MoistNet：基于机器视觉的木薮含水量深度学习模型
计算机视觉与模式识别
2024-09-17 v1 人工智能
摘要
快速可靠地测量木薮含水量一直是众多依赖森林资源的行业（如生物燃料、造纸和生物炼制）面临的永恒性问题。由于其直接关系到最终产品质量，含水量是木薮的关键属性。传统的含水量测定技术，如烘箱干燥法，存在耗时、可能损坏样本且缺乏实时性等缺点。此外，替代技术包括近红外光谱、电容、X射线和微波等，虽已显示出潜力，但仍受 portability、precision 和设备昂贵等问题制约。因此，亟需一种 instant、portable、non-destructive、inexpensive 且 precise 的含水量测定方法。本研究探索使用深度学习和机器视觉从木薮的 RGB 图像中预测含水量类别。本文收集并标注了一个由 1600 张 RGB 木薮图像组成的大规模数据集，标注依据烘箱干燥技术的结果。开发了两个高性能神经网络 MoistNetLite 和 MoistNetMax，利用神经网络结构搜索（NAS）和超参数优化。对所developed模型进行评估并与最先进的深度学习模型进行比较。结果表明，MoistNetLite 在计算开销最小的情况下实现了 87% 的准确率，而 MoistNetMax 在木薮含水量类别预测中表现出卓越的精度，达到 91%。凭借 improved accuracy 和更快的预测速度，我们提出的 MoistNet 模型在木薮加工行业具有巨大的应用前景。
引用
@article{arxiv.2409.04920,
title = {MoistNet: Machine Vision-based Deep Learning Models for Wood Chip Moisture Content Measurement},
author = {Abdur Rahman and Jason Street and James Wooten and Mohammad Marufuzzaman and Veera G. Gude and Randy Buchanan and Haifeng Wang},
journal= {arXiv preprint arXiv:2409.04920},
year = {2024}
}