改進(jìn)UNet++的杉木CT圖像年輪分割

劉 帥，葛浙東，劉曉彤，高宜生，李 陽(yáng)，李萌菲

1.山東建筑大學(xué)信息與電氣工程學(xué)院，濟(jì)南 250101

2.山東建筑大學(xué)建筑城規(guī)學(xué)院，濟(jì)南 250101

樹(shù)木年輪是指多年生木本植物莖的橫斷面上的同心環(huán)紋[1]。年輪作為一種樹(shù)木特征，記錄了包括氣候變化、自然災(zāi)害、環(huán)境污染等自然環(huán)境信息。樹(shù)木在春夏季生長(zhǎng)旺盛，形成早材；在秋冬季生長(zhǎng)緩慢，形成晚材[2]。年輪分割技術(shù)作為樹(shù)木年輪獲取的重要手段，不僅能觀測(cè)到樹(shù)木年齡，還能推測(cè)出氣候環(huán)境對(duì)樹(shù)木生長(zhǎng)的影響，對(duì)于人類(lèi)了解自然環(huán)境的變遷和樹(shù)木研究領(lǐng)域的發(fā)展起到巨大的促進(jìn)作用[3]。

樹(shù)木生長(zhǎng)過(guò)程中，內(nèi)部可能存在節(jié)子、裂紋、蟲(chóng)孔等缺陷，增加年輪分割難度。傳統(tǒng)年輪分割與測(cè)量方法，需科研人員使用立體鏡和移動(dòng)臺(tái)等專(zhuān)業(yè)設(shè)備，需對(duì)木段切割、打磨和成像，再分割年輪測(cè)量統(tǒng)計(jì)信息，嚴(yán)重依賴(lài)經(jīng)驗(yàn)，步驟繁瑣且效率較低[4]。為準(zhǔn)確、高效統(tǒng)計(jì)年輪信息，國(guó)內(nèi)外學(xué)者提出多種年輪特征提取方法，以實(shí)現(xiàn)年輪準(zhǔn)確分割。王燕鳳等人[5]于2017 年提出雙邊濾波增強(qiáng)方法并應(yīng)用于輻射松的年輪分割，該方法將Canny算法中的梯度算子由單一方向擴(kuò)展至4個(gè)方向，以多數(shù)投票的方式精準(zhǔn)定位年輪，使處理后的年輪邊緣清晰，優(yōu)點(diǎn)是減少了年輪缺失和遺漏，不足之處在于面對(duì)結(jié)構(gòu)復(fù)雜材種仍存在少量偽邊緣痕跡。張露等人[6]于2019 年針對(duì)樹(shù)木年輪圖像特征，提出一種基于DoG 算子的邊緣提取算法，結(jié)合高斯濾波器可有效抑制年輪圖像邊緣噪聲，消除偽邊緣痕跡，實(shí)現(xiàn)圖像中的邊緣數(shù)量信息精確統(tǒng)計(jì)和樹(shù)齡準(zhǔn)確測(cè)量。上述學(xué)者延續(xù)傳統(tǒng)的年輪圖像采集方法，應(yīng)用比較基礎(chǔ)的圖像分割策略，對(duì)于年輪輪廓清晰的樹(shù)種，得到良好的分割效果。Fabijańska 等人[7]于2017 年采用圖像梯度峰值檢測(cè)和邊緣鏈接方法分割12 種木材試件年輪圖像，無(wú)缺陷年輪分割正確率達(dá)到90%以上，存在孔洞缺陷的年輪分割正確率為85%。寧霄等人[8]在2018 年采用的隨機(jī)森林算法是一種基于機(jī)器學(xué)習(xí)的方法，以5 張紅松年輪圖像為訓(xùn)練對(duì)象，一次性完成5張紅松橫切面圖像的年輪分割，正確率達(dá)到93%以上，雖然分割的年輪結(jié)構(gòu)清晰，但實(shí)驗(yàn)圖像數(shù)量較少，該方法的普適性有待進(jìn)一步驗(yàn)證。Ronneberger等人[9]于2015年提出的U-Net模型是一種非常經(jīng)典的語(yǔ)義分割模型，尤其在視網(wǎng)膜血管分割、結(jié)直腸息肉分割等醫(yī)學(xué)分割領(lǐng)域展現(xiàn)出良好的分割效果。Fabijańska[10]借鑒U-Net模型經(jīng)驗(yàn)，于2019年首次提出基于U-Net卷積網(wǎng)絡(luò)的年輪分割方法，采集75張橡木、榆樹(shù)和喬木的試件圖像用于年輪分割，成功檢測(cè)出不同寬度、結(jié)構(gòu)和方向的年輪邊界，分割正確率達(dá)到96%。為探究U-Net模型在樹(shù)木年輪分割方面的效果，寧霄等人[11]于2019年采用U-Net模型訓(xùn)練16 000張落葉松年輪圖像，并應(yīng)用訓(xùn)練好的模型實(shí)現(xiàn)4 000 張落葉松年輪圖像高效分割，平均準(zhǔn)確率達(dá)到96.51%，可見(jiàn)U-Net模型可達(dá)到落葉松年輪高效、精確分割的目的。Zhou 等人[12]于2018 年在U-Net網(wǎng)絡(luò)的基礎(chǔ)上增加跳躍連接和密集卷積塊，并配合深度監(jiān)督，設(shè)計(jì)出UNet++模型，該模型是U-Net模型的升級(jí)與優(yōu)化，在肺部結(jié)節(jié)分割、細(xì)胞核分割、肝臟分割等領(lǐng)域取得較好的圖像分割效果。邢妍妍等人[13]于2020 年在UNet++模型基礎(chǔ)上，構(gòu)建融合型UNet++模型，對(duì)于妊娠中期的胎兒頭部分割Dice系數(shù)達(dá)98.24%。榮亞琪等人[14]于2022 年基于UNet++模型構(gòu)建NODEUNet++模型用于紅細(xì)胞的初步分割，采用標(biāo)記分水嶺算法分割血液涂片圖像紅細(xì)胞，紅細(xì)胞分割的平均像素準(zhǔn)確率達(dá)98.97%。Li 等人[15]于2022 年改進(jìn)UNet++模型，構(gòu)建Residual-Attention UNet++模型，細(xì)胞核分割交并比達(dá)87.74%。上述學(xué)者改進(jìn)UNet++模型用于醫(yī)學(xué)圖像分割，并取得比較精確的結(jié)果，細(xì)胞、細(xì)胞核和胎兒頭部圖像近似于圓形，輪廓為不規(guī)則閉環(huán)曲線，與年輪形態(tài)相似，所以推定UNet++及其改進(jìn)模型也可用于樹(shù)木年輪分割。

本文主要研究?jī)?nèi)容為以杉木橫切面CT圖像為研究對(duì)象，構(gòu)建改進(jìn)的UNet++年輪分割模型，模型由左側(cè)編碼網(wǎng)絡(luò)和右側(cè)解碼網(wǎng)絡(luò)構(gòu)成，編碼-解碼路徑接收一個(gè)輸入，經(jīng)密集卷積塊和跳躍連接的特征提取與融合，完成年輪特征提取。根據(jù)PA、DⅠCE、ⅠoU、MⅠoU等評(píng)價(jià)指標(biāo)對(duì)模型參數(shù)優(yōu)化，以期達(dá)到年輪準(zhǔn)確分割的目的。創(chuàng)新之處在于將傳統(tǒng)的UNet++模型的右側(cè)增加了一條上采樣路徑，該路徑的卷積塊之間增加了通道注意力機(jī)制，更加注重年輪細(xì)節(jié)部分的特征提取，并采用BCEWithLogitsLoss 和ReLU 分別作為損失函數(shù)和激活函數(shù)，RMSProp 作為優(yōu)化函數(shù)，解決杉木橫切面圖像蟲(chóng)孔誤分割，密集年輪欠分割問(wèn)題。目前針對(duì)樹(shù)木CT 圖像的分割算法主要用于木材缺陷檢測(cè)，鮮有用于年輪分割。年輪數(shù)量與寬度直接反映出當(dāng)?shù)貧夂颦h(huán)境變化，本文實(shí)用性在于，能提高年輪的統(tǒng)計(jì)效率，提供年輪數(shù)據(jù)分析方法，進(jìn)而促進(jìn)我國(guó)氣象學(xué)與環(huán)境學(xué)發(fā)展。年輪作為木材的宏觀結(jié)構(gòu)，年輪形態(tài)直接影響板材的紋理美觀程度，準(zhǔn)確的年輪分割方法可以為木材切割制定預(yù)案，帶動(dòng)木制品產(chǎn)業(yè)經(jīng)濟(jì)發(fā)展。

1 實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建

1.1 材料與設(shè)備

杉木（Cunninghamia lanceolata（Lamb.）Hook.），原作為福建省寧德市鳳岐吳氏大宅檐檁，含水率8%，尺寸是135 mm×1 000 mm。表面分布若干細(xì)小裂紋，兩處徑向裂紋延伸至髓心。應(yīng)用醫(yī)療CT（SOMATOM Definition AS 128）掃描成像，設(shè)置X射線源電壓、電流分別為120 kV、30 mA，斷層圖像層間距0.6 mm，層厚0.4 mm。如圖1所示。

圖1 檐檁斷層成像Fig.1 Tomography process of eaves purlin

1.2 圖像采集與預(yù)處理

杉木CT圖像尺寸512像素×512像素，位圖深度32，合計(jì)1 700 張。通過(guò)CT 圖像發(fā)現(xiàn)杉木內(nèi)部被木蜂嚴(yán)重侵蝕，巢穴縱橫交錯(cuò)。杉木橫切面年輪界限比較清晰，但被裂紋和蟲(chóng)孔分割，無(wú)法形成完整圓形閉合曲線。從采集的CT 圖像中等間距提取125 張包含裂紋、蟲(chóng)孔和節(jié)子等缺陷的圖像，缺陷形態(tài)尺寸各異，具體信息如表1所示。

表1 杉木橫切面CT圖像Table 1 Transverse sectional CT images of Chinese fir

剔除圖像冗余信息，僅保留杉木CT圖像年輪區(qū)域，制成125張尺寸276像素×276像素的24位彩色圖像，作為原圖像。采用圖像處理軟件，提取原圖像的年輪，并將年輪定義為前景（白色），其他像素定義為背景（黑色），生成125張8位灰度圖像作為標(biāo)簽。原圖像與標(biāo)簽圖像如表1所示。

從125 張?jiān)瓐D像中隨機(jī)選擇100 張圖像經(jīng)上下翻轉(zhuǎn)、左右翻轉(zhuǎn)、旋轉(zhuǎn)等處理，擴(kuò)增至1 000 張圖像作訓(xùn)練集；提取100 張?jiān)瓐D像制成的標(biāo)簽圖像，經(jīng)相同的數(shù)據(jù)增強(qiáng)方法，擴(kuò)增至1 000張標(biāo)簽圖像。剩余的25張?jiān)瓐D像作為測(cè)試集，分割結(jié)果與對(duì)應(yīng)的標(biāo)簽圖像作對(duì)比。

2 改進(jìn)UNet++模型

近幾年圖像分割領(lǐng)域衍生出多種方法，尤其以U-Net模型和UNet++模型在醫(yī)學(xué)圖像分割領(lǐng)域表現(xiàn)非常優(yōu)秀[16-18]，模型結(jié)構(gòu)如圖2 所示。圖2（a）為U-Net 模型，由左至右分別為收縮路徑、同層跳躍連接和擴(kuò)張路徑。收縮路徑包含5 個(gè)卷積塊，每個(gè)卷積塊進(jìn)行2 次3×3 的卷積和1次激活操作，卷積塊之間采用2×2最大池化實(shí)現(xiàn)下采樣，使圖像通道數(shù)增加1倍。擴(kuò)張路徑與收縮路徑不同之處在于采用2×2 的反卷積作為上采樣方法替換了最大池化，每次上采樣后，圖像通道數(shù)減半，并通過(guò)同層跳躍連接融合收縮路徑的特征，經(jīng)過(guò)1×1卷積輸出目標(biāo)圖像。UNet++模型編碼部分與U-Net 模型的收縮路徑相同，為減少編碼部分和解碼部分的語(yǔ)義差距，避免梯度消失和梯度爆炸，UNet++模型在U-Net模型基礎(chǔ)上增加了密集卷積塊（圖2（b）綠色部分）和密集跳躍連接（圖2（b）黑色虛線）組成的跳躍路徑，同時(shí)增加了深度監(jiān)督機(jī)制。

圖2 傳統(tǒng)網(wǎng)絡(luò)模型Fig.2 Conventional network models

UNet++模型可實(shí)現(xiàn)肺部結(jié)節(jié)、細(xì)胞核和肝臟的高精度分割，在醫(yī)學(xué)圖像分割方面效果卓越[19]。但木材橫切面不同于醫(yī)學(xué)圖像，年輪通常是不規(guī)則同心圓環(huán)，排列緊密且間距不等，易被裂紋、蟲(chóng)孔、節(jié)子等缺陷破壞，無(wú)法形成閉合曲線，木材橫切面形態(tài)的多樣性特征導(dǎo)致年輪分割困難。所以傳統(tǒng)方法無(wú)法準(zhǔn)確提取缺陷較多且結(jié)構(gòu)復(fù)雜的年輪，而特征提取精度決定圖像分割的準(zhǔn)確率。針對(duì)上述問(wèn)題，本文采用改進(jìn)UNet++模型分割杉木橫切面年輪。

改進(jìn)UNet++模型保留了UNet++模型的部分結(jié)構(gòu)，如密集卷積塊和跳躍連接，使圖像的低級(jí)語(yǔ)義和高級(jí)語(yǔ)義更好地融合，同時(shí)將網(wǎng)絡(luò)深度增加至6 層，豐富年輪特征信息。如圖3 所示，主干特征提取網(wǎng)絡(luò)包含6 個(gè)卷積塊Xi,0(i∈[0,1,2,3,4,5])，卷積塊使用2 次padding為1的3×3卷積核和1個(gè)ReLU激活函數(shù)，并采用2×2的最大池化實(shí)現(xiàn)下采樣；加強(qiáng)特征提取網(wǎng)絡(luò)由密集卷積塊和密集跳躍連接構(gòu)成，采用2×2 反卷積核實(shí)現(xiàn)上采樣；最右側(cè)解碼路徑（圖3深色區(qū)域）的卷積塊內(nèi)部包含2次padding 為1 的3×3 卷積核和1 個(gè)ReLU 激活函數(shù)，其后連接1 個(gè)通道注意力機(jī)制模塊，該模塊連接上采樣，上層卷積塊融合了下層上采樣和同層跳躍連接的不同深度語(yǔ)義特征；最上層卷積塊X0,j(j∈[1,2,3,4,5])融合了不同路徑下的圖像特征；解碼路徑的輸出與最上層卷積結(jié)果特征融合，輸出目標(biāo)圖像。

圖3 改進(jìn)UNet++模型Fig.3 Ⅰmproved UNet++ model

通道注意力機(jī)制通過(guò)對(duì)輸入圖像的通道特征賦予不同權(quán)重，達(dá)到模型對(duì)圖像重要特征的加強(qiáng)提取，從而提高模型對(duì)于復(fù)雜年輪圖像的年輪提取效果。

跳躍路徑卷積塊Xi,j的輸出xi,j計(jì)算過(guò)程如公式（1）所示：

其中，i表示下采樣層的層數(shù)，j表示同層密集卷積塊索引，H(·)表示卷積塊，即卷積層和激活函數(shù)組成的運(yùn)算，u(·)表示上采樣層，[·]表示連接層。j=0 的卷積塊只有一個(gè)來(lái)自下采樣層的輸入，j＞0 的卷積塊接收來(lái)自上采樣層和跳躍連接的j+1 個(gè)輸入。

改進(jìn)UNet++模型采用ReLU 激活函數(shù)增加網(wǎng)絡(luò)稀疏性，進(jìn)而緩解過(guò)擬合現(xiàn)象且縮短模型訓(xùn)練時(shí)間。鑒于標(biāo)簽圖像的前景（年輪）被標(biāo)記為白色，背景被標(biāo)記為黑色，針對(duì)黑白兩種顏色狀態(tài)，設(shè)置交叉熵函數(shù)BCEWith-LogitsLoss作為損失函數(shù)以解決二分類(lèi)問(wèn)題。令優(yōu)化器為RMSProp，用于消除梯度差異導(dǎo)致的抖動(dòng)，加快模型梯度下降速率，提高年輪分割精度和效率。

3 結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)用計(jì)算機(jī)安裝Windows10 專(zhuān)業(yè)版64 位操作系統(tǒng)，處理器型號(hào)為Ⅰntel?Xeon?Gold 6136 CPU @3.00 GHz，內(nèi)存RAM為192 GB，GPU為NVⅠDⅠA GeForce RTX3090（24 GB），調(diào)用GPU提升訓(xùn)練效率。Anaconda3配置訓(xùn)練環(huán)境，采用Pytorch+Python3.7 的深度學(xué)習(xí)框架，Cuda10.0版本。

3.2 模型訓(xùn)練

杉木經(jīng)CT 設(shè)備掃描和圖像篩選，得到125 張含有裂紋、蟲(chóng)孔和節(jié)子缺陷的斷層圖像，通過(guò)裁剪和位深度變換等預(yù)處理工作，保留有效區(qū)域作為原圖像，手動(dòng)標(biāo)記生成對(duì)應(yīng)的標(biāo)簽圖像。選取100 張上述圖像進(jìn)行旋轉(zhuǎn)、翻轉(zhuǎn)等操作，將圖像擴(kuò)充至1 000 張作為訓(xùn)練集，即年輪分割模型的輸入，訓(xùn)練后保存最優(yōu)權(quán)重；其余25張?jiān)瓐D像作為測(cè)試集，采用最優(yōu)權(quán)重模型分割后，得到年輪圖像。年輪分割流程如圖4所示。

圖4 年輪分割流程Fig.4 Segmentation process of tree rings

UNet++模型和改進(jìn)UNet++模型迭代次數(shù)均設(shè)置為2 000次，初始學(xué)習(xí)率為0.000 1，Batch_Size為4，損失函數(shù)為BCEWithLogitsLoss，優(yōu)化器為RMSProp，兩種模型訓(xùn)練損失值曲線如圖5所示。改進(jìn)UNet++模型經(jīng)過(guò)400 次迭代后，損失值曲線波動(dòng)減小，兩種模型經(jīng)過(guò)1 400 次迭代后，損失值曲線趨于平穩(wěn)，迭代至2 000 次損失值近乎收斂，UNet++模型損失值為0.075，改進(jìn)UNet++模型損失值為0.021。由圖5可知，改進(jìn)UNet++模型的收斂速率更快，收斂后的損失值更小，緩解了過(guò)擬合現(xiàn)象且縮短了模型訓(xùn)練時(shí)間。

圖5 模型訓(xùn)練損失值Fig.5 Loss value of models training

3.3 評(píng)價(jià)指標(biāo)

本文采用4 種圖像分割性能指標(biāo)評(píng)價(jià)年輪分割結(jié)果，性能指標(biāo)包括PA（pixel accuray）、Dice（dice coefficient）、ⅠoU（intersection over union）和MⅠoU（mean intersection over union）。

PA（pixel accuray）表示像素準(zhǔn)確率，即預(yù)測(cè)類(lèi)別正確的像素?cái)?shù)占總像素?cái)?shù)的比例[20]。

Dice（dice coefficient）表示骰子系數(shù)，即分割圖像和標(biāo)簽圖像相交的面積，與標(biāo)簽圖像面積的比值[21]。

ⅠoU（intersection over union）表示交并比，交并比表示該模型對(duì)某一像素類(lèi)別真實(shí)值與預(yù)測(cè)值兩個(gè)集合的交集與并集之比[22]，在本文中只求前景（年輪像素類(lèi)別）的ⅠoU。

MⅠoU（mean intersection over union）表示平均交并比，即計(jì)算每一個(gè)像素類(lèi)別真實(shí)值集合與預(yù)測(cè)值集合的交集與并集之比，再求平均值[23]。在本文中表示前景（年輪像素類(lèi)別）ⅠoU和背景ⅠoU的平均值。

TP 為真正例數(shù)，即模型預(yù)測(cè)為正例，實(shí)際是正例；FP 為假正例數(shù)，即模型預(yù)測(cè)為正例，實(shí)際是反例；FN 為假反例數(shù)，即模型預(yù)測(cè)為反例，實(shí)際是正例；TN為真反例數(shù)，即模型預(yù)測(cè)為反例，實(shí)際是反例。

3.4 消融實(shí)驗(yàn)

本文從模型學(xué)習(xí)深度和是否增加注意力機(jī)制模塊兩個(gè)角度設(shè)計(jì)消融實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)結(jié)果構(gòu)建最優(yōu)模型結(jié)構(gòu)。對(duì)比不同深度模型對(duì)杉木橫切面CT圖像年輪分割效果，具體評(píng)價(jià)結(jié)果如表2所示。由表2可知，改進(jìn)模型深度為6 層時(shí)，像素準(zhǔn)確率（PA）為95.1%，骰子系數(shù)（Dice）為97.5%，交并比（ⅠoU）為90.7%，平均交并比（MⅠoU）為75.0%，各項(xiàng)分割指標(biāo)最高，6 層學(xué)習(xí)深度模型的計(jì)算量為61.86×109，參數(shù)量為369 334 41，低于7層學(xué)習(xí)深度模型，高于5層學(xué)習(xí)深度模型。

表2 不同學(xué)習(xí)深度的模型年輪分割評(píng)價(jià)結(jié)果Table 2 Evaluation results of tree rings segmentation of models with different learning depths

在6層深度模型上增加一個(gè)通道注意力機(jī)制，對(duì)比有無(wú)注意力機(jī)制的6層深度模型對(duì)杉木橫切面CT圖像年輪分割效果，具體評(píng)價(jià)結(jié)果如表3所示。

表3 模型增加注意力機(jī)制前后年輪分割評(píng)價(jià)結(jié)果Table 3 Evaluation results of tree rings segmentation of different models

通過(guò)消融實(shí)驗(yàn)，選擇6層深度模型并添加通道注意力機(jī)制，得到改進(jìn)UNet++模型。本文比較U-Net、UNet++和改進(jìn)UNet++模型對(duì)杉木橫切面CT 圖像年輪分割效果，評(píng)價(jià)結(jié)果如表4 所示。由表4 可知，U-Net、UNet++和改進(jìn)UNet++模型在杉木年輪分割方面均獲得比較好的效果。改進(jìn)UNet++模型的年輪分割結(jié)果，像素準(zhǔn)確率（PA）為95.9%，骰子系數(shù)（Dice）為97.9%，交并比（ⅠoU）為92.8%，平均交并比（MⅠoU）為79.4%，優(yōu)于UNet++模型，更優(yōu)于U-Net模型。

表4 年輪分割評(píng)價(jià)結(jié)果Table 4 Evaluation results of tree rings division

其中，PA表示像素被正確預(yù)測(cè)的概率，更適用于驗(yàn)證本文方法對(duì)年輪分割的準(zhǔn)確性評(píng)價(jià)，3種模型對(duì)于25張杉木橫切面CT圖像分割的像素準(zhǔn)確率（PA）如圖6所示。

圖6 年輪分割像素準(zhǔn)確率Fig.6 Pixel accuray of tree rings division

由圖6可知，3種模型均可有效分割杉木橫切面CT圖像年輪，第1～25 張分割結(jié)果的像素準(zhǔn)確率（PA）均在88%以上，對(duì)于第16張圖像，改進(jìn)UNet++模型最高分割像素準(zhǔn)確率（PA）達(dá)到98.2%，而UNet++模型和U-Net模型分別為95.5%和95.0%。對(duì)于第10張圖像，改進(jìn)UNet++模型分割像素準(zhǔn)確率（PA）最低，依然可以達(dá)到93.4%，而UNet++模型和U-Net模型分別為91.1%和90.2%。除第18 張和第25 張圖像，改進(jìn)UNet++模型和UNet++模型結(jié)果相近，其他圖像改進(jìn)UNet++模型均優(yōu)于UNet++模型，更優(yōu)于U-Net 模型。為進(jìn)一步探究改進(jìn)UNet++模型的年輪分割效果，像素準(zhǔn)確率（PA）、骰子系數(shù)（Dice）、交并比（ⅠoU）和平均交并比（MⅠoU）4 種分割結(jié)果，如圖7所示。

圖7 年輪分割評(píng)價(jià)結(jié)果Fig.7 Evaluation index results of tree rings division

由圖7可知，改進(jìn)UNet++模型的4種年輪分割結(jié)果差異性較大，平均交并比（MⅠoU）數(shù)值普遍較低，均在90%以下。骰子系數(shù)（Dice）數(shù)值普遍較高，均在95%以上。像素準(zhǔn)確率（PA）和交并比（ⅠoU）數(shù)值在上述兩種指標(biāo)之間，更能準(zhǔn)確反映改進(jìn)UNet++模型對(duì)25張杉木橫切面CT圖像年輪分割效果。

3.5 年輪分割效果

4種年輪分割結(jié)果說(shuō)明改進(jìn)UNet++模型優(yōu)于UNet++模型，更優(yōu)于U-Net模型，所以進(jìn)一步用杉木橫切面CT圖像展示年輪分割效果，如表5所示。

本文采集的杉木橫切面CT 圖像，含有裂紋、節(jié)子、蟲(chóng)孔等缺陷，如圖8 所示。圖（a1）中年輪被裂紋切割，但輪廓清晰，只是右上方年輪比較密集。圖（b1）中含有裂紋和節(jié)子，節(jié)子出現(xiàn)在圖像下方，對(duì)年輪形態(tài)有一定影響。圖（c1）中除裂紋外，還含有6 個(gè)蟲(chóng)孔，是木蜂巢穴的橫切面，對(duì)木材結(jié)構(gòu)破壞性極大。圖（d1）中同時(shí)含有裂紋、節(jié)子、蟲(chóng)孔缺陷，年輪被切割為多段不規(guī)則曲線，無(wú)法形成閉合圓環(huán)，增加了年輪分割難度。以125張杉木橫切面CT 圖像為研究對(duì)象，分別采用U-Net、UNet++和改進(jìn)UNet++模型實(shí)現(xiàn)年輪分割。研究發(fā)現(xiàn)，3種模型均可以提取杉木年輪結(jié)構(gòu)，由于年輪形態(tài)多樣且受缺陷影響，年輪分割效果不同。U-Net模型對(duì)于含有裂紋和節(jié)子缺陷的杉木橫切面，可以實(shí)現(xiàn)年輪分割，但年輪斷裂現(xiàn)象嚴(yán)重，產(chǎn)生噪聲，降低圖像質(zhì)量，如圖（a3）和（b3）所示。對(duì)于含有蟲(chóng)孔缺陷的圖像，U-Net 模型分割結(jié)果產(chǎn)生嚴(yán)重錯(cuò)誤，將部分蟲(chóng)孔誤標(biāo)記為年輪結(jié)構(gòu)，如圖（c3）和（d3）所示，可知U-Net 模型無(wú)法實(shí)現(xiàn)含有蟲(chóng)孔缺陷的杉木年輪準(zhǔn)確分割。UNet++模型在U-Net模型基礎(chǔ)上增加了密集卷積塊和密集跳躍連接，所以面對(duì)上述缺陷表現(xiàn)良好，有效解決多缺陷下的年輪分割問(wèn)題，優(yōu)點(diǎn)是在剔除蟲(chóng)孔缺陷方面表現(xiàn)優(yōu)異，沒(méi)有發(fā)生蟲(chóng)孔缺陷誤分割，不足之處在于仍然存在噪聲干擾，尤其在年輪密集區(qū)域產(chǎn)生的斷裂現(xiàn)象嚴(yán)重，甚至發(fā)生年輪缺失。采用改進(jìn)UNet++模型對(duì)杉木橫切面CT 圖像年輪分割，取得了非常好的效果，與U-Net和UNet++模型相比，年輪結(jié)構(gòu)非常清晰，不受裂紋、節(jié)子、蟲(chóng)孔等缺陷影響，年輪完整且連續(xù)性好，極少出現(xiàn)斷裂現(xiàn)象，幾乎不含有噪聲。由于部分年輪結(jié)構(gòu)密集，即使制作的標(biāo)簽圖像也無(wú)法實(shí)現(xiàn)年輪準(zhǔn)確分割，改進(jìn)UNet++模型有效解決這一問(wèn)題，原圖像右上方密集年輪被準(zhǔn)確分割，如圖8（a5）和（b5）所示。

圖8 不同模型年輪分割結(jié)果Fig.8 Segmentation results of tree rings with different models

4 結(jié)論

本文采用改進(jìn)UNet++模型解決多缺陷干擾下的杉木橫切面CT圖像年輪分割問(wèn)題，準(zhǔn)確提取年輪特征，有效區(qū)分杉木年輪和周?chē)M織結(jié)構(gòu)。本文構(gòu)建的模型學(xué)習(xí)深度為6 層，并增加通道注意力機(jī)制，采用BCEWith-LogitsLoss 和ReLU 分別作為損失函數(shù)和激活函數(shù)，RMSProp作為優(yōu)化函數(shù)，提高了模型對(duì)年輪特征的學(xué)習(xí)能力，更適用于杉木橫切面CT 圖像的年輪分割任務(wù)。與U-Net 和UNet++模型相比，本文模型年輪分割評(píng)價(jià)數(shù)據(jù)更優(yōu)秀，對(duì)于受裂紋、蟲(chóng)孔、節(jié)子干擾的年輪分割更準(zhǔn)確，有效避免蟲(chóng)孔誤分割，密集年輪欠分割問(wèn)題，表現(xiàn)出良好的杉木年輪分割效果。