Разработка модели глубокого обучения для распознавания коры древесины на снимке поперечного распила

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.

1. Беляев Н.Л. Повышение точности цифрового учёта круглых лесоматериалов: дис. … канд. техн. наук. Петрозаводск: ПетрГУ, 2023. 163 с.

2. Инструменты библиотеки OPENCV для выявления коры на торцевом снимке поперечного спила дерева. URL: https://clck.ru/3Es7QJ (дата обращения: 01.02.2025).

3. The Faster R-CNN model is based on the Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks paper. URL: clck.ru/3PpfEE (дата обращения: 01.02.2025).

4. Han S., Jiang X., Wu Z. An Improved YOLOv5 Algorithm for Wood Defect Detection Based on Attention // IEEE Access. 2023. Vol. 11. P. 71800-71810. DOI: 10.1109/ACCESS.2023.3293864

5. Kim T.K., Hong J., Ryu D., Kim S., Byeon S.Y., Huh W., Kim K., Baek G.H., Kim H.S. Identifying and extracting bark key features of 42 tree species using convolutional neural networks and class activation mapping // Scientific Reports. 2022. Vol. 12. Art. no. 4772. DOI: 10.1038/s41598-022-08571-9.

6. Kunickaya O., Pomiguev A., Kruchinin I., Storodubtseva T., Voronova A., Levushkin D., Borisov V., Ivanov V. Analysis of modern wood processing techniques in timber terminals // Central European Forestry Journal. 2022. Vol. 68(1). P. 51–59.

7. Region Proposal Network (RPN): A Complete Guide. URL: clck.ru/3PpfF3 (дата обращения: 01.02.2025).

8. Robert M., Dallaire P., Giguère Ph. Tree bark re-identification using a deeplearning feature descriptor // 17th Conference on Computer and Robot Vision (CRV). 2020. P. 25–32. DOI: 10.1109/CRV50864.2020.00012.

9. Wang R., Chen Y., Liang F., Wang B., Mou X., Zhang G. BPN-YOLO: A Novel Method for Wood Defect Detection Based on YOLOv7 // Forests. 2024. Vol. 15(7). Art. no. 1096. DOI: 10.3390/f15071096.

10. What is Mask R-CNN and how does it work? URL: clck.ru/3PpfGp (дата обращения: 01.02.2025).