在原木木材材积检测中,由于端面伐痕、开裂和阴影等因素容易影响智能检测系统的准确性和稳定性,一直以来,端面识别定位属于一个难点问题。对多个YOLO(You Only Look Once)版本模型的原理分析和试验验证,融合这些YOLO版本模型优点,在yolo...在原木木材材积检测中,由于端面伐痕、开裂和阴影等因素容易影响智能检测系统的准确性和稳定性,一直以来,端面识别定位属于一个难点问题。对多个YOLO(You Only Look Once)版本模型的原理分析和试验验证,融合这些YOLO版本模型优点,在yolo3主干网络基础上,采用数据增强、特征融合和损失函数等优化手段,构建更加适用于原木检测的端到端深度学习模型YOLO-Raw Wood(YOLO-RW),用于原木木材材积图像的准确识别和定位。为检验YOLO-RW模型性能,设计多组数据试验。结果表明,同比基准模型,YOLO-RW模型具有更高的端面识别精度和鲁棒性,在准确率和召回率评价指标平均值上,分别高出基准模型6.95%和2.38%以上。研究表明,YOLO-RW模型在原木木材材积检测领域有着较好的应用价值,亦可为相关目标识别领域的研究提供借鉴。展开更多
文摘在原木木材材积检测中,由于端面伐痕、开裂和阴影等因素容易影响智能检测系统的准确性和稳定性,一直以来,端面识别定位属于一个难点问题。对多个YOLO(You Only Look Once)版本模型的原理分析和试验验证,融合这些YOLO版本模型优点,在yolo3主干网络基础上,采用数据增强、特征融合和损失函数等优化手段,构建更加适用于原木检测的端到端深度学习模型YOLO-Raw Wood(YOLO-RW),用于原木木材材积图像的准确识别和定位。为检验YOLO-RW模型性能,设计多组数据试验。结果表明,同比基准模型,YOLO-RW模型具有更高的端面识别精度和鲁棒性,在准确率和召回率评价指标平均值上,分别高出基准模型6.95%和2.38%以上。研究表明,YOLO-RW模型在原木木材材积检测领域有着较好的应用价值,亦可为相关目标识别领域的研究提供借鉴。
