[发明专利]一种基于改进Mask R-CNN的木材缺陷识别和分割方法

权利要求书

1.一种基于改进Mask R-CNN的木材缺陷识别和分割方法，其特征在于：所诉方法包括如下步骤：

步骤1.采集数据集：

在木材加工流水线上拍摄收集木材缺陷数据集，选择样本数量较多的裂缝，结节和虫害作为缺陷检测对象；

步骤2.平衡数据集样本：

使用对抗式生成网络，生成新的裂缝和虫害样本，平衡数据集样本的数量；

步骤3.扩充数据集数量；

步骤4.将数据集进行划分并制作成所需格式；

步骤5.选定检测网络的结构；

步骤6.将数据集输入网络模型，使用Momentum优化方法，训练网络20000次；

步骤7.每训练1000次，模型对验证集进行检测，选取20次中检测精度最高的模型作为训练好的检测模型；

步骤8.使用训练好的模型对测试集进行检测，得到模型的精度和召回率以及模型的检测效果图。

2.根据权利要求1所诉的一种基于改进Mask R-CNN的木材缺陷识别和分割方法，其特征在于：所诉步骤1中采集数据集，具体过程为：

使用工业相机，拍摄采集木材缺陷的图像数据集，选择裂缝，结节和虫害作为缺陷检测对象，对数据集进行统计分析，确定每类缺陷的数量和分布。

3.根据权利要求1所诉的一种基于改进Mask R-CNN的木材缺陷识别和分割方法，其特征在于：所诉步骤2中平衡数据样本：使用对抗式生成网络，生成新的裂缝和虫害样本，平衡数据集样本的数量；具体过程为：

对缺陷数量进行统计后，结节占比为53％，远大于裂缝和虫害的占比，样本不均衡会导致模型专注于结节的识别，对裂缝和虫害识别效果很差，选择对抗式生成网络生成新的缺陷数据，均衡缺陷样本的数量。

4.根据权利要求1所诉的一种基于改进Mask R-CNN的木材缺陷识别和分割方法，其特征在于：所诉步骤3中扩充数据集数量；具体过程为：

使用翻转，中心裁剪，旋转，改变亮度，改变对比度和添加噪声，将生成新样本后的数据集扩充了6倍。

5.根据权利要求1所诉的一种基于改进Mask R-CNN的木材缺陷识别和分割方法，其特征在于：所诉步骤4中：将数据集进行划分并制作成所需格式；具体过程为：

步骤4a、对扩充后的数据集，划分为训练集，验证集和测试集

步骤4b、使用标注精灵软件对缺陷位置和缺陷轮廓进行标注，得到缺陷位置的矩形框信息和缺陷轮廓的多边形信息，制作成模型需要的CoCo格式数据集。

步骤4c、对步骤4a中的训练集样本同时使用区域删除和图像混合的数据增强方法进行增强处理。

6.根据权利要求1所诉的一种基于改进Mask R-CNN的木材缺陷识别和分割方法，其特征在于：所诉步骤5中：选定检测网络的结构；具体过程为：

步骤5a、选择Mask R-CNN作为检测网络模型，包括特征提取网络，RPN网络，ROI_Algin层和检测头网络组成；特征提取网络由残差块堆叠而成的ResNet50结构，分为5各阶段从C1-C5；残差块为输入x经过输入x经依次1×1，3×3，1×1卷积得到F(x)，在与输入x相加输入到下一阶段。提取后的特征图，经过一个金字塔网络进行特征融合后，进入RPN网络生成建议框，然后进行ROI_Align层将将生成的建议框调整到统一大小，同时将所有的感兴趣区域连接在一起，输入检测头网络进行分类，边框回归和分割。

步骤5b、在步骤5a中的特征提取网络ResNet50中的基本残差模块中的3×3卷积处，建立分级连接结构。将经过1×1卷积后的特征图按通道处分为3块，每一部分是Xi，i∈{1，2，3}，X1不经过3×3卷积，直接得到Y1，相当于特征图的复用，X2经过3×3卷积得到Y2，Y2和X3相加后经过3×3卷积得到Y3，最后将Y1-Y3进行连接。

步骤5c、使用可变形卷积，替换步骤5a中特征提取网络，后三个阶段的卷积结构。可变形卷积在传统卷积核的每个采样点位置学习偏移量，拟合真实物体的形状。

步骤5d、使用组归一化，替换步骤5a中特征提取网络的归一化方式。