产品经理简历>超山梅花第46卷第8期 林业机械与木工设备Vol 46 No. 8 2018 年 8 月FORESTRY MACHINERY & WOODWORKING EQUIPMENT Aug.2018
研究与设计
基于深度学习的木材缺陷图像检测方法
汽车排气管
程玉柱，顾权，王众辉，李赵春
(南京林业大学机械电子工程学院，江苏南京210037)
摘要：针对木材活节、虫眼、死节等缺陷，提出一种深度学习的木材缺陷图像检测算法。首先构建训练 数据库及测试数据库，同时设定卷积神经网络（CNN)的输入层、中间层、输出层等参数，并利用区域建议网络 (RPN)反复训练CNN，然后利用训练好的CNN对测试图像进行检测，得到缺陷所在的矩形区域。将此区域 作为初始分割范围，再利用CV模型进行图像精细分割。试验结果表明，提出的算法目标定位能力强，能很好 地提取木材缺陷目标。
关键词：深度学习；卷积神经网络；区域建议网络；木材缺陷图像;CV猪腿骨汤的做法
中图分类号:TP391.41 文献标识码:A文章编号:2095 -2953(2018)08 -0033 -04
Wood Defect Image Segmentation Bad on Deep Learning
CHENG Yu-zhu, GU Quan, WANG Zhong-hui, LI Zhao-chun
钢筋焊接及验收规程
(College of Mechanical and Electronic Engineering,Nanjing Forestry University,Nanjing Jiangsu 210037,China)
Abstract ：In view of the defects of wood live knots,inct eyes and dead knots,a deep learning image detection algorithm for wood defects was propod.First,the training databa and the test databa were constructed,and the parameters of the input layer,the middle layer and the output layer of the convolution neural network(CNN)were t, and the CNN was trained repeatedly by the regional recommended network(RPN).Then the trained CNN was ud to detect the test image,and the rectangle area of the wood defect was located.This region was ud as the initial gmentation range,and the image was finely gmented using the CV model.The experimental results show that the pro-pod algorithm has strong target positioning ability and can well extract wood defect targets.
Key words：deep learning；CNN；PPN；wood defect image；CV
亲亲别再假正经
关于爱国的词语木材缺陷检测是木材加工的重要工序之一，实 现木材缺陷的自动检测与定位是高质量木材加工的 前提，而木材缺陷图像分割是该技术的难点之一。木材缺陷种类较多，木材表面形态、颜色各有差异，纹理多样，噪声较多，因此增加了图像分割与识别的 难度，目前还没有统一的分割及识别算法[1<。
针对木材缺陷的检测与分割问题，提出一种基 于深度学习的木材缺陷检测算法。深度学习本质上是一种特殊的神经网络[6]，主要包括受限玻尔兹曼 机、深度信念网络、自动编码器、递归神经网络、卷积 神经网络（CNN)等。其中，卷积神经网络提供一种 端到端的学习模型，可通过梯度下降法进行训练，实 现图像特征学习并完成分类[7]。R-CNN是一种用于 区域特征提取的CNN，快速R-CNN能够接近实时的
残雪歌词
目标检测速度[S]。CV模型是Chan-Ve于2〇01年 提出的一种无边缘几何活动轮廓模型，现已广泛应
收稿日期:2018 -04-29
基金项目：南京林业大学大学生创新项目（2016NFUSPITP043)
第一作者简介：程玉柱（1980 -)，男，i井师，博士，研究方向为农林图像分割与识别，E-mail:chengyuzhu2003@ 163. com 。
