木材计数和材积计算是原木生产和销售的重要数据,目前木材材积的测量方法有手工测量、激光测量等,这些方法耗费人力物力、成本高、精度低,不能满足要求。为了解决在自然环境下对原木个数统计和材积计算,论文采集了不同存放环境下以及不同拍摄条件下的原木堆图像,利用计算机视觉技术对原木端面进行了有效定位识别。1.基于色差聚类的图像分割针对自然环境复杂已有分割方法不准确的问题,论文提出了基于色差聚类的原木图像分割算法,以R-G,G-B,B-R为聚类特征对背景、原木端面以及孔隙进行无监督聚类,提取阈值,实现图像的分割。与Otsu大津法、色差法相比,取得了较好效果。2.基于逐级开运算的原木端面检测结合开运算和分水岭算法提出了基于逐级开运算的原木端面检测算法,首先利用结构元素半径变化腐蚀膨胀去除粘连,然后对于连通区域大小相近的目标区域利用分水岭算法进行分割,最后实现原木端面识别并进行识别计数统计。在自然环境下的正检率91.88%,错检率5.08%,漏检率8.12%。3.基于深度学习的原木端面识别针对传统方法检测率不高的问题,论文对基于深度学习的原木端面识别进行了深入研究。首先对样本图像进行目标标注,建立矩形标注框将背景与原木端面分为两类。利用基于回归的深度学习框架SSD(Single Shot Multi Box Detector),建立基础网络进行初步的特征图像整合,再利用6个不同的卷积核提取特征,实现了对不同大小的目标识别。实验结果准确率为94.87%,召回率为91.34%。将实验结果在承德围场林场拍摄图片进行验证,利用计算机视觉技术可以较好的解决在自然环境下对原木端面的识别,为后续原木材积计算提供了理论基础。