楊攀，鄭積仕，馮芝清，丁志剛，李少藝，黃其悅，孔令華

(1. 福建工程學(xué)院計(jì)算機(jī)科學(xué)與數(shù)學(xué)學(xué)院，福州 350118； 2. 福建工程學(xué)院交通運(yùn)輸學(xué)院，福州 350118；3. 福建金森林業(yè)股份有限公司，三明 353300； 4. 福建工程學(xué)院機(jī)械與汽車工程學(xué)院，福州 350118)

木材是可再生能源之一，高效開發(fā)森林中的木材資源，有著重要的經(jīng)濟(jì)和環(huán)境效益。目前，國(guó)家林業(yè)和草原局積極推動(dòng)林業(yè)生產(chǎn)各環(huán)節(jié)往信息化和智能化方向發(fā)展[1]。木材檢尺是指檢測(cè)原木或原條的尺寸和缺陷以確定其材積和等級(jí)的計(jì)量作業(yè)，它作為木材經(jīng)濟(jì)發(fā)展的基礎(chǔ)，是木材經(jīng)濟(jì)信息化和智能化的關(guān)鍵。傳統(tǒng)人工檢尺方法的成本高、效率低、主觀性強(qiáng)，且檢尺結(jié)果無法可視化，無法適應(yīng)現(xiàn)代化木材加工和銷售的發(fā)展趨勢(shì)。

隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，基于傳統(tǒng)圖像檢測(cè)分割方法檢測(cè)圖像中的木材數(shù)目基本實(shí)現(xiàn)。如鐘新秀等[2]結(jié)合K-means聚類和Hough圓變換[3]完成原木計(jì)數(shù)。傳統(tǒng)木材圖像檢測(cè)方法要求圖像質(zhì)量穩(wěn)定且去除背景干擾，通常木材漏檢測(cè)問題嚴(yán)重，深度學(xué)習(xí)圖像檢測(cè)技術(shù)的進(jìn)步使得木材檢測(cè)正確率得到保證。Samdangdech等[4]提出了一種將單發(fā)多盒探測(cè)器[5](SSD)目標(biāo)檢測(cè)模型和全卷積網(wǎng)絡(luò)[6](FCN)語(yǔ)義分割模型相結(jié)合來實(shí)現(xiàn)車載桉樹圖片分割的方法，木材計(jì)數(shù)正確率達(dá)到94.45%，但對(duì)遮擋和分裂木材的分割效果不理想；Tang等[7]利用SSD在自然場(chǎng)景下檢測(cè)原木，計(jì)數(shù)準(zhǔn)確率為94.87%，為特定場(chǎng)景下木材計(jì)數(shù)奠定基礎(chǔ)；林耀海等[8]開發(fā)了一種結(jié)合YOLOv3-tiny[9]目標(biāo)檢測(cè)模型與Hough圓變換的等長(zhǎng)原木材積檢測(cè)系統(tǒng)，少樣本測(cè)試中，系統(tǒng)木材真檢率為98.79%，誤檢率為0.602%，該系統(tǒng)更適用于大徑級(jí)圓形原木檢測(cè)。

現(xiàn)有木材檢測(cè)研究聚焦于中等和大木材的檢測(cè)，對(duì)混合尺寸及小木材檢測(cè)研究比較缺乏，小目標(biāo)檢測(cè)同屬深度學(xué)習(xí)難題。為了提高木材綜合檢測(cè)效率，提高小木材的檢測(cè)分割性能成為必要，筆者采用深度學(xué)習(xí)的方法探究實(shí)例分割模型對(duì)各尺寸木材端面分割的可行性。掩模區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Mask R-CNN)[10]是一種通過訓(xùn)練標(biāo)注圖像，能對(duì)多類或同類目標(biāo)多個(gè)實(shí)體進(jìn)行像素級(jí)分割的實(shí)例分割模型。本研究采用Mask R-CNN對(duì)包含泥土、樹枝、樹葉等復(fù)雜背景下的木材端面進(jìn)行分割，針對(duì)小木材檢測(cè)難題，改進(jìn)優(yōu)化多種模型參數(shù)，并在多個(gè)維度對(duì)木材分割準(zhǔn)確性進(jìn)行定量分析。這一研究將為復(fù)雜背景下混合尺寸木材分割算法提供參考，同時(shí)為木材材積自動(dòng)測(cè)量提供算法支持。

1 材料與方法

1.1 圖像采集與圖像預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)采集于福建金森林業(yè)股份有限公司某木材貨場(chǎng)，考慮樣本多樣性，通過工業(yè)相機(jī)和手機(jī)相機(jī)等設(shè)備采集了500張木材圖片，包括不同光照條件、不同木材端面背景和不同拍攝角度下的圖片。Mask R-CNN屬于有監(jiān)督學(xué)習(xí)模型，需要對(duì)圖片中木材輪廓進(jìn)行標(biāo)注。剔除模糊圖片，共保留150張清晰圖片，通過Labelme軟件對(duì)圖片中所有木材使用多邊形標(biāo)注工具進(jìn)行輪廓標(biāo)注，標(biāo)注效果如圖1所示。其中木材標(biāo)注信息可提供模型學(xué)習(xí)木材輪廓特征，可根據(jù)木材輪廓掩碼圖實(shí)現(xiàn)木材計(jì)數(shù)。

圖1 木材輪廓標(biāo)注效果Fig. 1 Outline marking effect of stacked logs

將全部標(biāo)注圖片按照4∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，按照COCO數(shù)據(jù)集的目標(biāo)尺寸劃分方法(小目標(biāo)：像素面積<32×32；中等目標(biāo)：32×32<像素面積<96×96；大目標(biāo)：像素面積>96×96)對(duì)標(biāo)注數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)，如表1所示。

表1 標(biāo)注數(shù)據(jù)集木材統(tǒng)計(jì)信息Table 1 Log statistical information of annotated data set

為了提高模型泛化性能及滿足深度學(xué)習(xí)模型對(duì)數(shù)據(jù)樣本量的要求，本研究通過裁剪、模糊處理、圖片色彩通道處理、增強(qiáng)對(duì)比度、銳化、增加干擾噪聲等技術(shù)進(jìn)行數(shù)據(jù)增廣，豐富數(shù)據(jù)樣本。數(shù)據(jù)增廣后，訓(xùn)練集圖片數(shù)據(jù)量最多可達(dá)1 600張。

1.2 實(shí)驗(yàn)方法

1.2.1 Mask R-CNN基本原理

Mask R-CNN是由He等[10]通過升級(jí)更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)[11](Faster R-CNN)目標(biāo)檢測(cè)模型得來，在其基礎(chǔ)上增加了Mask分支，并用ROI Align改進(jìn)原有ROI Pooling模塊，解決了Faster R-CNN區(qū)域匹配存在誤差的問題。故Mask R-CNN同時(shí)具備目標(biāo)分類、目標(biāo)檢測(cè)和像素級(jí)分割的功能，能實(shí)現(xiàn)對(duì)同類別不同實(shí)例的分割，滿足木材檢測(cè)分割的功能需求。

Mask R-CNN的基本原理框架如圖2所示。其主要分為主干網(wǎng)絡(luò)(Backbone)、區(qū)域候選網(wǎng)絡(luò)[11](RPN)、ROI Align和R-CNN 4個(gè)模塊。Backbone通常由殘差網(wǎng)絡(luò)[12](ResNet)和特征金字塔網(wǎng)絡(luò)[13](FPN)構(gòu)成，F(xiàn)PN對(duì)ResNet輸出的5層特征圖進(jìn)行融合，獲得更豐富的木材特征圖并輸出到RPN和ROI Align模塊。RPN的作用是生成目標(biāo)候選區(qū)域，完成特征圖中前后景目標(biāo)分類和邊界框回歸，獲取前景目標(biāo)粗略位置。ROI Align模塊利用最大池化操作對(duì)Backbone輸出的特征圖和RPN輸出的目標(biāo)候選區(qū)域進(jìn)行匹配，完成特征圖特征聚集并池化為固定大小，再經(jīng)過全連接層輸出到R-CNN模塊。R-CNN模塊共3個(gè)分支:第1分支通過softmax分類器實(shí)現(xiàn)木材分類;第2分支經(jīng)過邊界框回歸器實(shí)現(xiàn)更精確的木材位置定位;第3分支通過FCN完成木材輪廓分割，生成木材分割掩碼。最后，將各分支輸出信息進(jìn)行綜合，得到一張包含木材類別、木材定位邊界框和木材分割掩碼的圖像。

圖2 原木實(shí)例分割模型結(jié)構(gòu)圖Fig. 2 The structure diagram of the log instance segmentation model

1.2.2 優(yōu)化Mask R-CNN

本研究檢測(cè)分割目標(biāo)為密集木材，類別單一，其中數(shù)據(jù)集中小木材占22.36%，平均每張圖片包含103根木材，故本檢測(cè)任務(wù)屬于密集目標(biāo)和小目標(biāo)檢測(cè)。原始Mask R-CNN對(duì)本任務(wù)中的小木材檢測(cè)分割效果欠佳。為了改善模型對(duì)密集小木材的檢測(cè)性能，本研究對(duì)原始模型進(jìn)行了改進(jìn)優(yōu)化。

1)優(yōu)化RPN和R-CNN模塊中樣本采樣數(shù)。原始Mask R-CNN中RPN和R-CNN模塊中樣本采樣數(shù)分別為256和512，其中在RPN和R-CNN模塊中正樣本采樣率(即特征圖中所有目標(biāo)的前景目標(biāo)采樣率)分別為0.5和0.25，均采集128個(gè)正樣本。但平均每張圖片包含103個(gè)目標(biāo)，故模型在現(xiàn)有采樣數(shù)下，難以充分學(xué)習(xí)103個(gè)目標(biāo)的全部特征，此為模型精度提高的瓶頸之一。提高RPN和R-CNN模塊中的采樣數(shù)，更多的正樣本數(shù)，攜帶更豐富的木材特征，充分學(xué)習(xí)后，有助于提高模型精度。

2)優(yōu)化圖片輸入尺寸及多尺度訓(xùn)練。本任務(wù)中木材數(shù)據(jù)集的分辨率為1 600×1 200，原始Mask R-CNN的圖片輸入尺寸為1 333×800，以尺寸短邊為依據(jù)進(jìn)行說明。這意味著原始圖片中的木材尺寸在輸入模型后會(huì)降低55.6%。同樣，若將圖片輸入尺寸提升50%，即2 000×1 200，這意味著原始模型中的目標(biāo)尺寸將提升125%。此外，可以采用多尺度訓(xùn)練技巧，將圖片輸入尺寸變?yōu)槎鄠€(gè)尺度，每個(gè)圖片批次隨機(jī)選取一個(gè)尺度送入模型進(jìn)行訓(xùn)練。這兩種方法十分有利于各尺寸目標(biāo)的特征學(xué)習(xí)，尤其是小目標(biāo)的特征提取，一定程度上能提高模型的檢測(cè)能力。

3)優(yōu)化數(shù)據(jù)增強(qiáng)。本木材圖片數(shù)據(jù)均于卡車裝載木材的場(chǎng)景下采集，圖片中木材基本呈對(duì)稱裝載。故在圖片數(shù)據(jù)送入模型訓(xùn)練前，進(jìn)行一定概率的水平翻轉(zhuǎn)，符合圖片實(shí)際采集場(chǎng)景。結(jié)合1.1節(jié)介紹的數(shù)據(jù)增廣，有效選擇數(shù)種圖像增廣方法，既彌補(bǔ)了數(shù)據(jù)量不足的缺陷，又對(duì)圖片采集場(chǎng)景進(jìn)行模擬擴(kuò)充，能有效提高模型泛化性和魯棒性。

1.2.3 模型訓(xùn)練參數(shù)配置

在Windows10操作系統(tǒng)下，使用RTX3090顯卡，采用MMDetection[14]完成Mask R-CNN模型的訓(xùn)練。模型訓(xùn)練時(shí)首先采用在COCO數(shù)據(jù)集上訓(xùn)練好的預(yù)訓(xùn)練權(quán)重進(jìn)行遷移學(xué)習(xí)完成網(wǎng)絡(luò)參數(shù)初始化，再將自標(biāo)注的木材數(shù)據(jù)集轉(zhuǎn)化為COCO數(shù)據(jù)集格式后送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

為了探究不同模型優(yōu)化方法對(duì)模型訓(xùn)練精度的影響，將各種優(yōu)化方法單獨(dú)或疊加配置，形成不同組合如表2所示。表2中訓(xùn)練優(yōu)化方法包括Baseline、Aug4、Aug16、512+1 024、1 024+2 048、2 000×1 200、MS6和MSR。其中：Baseline表示RPN和R-CNN模塊中的采樣數(shù)為256和512，并且模型輸入圖片尺寸為1 333×800；Aug4和Aug16分別表示數(shù)據(jù)增廣4倍和16倍；512+1 024和1 024+2 048 分別表示在RPN和R-CNN模塊中的采樣數(shù)；2 000×1 200表示模型輸入圖片的尺寸；MS6和MSR參數(shù)均表示進(jìn)行多尺度訓(xùn)練，括號(hào)中的1 333×800和2 000×1 200表示最大尺度，在每個(gè)圖片批次中MS6和MSR分別在最大尺度下的6種尺度和多種尺度中隨機(jī)選擇一種尺度進(jìn)行輸入訓(xùn)練。

表2 模型優(yōu)化方法組合Table 2 Model optimization method groups

根據(jù)本試驗(yàn)的檢測(cè)需求，其他通用訓(xùn)練配置參數(shù)為：目標(biāo)類別數(shù)為1，檢測(cè)類別為“wood”；為提高網(wǎng)絡(luò)的運(yùn)行效率，選用ResNet50作為Backbone；采用線性修正單元(ReLU)[15]作為模型的激活函數(shù)；訓(xùn)練參數(shù)配置中BatchSize數(shù)設(shè)置為1，數(shù)據(jù)加載線程數(shù)為2；訓(xùn)練Epoch數(shù)為36，初始學(xué)習(xí)率為0.01，且前500次迭代中設(shè)置線性變化的Warm up，以穩(wěn)定訓(xùn)練初期的參數(shù)梯度，并基于隨機(jī)梯度下降法[16](SGD)進(jìn)行梯度優(yōu)化傳遞。此外，在Epoch數(shù)分別等于12，20和28時(shí)，進(jìn)行學(xué)習(xí)率乘以0.1倍的下降策略。

圖3 部分模型方法的實(shí)驗(yàn)測(cè)試結(jié)果Fig. 3 Experimental test results of some model methods

1.3 評(píng)價(jià)指標(biāo)

為了更全面、客觀地評(píng)價(jià)分析優(yōu)化后的Mask R-CNN對(duì)木材檢測(cè)分割的可行性，本試驗(yàn)采用平均精度均值(mAP)、掩碼交并比(IoUMask)和木材識(shí)別率這3種指標(biāo)評(píng)價(jià)木材檢測(cè)分割結(jié)果。這3種指標(biāo)數(shù)值越大，模型木材檢測(cè)分割效果越好。

1.3.1 mAP指標(biāo)

本研究采用COCO數(shù)據(jù)集定義的目標(biāo)檢測(cè)和實(shí)例分割模型通用評(píng)價(jià)指標(biāo)——mAp對(duì)不同IoU閾值下的模型訓(xùn)練精度進(jìn)行統(tǒng)計(jì)。這里的mAP_s、mAP_m和mAP_l分別表示目標(biāo)尺寸在小、中、大3個(gè)級(jí)別時(shí)的平均精度均值，而單獨(dú)的mAP表示IoU閾值自0.5到0.95，間隔0.05進(jìn)行統(tǒng)計(jì)的均值結(jié)果。

1.3.2 IoUMask指標(biāo)

雖然mAP對(duì)深度學(xué)習(xí)模型有很好的表征性能，但mAP更適合于評(píng)價(jià)分類置信度，對(duì)Mask的實(shí)際分割質(zhì)量尚無法進(jìn)行評(píng)估。針對(duì)這一問題，本試驗(yàn)借鑒文獻(xiàn)[17]中的做法，選用IoU值對(duì)Mask的質(zhì)量進(jìn)行評(píng)估。IoUMask的計(jì)算方式為：

(1)

通過計(jì)算模型推理的木材Mask區(qū)域(P)與人工標(biāo)注的木材輪廓區(qū)域(G)之間的交并比，用IoUMask值來定量評(píng)估Mask的質(zhì)量，從而進(jìn)一步衡量模型對(duì)木材輪廓分割的精確度。

1.3.3 木材識(shí)別率指標(biāo)

本研究其中一個(gè)目標(biāo)在于木材識(shí)別計(jì)數(shù)，模型對(duì)木材的識(shí)別率越高，則模型檢測(cè)性能越好。木材識(shí)別率包括木材檢測(cè)率和木材真檢率。本研究根據(jù)模型輸出的木材分割掩碼分別統(tǒng)計(jì)測(cè)試集木材圖片中所檢測(cè)出的小中大各尺寸木材的數(shù)量、誤檢木材數(shù)量、漏檢木材數(shù)量和真檢木材數(shù)量，同時(shí)結(jié)合測(cè)試集木材的實(shí)際數(shù)量統(tǒng)計(jì)信息，計(jì)算模型木材檢測(cè)率和真檢率。

2 結(jié)果與分析

2.1 木材分割對(duì)比實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證優(yōu)化后Mask R-CNN對(duì)木材檢測(cè)分割的可行性，本研究按照1.2.3節(jié)所述的多種模型優(yōu)化方法及文獻(xiàn)[4，8]方法進(jìn)行訓(xùn)練，共分成32組，形成對(duì)照，部分模型方法的實(shí)際木材檢測(cè)分割結(jié)果如圖3所示。為了驗(yàn)證模型在整個(gè)測(cè)試集上的泛化性能，本研究統(tǒng)計(jì)了這32組方法在木材測(cè)試集上的掩碼分割精度及掩碼的IoU分?jǐn)?shù)，如表3所示。從圖3可以發(fā)現(xiàn)，該測(cè)試圖中小木材的檢測(cè)分割數(shù)量在方法1的基礎(chǔ)上得到了不同程度的提升，這說明1.2.3節(jié)所述的不同參數(shù)優(yōu)化方法對(duì)較小木材的檢測(cè)性能有一定的改善。

在表3中，對(duì)比優(yōu)化方法(1～3)，可以發(fā)現(xiàn)在Baseline的基礎(chǔ)上對(duì)模型進(jìn)行多尺度訓(xùn)練，mAP最大提升0.3%，mAP_s提升1.4%；對(duì)比組合(1，4，5)，RPN和R-CNN中樣本采樣數(shù)為512和1 024時(shí)，mAP、mAP_s和mAP_m分別提升0.4%，5%和0.6%；對(duì)比組合(1和10)，提升圖片輸入尺寸為 2 000×1 200，mAP、mAP_s和mAP_m分別得到2.5%，11.7% 和2.9%的巨大提升；對(duì)比組合(15～18)，在無數(shù)據(jù)增廣的條件下，提升圖片輸入尺寸、MS6的多尺度訓(xùn)練，提升RPN和R-CNN中采樣數(shù)為512和1 024 時(shí)，組合15的mAP達(dá)到68.4%，同時(shí)mAP_s、mAP_m和IoUMask相較Baseline分別提升12.7%，3.3% 和0.9%，但是mAP_l卻比較低，對(duì)大木材的檢測(cè)效果欠佳。考慮到大木材數(shù)量?jī)H占訓(xùn)練集木材總數(shù)的2.24%，可能模型對(duì)大木材的檢測(cè)存在欠擬合，故本試驗(yàn)對(duì)訓(xùn)練集圖片分別進(jìn)行了4倍和16倍的圖像增廣。基于組合(1～18)中對(duì)小目標(biāo)和中等目標(biāo)的檢測(cè)性能有所改善的方法項(xiàng)，本試驗(yàn)設(shè)計(jì)不同數(shù)據(jù)增廣倍數(shù)的方法組合，詳見組合(19～30)。結(jié)合參數(shù)組合(1，19，25)，可以發(fā)現(xiàn)隨著數(shù)據(jù)增廣倍數(shù)的增加，mAP_l同步提升。比較方法組合(19，23，24，25，29和30)，數(shù)據(jù)增廣后，提高圖片輸入尺寸、提高模塊采樣數(shù)、多尺度訓(xùn)練，都對(duì)mAP有著不同程度的提升，同時(shí)數(shù)據(jù)增廣倍數(shù)越大，模型的IoUMask分?jǐn)?shù)越高，分割掩碼質(zhì)量越高。在方法30中，IoUMask較Baseline有著2.2%的改善。

表3 不同模型方法在測(cè)試集上的掩碼分割精度Table 3 Mask segmentation accuracy of different model methods on the test set

在模型訓(xùn)練耗時(shí)方面，從表3可見MS6和MSR的多尺度訓(xùn)練方式并不會(huì)增加模型訓(xùn)練時(shí)間成本，而增加樣本采樣數(shù)會(huì)略微增加訓(xùn)練耗時(shí)，增加圖片輸入尺寸則會(huì)成比例的增加訓(xùn)練耗時(shí)，但是這些方法均可在70 min內(nèi)完成模型訓(xùn)練。對(duì)訓(xùn)練圖片進(jìn)行不同倍數(shù)的數(shù)據(jù)增廣，則訓(xùn)練時(shí)間成本將以相同倍數(shù)增加，但模型泛化性能也進(jìn)一步增強(qiáng)。

2.2 木材檢測(cè)性能對(duì)比實(shí)驗(yàn)結(jié)果分析

mAP和IoUMask是對(duì)模型檢測(cè)分割性能比較系統(tǒng)的評(píng)價(jià)指標(biāo)，然而最直觀、有效的驗(yàn)證方法是對(duì)測(cè)試集中木材數(shù)量的檢測(cè)。本研究使用OpenCV庫(kù)完成對(duì)Mask R-CNN木材分割掩碼的輪廓查找、圓形輪廓擬合及輪廓計(jì)數(shù)，部分模型方法計(jì)數(shù)結(jié)果如圖4所示。其中，計(jì)數(shù)圖左上角打印了圖片中木材的統(tǒng)計(jì)結(jié)果(等號(hào)左側(cè)數(shù)字表示木材總數(shù)，等號(hào)右側(cè)3個(gè)數(shù)字分別表示小、中、大3種尺寸木材的統(tǒng)計(jì)數(shù)量)，并用藍(lán)綠紅3種顏色的圓或矩形框?qū)π　⒅?、大各尺寸木材進(jìn)行定位標(biāo)注，標(biāo)注圓或矩形框中的數(shù)字表示識(shí)別的木材序號(hào)。此外，本試驗(yàn)對(duì)具有最高mAP和最大IoUMask分?jǐn)?shù)的兩組方法模型的木材檢測(cè)性能進(jìn)行統(tǒng)計(jì)，獲得模型的木材檢測(cè)率和木材真檢率分別如表4和表5所示。

圖4 人工標(biāo)注及部分模型方法的木材檢測(cè)計(jì)數(shù)結(jié)果Fig. 1 Log detection counting results of manual labeling and some model methods

表4 不同模型對(duì)各尺寸木材檢測(cè)性能統(tǒng)計(jì)Table 4 Statistical analyses table of the detection performance of different models for various sizes of logs

表5 不同模型對(duì)木材真檢性能統(tǒng)計(jì)表Table 5 Statistics table of the real inspection performance of different models on wood

對(duì)比表4中測(cè)試集實(shí)際木材數(shù)量和模型檢測(cè)數(shù)量可以發(fā)現(xiàn)，優(yōu)化后的模型相比Baseline模型，對(duì)各尺寸木材的檢測(cè)性能均有較大提升，尤其小木材的檢測(cè)性能提升明顯。圖4中漏檢小木材也逐漸減少，模型木材檢測(cè)率從94.681%提升到98.827%。但是模型存在一定的誤檢測(cè)，即可能將與木材相似的目標(biāo)誤識(shí)別成木材。從表5可以發(fā)現(xiàn)，Baseline模型的木材真檢率僅為94.430%，而mAP最高的方法15的真檢率最高，為98.073%，但是誤檢率也較高，為0.76%。相比之下，IoUMask分?jǐn)?shù)最高的方法30，經(jīng)過16倍數(shù)據(jù)增廣，木材輪廓特征得到更充分的學(xué)習(xí)，其誤檢率僅為0.30%，且真檢率為97.989%。從圖4中也易于發(fā)現(xiàn)，方法30的模型木材檢測(cè)結(jié)果最接近人工標(biāo)注結(jié)果，檢測(cè)率更高，漏檢更少。綜合實(shí)際應(yīng)用考慮，方法30模型更優(yōu)。此外，從圖3～4、表3～5均可看出，相較文獻(xiàn)[4]和文獻(xiàn)[8]方法，本研究方法對(duì)各尺寸木材的檢測(cè)性能更佳。

綜合上述32組實(shí)驗(yàn)結(jié)果和對(duì)部分優(yōu)秀模型3個(gè)維度指標(biāo)的分析結(jié)果可以看出，進(jìn)行多尺度訓(xùn)練、擴(kuò)大模型樣本采樣數(shù)、提高圖片輸入尺寸和有效的數(shù)據(jù)增廣對(duì)模型各尺寸木材的檢測(cè)性能都有一定的提升，疊加使用，提升更加明顯，具有較好的木材檢測(cè)能力，且能適應(yīng)多尺寸密集木材檢測(cè)場(chǎng)景。

3 結(jié) 論

為解決人工檢尺方法中的效率低下且檢尺主觀性較強(qiáng)的問題，提出一種基于Mask R-CNN實(shí)例分割模型的木材分割方法，并針對(duì)存在的小木材檢測(cè)難題，提出4種模型優(yōu)化方法，探究實(shí)例分割對(duì)木材密集堆放場(chǎng)景下各尺寸木材的分割的可行性，以期實(shí)現(xiàn)智能檢尺，提高檢尺效率。在木材數(shù)據(jù)集上進(jìn)行了32組對(duì)照試驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，得出以下結(jié)論：

1)使用多尺度訓(xùn)練、提高模型RPN和R-CNN模塊樣本采樣數(shù)可以有效改善小木材檢測(cè)性能。

2)提高圖片輸入尺寸，對(duì)小木材和中等木材的檢測(cè)性能有較大提升。

3)有效的數(shù)據(jù)增廣，對(duì)模型各尺寸木材的檢測(cè)能力均有一定提高。

4)4種優(yōu)化方法的疊加使用，對(duì)各尺寸木材的檢測(cè)分割性能提升最大。與原始Mask R-CNN Baseline模型相比：mAP提高1.3%；mAP_s提高12.9%；mAP_m提升2.7%；mAP_l提升5.2%；IoUMask分?jǐn)?shù)提高2.2%，達(dá)到91.8%；木材真檢率提高3.559%，達(dá)到97.989%；誤檢率僅為0.30%。優(yōu)化后的模型對(duì)密集場(chǎng)景下各尺寸木材有著良好的檢測(cè)分割性能。

在現(xiàn)有工作下，模型對(duì)密集木材檢測(cè)分割性能尚有一定的提升空間，如改善Backbone特征提取能力、提高標(biāo)注數(shù)據(jù)集的數(shù)量量級(jí)和改善數(shù)據(jù)集的標(biāo)注質(zhì)量等。