基于深度学习与深度信息的原木材积检测方法

针对工业现场整车木材摆放深浅不一且上下分层而导致的整车木材材积自动检测困难的问题,采用ZED2双目相机获取木材端面图像以及深度图像,在改进的基于掩模区域卷积神经网络(Mask region-based convolutional neural network, Mask R-CNN)实例分割模型完成对木材端面分割的基础上,对木材轮廓进行椭圆拟合,根据木材端面中心坐标以及深度图像获取每根木材的深度信息,利用整车木材上下层深度信息相差较大的特点,解决木材上下分层的问题,同时根据双目视觉视差原理,利用相机参数以及轮廓拟合后椭圆短径端点坐标,测量出木材端面检尺径,将检尺径和检尺长代入原木材积计算公式完成原木材积的检测。实验结果表明,使用本方法计算出的整车原木材积同人工检尺数据对比,材积误差率(偶数)为-1.61%,单根木材检尺径平均绝对误差(偶数)为0.33 cm,符合国家原木检尺要求。最终将模型以及材积计算算法部署于Nvidia Jetson Xavier NX平台,并在PyQt5核心库上设计了操作界面,用户仅需拍摄完整木材端面,即可实现原木材积的计算。利用本研究所提出方法可实现木材整车检尺,解决整车木材材积自动检测困难的问题,可提高木材检尺效率,减轻检尺工作人员的工作负担。

基于Mask R-CNN的密集木材检测分割方法

针对木材检尺中采用人工检尺的方法存在效率低下且检尺主观性较强的问题,提出一种基于掩模区域卷积神经网络(Mask R-CNN)实例分割模型的木材分割方法,探究实例分割在木材密集堆放场景下对各尺寸木材分割的可行性,以期实现智能检尺,提高检尺效率。应对密集木材检测分割任务,难点在于密集小木材和大木材的检测。本研究在原始Mask R-CNN模型的基础上通过改进优化模型参数,包括多尺度训练、提升样本采样数、提高图片输入尺寸和有效数据增广等技术,进行多组分割对照实验,同时利用OpenCV库对模型输出的木材分割掩码图完成木材轮廓拟合和木材计数,并就实验结果对模型性能进行分割精度、掩码质量和木材真检率等多维度分析。实验结果表明:测试集木材真检率达到97.989%,误检率为0.30%,并且相较基础网络,对小木材和大木材的检测分割能力提升明显,分割精度最佳提升12.9%和5.2%,掩码分割质量最佳提升2.2%。改进后的Mask R-CNN模型对密集场景下的木材分割效果良好,此外算法具有较强的鲁棒性及迁移能力,微调下能适应各种场景下的各尺寸大小密集木材检测分割任务。