密集堆疊下的高相似度木塊橫截面檢測(cè)

魏文戈，譚曉陽

（1. 南京航空航天大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 211106； 2. 軟件新技術(shù)與產(chǎn)業(yè)化協(xié)同創(chuàng)新中心，江蘇南京 211106）

木材是林業(yè)主產(chǎn)物，對(duì)于人類生活起著重要的支持作用。實(shí)際生產(chǎn)過程中，工人們經(jīng)常將木材制成橫截面各異的矩形木塊。木塊橫截面信息主要體現(xiàn)為木塊橫截面尺寸信息以及木塊橫截面數(shù)量信息。在木塊交易時(shí)，往往通過木塊橫截面的數(shù)量信息直接決定總體售價(jià)；或根據(jù)木塊橫截面的尺寸信息來決定木塊用途，進(jìn)而間接影響售價(jià)。因此，木塊的橫截面信息尤為重要。然而由于木塊往往被批量地密集堆疊，使得木塊橫截面之間的分布高度密集且縫隙極?。煌庥^較相似、邊界不明顯，易導(dǎo)致漏檢和誤檢；且拍攝時(shí)光照、亮度變化范圍較大，進(jìn)一步加大了檢測(cè)難度，給有效檢測(cè)木塊橫截面信息帶來了較大的挑戰(zhàn)。現(xiàn)有的目標(biāo)檢測(cè)算法[1-8]均不能很好地解決該問題。本文為此提出了Wood R-CNN模型，在模型損失函數(shù)和非極大值抑制算法上進(jìn)行了改進(jìn)以提升檢測(cè)精度，同時(shí)簡化網(wǎng)絡(luò)結(jié)構(gòu)并改進(jìn)特征金字塔網(wǎng)絡(luò)以保證檢測(cè)速度。實(shí)驗(yàn)結(jié)果表明：該模型保證了較快的檢測(cè)速度，且對(duì)密集程度、亮度、光照、紋理的變化具有良好的魯棒性。

1 木塊檢測(cè)相關(guān)工作

目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要分支，一直是專家們研究的熱點(diǎn)之一。然而，鑒于傳統(tǒng)目標(biāo)檢測(cè)算法依賴人為設(shè)計(jì)特征的局限性，檢測(cè)效果較差、算法較為復(fù)雜、且檢測(cè)速度也較慢。因此傳統(tǒng)目標(biāo)檢測(cè)算法并沒有被廣泛運(yùn)用。

之后，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法的出現(xiàn)在檢測(cè)精度、檢測(cè)速度和實(shí)現(xiàn)成本上均優(yōu)于傳統(tǒng)的目標(biāo)檢測(cè)算法。目標(biāo)檢測(cè)算法因此逐漸轉(zhuǎn)向以深度學(xué)習(xí)為主流。其中最具有代表性的是RCNN系列[1-4]目標(biāo)檢測(cè)算法，此外還有SPP-Net[5]、SSD[6]、YOLO[7]以及 YOLO2[8]等經(jīng)典算法。

1.1 R-CNN系列目標(biāo)檢測(cè)算法

R-CNN[1]網(wǎng)絡(luò)是一種基于區(qū)域候選的卷積神經(jīng)網(wǎng)絡(luò)算法，是CNN在檢測(cè)問題上的首次嘗試。其通過提取一系列的區(qū)域候選框送入卷積神經(jīng)網(wǎng)絡(luò)，將檢測(cè)問題轉(zhuǎn)化為分類問題。R-CNN首先通過選擇性搜索[9]算法，使用不同大小的滑動(dòng)窗口來感受輸入圖像并生成候選區(qū)域。每張圖像大概會(huì)生成近2k個(gè)候選區(qū)域。這些候選區(qū)域經(jīng)過扭曲變換，統(tǒng)一縮放成相同尺寸的方形區(qū)域，并輸入卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行進(jìn)一步的特征抽取。最后對(duì)各候選區(qū)域進(jìn)行標(biāo)簽分類以達(dá)到目標(biāo)檢測(cè)的效果。

Fast R-CNN：為了省去R-CNN[1]算法中重疊區(qū)域被反復(fù)特征提取，F(xiàn)ast R-CNN[2]首先記錄下選擇性搜索所得的區(qū)間，并對(duì)整張輸入圖片進(jìn)行卷積操作得到特征圖，然后將先前記錄的區(qū)間映射到特征圖以生成各塊候選區(qū)域。Fast R-CNN提出了RoIPooling[2]層結(jié)構(gòu)以保證映射后的候選區(qū)域尺寸一致，并輸入全連接層提取更高級(jí)的特征。最后將結(jié)果數(shù)據(jù)送入分類器和邊界框回歸器，前者用于識(shí)別候選區(qū)域的類別標(biāo)簽，后者用于微調(diào)邊界框的坐標(biāo)位置。

Faster R-CNN：為了改進(jìn)Fast R-CNN[2]較為耗時(shí)的候選區(qū)域生成過程，F(xiàn)aster R-CNN[3]算法提出區(qū)域候選網(wǎng)絡(luò)(RPN)[3]，將區(qū)域候選功能塊也交由CNN實(shí)現(xiàn)，提高了檢測(cè)速度。通過該設(shè)計(jì)，區(qū)域候選網(wǎng)絡(luò)可與Fast R-CNN共享前半部分的卷積提取結(jié)果。

Mask R-CNN：該算法在Faster R-CNN基礎(chǔ)上并行添加了一個(gè)目標(biāo)掩膜分支，用于對(duì)每一個(gè)候選區(qū)域預(yù)測(cè)目標(biāo)掩膜。3個(gè)任務(wù)分支并行設(shè)計(jì)不僅簡化了網(wǎng)絡(luò)結(jié)構(gòu)，也提升了靈活性便于做進(jìn)一步修改。Mask R-CNN能夠?qū)D像中的目標(biāo)精準(zhǔn)地檢測(cè)，并精細(xì)分割出每個(gè)實(shí)例。

1.2 木塊檢測(cè)領(lǐng)域

目前業(yè)界針對(duì)木塊檢測(cè)的研究主要集中于木塊缺陷檢測(cè)[10-16]、木塊含水率檢測(cè)[17]、木塊年輪檢測(cè)[18]、木塊性質(zhì)檢測(cè)[19-22]、木塊密度檢測(cè)[23]及木塊腐朽檢測(cè)[24]等領(lǐng)域。

文獻(xiàn)[10]通過超聲波實(shí)現(xiàn)木塊缺陷檢測(cè)；文獻(xiàn)[11]總結(jié)了木塊缺陷的理論方法，指明接下來的發(fā)展方向；文獻(xiàn)[12]將基于RGB彩色空間的木塊圖像作為一個(gè)整體，由四元數(shù)矩陣奇異值分解完成檢測(cè)分析；文獻(xiàn)[13]側(cè)重研究木塊無損檢測(cè)；文獻(xiàn)[14-16]將人工神經(jīng)網(wǎng)絡(luò)技術(shù)引入木塊缺陷檢測(cè)并取得較大影響；文獻(xiàn)[17]首次在木材含水率檢測(cè)中使用深度學(xué)習(xí)技術(shù)；文獻(xiàn)[18-19]將圖像處理技術(shù)應(yīng)用于木塊檢測(cè)；文獻(xiàn)[20]對(duì)模態(tài)分析技術(shù)進(jìn)行研究，為木塊檢測(cè)提供新思路；文獻(xiàn)[21-22]通過應(yīng)力波技術(shù)及應(yīng)力波傳播模型實(shí)現(xiàn)木塊檢測(cè)；文獻(xiàn)[23]研究了計(jì)算機(jī)斷層掃描技術(shù)在木塊密度檢測(cè)上的可行性；文獻(xiàn)[24]側(cè)重對(duì)木材腐朽情況進(jìn)行檢測(cè)，該研究對(duì)后續(xù)的防治工作起到了輔助作用。

但目前業(yè)內(nèi)并沒有針對(duì)木材橫截面檢測(cè)這一特定任務(wù)的先行研究。本文創(chuàng)新性地設(shè)計(jì)并提出了Wood R-CNN網(wǎng)絡(luò)模型，將深度學(xué)習(xí)成功運(yùn)用到木塊橫截面檢測(cè)中，在該復(fù)雜場(chǎng)景下通過卷積神經(jīng)網(wǎng)絡(luò)學(xué)得網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對(duì)木塊橫截面的有效檢測(cè)。

2 Wood R-CNN模型設(shè)計(jì)

2.1 Wood R-CNN網(wǎng)絡(luò)結(jié)構(gòu)

如圖1，Wood R-CNN分為以下3部分：

前半部分以ResNet-50[25]組合FPN[26]作為卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的主體，對(duì)輸入的圖像進(jìn)行了特征提取。

圖 1 Wood R-CNN網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 Structure of Wood R-CNN

中間部分負(fù)責(zé)生成候選區(qū)域。由區(qū)域候選網(wǎng)絡(luò)(RPN)[26]對(duì)得到的多層不同尺度的特征圖進(jìn)行候選區(qū)域提取，生成不同尺寸和形狀的候選框(anchor)[3]，同步進(jìn)行類別評(píng)分和邊界框回歸。再根據(jù)結(jié)果通過剔除越界候選框和非極大值抑制算法(NMS)[27]來降低候選框數(shù)量。并將候選框映射回原圖像得到對(duì)應(yīng)區(qū)域，通過RoIAlign[4]結(jié)構(gòu)將所有區(qū)域映射為相同尺寸。

后半部分負(fù)責(zé)分類和邊框回歸。主要為全連接層及互相平行的分類器和邊框回歸器，最終輸出檢測(cè)結(jié)果。

2.2 檢測(cè)精度的提升

由于木塊密集堆疊、木塊橫截面相似度高且邊界不明顯，因此對(duì)檢測(cè)的精度和準(zhǔn)度要求極高。然而現(xiàn)有的檢測(cè)算法并不能很好地應(yīng)對(duì)該挑戰(zhàn)。目前主流的檢測(cè)算法所設(shè)置的損失函數(shù)簡單地將分類任務(wù)和檢測(cè)任務(wù)按相同的權(quán)重進(jìn)行分配，往往不夠靈活；區(qū)域伸縮功能一般交由RoIPooling來實(shí)現(xiàn)，該結(jié)構(gòu)基于最近鄰插值，通過四舍五入來選取距離目標(biāo)最近鄰點(diǎn)進(jìn)行填充，容易丟失較多的位置對(duì)稱信息；非極大值抑制算法往往被設(shè)定較大的算法閾值以減少重疊，但并不適用于低重疊度的木塊橫截面檢測(cè)問題。

若直接使用這些現(xiàn)有的檢測(cè)算法，會(huì)不可避免地存在檢測(cè)精度低和誤檢的情況。對(duì)此通過修改模型損失函數(shù)和改用RoIAlign進(jìn)行RoI池化來提升檢測(cè)準(zhǔn)確率，并通過改進(jìn)非極大值抑制算法來降低誤檢率。

2.2.1 損失函數(shù)的改進(jìn)

在訓(xùn)練過程中，F(xiàn)aster R-CNN[3]針對(duì)感興趣區(qū)域(RoI)和區(qū)域候選網(wǎng)絡(luò)(RPN)設(shè)計(jì)的訓(xùn)練損失函數(shù)為

其中：

可以看出，該算法中分類損失和回歸損失只是簡單地按相同權(quán)重進(jìn)行處理，這樣的設(shè)計(jì)不利于邊框準(zhǔn)確率要求較高的檢測(cè)任務(wù)。

Mask R-CNN[4]算法中3個(gè)任務(wù)平行，且同樣為相同的權(quán)重分配。該算法設(shè)計(jì)的訓(xùn)練損失函數(shù)為

其中：

通過仔細(xì)分析問題需求并對(duì)比文獻(xiàn)[3-4]的損失函數(shù)設(shè)計(jì)，考慮到具體的算法運(yùn)用場(chǎng)景下的分類任務(wù)較簡單但回歸任務(wù)較難且精度要求較高，因此Wood R-CNN算法模型的重點(diǎn)在于其中的回歸任務(wù)。重新設(shè)計(jì)了更具靈活性的損失函數(shù)計(jì)算式為

其中：

在實(shí)驗(yàn)中，發(fā)現(xiàn)該改進(jìn)操作明顯提升了模型算法的檢測(cè)精度。

2.2.2 非極大值抑制算法的改進(jìn)

非極大值抑制[27]算法用來選取鄰域邊界框中分?jǐn)?shù)最高的邊界框，并抑制那些分?jǐn)?shù)較低的邊界框，能有效去除邊界框重疊現(xiàn)象，從而提升目標(biāo)檢測(cè)精度。該算法在Faster R-CNN和Mask R-CNN等目標(biāo)檢測(cè)算法中均有著廣泛的運(yùn)用。非極大值抑制的算法閾值在文獻(xiàn)[3]中被設(shè)定為0.7，在文獻(xiàn)[4]中被設(shè)定為0.5，并在常規(guī)數(shù)據(jù)集上取得了很好的去重效果。通過仔細(xì)觀察木塊橫截面檢測(cè)這一特定任務(wù)的檢測(cè)對(duì)象圖像樣本特征，發(fā)現(xiàn)樣本中的木塊橫截面實(shí)例重疊度較低，但是對(duì)漏檢率較敏感。因此在Wood R-CNN中，新設(shè)定非極大值抑制的算法閾值為0.3。經(jīng)過實(shí)驗(yàn)表明，這種改進(jìn)在一定程度上減少了誤檢率，從而明顯改善了最終的檢測(cè)效果。

2.2.3 RoI池化的改進(jìn)

RoIPooling結(jié)構(gòu)在2015年于Fast R-CNN[3]論文中提出，其作用旨在替換掉R-CNN網(wǎng)絡(luò)中的區(qū)域伸縮結(jié)構(gòu)，使之滿足在一次性特征抽取的情況下實(shí)現(xiàn)多目標(biāo)檢測(cè)。但RoIPooling結(jié)構(gòu)使用的是最近鄰插值算法，在調(diào)整特征圖尺寸時(shí)存在缺陷，當(dāng)出現(xiàn)縮放后坐標(biāo)無法剛好為整數(shù)的特殊情況時(shí)，簡單地通過四舍五入來處理，相當(dāng)于直接選取距離目標(biāo)位置最近的像素點(diǎn)而沒有考慮空間對(duì)稱性。文獻(xiàn)[4]中發(fā)現(xiàn)了這種算法可能在一定范圍內(nèi)損失空間上的對(duì)稱性，因此提出了RoIAlign[4]，具體表現(xiàn)在將最近鄰插值替換為了更合理的雙線性插值。

考慮到具體的問題需求，通過仔細(xì)分析本文任務(wù)的數(shù)據(jù)集樣本特性發(fā)現(xiàn)，由于木塊密集堆疊、木塊橫截面相似度高且邊界不明顯，因此木塊橫截面檢測(cè)得到的邊界框必須具有很高的位置精確度。因此，Wood R-CNN受文獻(xiàn)[4]啟發(fā)，改用RoIAlign[4]結(jié)構(gòu)以替代傳統(tǒng)的RoIPooling[3]結(jié)構(gòu)，保證了在池化感興趣區(qū)域(RoI)的過程中不丟失位置對(duì)稱信息，從而提高了模型算法的檢測(cè)精度。

2.3 檢測(cè)速度的提升

直接使用現(xiàn)有的目標(biāo)檢測(cè)算法，由于結(jié)構(gòu)的復(fù)雜性，會(huì)不可避免地存在檢測(cè)速度慢的問題。如何有效提升檢測(cè)速度，是保證模型算法性能所需要克服的挑戰(zhàn)。在Wood R-CNN中，通過簡化網(wǎng)絡(luò)結(jié)構(gòu)和改進(jìn)特征金字塔網(wǎng)絡(luò)，成功地提升了模型算法的檢測(cè)速度。

2.3.1 網(wǎng)絡(luò)結(jié)構(gòu)的簡化

考慮到本任務(wù)針對(duì)木塊橫截面進(jìn)行檢測(cè)，主要提取的特征為木塊橫截面的自然紋理、輪廓等，屬于比較低級(jí)的特征，因而并不需要太深的網(wǎng)絡(luò)結(jié)構(gòu)去提取過于高級(jí)的目標(biāo)特征。但同時(shí)太淺的網(wǎng)絡(luò)結(jié)構(gòu)又無法滿足該任務(wù)的高精度要求?；谶@些考量，選擇了ResNet-50[25]作為Wood RCNN前半部分的卷積神經(jīng)網(wǎng)絡(luò)主體，主要任務(wù)是進(jìn)行圖像的特征提取。相比ResNeXt-101[28]這種更深的網(wǎng)絡(luò)結(jié)構(gòu)，ResNet-50[25]可以在保證檢測(cè)精度的同時(shí)，減少計(jì)算量和內(nèi)存要求，并加快模型在訓(xùn)練時(shí)的收斂速度。

2.3.2 特征金字塔網(wǎng)絡(luò)的改進(jìn)

目標(biāo)檢測(cè)算法中，往往只在卷積結(jié)構(gòu)提取的最后一層特征圖上生成候選區(qū)域，該設(shè)計(jì)易造成小尺度目標(biāo)的漏檢。而特征金字塔網(wǎng)絡(luò)(FPN)[26]則在多層不同尺度的特征圖上進(jìn)行生成候選區(qū)域的操作，充分降低了對(duì)小目標(biāo)的漏檢率?？紤]到本任務(wù)圖像樣本中多為狹長形的小尺度目標(biāo)，因此Wood R-CNN采用特征金字塔網(wǎng)絡(luò)以生成候選區(qū)域。但在研究中發(fā)現(xiàn)，該結(jié)構(gòu)生成的候選框數(shù)量過多且過密，計(jì)算量較大，影響了檢測(cè)速度。所以本文在特征金字塔網(wǎng)絡(luò)(RPN)上進(jìn)行了改進(jìn)。

特征金字塔的最低層級(jí)相對(duì)于圖像具有4像素的跨度，因此候選框是每隔4個(gè)像素間隔進(jìn)行一次創(chuàng)建。為了減少計(jì)算量同時(shí)降低內(nèi)存負(fù)載，本文將滑窗移動(dòng)步長改進(jìn)為2，候選框的數(shù)量因此縮小到了原來的1/4，而檢測(cè)精度并沒有出現(xiàn)下降。由于減少了候選框數(shù)量所帶來的計(jì)算量降低，算法檢測(cè)速度明顯加快。在一塊8 GB顯存的顯卡上，Wood R-CNN對(duì)輸入大小為1 024×1 024的木塊橫截面圖片進(jìn)行檢測(cè)，檢測(cè)速度相比改進(jìn)前的模型平均提高了0.47 f/s。

2.4 實(shí)現(xiàn)細(xì)節(jié)

2.4.1 數(shù)據(jù)擴(kuò)充

由于公共網(wǎng)絡(luò)上未提供開源的木塊橫截面數(shù)據(jù)集，因此本文采用某木材廠提供的一批木塊橫截面拍攝圖像作為數(shù)據(jù)集。但由于拍攝成本較高，圖像數(shù)據(jù)數(shù)量有限。深度卷積神經(jīng)網(wǎng)絡(luò)需要大量有效數(shù)據(jù)來驅(qū)動(dòng)模型的正常訓(xùn)練，否則往往會(huì)陷入過擬合的困境。通過仔細(xì)觀察圖像樣本，注意到木塊橫截面多為輪廓簡單且形狀方正的長矩形，因此原圖像經(jīng)過翻轉(zhuǎn)或摳取之后依然會(huì)符合該檢測(cè)任務(wù)的常規(guī)數(shù)據(jù)特性。根據(jù)這一數(shù)據(jù)特性，本文采用了圖像水平翻轉(zhuǎn)、圖像垂直翻轉(zhuǎn)、圖像水平垂直翻轉(zhuǎn)、隨機(jī)摳取和尺度變換等一系列數(shù)據(jù)擴(kuò)充手段，成功地將圖像樣本數(shù)量擴(kuò)充至原有數(shù)量的數(shù)倍，同時(shí)增加了訓(xùn)練樣本的多樣性。不僅可以很好地降低過擬合風(fēng)險(xiǎn)，也使模型性能得到一定程度上的提升。

2.4.2 數(shù)據(jù)標(biāo)記

在標(biāo)記過程中，通過標(biāo)記工具記錄圖片中每個(gè)木塊橫截面實(shí)例4個(gè)角點(diǎn)的二維坐標(biāo)并生成坐標(biāo)列表，由該表可以生成該圖片中每個(gè)木塊橫截面實(shí)例的邊界框分布圖。

2.4.3 實(shí)際訓(xùn)練

在實(shí)際訓(xùn)練過程中，將木塊橫截面圖像數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集及測(cè)試集，分配比例為8：1：1。由于該任務(wù)與Mask R-CNN的多目標(biāo)檢測(cè)任務(wù)具有一定的相似度，Wood R-CNN模型訓(xùn)練采用在Mask R-CNN已收斂的成熟模型上做進(jìn)一步的遷移學(xué)習(xí)。學(xué)習(xí)率初始設(shè)置為0.002，經(jīng)過10個(gè)訓(xùn)練周期降為0.000 2，30個(gè)周期后結(jié)束訓(xùn)練。

卷積神經(jīng)網(wǎng)絡(luò)輸入原始圖片，得到預(yù)測(cè)結(jié)果并與真實(shí)分布計(jì)算誤差損失，對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行負(fù)反饋調(diào)節(jié)，引導(dǎo)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到對(duì)木塊橫截面的特征提取能力和檢測(cè)能力。

經(jīng)過一定輪數(shù)訓(xùn)練，在最終的收斂模型上進(jìn)行木塊橫截面檢測(cè)的測(cè)試。測(cè)試結(jié)果表明Wood R-CNN模型在測(cè)試集上取得了較佳的木塊橫截面檢測(cè)效果，驗(yàn)證了模型的有效性。

2.5 Wood R-CNN的擴(kuò)展運(yùn)用

由于Wood R-CNN網(wǎng)絡(luò)模型具有較好的實(shí)用性，故其可在多個(gè)子任務(wù)場(chǎng)景下使用。例如，可以利用木塊橫截面檢測(cè)算法的輸出結(jié)果，實(shí)現(xiàn)對(duì)木塊尺寸的測(cè)量。

具體方法為，先通過Wood R-CNN對(duì)木塊圖片進(jìn)行橫截面檢測(cè)以得到每個(gè)邊界框的尺寸數(shù)據(jù)，并乘上圖片——實(shí)際場(chǎng)景比例尺，計(jì)算出真實(shí)場(chǎng)景下每個(gè)木塊橫截面的真實(shí)尺寸數(shù)據(jù)。

還可根據(jù)其他特定需求對(duì)輸出的真實(shí)尺寸數(shù)據(jù)進(jìn)行篩選，對(duì)于尺寸符合特定需求(例如寬度、高度大于指定閾值)的木塊橫截面實(shí)例進(jìn)行單獨(dú)輸出，或加上星標(biāo)以突出顯示。

3 實(shí)驗(yàn)分析

3.1 檢測(cè)效果對(duì)比實(shí)驗(yàn)

本文采用不同的目標(biāo)檢測(cè)算法，在相同數(shù)據(jù)集上進(jìn)行同等訓(xùn)練，并對(duì)比模型的測(cè)試效果。具體地，選取了目前學(xué)界用于目標(biāo)檢測(cè)任務(wù)的主流網(wǎng)絡(luò)模型Faster R-CNN和前沿網(wǎng)絡(luò)模型Mask R-CNN，分別與本文提出的Wood R-CNN網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)對(duì)比。在相同的圖像樣本訓(xùn)練集上進(jìn)行訓(xùn)練，采用相同的超參數(shù)設(shè)置，各自訓(xùn)練了30個(gè)周期，并在相同的圖像樣本測(cè)試集上進(jìn)行最終的檢測(cè)效果對(duì)比。從圖2可以看出，在木塊橫截面檢測(cè)這一特定任務(wù)上，Wood R-CNN有著比Faster R-CNN、Mask R-CNN更好的檢測(cè)效果及更低的漏檢率。

圖 2 不同網(wǎng)絡(luò)結(jié)構(gòu)下的檢測(cè)結(jié)果Fig. 2 Test results under different network structures

3.2 算法性能對(duì)比實(shí)驗(yàn)

由于檢測(cè)算法的性能主要取決于檢測(cè)精度和檢測(cè)速度，本文選取了業(yè)內(nèi)用于目標(biāo)檢測(cè)任務(wù)的主流網(wǎng)絡(luò)模型YOLO[7]、Faster R-CNN[3]及Mask RCNN[4]，與本文的Wood R-CNN網(wǎng)絡(luò)模型在木塊橫截面數(shù)據(jù)集上對(duì)比檢測(cè)精度和檢測(cè)速度，并選取AP(average precision)和FPS(frame per second)衡量算法精度和速度。經(jīng)過實(shí)驗(yàn)，得到各檢測(cè)算法在木塊橫截面數(shù)據(jù)集上的性能對(duì)比如表1。從表中可以看出，Wood R-CNN具有最高的檢測(cè)精度和較快的檢測(cè)速度，算法性能最優(yōu)。

表 1 檢測(cè)算法性能對(duì)比Table 1 Detection algorithm performance comparison

3.3 模型收斂對(duì)比試驗(yàn)

實(shí)驗(yàn)中還發(fā)現(xiàn)，Wood R-CNN相比Faster RCNN和Mask R-CNN能夠更快地收斂。圖3為模型收斂情況折線圖，可以看出Wood R-CNN模型收斂速度快于Faster R-CNN和Mask R-CNN，意味著降低了模型訓(xùn)練成本，具有更好的實(shí)用性。

圖 3 不同網(wǎng)絡(luò)模型訓(xùn)練時(shí)的收斂情況Fig. 3 Convergence of training different network models

3.4 魯棒性對(duì)比實(shí)驗(yàn)

在實(shí)際檢測(cè)中，木塊圖像往往存在光照明暗程度不一、木塊顏色各異等專有特性。為了保證模型算法的實(shí)用性，本文還額外設(shè)置了模型魯棒性對(duì)比實(shí)驗(yàn)。經(jīng)過仔細(xì)對(duì)比，發(fā)現(xiàn)在木塊橫截面檢測(cè)這一任務(wù)下，Wood R-CNN網(wǎng)絡(luò)模型相比Faster R-CNN和Mask R-CNN具有更好的魯棒性。圖4分別為光照不足情況下木塊橫截面檢測(cè)效果對(duì)比圖以及特殊顏色木塊橫截面檢測(cè)效果對(duì)比圖?？梢钥闯?，Wood R-CNN的魯棒性優(yōu)于Faster R-CNN以及Mask R-CNN，因而具有更好的泛化性能和更強(qiáng)的實(shí)用性。

圖 4 檢測(cè)算法的魯棒性對(duì)比Fig. 4 Robust comparisons of detection algorithms

3.5 損失函數(shù)設(shè)定實(shí)驗(yàn)

考慮到密集堆疊下高相似度木塊橫截面檢測(cè)這一任務(wù)的特殊性，靈活設(shè)計(jì)了損失函數(shù)，如式(7)～(9)。該損失函數(shù)對(duì)分類任務(wù)和檢測(cè)任務(wù)靈活分配相應(yīng)權(quán)重，使模型可以根據(jù)問題需求有所側(cè)重地訓(xùn)練。

本文對(duì)λ1和λ2的設(shè)置進(jìn)行了一系列實(shí)驗(yàn)，實(shí)驗(yàn)效果如圖5。

圖 5 權(quán)重?fù)p失函數(shù)實(shí)驗(yàn)Fig. 5 Weight loss function experiment

經(jīng)過實(shí)驗(yàn)對(duì)比，設(shè)置λ1=1.0、λ2=2.0為損失函數(shù)最佳參數(shù)配置。從損失函數(shù)設(shè)定實(shí)驗(yàn)的對(duì)比結(jié)果可以看出，Wood R-CNN網(wǎng)絡(luò)模型的損失函數(shù)改進(jìn)對(duì)提升木塊橫截面檢測(cè)精度具有關(guān)鍵性的作用。

通過以上一系列實(shí)驗(yàn)，可以看出，Wood RCNN在密集堆疊下的高相似度木塊橫截面檢測(cè)這一任務(wù)上具有較高的檢測(cè)精度和檢測(cè)速度，同時(shí)兼具良好的魯棒性和實(shí)用性，能切實(shí)解決實(shí)際生產(chǎn)過程中的木塊橫截面檢測(cè)問題，節(jié)省人力成本，節(jié)約物力開銷，有效提高生產(chǎn)率。

4 結(jié)束語

在密集堆疊下的高相似度木塊橫截面檢測(cè)問題中，由于木塊密集堆疊、木塊橫截面相似度極高且邊界不明顯，導(dǎo)致傳統(tǒng)的檢測(cè)算法不能有效地發(fā)揮作用。為此，本文設(shè)計(jì)了Wood R-CNN網(wǎng)絡(luò)模型。通過改進(jìn)模型損失函數(shù)和非極大值抑制算法來提升檢測(cè)精度；簡化網(wǎng)絡(luò)結(jié)構(gòu)和改進(jìn)特征金字塔網(wǎng)絡(luò)來保證檢測(cè)速度。該模型結(jié)構(gòu)簡單高效。經(jīng)過實(shí)驗(yàn)結(jié)果表明：在木塊橫截面數(shù)據(jù)集上，本文所提模型優(yōu)于目前主流的目標(biāo)檢測(cè)算法，在檢測(cè)精度和檢測(cè)速度上均具有較好的表現(xiàn)。鑒于其良好的魯棒性和實(shí)用性，可在實(shí)際生產(chǎn)過程中被廣泛使用。