期刊文献+
共找到6篇文章
< 1 >
每页显示 20 50 100
引入卷积块注意力模块的Attention U-Net木材表面裂纹检测方法
1
作者 项晓扬 王明涛 多化琼 《林业工程学报》 CSCD 北大核心 2024年第4期140-146,共7页
木材缺陷会影响木材的使用价值和使用期限,其中木材表面裂纹是严重影响木材外观质量和机械强度的一种木材缺陷。对木材表面裂纹的检测可以尽快发现此类缺陷木材,或为后续处理提供依据。针对现有的人工检测和自动化检测木材表面裂纹效率... 木材缺陷会影响木材的使用价值和使用期限,其中木材表面裂纹是严重影响木材外观质量和机械强度的一种木材缺陷。对木材表面裂纹的检测可以尽快发现此类缺陷木材,或为后续处理提供依据。针对现有的人工检测和自动化检测木材表面裂纹效率低、成本高、漏检率高等问题,采用引入卷积块注意力模块(convolutional block attention module,CBAM)的Attention U-Net深度学习模型对木材表面裂纹图像进行语义分割,从而达到木材表面裂纹检测的目的。引入的CBAM模块包含通道注意力机制和空间注意力机制,分别用于捕捉通道间的依赖关系和像素级的空间关系,该模块被添加到Attention U-Net网络的编码阶段,以增加感兴趣区域的权重并抑制冗余信息。最后,通过消融试验验证了Attention U-Net中加入CBAM对分割性能的提升。采用像素准确率(PA)、类别像素准确率(CPA)、召回率(Recall)、Dice系数、交并比(IoU)和平均交并比(MIoU)等语义分割评价指标评价各模型的优劣,并确定最佳模型及其参数。在自制木材表面数据集的裂纹分割中,使用AdamW优化器引入CBAM的Attention U-Net的PA、木材裂纹Recall、木材裂纹Dice系数、木材裂纹IoU、MIoU分别比使用SGD优化器的Attention U-Net原始模型提高了0.11%,4.14%,2.96%,3.58%和1.84%。结果表明,使用AdamW优化器引入CBAM的Attention U-Net能够较好地分割背景和木材表面裂纹,区分节点、表面纹理和木材裂纹,并将节点和表面纹理分割为背景。 展开更多
关键词 图像处理 语义分割 木材表面裂纹检测 深度学习 U-Net模型 注意力机制
下载PDF
基于YOLOv5-LW模型的木材表面缺陷检测方法
2
作者 曹永鑫 刘芳华 +3 位作者 江来 鲍成 缪游 陈杨 《林业工程学报》 CSCD 北大核心 2024年第5期144-152,共9页
为解决人工检测缺陷的不足以及传统视觉检测算法对木材表面细小缺陷漏检率高、检测速度慢、难于部署嵌入式设备等问题,并提高企业木材利用率,以深度学习模型为基础,提出了一种轻量级木板缺陷检测方法YOLOv5-LW。通过重构S 3 Net(Shuffle... 为解决人工检测缺陷的不足以及传统视觉检测算法对木材表面细小缺陷漏检率高、检测速度慢、难于部署嵌入式设备等问题,并提高企业木材利用率,以深度学习模型为基础,提出了一种轻量级木板缺陷检测方法YOLOv5-LW。通过重构S 3 Net(ShuffleNetV2+Stem+SPPF)网络模型作为骨干网络,极大减少了模型的参数量和计算量,弥补轻量化后的损失精确度;骨干网络结合ECA注意力机制,可提升网络对关键信息的聚焦能力,并引入特征融合网络MBiFPN,减少特征损失,丰富局部和细节特征,提高细小缺陷的检测能力。本研究将准确率、检测速度、参数量、浮点运算量4个数值作为模型性能的评价指标,通过自制木材缺陷数据集训练,得到8组试验数据,并对模型进行增强前后的对比分析。试验结果表明:改进后的YOLOv5-LW模型相比改进前的原始模型,精确度达到92.8%,在参数量上减少了27.78%,计算量上压缩了40.51%,检测推理速度提升了10.16%,模型对死节、活节、节夹缝、裂缝识别精确率分别为91.8%,87.8%,96.8%和94.9%,对死节和裂痕2种细小缺陷检测精度也有所提升,分别为0.2%和1.6%,且识别效果优于其他6种经典检测模型。因此,本研究所提出的模型更适合部署到嵌入式设备进行木材缺陷实时检测。 展开更多
关键词 木材表面缺陷检测 YOLOv5 轻量化 特征融合 注意力机制
下载PDF
轻量化YOLOv5n的木材表面缺陷检测模型
3
作者 胡继文 张国梁 +1 位作者 李文浩 沈明哲 《林产工业》 北大核心 2024年第11期6-13,32,共9页
为解决当前木材表面缺陷检测模型计算量大,在移动端或嵌入式设备部署困难的问题,本文提出了一种基于轻量化改进YOLOv5n的模型--FCS-YOLOv5n。首先,引入FasterNet替换主干网络,减少计算冗余及内存访问数量。其次,使用采样算子Carafe,进... 为解决当前木材表面缺陷检测模型计算量大,在移动端或嵌入式设备部署困难的问题,本文提出了一种基于轻量化改进YOLOv5n的模型--FCS-YOLOv5n。首先,引入FasterNet替换主干网络,减少计算冗余及内存访问数量。其次,使用采样算子Carafe,进一步压缩模型参数量,保证语义信息获取的全面性。然后,添加参数量和计算量较小的SE注意力机制,提高特征提取和融合效果。最后,用Focal EIou作为损失函数,减少低质量目标框的影响。结果表明:轻量化改进后的参数量为287697,浮点运算量为0.7,相比基准及其他模型,参数量和浮点运算量均减少约90%,而检测精度仅下降0.1%。该模型在轻量化的同时能保持了良好的检测效果,为其在移动端或嵌入式设备上的部署奠定了基础。 展开更多
关键词 YOLOv5n FCS-YOLOv5n 木材表面缺陷检测 轻量化模型 FasterNet
下载PDF
基于改进YOLOv5s的木材表面缺陷检测模型 被引量:6
4
作者 朱豪 周顺勇 +2 位作者 曾雅兰 李思诚 刘学 《木材科学与技术》 北大核心 2023年第2期8-15,共8页
针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷(活节、死节、有裂缝节子和裂缝)检测模型。首先,在Backbone网络引入坐标注意力机制(coordinate attention,CA)增强每个通道之间的信息交互,然后采... 针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷(活节、死节、有裂缝节子和裂缝)检测模型。首先,在Backbone网络引入坐标注意力机制(coordinate attention,CA)增强每个通道之间的信息交互,然后采用混合空间金字塔池化(hybrid spatial pyramid pooling-fast,HSPPF)结构减少信息损失,再使用GSConv卷积减少参数量,用改进的曲线高效交叉联合(curve efficient intersection over union,CEIoU)作为训练时模型的损失函数,提升木材缺陷检测的准确性。试验结果表明,改进模型能够有效检测出木材表面缺陷,模型的平均精度均值(mean average precision,mAP)为84.4%,比未改进之前提高了2%,检测速度达到73.9 FPS,在模型参数量方面明显减少,同时优于其他主流模型,能够满足木材表面缺陷检测的要求。 展开更多
关键词 HS-YOLOv5s 木材表面缺陷检测 坐标注意力机制(CA) 混合空间金字塔池化(HSPPF) 曲线高效交叉联合(CEIoU)
下载PDF
基于小波重构的木材表面缺陷检测系统研究 被引量:2
5
作者 胡春海 梁海平 《光学与光电技术》 2008年第6期16-19,共4页
设计了木材加工业中木材纹理表面的检测系统,提出了一种有效的选取小波频带重建图像的纹理瑕疵检测方法。设计的检测系统由新型LED光源,明暗域结合成像光学系统,高速高分辨率线阵CCD器件等组成。应用小波基函数在较优的分解级数上对纹... 设计了木材加工业中木材纹理表面的检测系统,提出了一种有效的选取小波频带重建图像的纹理瑕疵检测方法。设计的检测系统由新型LED光源,明暗域结合成像光学系统,高速高分辨率线阵CCD器件等组成。应用小波基函数在较优的分解级数上对纹理图像进行分解,然后在最佳的分辨率级数上正确选取平滑图像或者细节图像来重建图像。在重建图像中均匀纹理图案被有效地移除,仅仅保留了局部瑕疵区域,小波频带选取是基于小波系数的能量分布自动确定最佳重构参数。重构后的图像经阈值处理得到二值图像,最后运用数学形态学的方法对二值图像后处理。实验表明,该方法可用于实时在线检测木材表面的瑕疵。 展开更多
关键词 线阵CCD 木材表面检测 瑕疵检测 小波重构
下载PDF
分水岭算法在林业中的应用 被引量:5
6
作者 孙钊 潘磊 +2 位作者 谢运鸿 丁志丹 孙玉军 《世界林业研究》 CSCD 北大核心 2021年第3期63-67,共5页
随着遥感技术的发展,无人机以及新型遥感数据的出现,越来越多的高分辨率影像被应用于林业资源监测。图像分割作为影像识别应用的基础,大量研究人员在原有的分水岭算法基础上针对不同的区域、背景、目标和研究方向进行了一定的改进,在林... 随着遥感技术的发展,无人机以及新型遥感数据的出现,越来越多的高分辨率影像被应用于林业资源监测。图像分割作为影像识别应用的基础,大量研究人员在原有的分水岭算法基础上针对不同的区域、背景、目标和研究方向进行了一定的改进,在林木病虫害监测、木材表面缺陷检测、单木冠幅分割、叶片提取等林业领域发展迅速。文中介绍了分水岭算法在林业中的应用,以期为分水岭算法在林业领域的推广以及进一步改进研究提供参考。 展开更多
关键词 分水岭算法 影像分割 林木病虫害监测 木材表面缺陷检测 遥感技术
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部