一种基于改进SSD的原木端面识别方法

摘要

自然环境下的原木楞堆摆放参差不齐,端面大小不一,且存在遮挡、重叠、被阴影覆盖等现象,识别效果不理想。为了提高原木端面识别率,笔者对原木端面识别方法进行了研究。采用深度学习的方法,针对混楞堆原木端面大小差距较大、较小原木难以检测以及遮挡情况下不容易提取有效特征等问题,以速度较快的SSD(single shot multibox detector)网络为基础网络,对conv_fc7使用上采样后与conv4_3融合替换原conv4_3,将conv4_3和conv_fc7两个有效特征层进行结合,增加了感受野,提高了该特征层对较小原木端面的特征提取能力;在整体结构上加入融合多尺度卷积核和空洞卷积的RFB(receptive field block)模块,又在网络中引入能够使网络学习特征权重加强对有效特征关注的CBAM (convolutional block attention module),增强了特征识别能力。实验使用从原木验收现场采集的图像,结果表明:改进SSD目标检测网络对清楞原木的检测精确率达96.37%,召回率96.81%,AP值99.06%;在含有较多小目标原木的混楞测试集检测中改进SSD检测精确率97.00%,召回率92.90%,AP达到95.33%,召回率比SSD提高了14.03%。改进SSD网络增强了SSD目标检测网络的抗干扰能力,扩大了感受野,提高了原木端面实时检测性能。