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.