(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211218957.4 (22)申请日 2022.10.07 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 李东洁　艾琪翔　魏剑桥　黄昊　 郭雪凝　 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/66(2017.01) G06V 10/26(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进U-Net与热力图的木材节子语 义分割及髓心定位方法 (57)摘要 一种基于改进U ‑Net与热力图的木材节子语 义分割及髓心定位方法。 目的是为精 准下料和提 高木材的出材率提供数据 支撑。 该方法包含以下 步骤： 步骤一， 收集节 子图像， 使用labeli mg制作 标签； 步骤二， 将髓心部分转化为热力图模式与 节子部分累加制作成兼顾语义分割与髓心定位 的标签； 步骤三， 将残差结构与ASPP相结合为特 征提取层引入U ‑Net网络， 新网络命名为UNet_ res_aspp； 步骤四， 将Pol y学习策略改进 为Ploy_ new对网络进行训练， 将IoU与定位误差 结合作为 一种兼顾语义分割与定位效果的评价指标， 取 IoU_loss最高参数为最佳参数； 步骤五， 对网络 预测输出使用argmax确定髓心位置， 使用大津 法 完成语义分割。 本发明能够为精 准下料和提高木 材的出材率提供数据支撑 。 权利要求书2页 说明书4页 附图2页 CN 115511851 A 2022.12.23 CN 115511851 A 1.一种基于改进U ‑Net与热力图的木材节子语义分割及髓心定位方法， 其特征在于： 所 述方法具体过程 为： 步骤1.收集节子图像， 使用label img制成标签； 步骤2.将髓心部分转化为热力图模式与节子部分累加制作成兼顾语义分割与髓心定 位的标签； 步骤3.将残差结构与ASPP相结合为特征提取层引入U ‑Net网络， 新网络命名为UNet_ res_aspp； 步骤4.将IoU与定位误差结合作为一种兼顾语义分割与定位效果的评价指标IoU_loss 并将Poly学习策略改进为Po ly_new对网络进行训练， 取I oU_loss最高参数为 最佳参数； 步骤5.对网络预测输出使用argmax确定髓心位置， 使用大津法完成语义分割， 本发明 能够为精准下 料和提高木材的出 材率提供数据支撑 。 2.根据权利要求1所述一种基于改进U ‑Net与热力图的木材节子语义分割及髓心定位 方法， 其特征在于： 所述步骤2中将髓心部 分转化为热力图模式与节子部 分累加制作成兼顾 语义分割与髓心定位的标签； 具体过程 为： 热力图公式如下： 其中xk与yk为节子髓心的坐标， x与y为热力图坐标， sigma控制函数径向范围， 在确定 sigma的公式 中， xi与yi为节子各个 像素的坐标， n 为节子像素总个数； 读取图片对应的语义分割标签， 将标签分解为节子的语义分割标签和髓心的语义分割 标签， 通过髓心的标签提取出髓心的坐标， 再通过节子的语义分割标签、 髓心 坐标确定参数 sigma， 完成对节子髓心球形高斯图的输出， 记为pith_heatmap1， 将pith_heatmap1与节子 的语义分割标签进行累加得到改进后的标签1， 记为label1， 再一次对pith_heatmap 1进行 处理， 将pith_heatmap1中非节子区域的部分全部置0， 得到pith_heatmap2， 将其与节子的 语义分割标签进行累加得到改进后的标签2， 记为 label2。 3.根据权利要求1所述一种基于改进U ‑Net与热力图的木材节子语义分割及髓心定位 方法， 其特征在于： 所述步骤3中将残差结构与ASPP相结合为特征提取层引入U ‑Net网络， 新 网络命名为UNet_res_asp p； 具体过程 为： 将ASPP的输入和输出后分别连上3 ×3卷积层后， 将两者的输出相加 构成res_aspp 特征 提取层。 4.根据权利要求1所述一种基于改进U ‑Net与热力图的木材节子语义分割及髓心定位 方法， 其特征在于： 所述步骤4.中将IoU与定位误差结合作为一种兼顾语义分割与定位效果 的评价指标IoU_lo ss并将Poly学习策略改进为Poly_new对网络进行训练， 取IoU_loss最高 参数为最佳参数； 具体过程 为： 对预测输出， 提取出标签的随心真实位置， 然后对预测结果的最大值的位置进行读取 作为髓心的预测位置， 计算出真实位置与预测位置的MSELoss记为local_loss， 对 预测结果权　利　要　求　书 1/2 页 2 CN 115511851 A 2使用大津法确定每个图像的阈值， 对超过阈值的数值置1， 低于的置0， 确定节子范围以计算 IoU值， 训练的评价指标记为 IoU_loss， 公式如下： IoU_loss＝Knot_IoU×100‑local_loss Poly_new公式如下： 权　利　要　求　书 2/2 页 3 CN 115511851 A 3