基于卷积神经网络的木材缺陷图像语义分割

发布时间：2021-07-19 13:31

　　语义分割是机器视觉中一项具有挑战性的任务,利用深度学习提高语义分割性能是当前研究的热点之一。针对木材缺陷图像语义分割问题,提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的木材缺陷图像语义分割方法。首先,回顾CNN的几种典型的网络结构及其发展历程;然后,总结了图像语义分割方法的分类,并提出了改进的CNN图像语义分割方法;最后构建木材缺陷图像数据库,对模型进行训练和测试。基于TensorFlow与OpenCV的测试结果表明,设置合适的通道数和网络层数等参数,算法能够实现木材缺陷的图像分割。 

【文章来源】：林业和草原机械. 2020,1(06)

【文章页数】：5 页

【部分图文】：

CNN的图像语义分割

训练样本示例

利用训练好的模型对50幅测试图片检测，得到结果。选取了三类典型代表图片，得到分割结果图，如图5所示。上排为RGB彩图木材缺陷图，下排为对应的测试结果图。3 结果分析

【参考文献】：
期刊论文
[1]基于深度敏感空间金字塔池化的RGBD语义分割[J]. 杨胜杰,仇振安,高小宁,李建勋.  电光与控制. 2020(12)
[2]基于中智集的木材缺陷图像检测方法[J]. 周宇,潘世豪,刘伟嘉,于音什,周仲凯,刘军.  林业机械与木工设备. 2020(10)
[3]基于深度强化学习的木材缺陷图像识别及分割模型研究[J]. 张旭中,翟道远,陈俊.  电子测量技术. 2020(17)
[4]木材节子缺陷图像分割方法比较研究[J]. 张浩然,东佳毅,张岱,武登科,周鹏程,刘军.  林业机械与木工设备. 2020(08)
[5]机器视觉在木材缺陷检测领域应用研究进展[J]. 范佳楠,刘英,杨雨图,缑斌丽.  世界林业研究. 2020(03)
[6]基于RCDA的家具表面死节缺陷图像分割[J]. 周宇,周仲凯,于音什,刘伟嘉,刘军.  林业机械与木工设备. 2019(08)
[7]木材缺陷检测技术研究概况与发展趋势[J]. 丁伟彪,王宝金.  林业机械与木工设备. 2019(01)
[8]应用改进分水岭算法对木材表面缺陷图像分割试验[J]. 王金聪,宋文龙,张彭涛.  东北林业大学学报. 2018(10)
[9]基于图割算法的木材表面缺陷图像分割[J]. 白雪冰,李润佳,许景涛,宋恩来.  林业工程学报. 2018(02)
[10]木材缺陷的图像分割提取技术综述[J]. 贾壮,戴天虹,李昊.  西部林业科学. 2015(05)

硕士论文
[1]木材表面缺陷的图像分割方法研究[D]. 许景涛.东北林业大学 2017



本文编号：3290788