理分离;第四阶段为根据第二阶段中筛选出的形状规则且没有粘连的木材、形状不规则且没有粘连的木材以及第三阶段中处理后的粘连木材进行统计计数。
参见图1进行说明,本发明的一种基于混合特征的木材计数方法,具体包括以下步骤:
步骤S1:木材实例分割;
先构建木材实例分割数据集,再构建实例分割网络模型并进行训练,使用训练好的最优实例分割网络模型处理待分割的原木横截面图像,得到木材实例的掩膜结果与坐标框位置信息。其中,实例分割网络模型是事先训练好的。其具体操作流程如下:
步骤S1.1获取原木横截面真实数据图像,标注单个木材实例的轮廓,构建木材实例分割数据集,将此木材实例分割数据集按照数量比为8:1:1的比例划分为训练集、验证集和测试集。同时在训练阶段,使用数据增强算法将多幅原木横截面真实数据图像经过裁剪、旋转、翻转变换后组合参与训练。
步骤S1.2构建实例分割网络模型,所构建的实例分割网络模型包括但不限于MaskRCNN、PANet、SOLO、Mask2Former等模型。
步骤S1.3基于木材实例分割数据集训练所构建的实例分割网络模型,选用SGD优化器和余弦退火学习率调整算法,根据训练结果不断调整训练超参数得到最优实例分割网络模型。
步骤S1.4使用训练好的最优实例分割网络模型对待分割的原木横截面图像进行木材实例分割,得到木材实例的掩膜结果与坐标框位置信息。
步骤S2:根据步骤S1的木材实例分割结果进行识别判断,筛选出形状规则且没有粘连的木材、形状规则且粘连的木材、形状不规则且没有粘连的木材和形状不规则且粘连的木材。其具体操作流程如下:
步骤S2.1从最优实例分割网络模型得到的木材实例掩膜结果中提取出每个木材实例的轮廓信息。
步骤S2.2根据提取的木材实例轮廓信息,计算每个木材实例的圆形度e:
e=(4πS)/C2
其中,S表示木材实例轮廓的面积,C表示木材实例轮廓的周长。
步骤S2.3将计算得到的圆形度与预先设定的阈值进行比较,判断该木材实例的形状是否规则;如果圆形度高于预设阈值,则判断该木材实例为形状规则的木材,则先执行步骤S2.4,再执行步骤S2.5;如果圆形度不满足条件(即圆形度小于等于预设阈值),则判断该木材实例为形状不规则的木材,则执行步骤S2.5。
步骤S2.4对于所有形状规则的木材进行混合特征计算,即通过计算连通域凸包获取连通域内的最长线段值集合,统计集合最大值dmax和最小值dmin;计算连通域内像素点的颜色均值集合与方差集合,统计颜色均值集合的均值颜色方差集合的均值/>
步骤S2.5按照以下步骤判断所有形状规则和所有形状不规则的木材是否粘连:
步骤S2.5.1计算木材实例的连通域面积S1;
步骤S2.5.2计算木材实例坐标框位置的中心点,以水平方向为起始方向,计算过中心点的直线与连通域重合的长度,每隔15°顺时针旋转一次,共获得24条线段,比较这些线段长度获取最长的线段L1;
步骤S2.5.3沿着线段L1的法线方向扫描连通域,获取与连通域重合的最长线段L2;
步骤S2.5.4计算木材实例连通域内像素点的颜色均值μ;
步骤S2.5.5根据提取出的最长线段L1、最长线段L2、连通域面积S1、颜色均值μ进行木材实例识别;如果满足以下条件(条件(1)、(2)和(3)需要同时满足,其中,条件(3)中包括3个平行条件,满足其中1个即可),则判断该木材实例为没有粘连的木材,如果不满足以下条件(条件(1)、(2)和(3)有1个不满足的即可,其中,条件(3)中包括3个平行条件,3个平行条件都不满足的情况下判定条件(3)不满足),则判断该木材实例为粘连的木材。
L1<dmax (1)
S1<0.25*πdmin 2或者L1/L2>2或者L2<dmin (3)
通过步骤S2可以筛选出四种木材,即形状规则且没有粘连的木材、形状规则且粘连的木材、形状不规则且没有粘连的木材和形状不规则且粘连的木材。其中,所涉及的形状规则且粘连的木材和形状不规则且粘连的木材需要执行步骤S3后再执行步骤S4,而形状规则且没有粘连的木材和形状不规则且没有粘连的木材则可直接执行步骤S4。
步骤S3:对判断为粘连的木材包括形状规则且粘连的木材和形状不规则且粘连的木材进行后处理分离成单个木材实例。其具体操作流程如下:
步骤S3.1根据步骤S1的木材实例分割结果在步骤S1.1中的原木横截面真实数据图像中提取出粘连木材区域;
步骤S3.2使用canny边缘检测算法检测粘连木材区域的边缘线条轮廓;
步骤S3.3根据边缘线条检测结果,使用hough变换检测圆弧轮廓,得到包含圆弧轮廓的圆形实例,判断圆形实例的半径dhough,保留满足dmin<dhough<dmax的圆形实例;进一步的,判断圆弧轮廓对之间的间距,去除间距小于dmin的圆形轮廓对中较小的圆形轮廓;
步骤S3.4对于提取得到的符合条件的圆形实例,首先按照圆形的直径大小进行排序,根据元素数量递增构造圆形实例集合,其次提取圆形实例集合的外轮廓,然后计算此外轮廓与步骤S3.2得到的边缘线条轮廓之间的面积差值,最后根据计算结果选择面积差值最小的圆形实例集合作为最终的拟合结果,该拟合结果能更准确地表示分离后的木材实例。
步骤S4:统计步骤S2中筛选出的形状规则且没有粘连的木材和形状不规则且没有粘连的木材以及步骤S3中处理后的形状规则且粘连的木材和形状不规则且粘连的木材,得到最终的统计计数结果。
通过本发明可以有效地解决木材计数中的粘连木材和形状不规则木材的问题,不仅能够提高木材计数的准确性,还能够应对不同光照和场景下的复杂情况。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为便于描述本发明和简化描述,而不是指示或暗指所指的装置或元件必须具有特定的方位、为特定的方位构造和操作,因而不能理解为对本发明保护内容的限制。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,但这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于混合特征的木材计数方法,其特征在于,包括以下步骤:
步骤S1:木材实例分割;
先构建木材实例分割数据集,再构建实例分割网络模型并进行训练,使用训练好的最优实例分割网络模型处理待分割的原木横截面图像,得到木材实例的掩膜结果与坐标框位置信息;
步骤S2:根据木材实例分割结果进行识别判断,筛选出形状规则且没有粘连的木材、形状规则且粘连的木材、形状不规则且没有粘连的木材和形状不规则且粘连的木材;
步骤S3:对粘连木材进行后处理分离成单个木材实例;
步骤S4:统计步骤S2中筛选出的形状规则且没有粘连的木材、形状不规则且没有粘连的木材以及步骤S3中处理后的粘连木材,得到最终的计数结果。
2.根据权利要求1所述的一种基于混合特征的木材计数方法,其特征在于,步骤S1的具体操作流程如下:
步骤S1.1获取原木横截面真实数据图像,标注单个木材实例的轮廓,构建木材实例分割数据集,将此木材实例分割数据集按照数量比为8:1:1的比例划分为训练集、验证集和测试集;
步骤S1.2构建实例分割网络模型;
步骤S1.3基于木材实例分割数据集训练所述实例分割网络模型,选用SGD优化器和余弦退火学习率调整算法,根据训练结果不断调整训练超参数得到最优实例分割网络模型;
步骤S1.4使用训练好的最优实例分割网络模型对待分割的原木横截面图像进行木材实例分割,得到木材实例的掩膜结果与坐标框位置信息。
3.根据权利要求2所述的一种基于混合特征的木材计数方法,其特征在于,步骤S1.1中,在训练阶段,使用数据增强算法将多幅原木横截面真实数据图像经过裁剪、旋转、翻转变换后组合参与训练。
4.根据权利要求2所述的一种基于混合特征的木材计数方法,其特征在于,步骤S1.2中,所述实例分割网络模型为MaskRCNN、PANet、SOLO或Mask2Former。
5.根据权利要求2所述的一种基于混合特征的木材计数方法,其特征在于,步骤S2的具体操作流程如下:
步骤S2.1从最优实例分割网络模型得到的木材实例掩膜结果中提取出每个木材实例的轮廓信息;
步骤S2.2根据提取的木材实例轮廓信息,计算每个木材实例的圆形度e:
e=(4πS)/C2
其中,S表示木材实例轮廓的面积,C表示木材实例轮廓的周长;
步骤S2.3将计算得到的圆形度与预先设定的阈值进行比较,判断该木材实例的形状是否规则;如果圆形度高于预设阈值,则判断该木材实例为形状规则的木材,则先执行步骤S2.4,再执行步骤S2.5;如果圆形度不满足条件,则判断该木材实例为形状不规则的木材,则执行步骤S2.5;
步骤S2.4对于所有形状规则的木材进行混合特征计算,即通过计算连通域凸包获取连通域内的最长线段值集合,统计集合最大值dmax和最小值dmin;计算连通域内像素点的颜色均值集合与方差集合,统计颜色均值集合的均值颜色方差集合的均值/>
步骤S2.5按照以下步骤判断所有形状规则和所有形状不规则的木材是否粘连:
步骤S2.5.1计算木材实例的连通域面积S1;
步骤S2.5.2计算木材实例坐标框位置的中心点,以水平方向为起始方向,计算过中心点的直线与连通域重合的长度,每隔15°顺时针旋转一次,共获得24条线段,比较这些线段长度获取最长的线段L1;
步骤S2.5.3沿着线段L1的法线方向扫描连通域,获取与连通域重合的最长线段L2;
步骤S2.5.4计算木材实例连通域内像素点的颜色均值μ;
步骤S2.5.5根据提取出的最长线段L1、最长线段L2、连通域面积S1、颜色均值μ进行木材实例识别;如果满足以下条件,则判断该木材实例为没有粘连的木材,如果不满足以下条件,则判断该木材实例为粘连的木材。
L1<dmax (1)
S1<0.25*πdmin 2或者L1/L2>2或者L2<dmin (3)
6.根据权利要求5所述的一种基于混合特征的木材计数方法,其特征在于,步骤S3的具体操作流程如下:
步骤S3.1根据步骤S1的木材实例分割结果在原木横截面真实数据图像中提取出粘连木材区域;
步骤S3.2使用canny边缘检测算法检测粘连木材区域的边缘线条轮廓;
步骤S3.3根据边缘线条检测结果,使用hough变换检测圆弧轮廓,得到包含圆弧轮廓的圆形实例,判断圆形实例的半径dhough,保留满足dmin<dhough<dmax的圆形实例;判断圆弧轮廓对之间的间距,去除间距小于dmin的圆形轮廓对中较小的圆形轮廓;
步骤S3.4对于提取得到的符合条件的圆形实例,按照圆形的直径大小进行排序,根据元素数量递增构造圆形实例集合;提取圆形实例集合的外轮廓,然后计算此外轮廓与步骤S3.2得到的边缘线条轮廓之间的面积差值;根据计算结果选择面积差值最小的圆形实例集合作为最终的拟合结果,该拟合结果能更准确地表示分离后的木材实例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834185.5A CN116862871A (zh) | 2023-07-07 | 2023-07-07 | 一种基于混合特征的木材计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834185.5A CN116862871A (zh) | 2023-07-07 | 2023-07-07 | 一种基于混合特征的木材计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862871A true CN116862871A (zh) | 2023-10-10 |
Family
ID=88224760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310834185.5A Pending CN116862871A (zh) | 2023-07-07 | 2023-07-07 | 一种基于混合特征的木材计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862871A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635619A (zh) * | 2024-01-26 | 2024-03-01 | 南京海关工业产品检测中心 | 一种基于机器视觉的原木材积检测方法及系统 |
-
2023
- 2023-07-07 CN CN202310834185.5A patent/CN116862871A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635619A (zh) * | 2024-01-26 | 2024-03-01 | 南京海关工业产品检测中心 | 一种基于机器视觉的原木材积检测方法及系统 |
CN117635619B (zh) * | 2024-01-26 | 2024-04-05 | 南京海关工业产品检测中心 | 一种基于机器视觉的原木材积检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN111860533A (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN109523524B (zh) | 一种基于集成学习的眼底图像硬性渗出检测方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN106022303B (zh) | 基于无透镜全息成像的淡水藻类粗分类与计数方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN108734131B (zh) | 一种图像中的交通标志对称性检测方法 | |
CN102184404B (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN116862871A (zh) | 一种基于混合特征的木材计数方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN114648511A (zh) | 一种大肠杆菌轮廓的精确提取及识别方法 | |
CN113962994B (zh) | 基于图像处理的三连杆上锁销清洁度检测方法 | |
Gonçalves et al. | Automatic system for counting cells with elliptical shape | |
CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN117078678B (zh) | 基于图像识别的废硅片形状检测方法 | |
CN111402232B (zh) | 精液中精子聚集检测方法 | |
CN113179389A (zh) | 一种输电线路危险车辆吊车扬臂识别系统及识别方法 | |
CN112528740A (zh) | 一种压板状态识别方法 | |
CN115063603B (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |