一种基于目标检测的原木材积检测方法

本发明涉及木材体积计量，具体涉及一种基于目标检测的原木材积检测方法。

背景技术：

1、目前，我国木材材积的计算主要依靠手工测量或大型机器测量。在手工测量中，需要测量人员掌握比较专业的材积测量知识，且这种测量方法存在准确度不高、随机性大等问题，容易产生人为误差。在机器测量中，因涉及硬件设备使用、信号校准等知识，需要测量人员掌握复杂专业仪器的操作方法与相关知识；另一方面，机器测量还存在机器过于笨重、携带不方便等问题。

2、随着计算机视觉的发展，许多学者和专家也尝试使用计算机视觉技术来解决这些问题，他们主要使用了霍夫变换圆检测法、光谱成像技术、椭圆检测法、k-means聚类等方法对原木端面进行测量，但这些都要求原木端面和背景差异大、边界清晰、端面圆图案清晰等，在端面圆图案有凿痕等污渍、边界模糊、有阴影遮挡及端面圆大小不一等情况下很难测量成功。如公布号为cn114034243a的发明专利，提出采用计算机视觉结合激光扫描系统实现木材材积自动测量，但该发明要求硬件能进行激光扫描，成本和硬件要求较高。林耀海等人设计了结合深度学习与hough变换的等长原木材积检测系统(林耀海,赵洪璐,杨泽汕,林梦婷.结合深度学习与hough变换的等长原木材积检测系统,2021,6(1):136～142)，但该方法受到端面圆背景纹路干净程度、圆的尺寸等因素的限制，且该方法对端面圆的检测建立在一个需要人工测量估计的噪声消除半径参数r上才能实现，同时对于同一批原木堆中有不同大小尺寸的圆的情况也很难检测成功。本技术申请人之前的研究成果，公布号为cn111899296a的发明专利，公开了一种基于计算机视觉的原木材积检测方法，利用图像处理技术和计算机视觉技术，实现了对原木堆进行拍照识别材积的功能，通过一系列的图像处理与检测操作得出材积检测结果。但该发明所述方法更换端面圆图片，或者是同一张端面圆图像的灰度发生变化时，需要重新调整所使用的hough变换圆检测函数的参数，原木材积测量操作较为复杂。

3、以上这些方法虽然结合了目标检测或计算机视觉，但要么对仪器、成本、原木端面尺寸、背景和端面圆干净程度存在诸多限制；要么需要建立在一个需要人工寻找并测量的噪声消除半径参数r上，且无法实现对大小有一定差距的端面圆的材积测量，难以在实际生活中对各式各样原木堆的材积实现低成本的测量。

技术实现思路

1、本发明要解决的技术问题是提供一种成本低、原木材积计算速度快且计算精度高的基于目标检测的原木材积检测方法。

2、为解决上述技术问题，本发明采用以下技术方案：

3、一种基于目标检测的原木材积检测方法，包括以下步骤：

4、1)收集原木端面图像，制作数据集，利用目标检测模型进行训练，得到训练好的目标检测模型；

5、2)用训练好的目标检测模型对待检测原木端面图像检测，对检测到的各个端面圆进行裁剪并保存，得到多张小尺寸端面圆图像；

6、3)对所得的各小尺寸端面圆图像进行消减干扰处理，得到减少干扰的小尺寸端面圆图像；

7、4)对所得的各减少干扰的小尺寸端面圆图像进行边缘检测，得到小尺寸端面圆的边缘检测结果图；

8、5)用圆检测方法对所得的各小尺寸端面圆的边缘检测结果图进行检测，提取各边缘检测结果图中端面圆的圆心坐标和半径；

9、6)根据原木材积计算公式编写计算代码，将所得各端面圆的半径代入计算，并输入检尺长及某个选定的目标小尺寸端面圆图像的检尺径，得到待检测原木端面图像中原木的材积。

10、本发明所述检测方法的步骤1)中，所述的目标检测模型可以是现有技术中常规的目标检测卷积神经网络，如ssd卷积神经网络、yolov3卷积神经网络、yolov5s卷积神经网络或yolov8卷积神经网络等。对应得到的训练好的目标检测模型则为训练好的ssd模型、训练好的yolov3模型、训练好的yolov5s模型或训练好的yolov8模型。实现步骤1)的方法包括：

11、1.1)收集原木端面图像，对它们进行标注，得到标注后的数据集；

12、可以采用现有常规技术来收集收集原木端面图像，如使用基于python的爬虫技术在百度、必应等主流搜索引擎下载大量原木端面图像，或者是通过对各地林场中堆放的各种原木堆进行拍摄来获得所需数量的原木端面图像，也可以同时使用上述两种方法来获得所要的原木端面图像。通常情况下，需要对收集到的各式各样的大量原木端面图像进行筛选，剔除光线过暗的、模糊的、非端面圆的图像，留下正面拍摄的、清晰的原木端面图像。收集的原木端面图像除了端面清晰、背景简单的原木端面圆图像，还可以包括一些较为极端的图像数据，如端面圆极多和极少、密集与稀疏、背景复杂等情况的原木端面圆图像。采用现有常规方法对收集的原木端面图像进行标注，如使用labelimg对原木端面圆图像进行标注，得到标注后的数据集。

13、1.2)采用数据增强方式对标注后的数据集进行扩充，得到数据增强后的数据集；

14、本技术中优选是采用翻转变换、随机修剪、色彩抖动、平移变换、尺度变换、对比度变换、噪声扰动和旋转变换这8种数据增强方式对标注后的数据集进行扩充得到数据增强后的数据集。

15、1.3)将数据增强后的数据集分为训练集、验证集和测试集，得到参与模型训练的数据集；

16、训练集、验证集和测试集的分配比例可根据需要设置，本技术中按7：2：1的比例设置，调整数据集结构格式后得到参与模型训练的数据集。

17、1.4)将参与模型训练的数据集输入到目标检测卷积神经网络中，调整参数，经迭代预设次数的训练，输出最佳权重文件，得到训练好的目标检测模型；

18、其中预设次数为正整数，具体可根据训练情况等实际情况自由调整，本技术中优选设定为100次。

19、本发明所述检测方法中，实现步骤2)的方法如下：

20、2.1)输入待检测原木端面图像，用训练好的目标检测模型对其检测，得到待检测原木端面图像的目标检测结果图以及记录该所得目标检测结果图中各个端面圆目标框位置的txt文件；

21、2.2)根据txt文件中的坐标位置，从待检测原木端面图像对各端面圆bbox目标框进行遍历并裁剪保存，得到多张仅显示单个端面圆的小尺寸端面圆图像。

22、本发明所述检测方法的步骤3)中，可采用现有常规的方法来消除或减少小尺寸端面圆图像的干扰以得到减少干扰的小尺寸端面圆图像，优选是采用基于距离变换的分水岭算法对各小尺寸端面圆图像进行消减干扰处理，具体的实现方法包括：

23、3.1)将小尺寸端面圆图像先灰度化后再二值化，得到二值化图像；

24、3.2)对步骤3.1)所得图像使用开运算去除噪声；

25、3.3)在步骤3.2)所得图像中确定背景区域，并通过距离变换确定前景区域；

26、3.4)在步骤3.3)所得图像中确定未知区域，并对未知区域进行标记；

27、3.5)在步骤3.4)所得图像中标记最大连通域；

28、3.6)使用分水岭算法处理步骤3.5)所得图像，并修改边界为-1；

29、3.7)对步骤3.6)所得图像进行颜色填充并输出，得到减少干扰的小尺寸端面圆图像。

30、本发明所述检测方法的步骤4)中，优选采用canny边缘检测算法对所得的各减少干扰的小尺寸端面圆图像进行边缘检测。

31、本发明所述检测方法的步骤5)中，优选采用hough圆检测方法对所得的各小尺寸端面圆的边缘检测结果图进行检测，具体实现方法包括：

32、5.1)将所得的小尺寸端面圆的边缘检测结果图灰度化；

33、5.2)使用opencv中的cv2.houghcircles函数，调整参数后对步骤5.1)所得图像进行检测，提取得到各端面圆的圆心坐标和半径。根据提取得到的圆心坐标和半径可以各端面圆的生成圆检测结果图。

34、本发明所述检测方法的步骤6)中，通常是根据gb/t 4814-2013《原木材积表》中给出的原木材积计算公式编写计算代码。该步骤中所述的目标小尺寸端面圆图像为自动选定，具体是根据步骤2.1)所得目标检测结果图中各个端面圆目标框位置的txt文件选取坐标位置最低的端面圆，以方便人工测量，避免系统随机选取到最高端面圆而人工难测量的情况。

35、与现有技术相比，本发明所述检测方法结合了人工智能与计算机视觉，使用图像就能够计算出原木材积，而不需要传统人工逐个测量的方法，从而极大地提高了原木材积的计算速度；此外，本发明无需配备激光扫描系统、多个线阵扫描相机等多余高价硬件设备，只需一台常规笔记本电脑，因此有效降低了硬件成本，同时本发明所需要的人工操作仅限于上传图片、对照图片输入对应检尺径及检尺长这三个简单操作，因此测量门槛大大降低。