Богомолов Александр Алексеевич – учебный мастер кафедры автоматизации, метрологии и управления в технических системах
194021, Институтский пер., д. 5, лит. У, Санкт-Петербург
Bogomolov Aleksandr A. – engineer of the Department of Automation, Metrology and Management in Technical Systems
194021. Institute per. 5. St. Petersburg
Молодых Елизавета Игоревна – аспирант кафедры автоматизации, метрологии и управления в технических системах
194021, Институтский пер., д. 5, лит. У, Санкт-Петербург
Molodykh Elizaveta I. – PhD student of the Department of Automation, Metrology and Management in Technical Systems
194021. Institute per. 5. St. Petersburg
Галкина Екатерина Анатольевна – старший преподаватель кафедры техносферной безопасности
190005, ул. 2-я Красноармейская, д. 4, Санкт-Петербург
Galkina Ekaterina A. – Senior Lecturer, Department of Technosphere Safety
190005, 2nd Krasnoarmeyskaya str. 4. St. Petersburg
Куницкая Ольга Анатольевна – профессор кафедры «Технология и оборудование лесного комплекса», доктор технических наук
677007, 3-й км Сергеляхского ш., д. 3, г. Якутск
Kunitskaia Olga A. – DSc (Technical), Professor of Department of Forestry Technology and Equipment
577007, 3rd km of Sergelyakhskoe highway 3. Yakutsk
Хохлов Артём Анатольевич – соискатель кафедры «Технология и оборудование лесного комплекса»
677007, 3-й км Сергеляхского ш., д. 3, г. Якутск
Khokhlov Artem A. – applicant in the Department of Forestry Technology and Equipment
577007, 3rd km of Sergelyakhskoe highway 3. Yakutsk
Пушков Юрий Леонидович – доцент кафедры лесного машиностроения, сервиса и ремонта, кандидат технических наук
194021, Институтский пер., д. 5, лит. У, Санкт-Петербург
Pushkov Yuriy L. – PhD (Technical), Associate Professor of the Department of Forestry Engineering, Service and Repair
194021. Institute per. 5. St. Petersburg
Горюнов Никита Дмитриевич – студент
194021, Институтский пер., д. 5, лит. У, Санкт-Петербург
Goryunov Nikita D. – student
194021. Institute per. 5. St. Petersburg
Андронов Александр Вячеславович – доцент кафедры лесного машиностроения, сервиса и ремонта, доктор технических наук
194021, Институтский пер., д. 5, лит. У, Санкт-Петербург
Andronov Aleksandr V. – DSc (Technical), Associate Professor of the Department of Forestry Machinery, Service and Repair
194021. Institute per. 5. St. Petersburg
Хитров Егор Германович – доцент
195251, ул. Политехническая, д. 29, Санкт-Петербург
Khitrov Egor G. – DSc (Technical), Associate Professor of the Higher School of Software Engineering of Peter the Great, Associate Professor
195251, Politekhnicheskaya str. 29. St. Petersburg
Целью исследования является разработка и апробация архитектуры модели глубокого обучения на основе сверточной искусственной нейронной сети для определения доли коры на цифровом снимке поперечного распила древесины. Результаты работы получены с использованием методов технического зрения и глубокого обучения. При разработке архитектуры модели использована справочная документация искусственных нейронных сетей Faster R-CNN, RPN, Mask R-CNN, Segment Anything. При программной реализации модели в исследовательских целях использованы модели искусственных нейронных сетей с открытым исходным кодом Mask R-CNN и Segment Anything (модель Mask R-CNN была интегрирована в общий стек с моделью Segment Anything (SAM), а функции генерации карты признаков переданы блоку Encoder; блоки memory attention сети SAM были удалены для оптимизации решения в плане требуемого объема оперативной памяти). Обучение и валидация модели проведены с использованием авторского набора цифровых снимков поперечных распилов лесоматериалов, доступного в репозитории. Измеренные значения метрики точности Precision при валидации показывают, что предлагаемая архитектура модели глубокого обучения позволяет успешно решать задачу сегментации и определения доли коры на снимках. Результаты экспериментов с информационной моделью глубокого обучения позволяют оценить связь ее архитектуры и числа обучаемых параметров с результатами определения доли коры на снимках сортиментов: при переходе от модели с числом весов 38 млн до модели с 217 млн весов отмечается стабилизация метрики Precision. В связи с этим целесообразно выполнить дальнейшие исследования по поиску оптимального числа обучаемых параметров, обеспечивающего наилучшее сочетание точности и скорости обработки снимков.
The aim of this study is to develop and validate a deep learning model architecture based on a convolutional artificial neural network for determining the proportion of bark in a digital image of cross-cut timber. The results were obtained using computer vision and deep learning methods. Reference documentation for the Faster R-CNN, RPN, Mask R-CNN, and Segment Anything artificial neural networks was used in developing the model architecture. The open-source Mask R-CNN and Segment Anything artificial neural network models were used in the software implementation of the model for research purposes (the Mask R-CNN model was integrated into a common stack with the Segment Anything (SAM) model, and the feature map generation functions were transferred to the Encoder block; the memory attention blocks of the SAM network were removed to optimize the solution in terms of the required amount of RAM). The model was trained and validated using the author's dataset of digital images of cross-cut timber, available in the repository. The measured Precision metric values during validation demonstrate that the proposed deep learning model architecture successfully solves the problem of segmentation and bark fraction determination in images. Experiments with the deep learning model allow us to evaluate the relationship between its architecture and the number of trainable parameters with the results of bark fraction determination in assortment images: stabilization of the Precision metric is observed when moving from a model with 38 million weights to a model with 217 million weights. Therefore, further research is warranted to determine the optimal number of trainable parameters that provides the best balance of accuracy and image processing performance.
The authors declare that there are no conflicts of interest present.