基于深度学习的木材缺陷图像检测方法

被引：28

作者：

程玉柱

顾权

王众辉

李赵春

机构：

[1] 南京林业大学机械电子工程学院

来源：

林业机械与木工设备 | 2018年 / 08期

关键词：

深度学习; 卷积神经网络; 区域建议网络; 木材缺陷图像; CV;

D O I：

10.13279/j.cnki.fmwe.2018.0087

中图分类号：

TP181 [自动推理、机器学习]; TP391.41 [];

学科分类号：

080203 ;

摘要：

针对木材活节、虫眼、死节等缺陷,提出一种深度学习的木材缺陷图像检测算法。首先构建训练数据库及测试数据库,同时设定卷积神经网络(CNN)的输入层、中间层、输出层等参数,并利用区域建议网络(RPN)反复训练CNN,然后利用训练好的CNN对测试图像进行检测,得到缺陷所在的矩形区域。将此区域作为初始分割范围,再利用CV模型进行图像精细分割。试验结果表明,提出的算法目标定位能力强,能很好地提取木材缺陷目标。

引用

收藏

页码：33 / 36

页数：4

相关论文

共 11 条

[1] 基于分数阶CV模型的木材缺陷图像分割算法 [J].

程玉柱 ;

蔡云飞 .

林业机械与木工设备, 2018, 46 (04) :44-47+51

[2] 数字图像处理技术在木材科学中的应用 [J].

刘传泽 ;

葛浙东 ;

张连滨 ;

曹正彬 ;

周玉成 .

林业机械与木工设备, 2018, 46 (02) :13-17

[3] 基于深度学习的视频预测研究综述 [J].

莫凌飞 ;

蒋红亮 ;

李煊鹏 .

智能系统学报, 2018, 13 (01) :85-96

[4] 基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别 [J].

牟洪波 ;

王世伟 ;

戚大伟 ;

倪海明 .

森林工程, 2017, 33 (04) :40-43+54

[5] 基于3D结构激光的木材表面缺陷检测的研究 [J].

姚建平 ;

肖江 ;

闫磊 ;

杨建华 .

林业机械与木工设备, 2017, 45 (03) :20-25

[6] 卷积神经网络研究综述 [J].

周飞燕 ;

金林鹏 ;

董军 .

计算机学报, 2017, 40 (06) :1229-1251

[7] 基于改进的NCSPSO优化SVM的木材缺陷图像分割 [J].

刘俊焱 ;

尹婷婷 ;

陈云凤 ;

周宇 .

林业机械与木工设备, 2014, (10) :26-29+34

[8] 基于MMC与CV模型的苗期玉米图像分割算法 [J].

程玉柱 ;

陈勇 ;

张浩 .

农业机械学报, 2013, 44 (11) :266-270

[9] 基于Bayes与SVM的玉米彩色图像分割新算法 [J].

程玉柱 ;

陈勇 ;

车军 ;

金小俊 .

江苏农业科学, 2012, 40 (07) :355-358

[10]

Face detection using deep learning: An improved faster RCNN approach[J] . Xudong Sun,Pengcheng Wu,Steven C.H. Hoi.Neurocomputing . 2018