[发明专利]基于深度学习的木材计数方法

权利要求书

1.一种基于深度学习的木材计数方法，其特征在于，具体步骤为：

步骤1：拍摄设定数量的木材图片，并标记图像中的木材轮廓，构成数据集；

步骤2：将数据集输入Mask RCNN模型进行训练；

步骤3：对待检测图片进行预处理操作，使用图像增强算法使图片更加清晰；

步骤4：将预处理后的待检测图片输入训练好的Mask RCNN模型，获得木材截面的掩码区域、木材区域框坐标；

步骤5：利用步骤4得到的木材区域框坐标，对木材区域做重叠判断，删除判断为重叠的区域坐标点，具体方法为：

设任一矩形A的左上角坐标为(X_a1，Y_a1)，右下角坐标为(X_a2，Y_a2)，任一矩形B的左上角坐标为(X_b1，Y_b1)，右下角坐标为(X_b2，Y_b2)；

若两个矩形的中心坐标的水平和垂直距离满足以下条件，认为两个矩形相交，具体为：

矩形A的宽W_a＝X_a2-X_a1，高H_a＝Y_a2-Y_a1；

矩形B的宽W_b＝X_b2-X_b1，高H_b＝Y_b2-Y_b1；

矩形A的中心坐标

矩形B的中心坐标

只要同时满足下面两个式子，判断两个矩形相交：

1)

2)

即：|X_b2+X_b1-X_a2-X_a1|≤X_a2-X_a1+X_b2-X_b1，|Y_b2+Y_b1-Y_a2-Y_a1|≤Y_a2-Y_a1+Y_b2-Y_b1，

若两个矩形相交，设相交之后的矩形为C，且矩形C的左上角坐标为(X_c1，Y_c1)，右下角坐标为(X_c2，Y_c2)，得到矩形C的坐标具体为：

X_c1＝max(X_a1，X_b1)，

Y_c1＝max(Y_a1，Y_b1)，

X_c2＝max(X_a2，X_b2)，

Y_c2＝max(Y_a2，Y_b2)；

计算重叠率，将重叠率大于设定阈值的矩形判别为重叠框；

步骤6：利用步骤4得到的木材区域框坐标，对木材四周的区域做误检判断，删除判断为误检木材的区域坐标点；

步骤6-1：计算所有木材区域框的中心点；

步骤6.2：找出x轴方向和y轴方向的最大的两个坐标值和最小的两个坐标值；

步骤6-2，靠近图像边界的木材区域框坐标为(X_a1，Y_a1，X_a2，Y_a2)，第二靠近边界的木材区域框坐标为(X_b1，Y_b1,X_b2，Y_b2)，((X₁，Y₁)指木材区域框左上角坐标，(X₂，Y₂)指木材区域框右下角坐标)；

图像左边判断：若X_a2比X_b1超过设定的像素点个数，则最左边的区域框属于误检；

图像右边判断：若X_a1比X_b2超过设定的像素点个数，则最右边的区域框属于误检；

图像上边判断：若Y_a2比Y_b1超过设定的像素点个数，则最上边的区域框属于误检；

图像下边判断：若Y_a1比Y_b2超过设定的像素点个数，则最下边的区域框属于误检；

将误检的区域框和对应的掩码区域删除；

步骤7：对剩余的区域坐标进行统计，得到木材数量。