發(fā)布時間：2021-07-19 13:31

　　語義分割是機器視覺中一項具有挑戰(zhàn)性的任務,利用深度學習提高語義分割性能是當前研究的熱點之一。針對木材缺陷圖像語義分割問題,提出一種基于卷積神經網(wǎng)絡（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)絡結構及其發(fā)展歷程;然后,總結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;最后構建木材缺陷圖像數(shù)據(jù)庫,對模型進行訓練和測試。基于TensorFlow與OpenCV的測試結果表明,設置合適的通道數(shù)和網(wǎng)絡層數(shù)等參數(shù),算法能夠實現(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

訓練樣本示例

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

【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)機械與木工設備. 2020(10)
[3]基于深度強化學習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. 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)機械與木工設備. 2020(08)
[5]機器視覺在木材缺陷檢測領域應用研究進展[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)機械與木工設備. 2019(08)
[7]木材缺陷檢測技術研究概況與發(fā)展趨勢[J]. 丁偉彪,王寶金.  林業(yè)機械與木工設備. 2019(01)
[8]應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)大學學報. 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)工程學報. 2018(02)
[10]木材缺陷的圖像分割提取技術綜述[J]. 賈壯,戴天虹,李昊.  西部林業(yè)科學. 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 2017



本文編號：3290788