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.
Оргинал статьи доступен по ссылке на elibrary.ru