基于深度卷积神经网络的树轮宽度测量算法

数字图像处理技术已被广泛用于树轮宽度测量，但大多集中在边界清晰可见的针叶树种，对于木材解剖结构复杂、树轮边界清晰度较差的阔叶树种，传统的图像处理技术表现不佳。为了改善阔叶树种的树轮边界识别精度，本文提出了一种基于U-Net卷积神经网络模型的树轮宽度测量算法。以鱼鳞云杉(Picea jezoensis var.komarovii)、臭冷杉(Abies nephrolepis)、红松(Pinus koraiensis)、白桦(Betula platyphylla)、枫桦(Betula costata)、榆树(Ulmus pumila)的树芯为对象，提出了一种基于U-Net的树轮边界检测模型。采用3种评价指标比较了U-Net方法与手工标注方法的差异，并与WinDENDRO测量得到的树轮宽度进行了精度对比。结果显示，U-Net识别到的树轮边界与实际边界精确匹配，尤其是对阔叶树种树轮边界的检测精度相比传统的数字图像处理方法有显著提高，通过3种评价指标证明所得到的树轮边界精确可靠，在树轮分析中具有较高的实用价值。