基于深度学习的树木截面图像自动皮尖检测
计算机视觉与模式识别
2025-12-02 v1 人工智能
摘要
树木截面图像的皮尖检测对于林业和木材质量分析至为重要，但仍是人工且易出错的任务。本研究评估了YOLOv9、U-Net、Swin Transformer、DeepLabV3和Mask R-CNN等深度学习模型，以实现高效自动化。采用582张标注图像构建数据集，并进行动态数据增强以提高泛化能力。Swin Transformer实现了最高准确率（0.94），在细粒分割方面表现突出。YOLOv9在边界检测方面表现良好，但在边界精度方面存在挑战。U-Net在结构化模式下效果显著，而DeepLabV3能够捕获多尺度特征，但边界精度略有不足。Mask R-CNN最初因重叠检测表现不佳，应用非最大抑制(NMS)后，其IoU从0.45提升至0.80。随后使用来自俄勒冦州立木环实验室的11张橡树数据集测试了模型的通用性。此外，为探索性分析，还使用64张标注树木截面图像训练表现最差的模型，以观察其对未见橡树数据集的泛化能力。关键挑战包括张量不匹配和边界不一致，通过超参数调优和数据增强加以解决。我们的结果表明，深度学习在树木截面皮尖检测中具有潜力，模型的选择取决于数据集特征和应用需求。
引用
@article{arxiv.2512.00625,
title = {Automatic Pith Detection in Tree Cross-Section Images Using Deep Learning},
author = {Tzu-I Liao and Mahmoud Fakhry and Jibin Yesudas Varghese},
journal= {arXiv preprint arXiv:2512.00625},
year = {2025}
}
备注
8 pages, 7 figures