語義分割是機器視覺中一項具有挑戰(zhàn)性的任務(wù),利用深度學(xué)習(xí)提高語義分割性能是當(dāng)前研究的熱點之一。針對木材缺陷圖像語義分割問題,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的木材缺陷圖像語義分割方法。首先,回顧CNN的幾種典型的網(wǎng)絡(luò)結(jié)構(gòu)及其發(fā)展歷程;然后,總結(jié)了圖像語義分割方法的分類,并提出了改進的CNN圖像語義分割方法;最后構(gòu)建木材缺陷圖像數(shù)據(jù)庫,對模型進行訓(xùn)練和測試。基于TensorFlow與OpenCV的測試結(jié)果表明,設(shè)置合適的通道數(shù)和網(wǎng)絡(luò)層數(shù)等參數(shù),算法能夠?qū)崿F(xiàn)木材缺陷的圖像分割。 

【文章來源】：林業(yè)和草原機械. 2020,1(06)

【文章頁數(shù)】：5 頁

【部分圖文】：

CNN的圖像語義分割

訓(xùn)練樣本示例

利用訓(xùn)練好的模型對50幅測試圖片檢測，得到結(jié)果。選取了三類典型代表圖片，得到分割結(jié)果圖，如圖5所示。上排為RGB彩圖木材缺陷圖，下排為對應(yīng)的測試結(jié)果圖。3 結(jié)果分析

【參考文獻】：
期刊論文
[1]基于深度敏感空間金字塔池化的RGBD語義分割[J]. 楊勝杰,仇振安,高小寧,李建勛.  電光與控制. 2020(12)
[2]基于中智集的木材缺陷圖像檢測方法[J]. 周宇,潘世豪,劉偉嘉,于音什,周仲凱,劉軍.  林業(yè)機械與木工設(shè)備. 2020(10)
[3]基于深度強化學(xué)習(xí)的木材缺陷圖像識別及分割模型研究[J]. 張旭中,翟道遠,陳俊.  電子測量技術(shù). 2020(17)
[4]木材節(jié)子缺陷圖像分割方法比較研究[J]. 張浩然,東佳毅,張岱,武登科,周鵬程,劉軍.  林業(yè)機械與木工設(shè)備. 2020(08)
[5]機器視覺在木材缺陷檢測領(lǐng)域應(yīng)用研究進展[J]. 范佳楠,劉英,楊雨圖,緱斌麗.  世界林業(yè)研究. 2020(03)
[6]基于RCDA的家具表面死節(jié)缺陷圖像分割[J]. 周宇,周仲凱,于音什,劉偉嘉,劉軍.  林業(yè)機械與木工設(shè)備. 2019(08)
[7]木材缺陷檢測技術(shù)研究概況與發(fā)展趨勢[J]. 丁偉彪,王寶金.  林業(yè)機械與木工設(shè)備. 2019(01)
[8]應(yīng)用改進分水嶺算法對木材表面缺陷圖像分割試驗[J]. 王金聰,宋文龍,張彭濤.  東北林業(yè)大學(xué)學(xué)報. 2018(10)
[9]基于圖割算法的木材表面缺陷圖像分割[J]. 白雪冰,李潤佳,許景濤,宋恩來.  林業(yè)工程學(xué)報. 2018(02)
[10]木材缺陷的圖像分割提取技術(shù)綜述[J]. 賈壯,戴天虹,李昊.  西部林業(yè)科學(xué). 2015(05)

碩士論文
[1]木材表面缺陷的圖像分割方法研究[D]. 許景濤.東北林業(yè)大學(xué) 2017



本文編號：3290788